製造用AIに物理学を仕込んでみた。【AI論文】

✔️微細電解加工における穴の内径と外径を予測するニューラルネットワークを作成する試み。

✔️過程の仕組みに関する部分的知識をNN構造に埋め込んだ。

✔️純粋なNNモデルと比較した場合、知識を埋め込んだNNモデル(3-3-2構造)を用いて得られたテストセットのMAPEは3.42%から16.08%向上した。

米ジョージア工科大のYanfei Luら研究者は、製造プロセスに特化したニューラルネットワークならば、製造プロセスの知識や物理学の知識をあらかじめ持っているべきだと仮説を立てた。

研究の詳細を見てみよう。

製造プロセスにおける機械学習

知的機械学習の技術は、多くの異なる製造プロセスの入出力モデリングに使用されてきたが、これらの技法は、入力過程のパラメータから出力に直接マップし、過程の仕組みおよび物理学に関する利用可能な部分的知識を考慮していない。

研究者らは過程の仕組みに関して利用可能な部分的知識を利用し,それをニューラルネットワーク構造に埋め込むための新しいアプローチを提示した。

提案されたアイデアのフローチャート

微細電解加工

提案したアプローチを検証するために、微細電解加工(μ-ECM)過程のための前方予測モデルを作成した。

微細電解加工(左)およびマイクロアレイホール電極モジュール(右)の概略図。
CCDカメラで撮影した画像。(a) は穴の入口側(Din)を示し、 (b) は穴の出口側(Dout)を示します。
Din、Doutが測定可能なパフォーマンスである。

ニューラルネットワーク同士の比較

提案アプローチの予測精度を異なる構造を持つ純NNモデルの予測精度と比較し、その結果は埋込み知識を持つニューラルネットワーク(NN)モデルが純NNモデルよりも良い予測精度を持つことを示した。

ECMの事例研究に用いた部分的な物理的知識を埋め込んだNNの構造。
2番目の隠れ層のニューロン数ごとのテストセットのMAPEの比較。
3‐1‐2構造の純NNモデルと知識を埋め込まれたNNモデルを用いてテストセットに対して得られたMAPEの比較。
3‐2‐2構造の純NNモデルと知識を埋め込まれたNNモデルを用いてテストセットに対して得られたMAPEの比較。
3‐3‐2構造の純NNモデルと知識を埋め込まれたNNモデルを用いてテストセットに対して得られたMAPEの比較。
3‐4‐2構造の純NNモデルと知識を埋め込まれたNNモデルを用いてテストセットに対して得られたMAPEの比較。(表中では3-3-2となっているがミスプリかと思われる。)

参照論文

Y. Lu, M. Rajora, P. Zou, S. Y. Liang, “Physics-Embedded Machine Learning: Case Study with Electrochemical Micro-Machining”. Machines, 5(1), (2017).

DOI: 10.3390/machines5010004

Translating

PAGE TOP