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

372 articles
製造業 99
製造業 86
製造業 86
製造業 82
製造業 81
製造業 75
製造業 73
arxivGitHubあり2026-06-08

Assessing Sample Quality in Conditional Generation under Compositional Shift

Transformerベースのモデルを改良し、ゲノム規制的情報を組み込んだモデルを提案。遺伝情報を組み込むことで、遺伝子発現の解釈と予測の精度が向上することを示した。

MI向き品質予測/異常検知自然言語処理RAG生成
用途
ゲノム規制的情報を組み込んで遺伝子発現の解釈を向上させる
難易度
Hard
コスト
High
→
製造業 72
製造業 69
arxivPaper only2026-06-08

Quality-Diversity Search in Sound Generation: Investigating Innovation Engines for Audio Exploration

この研究では、音楽生成における多様性を促進するためのオープンソース・フレームワークを開発します。このフレームワークは、音楽生成における多様性の促進を支援するために、進化的プロセスと多様性促進アルゴリズムを組み合わせたもの

MI向き品質予測/異常検知自然言語処理ファインチューニング分類生成テキスト
用途
音楽生成における多様性の促進
難易度
Hard
コスト
Low
→
製造業 68
製造業 67
製造業 66
製造業 66
製造業 65
arxivGitHubあり2026-06-08

OpenOpt: An Open-Source SRAM Optimizer Based on Equivalent Circuit Model

この研究では、SRAM オプティマイゼーションを実現するためのオープンソース フレームワーク、OpenOpt を開発します。このフレームワークは、SRAM オプティマイゼーションをサポートするためのシミュレーションを加速

少数データ向きCPUで試しやすい条件最適化数学・理論最適化
用途
SRAM オプティマイゼーション
難易度
Easy
コスト
Medium
→
製造業 64
製造業 62