昨日材料の問題を解くのにMIを用いるぐらいならタグチメソッドや新QC7つ道具で十分、と書いたが、これではMIを研究されている方を愚弄するようなイメージにとられるといけないので補足する。
何か材料の問題を解こうとするとき、例えば新しい配合を考えようとするときも含め、科学的に問題解決するよりも、20世紀には非科学的と呼ばれていたデータサイエンスで解いた方が効率が良い。
それではデータサイエンスのどの方法を選択するのか、といえば、タグチメソッドもよいが、データ駆動の方法で簡単に解けるならば、ＭＩが良い、ただしＭＩを持ち出すくらいなら新ＱＣ7つ道具で解いてみてはいかが、と言うのが当方の昨日の内容である。
ＭＩの利点として非線形の問題を扱う時に多変量解析よりも良い結果が出るかもしれない。ただし、多変量解析やタグチメソッドでも非線形の現象が現れたときにそれなりのパラメーター応答があるので問題を解けないわけではない。
少し頭を使うとグラフ用紙1枚でデータマイニングする方法もあるが、これは弊社のセミナーを受けていただく必要がある。
特に頭をひねらなくてもＭＩでは非線形の問題までデータ駆動で扱えるので便利である、ということを付け加えておくが、人間の頭脳を使わずにＭＩはできない、と言う注意も忘れないでほしい。
ＤＸの進展は個人のスキルアップだけでなく地頭の質まで問うようになった。DXの進展＝MIではないのである。データサイエンスの成果として様々な手法が知られている。MIでうまくいかない時は弊社にご相談ください。
カテゴリー : 一般
pagetop
コンピューターが登場した当時、それを動かすプログラムは、手続きの流れをコンピューターが理解できるように機械語で書かれた。それがアセンブラーとなり、科学技術計算用としてFORTRUNが生まれるに至り、プログラミング技術が科学者に浸透していった。
かつてスパゲッティープログラムという言葉があったように、その言語はアセンブラーよりは簡単であったが、複雑なプログラムを書くのには不向きだった。それでも便利だったのでより文法が易しいBASICがその後生まれた。
文法は易しくなったが、コンパイル（コンピューターが分かるように翻訳）後のプログラム容量が大きくなったので逐次コンピューターに翻訳させるインタープリター型の言語として設計された。
このようにプログラミング言語の設計は、文法をどのように設計するのかが課題だったが、アセンブラーに近く、文法がBASICに近く易しい（ポインターという悩ましい壁が存在するが、易しいと思う）C言語が生まれ、プログラミング言語の設計が容易になり、多数のプログラミング言語が生まれるようになった。
その過程でプログラミング言語のパラダイム事態の革新があった。それがオブジェクト指向であり、オブジェクト指向では、データとアルゴリズムを一体としてプログラムを組み、従来のデータとアルゴリズムが別々であったために、プログラムの再利用性に難があった問題を解決した。
オブジェクト指向のパラダイムは、言語の仕様が人間に近づいたように見えたので、すなわち、オブジェクト指向のクラスと呼ばれるプログラムの塊が、お互いに情報を交換しながら大きなプログラムとなってゆく動作をしたので、擬人化パラダイムとも言われた。
そうなってくると、ほとんど人間同様のふるまいをするプログラミング言語を設計しようというパラダイムが生まれ、エージェント指向と呼ばれた。
オブジェクト指向の最初の傑作であるC＋＋が、Cに翻訳され、その後機械語にコンパイルされたように（今では直接機械語にコンパイルできる処理系も存在する。）、エージェント指向も同様の方法で研究されているが、未だ、映画「マトリックス」で再現されたような世界観の言語は登場していない。
マトリックスは派手なワイヤーアクションが話題となったが、未来のコンピューターの世界観をうまく表していた傑作なので、当方はDVD版もその後購入している。上映映画のDVDなど購入した経験は無かったので唯一である。
さて、現在のAIは、オブジェクト指向のプログラムで作られている、と書けばAIがどのようなものなのかはご理解いただけるのではないか。まだ、プログラマーの頭脳を自動化したに過ぎないAIしかできないのだ。この技術の限界を常に知ったうえでAIを眺めてほしい。
人間のように悩んだり、暴走して人間の手に負えないようなAIを人間はまだ創り出すことができないのだ。それを創り出すためには、オブジェクト指向を越えたパラダイムのプログラミング言語が必要となる。
