MLinfo/製造業AI

Internalization Guide

配合・組成最適化のAI/MI実装ガイド

樹脂、電池、触媒、合金などの配合・組成を、少ない実験回数で改善するためのAI/MI導線です。

「配合最適化 ベイズ最適化」「材料開発 AI 配合」で調べる人が、自社の実験データから次に試す条件を決めるためのページです。

実装の始め方

  1. 1過去実験を1行1条件のCSVに整え、組成・工程条件・物性値を分けます。
  2. 2まずLightGBMなどで品質や物性値を予測するベースラインを作ります。
  3. 3SHAPで効いている因子を確認し、現場知見と矛盾がないか見ます。
  4. 4ベイズ最適化で次に試す配合候補を数点だけ提案します。

自社データでPoCする時の考え方

最初から複雑なGNNや深層生成モデルに行くより、表形式モデルで物性予測を作る方が失敗しにくいです。

目的変数が複数ある場合は、重み付きスコアや制約付き最適化として扱うと現場の意思決定に近づきます。

候補提案は必ず実験可能範囲、原料制約、安全制約でフィルタしてから使います。

よくある落とし穴

  • ・組成比の合計が100%になる制約を無視すると、実験できない候補が出ます。
  • ・同じ配合の再測定値をランダムに分割すると、評価が楽観的になります。
  • ・外挿領域の候補をそのまま信じると、失敗実験が増えます。

よくある質問

実験データが50件程度でも始められますか？

始められます。まずはLightGBMやGaussian Processで不確実性を見ながら、次の実験候補を数点だけ提案する形が現実的です。

GPUは必要ですか？

初期PoCでは不要です。表形式データ、LightGBM、Gaussian Process、SHAPであれば社内PCやColab CPUでも検証できます。

おすすめ手法

LightGBM / Random ForestGaussian ProcessBayesian OptimizationActive LearningSHAP

関連する論文・実装

333 articles
製造業 92
製造業 87
製造業 86
製造業 86
製造業 82
製造業 72
arxivGitHubあり2026-07-21

OmniReasoner: Thinking with Long Audio-Video via Native Tool Use

オリジナルのデータとZoom-Inのツールを組み合わせた方法、OmniReasonerを提案する。これにより、オリンモードルLLMsの長いオーディオビデオの論理的推論を改善できる。

MI向き品質予測/異常検知自然言語処理大規模言語モデル画像音声動画
用途
長いオーディオビデオの論理的推論を改善する
難易度
Hard
コスト
High
→
製造業 67
arxivPaper only2026-07-23

Sidewalk Moments: Are Richer Representations Always More Human-Aligned? Evidence from City-Walk Videos

この研究では、都市ウォークビデオを分析するために、4つのモダリティの表現（スペース時領域情報、時間平均画像、オーディオ符号化、テキストベースの表現）を使用しました。

MI向き品質予測/異常検知深層学習Transformer分類画像テキスト
用途
都市ウォークビデオの分析
難易度
Hard
コスト
High
→
製造業 67
製造業 66
製造業 66
arxivPaper only2026-07-22

StreamHOI: Interaction-aware Temporal Memory Adaptation for Streaming HOI Video Generation

オフラインでの短時間の視覚生成が一般的な人間の行動の分析では、人間の行動の長期的な視覚生成は、実践的な長時間の視覚生成では実行不能である。StreamHOI は、人間間の視覚的な行動の生成を生成したいくつの画像を使用して

MI向き品質予測/異常検知深層学習Transformer生成画像動画
用途
人物間の相互作用による視覚生成
難易度
Hard
コスト
High
→
製造業 66
製造業 66
製造業 62
製造業 60
製造業 59
製造業 53
arxivPaper only2026-07-23

An LLM-Driven Workflow for Automated Process Control Strategy Generation and Tuning from Dynamic Process Models

このプロセスでは、大規模言語モデルを使用して、ダイナミックプロセスモデルに基づいて自動化された制御戦略を生成します。

少数データ向きCPUで試しやすい条件最適化自然言語処理大規模言語モデル生成
用途
オートメーションされた制御戦略の生成
難易度
Hard
コスト
High
→