ニューラルワークス(NeuralWorks)ではじめる課題解決への機械学習の活用
経営課題解決へのデータ活用における現場の壁とその現代的な乗り越え方について話題を取り上げ考えます。
経営課題解決へのデータ活用における組織の壁とその現代的な乗り越え方について話題を取りあげ考えます。
経営課題解決へのデータ活用におけるデータ収集の壁とその乗り越え方について、話題を取り上げ考えます。
経営課題解決へのデータ活用における分析スキルの壁とその乗り越え方について話題を取りあげ考えます。
物理モデルと階層性、材料組織の3D構造から材料特性を予測するMIPHAについて
ニューラルワークスPredict試用版は、Excel上でニューラルネットワーク・モデルの簡単な評価が可能です(デモデータと解説付き)。商用解析ソフトで一般的に制限の掛かる使用期限はありませんので、試したいときにいつでもどなたでも利用できる点も嬉しいところです。 さらに、Excelの分析機能と併用して使っていただくと、ニューラルネットワーク・モデルの予測性能面での優位性が実感できると思います。 ダウンロードは日本国内代理店のSETソフトウェア(株)のWEBサイトから可能です
部門や会社の垣根を超え情報流通を実現。業務改革とサプライチェーン改革のDXに挑む https://www.salesforce.com/jp/resources/customer-stories/toray-eng/ 部門を超えたデータ共有の次に進むAI活用
組織の意見集約から意思決定への汎用的な仕組み https://note.com/nishiohirokazu/n/n15a60978113d LLMの活用で、電話アンケートの時代も終焉を迎えそうです。
小さなプラスチックのブロックは、科学はすべての人にとってより身近なものにしている https://www.technologyreview.jp/s/339920/lego-bricks-are-making-science-more-accessible/ デジタル空間のマインクラフトで遊んだ世代が、実空間のレゴブロックでデジタルツインを構成してサイエンスを進める近未来
「筆記テストでは実力が出せない子も増えており、配慮が容易なCBT入試は救われる」 https://news.yahoo.co.jp/articles/a10f3b2a7fcc247e4710db4c5b2330f5e1e3387d データ収集のトータルコストを抑えつつ、フィードバックによる投資効果を狙ったIT導入が進んでいます。
データサイエンスの適性として何が必要かが議論されることが多い。実際にこの領域で成果を出されているエンジニアの方を見ると物理系の出身の方が多い。これは、世界の階層性に対する問題意識や習慣が、モデル作成前の仮説設定の段階で本質的に重要な要素になっているのではないかと思う。
このMIPHA(AI 搭載材料情報統合システム)は、解析エンジンとしてスパースモデリングの特徴をもつニューラルワークスPredictを活用して、学習データが少ない段階でも高いパフォーマンスで運用できる点が特に優れている。 https://www.jstage.jst.go.jp/article/isciesci/61/5/61_188/_article/-char/en
例として、この材料ゲノムを研磨等を通じた2D画像取得から3D画像を再構成し、特徴抽出。実験により得られる特性値との関係性を機械学習によりモデル化し、材料設計に活用できるソリューション(MIPHA)が(株)新興精機より提供されている。 https://www.youtube.com/watch?v=WbDtJ_jzxCQ
金属などの材料を取り扱う場合、力学的な特性に多くの関心がもたれるが、その発現は、構成する材料の組織形態が本質的と考えられている。材料組織は、生物のアナロジーで、材料ゲノムと呼ばれることも多い。
すなわち、ものごとには階層性があることを経験的に認めて問題を単純化し、数理モデル等を活用しながら本質的な理解にたどり着く。そこからモデルに基づくシミュレーションから問題への根本的な対策を打つことになる。社会現象であれば、人の行動予測モデルがデータサイエンスの中心的テーマとなる。
物理モデルを立てて対象の理解を進めるとき、まず初めに関心のある特性がどの物理的自由度により発現するかを考える。例えば、対象が半導体材料の電気特性であれば、原子・分子・電子、宇宙の高エネルギーの世界であれば素粒子、生物であればDNAを最小単位として計測される特性との関係を考える。
物理モデルやシミュレーションと現実とのギャップを埋めるAIの実装が、様々な領域で進んでいくことでしょう。 成形加工 特集 ものづくりに役立つデータサイエンスVol.32 No.3 2020, pp.74-77 https://www.jstage.jst.go.jp/article/seikeikakou/32/3/32_74/_pdf/-char/ja
例えば、東レエンジニアリングでは、樹脂射出成形シミュレーションソフト(3D TIMON)を開発提供してきたが、さらにシミュレーションと現物とのギャップを埋めるための解析パラメータの決定を自動化するソリューション(AI-TIMON)を開発提供し、組織的知見蓄積と開発の高速化を実現。
この根本的な課題を解決するため、現場の試行と錯誤現物の差ををデータベース化し、機械学習を通じて最適な解析パラメータを決定するプロセス自体をモデル化するシナリオが考えられる。
実際問題として、現場のエンジニアはCAEにより得られる結果と現物とのギャップを埋めるべく、多くの試行錯誤と経験値を積んでいるが、その属人性からCAEの活用と知見を組織として蓄積し、イノベーションに活かしきれていない現状がある。
ものづくりにおける設計を支援する物理シミュレーション技術は、CAEソフトウェアの活用により進んでいるが、物理モデルの限界や数値計算上の近似処理により、得られた結果が現実と異なることは永年の大きな課題である。