この点を理解できると、現在のマテリアルインフォマティクス（MI）に関する研究がどのようなものか理解できると思う。１９７０年代に登場した新QC７つ道具でも同様のことができることを知らない人が多い。
新QC７つ道具から最先端のMIまで弊社は指導しています。その立場から申し上げれば新QC７つ道具は高卒でも理解できる易しい方法です。
カテゴリー : 未分類
pagetop
日々の問題解決のため、ロジカルシンキングというセミナーが１９８０年前後に大流行している。日々の業務を科学的に遂行しようとする戦後の科学教育の効果や、研究所設立ブームがひと段落したときで論理的にビジネスを進めようという潮流にうまく適合していた。
研究所では、科学的に研究を進めることが当たり前で、企業からも学会発表が競うように行われた。しかしバブル崩壊後、企業からの学会参加は減少の一途である。
ところで、問題解決法には科学の方法以外にもあることが忘れ去られたようだ。当方は非科学的方法でゴム会社で高純度SiCの技術を事業化し、その事業は今でも続いているが、科学の方法でまとめなおして学位を取得している。
当時の研究所では非科学的な問題解決法は受け入れてもらえなかったのだ。ビジネスの観点で考えれば、非科学的であろうと問題を解決することが重要で、科学的に業務を進めて問題解決に失敗しても意味がない。しかし、ゴム会社の研究所は、モノを作ることよりも科学的であることが重んじられた。
例えば、電気粘性流体の耐久性問題では否定証明により、問題解決できないので添加剤が入っていないゴムを開発すべきという結論が出されている。
ゴムを知っている人から見れば大変間抜けな結論だが研究所のトップはこれが素晴らしい研究だと立ち上がったばかりの高純度SiCのJVを止めてでも添加剤が入っていない世界初のゴム開発を進めよと命令している。
話はそれたが、科学的に完璧な証明は否定証明以外にない、というのはイムレラカトシュの名言であるが、科学的に問題解決を進めたときに、科学にとらわれると否定証明に向かうという問題に気づいていない人は多い。
科学は論理学の誕生とともに成立したとマッハは著書の中で述べており、論理学誕生以前のニュートンの研究でさえも非科学的だと解説している。ここで注意しなければいけないのは、非科学的方法であっても万有引力の法則を見出してニュートン力学という分野を開拓している事実である。
最近の学校教育では教えなくなったユークリッド幾何学は科学誕生よりもはるか昔に生まれている。すなわち人類は科学誕生以前に非科学的方法で日々問題解決してきたので、進歩してきたのだ。
ただ科学誕生により産業革命が起き、技術が加速度的に進歩したので、科学の方法というパラダイムが重宝されただけであることを知るべきである。
この数年アカデミアではマテリアルインフォマティクス（MI）が流行し、慌ててこれを導入している企業が多いと思われるが、MIで問題解決するというのは、昔ながらの非科学的パラダイムであることに気がついているのだろうか。
コンピューターという道具を使うので最先端ではあるが、そのパラダイムは従来非科学とされた技術的パラダイムである。不易流行の境地を知ればそれが見えてくる。
AIを用いないデータマイニングもできるし、コンピューターさえも使わずデータマイニングは可能で、当方はグラフ用紙一枚でデータマイニングに挑戦し新たな多成分ポリマーアロイを開発している。
データサイエンスは１９７０年代に生まれ、その概念を拡張しつつ発展し現在に至るが、電気粘性流体の事例で紹介したような間抜けな研究をしないように心掛けたい。
ビジネスでは科学的であることよりも正しい問題を解決し仕事を前に進めることが一番大切である。科学的問題解決に行き詰まったなら非科学的方法も試してみるとよい。弊社では科学から非科学まで全ての問題解決パラダイムを指導している。
カテゴリー : 一般
pagetop
8ビットμCPUの登場により始まったデジタル革命の初期には、やがてナノテクノロジーに昇華する日本発のセラミックスフィーバーと呼ばれる材料科学イノベーションとして世界に伝播している。
この時話題となったのはセレンディピティーという能力である。犬も歩けば棒にあたる的な能力として新素材発明に必須と騒がれた。
アカデミアの研究者も含め、科学的に研究を進めていても新素材開発は難しい、と疑心暗鬼になり始めたのだ。同時期にアメリカではトランスサイエンスという言葉が生まれている。
日本では、ポリマーアロイを前駆体とする高純度SiC製造法がデータサイエンスを用いた配合設計により発明されている。そしてこの技術は事業化されて30年続き、現在は愛知県にあるセラミックス企業ＭＡＲＵＷＡで事業継承されている。
