ジーシーと金子研における共同研究の成果の論文が Next Materials に掲載されましたので、ご紹介します。タイトルは
です。これは共同研究としてジーシーの方々と一緒に研究した成果であり、博士前期課程の竹内誠さんが取り組んだ研究の成果です。
本論文は、歯科用ガラスセラミックスの製造において、熟練者の経験と試行錯誤に依存していた色調調整を、機械学習モデルおよびその逆解析によって体系化する手法を提案した研究です。
実生産から得られた624サンプルのデータを用い、実際の生産工場から収集された原料データや溶融・成形時の計測値、さらには結晶化を促す連続炉の温度設定など多岐にわたる製造パラメーターを説明変数xとし、製品の国際照明委員会（CIE）が定める色空間における明度と色度（白背景および黒背景でのL*、a*、b値）を目的変数yとする高精度な予測モデルy=f(x)を構築しました。線形回帰、正則化回帰、サポートベクター回帰、ガウス過程回帰、ランダムフォレスト、勾配ブースティングなど多様な手法を二重交差検証によって公平に比較し、目的変数ごとに最適なモデルを選択した結果、決定係数r²は0.934～0.990となり、未知の製造データに対しても高い予測性能が確認されました。
さら、説明変数間の相関を考慮できる Cross-Validated Permutation Feature Importance (CVPFI) によってモデルを解釈し、結晶化温度に関係するTP1、TP2、TP3が光学特性を大きく左右すること、特に黒色背景におけるL*が規格内外を分ける重要な指標であることを明らかにしました。
次に、実際に操作可能なTP1～TP3を現実的な範囲で仮想的に変化させ、287通りの候補条件を生成して機械学習モデルの逆解析を実施しました。その結果、過去の規格外58サンプルすべてについて、黒色・白色の中背景で色差ΔEが2以下となる製造条件を見いだしました。複数の適合候補が得られた場合には、モデルの予測誤差を3σ基準で考慮し、最悪の場合でも色差が小さくなる候補を選ぶことで、予測値だけを楽観的に信頼しない堅牢な条件選択を実現しています。
さらに、選定条件を実生産設備で11種類の原料に適用したところ、予測値と実測値は良好に一致し、操作上の色むらが生じた1試料を除く10試料が規格を満たしました。本手法は、予測、要因解釈、製造条件の逆設計、実生産での検証までを一貫して実現し、予備試験の削減、歩留まり向上、品質の安定化、暗黙知への依存低減に貢献する実用性の高い製造支援基盤です。
本研究がもたらす最大のインパクトは、単に高精度な予測モデルを構築したにとどまらず、そのモデルの逆解析によって、そのままでは仕様外の不良品となってしまうはずの製品を仕様内に収めるための最適な温度条件を逆算し、実際の製造現場にフィードバックする実践的なワークフローを確立した点にあります。無数に存在する製造条件の候補の中から、予測値と実測値のズレが最も小さくなる確実性の高い条件を統計的に選び出す手法を考案しました。そして、この導き出された最適条件を実際の生産スケールの設備で検証した結果、11種類の異なるサンプル中10種類において予測通りの光学特性を達成し、厳しい製品基準を満たすことに成功しました。この成果は、機械学習が単なる机上のデータ分析を越えて、実際の製造現場における不良品の削減、生産効率の飛躍的な向上、そしてコスト削減に直接的に貢献することを示す非常に強力な実証結果です。
本手法を導入することで、属人的な調整からデータ駆動型へのパラダイムシフトが起こり、再現性の高い安定した品質管理が可能になるだけでなく、将来的には未知の原料組成を用いた新素材の効率的な開発にも道を開くものとして、製造業界全体に大きな波及効果をもたらすことが期待されます。
興味のある方は、ぜひ論文をご覧いただければと思います。どうぞよろしくお願いいたします。
以上です。
質問やコメントなどありましたら、X, facebook, メールなどでご連絡いただけるとうれしいです。
