マテリアルズインフォマティクス

サービス概要

機械学習・画像解析・統計処理・実験環境の自動化・データ一元化による材料開発の効率化をご提案いたします。

サービスメニュー

機械学習を用いた配合およびプロセス条件の最適化

～ 材料開発に『機械学習』という新たな選択肢を ～

■材料開発における配合とプロセス条件の探索

・目標の条件を満たす材料の配合比率や製造パラメータを回帰モデルにより推定
・製造時の品質不良の原因となっている工程を統計解析により特定

【解析フロー】

データ作成

・複数csvファイルの結合
・異常値の確認
・平均値、分散の取得等

データ可視化

・相関関係の確認
・ヒストグラム、箱ひげ図
・クラスタリング（PCA、
　t-SNE、UMAP）

回帰分析
線形/非線形
モデル

・外れサンプルの検討
・実験計画法

逆解析による
機械学習を用いた推定

・配合部数
・反応温度と圧力
・中間物性

・融点
・弾性率
・熱伝導率 etc..

●回帰モデルを用いた仮想実験
●ベイズ推定

数理モデリングによる予測シミュレーション

材料の経年変化を予測する数理モデルの最適化

 ■例　二次電池の劣化モデルの構築

• ●実験結果から劣化への影響が示唆される様々な要因を考慮に入れて、反応速度論等に基づき電池劣化の数値モデルを立て、シミュレーションプログラムを実装。
• ●部材の化学分析データや寿命からなる試験データを2群に分け、一方のデータを用いて反応速度係数等のパラメータをモデル毎にフィッティング、そのパラメータを用いた他方のシミュレーション結果のデータとの整合性を評価することにより、モデルの最適化を行います。また、モンテカルロシミュレーションを組み合わせることにより、予測寿命の確率分布が算出可能です。

画像解析/自動化パイプライン作成

■解析のフロー

画像・動画データ

機械認識

モデリング・自動計測

クラスタリング
距離解析・統計検定

※トポロジカルデータ解析（画像）による隠れた構造の抽出　 NEW！

• ● 粒子配置やドメイン形状など、データのつながりをパラメータ化（パーシステントホモロジー）
• ● 一見無秩序に見える画像から、特徴的な局所構造を抽出可能
• ● 形状に基づくため、サイズや回転に対して影響を受けにくい
• ● 何に着目してパラメータ化すればいいか分からない画像識別に好適

【解析フロー】

前処理

・ノイズ除去
・二値化

パラメータ

パーシステントホモロジー
計算

主成分分析

・クラスタリング
・記述子探索

逆解析

画像間の差異に対応する構造を元画像上に表示

プロセスインフォマティクス支援サービス

■統合型インターフェース技術の導入

実験装置やセンサーから得られるデータを集約
得られるデータをすべて集約/統合することにより、機械学習への移行をスムーズにし、他データとの整合性をアップ。

• ● 試験体の相変化タイミングを自動計測
• ● 観察映像中に測定データをリアルタイムに表示
• ● アナログデータからデジタルデータへの交換インターフェースの導入時系列データの自動取得
• ● フォーマット違いのデータを統一、統合

■生産技術分野の歩留まり改善支援

• 様々な製造工程データや実験データ（温度、湿度、電圧、濃度、分量など）を集約し一元化
• 熟練者の勘や経験に基づく実際の製造条件や品質管理データなど、様々なデータ間の相関関係を探索
• 工程の最適化・安定化、非熟練者のアシスト、無人化自動化による歩留まりの改善

データを統合、一元化

・電圧
・温度・圧力
・周波数
・操作時間
・環境要因（気温、湿度など）

～各データ間の相関を確認～
相関の確認：相関行列、散布図行列（ペアプロット）

製品の品質などに関連するパラメータを抽出し、機械学習を行う

• ・回帰分析：線形モデル（PLS回帰、重回帰モデル）
• ・非線形モデル（ガウス過程回帰モデル）
• ・クラスタリング・クラスタリング：主成分分析（PCA)、
  t-SNE、UMAP
• ・変数重要度：PD、SHAP、CVPFI
• ・深層学習（PyTorch）

予測モデルの作成、実装

お問い合わせ