機械学習が高度な製造技術を加速

今日の生活は驚くべき技術の進歩に満ちていますが、これらの発展を支える金属の使用は数千年にわたって大きく変わっていません。車やトラックに形状、強度、燃費を与える金属棒、金属管、立方体から、発電所から海底ケーブルに至るまで電気を運ぶワイヤーに至るまで、すべてがそれにあたります。

しかし、状況は急速に変化しています。材料製造業界は、新しい革新的なテクノロジー、プロセス、および方法を使用して、既存の製品を改善し、新しい製品を作成しています。米国の太平洋岸北西部国立研究所 (PNNL) は、先端製造として知られるこの分野のリーダーです。 1965 年に設立された PNNL は、化学、地球科学、生物学、データ サイエンスにおける独自の強みを活用して科学的知識を進歩させ、持続可能なエネルギーと国家安全保障の課題に対処します。

PNNL の科学における人工知能推論プロジェクトに取り組む科学者たちは、新しい製造プロセスの開発を導くために、人工知能の一部門である機械学習を使用してコンピューター ソフトウェアを設計およびトレーニングする方法を開拓してきました。

これらのソフトウェア プログラムは、製造データ内のパターンを認識し、このパターン認識機能を使用して、従来の方法を使用するよりも特性が向上した材料を製造する製造プロセスの設定を推奨または予測するように訓練されています。製造される材料はより軽く、より強力です。またはそれ以上の導電性。

PNNL の材料科学者、Keerti Kappagantula 氏は次のように述べています。「高度な製造プロセスを使用して当社が作成するコンポーネントは、産業企業にとって非常に魅力的であり、企業はこれらの技術ができるだけ早く導入されることを望んでいます。」

課題 しかし、業界パートナーは、高度な製造技術の基礎となる物理学やその他の複雑さが完全に具体化され、証明されるまでは、新しい技術への投資に消極的です。

このギャップを埋めるために、Kappagantula は PNNL データサイエンティストの Henry Kvinge および Tegan Emerson と協力して、製造プロセスのさまざまな設定が材料特性にどのような影響を与えるかを予測する機械学習ツールを開発しました。これらのツールは予測を視覚的に表示するため、業界パートナーなどに即座に明確さと理解を提供します。

これらの機械学習ツールを使用することで、研究室から工場までの時間を数年ではなく数か月に短縮できるとチームは考えています。材料科学者は、ツールの予測に基づいて、数十回の実験ではなく、わずか数回の実験を行うだけで、将来の材料特性を決定できます。たとえば、どのような設定にするとアルミニウム パイプが期待どおりに動作するかなどです。

私たちの目標は、機械学習をツールとして使用し、高度な製造プロセスを実行している人々が、機器でさまざまな設定 (さまざまなプロセス パラメータ) を試し、実際に望むものを達成できる設定を見つけるようガイドすることです。 "

正しい問題を解決する

従来の製造では、コンピューター モデルは製造プロセスの物理学を十分に理解した上で構築されており、さまざまな設定が材料の特性にどのような影響を与えるかを示しています。カッパガンチュラ氏は、高度な製造業では物理学がほとんど理解されていないと語った。この専門的な理解がなければ、生産は遅れます。

新しい高度な製造人工知能ツール プロジェクトは、機械学習を使用してプロセス パラメーターと結果として得られる材料特性の間のパターンを抽出する方法を特定することを目的としています。これにより、高度な製造技術の基礎となる物理学についての洞察が得られ、その導入が促進される可能性があります。

「私たちが採用するアプローチ、つまり統一テーマは、材料科学者がその専門知識をどのように応用するのか、そして彼らがどのようなメンタルモデルを持っているのかを理解することから始まります。そしてそれをモデルを構築するためのフレームワークとして使用します。」とクビンゲ氏は述べました。

このプロジェクトでは、特定のパラメーターが与えられた材料のパフォーマンスを予測するために機械学習モデルが必要です。材料科学者と相談したところ、彼らが本当に望んでいることは、特性を指定し、その特性を達成するために使用できるすべてのプロセス パラメーターをモデルに提案させることであることがすぐにわかりました。

説明可能な解決策

Kappagantula と同僚が必要としていたのは、チームが次にどのような実験を試行するかを決定するのに役立つ結果を提供できる機械学習フレームワークでした。このようなガイダンスがない場合、望ましい特性を備えた材料を開発するためにパラメーターを調整するプロセスは失敗のリスクを伴います。

このプロジェクトでは、Kvinge と彼の同僚が最初に「差分属性分類」と呼ばれる機械学習モデルを開発しました。このモデルは、機械学習のパターン マッチング機能を使用して、2 セットのプロセス パラメーターを区別し、どちらのグループがより可能性が高いかを判断します。目的の特性を持つ材料を生成します。

このモデルを使用すると、材料科学者は実験を開始する前に最適なパラメータを固定できますが、実験には費用がかかり、大規模な準備が必要になる場合があります。

Kappagantula さんは、機械学習モデルの推奨事項について実験を行う前に、モデルの推奨事項を信頼する必要があると述べました。 「分析がどのように実行されるかを確認できるようにしたいのですが。」

この概念は、機械学習の分野では解釈可能性と呼ばれており、異なる分野の専門家にとっては異なる意味を持ちます。 Kvinge 氏は、データサイエンティストにとって、機械学習モデルがどのようにしてその予測に到達したかについての説明は、材料科学者にとって意味のある説明とはまったく異なる可能性があると指摘しました。

Kvinge、Emerson、およびその同僚がこの問題に取り組んだとき、彼らは材料科学者の観点からそれを理解しようとしました。

「彼らは、これらの材料の微細構造の写真から、このことをよく知っていることがわかりました。彼らに、何が問題だったのか、なぜ実験がうまくいかなかったのか、あるいはなぜうまくいったのかを尋ねると、まあ、彼らは写真を見て、これらの粒子が大きすぎる、小さすぎる、またはそのようなことを言って問題を指摘するでしょう。」 機械学習モデルの結果を解釈可能にするために、Kvinge と Emerson および同僚は、は、以前の実験からの微細構造画像と関連データを使用して、特定のパラメーターのセットによって調整された製造プロセスから生じる微細構造画像を生成するモデルをトレーニングしました。

チームは現在モデルを検証しており、材料科学者が材料の生産と性能の変革を約束する高度な製造技術を開発する際にどの実験を行うかを決定するために使用できるソフトウェア フレームワークの一部にするために取り組んでいます。

Kappagantula 氏は、先進的な製造業について次のように述べています。「エネルギー効率が向上するだけでなく、これまでに見たことのない特性と性能を備えた新しい材料が開発されます。」

以上が機械学習が高度な製造技術を加速の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。