アルビントフラー「第三の波」がベストセラーとなる時代、情報通信分野で始まったDXはやがて現在の姿になったのだが、アカデミアでMIの研究が行われている現象を科学と非科学の境界の移動として当方は捉えている。
この方法は、AIを人間の頭脳に置き換えれば、科学誕生以前から人類が営んできた技術の方法と類似している。また、そこで使われる機械学習とは、大量のデータに潜む一定のルールなりパターンを見つけ出す、人間の作ったアルゴリズムでコンピューターに演算させているだけである。
仮説ではなくデータ駆動で結論を導き出すMIの手法は、試行錯誤と誤解されるかもしれないが、それと異なるのはデータ「サイエンス」が使われている点である。技術者は、見出された機能にロバストがあればこれを問題としないが、科学者は科学の方法として今後どのようにMIを位置づけるのだろうか。
ところで、過去データも含め教師データとしてＡＩに学習させるので、MIの方法は温故知新のような側面がある。AIの学習作業において熟練技術者を活用できれば、技術伝承手法として期待できるのではないか。
高分子材料はプロセスの履歴の影響を無視できず、未だ経験知や暗黙知を活用した開発方法が有効となっている。そのため、科学的に配合設計を行っても越えられない技術の壁を感じる若い技術者もいると思われる。
DXの進展でデータサイエンスの利用環境を無償で個人が容易に手に入れることができ、その使用方法も無償で公開されている。DXにより引き起こされたイノベーションは、データサイエンスの活用を促しMIを流行させたが、今後個人の配合設計スキルの格差を広げるように作用する。
さらに、MIは技術の伝承にAIを活用する道を開いたが、プロセス情報についてデータベースの整備という問題が放置されたままである。
現在データサイエンスによる問題解決のオンラインセミナーの参加者を募集しています。
セミナーの詳細及びお申込みはこちら
カテゴリー : 一般
pagetop
データ駆動による配合設計事例として、回収PETボトルから得た再生PETを80％含有する易射出成型性多成分ポリマーアロイの事例を紹介する。
2022年4月に法律が施行されて再生樹脂のブームである。PETは溶融状態から冷却すると急速に結晶化するので射出成形が難しく、押出成形やブロー成型の用途で使われてきた。
PETボトルのリサイクル分野として、射出成形の用途開発が期待されている。ところが射出成形用途で使用するためには、PETの急激に変化する温度-粘度曲線をPCのような緩やかな曲線となるように溶融粘度を改質する必要がある。
溶融粘度の改質技術以外に再生樹脂の新たな変性技術を開発する目的で、多数の廃材ポリマーを混ぜて粘度調整する実験について仮説を設定せずに計画した。
曲げ強度と衝撃強度、弾性率を同じスケールの縦軸でプロットするために、弾性率について線形性を保てるように100で除して10を引いた値へ数値変換する。
衝撃強度は、線形破壊力学によれば密度1.2から1.3g/cm3の範囲で一定となるはずだが、実験を行うと大きくばらついている。その結果、曲げ強度は、弾性率と似た相関のある群とそれよりも密度依存性の大きい相関を示す群とに分かれた。
PETの含有率は80％と一定の配合率で実験を行っているが、残り20％へ配合されたポリマーは様々な廃棄樹脂である。このような群に分かれるのは、配合因子だけでは説明がつかない。
電子顕微鏡観察を行ったところ、強度の高い群では強度の低い群よりも微細な構造となっていた。一定の射出成形条件で実験を行った群から、密度と強度の高いサンプルを一種類選び、配合因子以外に混練プロセスから射出成形プロセスまでの制御因子を用いてTMによる最適化実験を行っている。
その実験によりカオス混合プロセスを用いる条件が選択されて、UL94-V2に合格するABS同等の物性で射出成型性も良好となり、ロバストの高い高品質の樹脂配合が得られた。
このように経験知や形式知に基づく公知の関係を利用して、その関係から外れる新規物質を探索することが可能である。
MI手法が話題となっているが、データ駆動の手法で新たな知を探索するためにAIを利用することが唯一の方法ではない。このような経験知や形式知で見出されている関係を利用して実験を進める方法や、多変量解析でデータを整理する方法も存在する。
MIでゆきずまったら弊社にご相談ください。マテリアルインフォマティックスだけでなく様々な問題解決手法をご指南いたします。
現在データサイエンスによる問題解決のオンラインセミナーの参加者を募集しています。
セミナーの詳細及びお申込みはこちら
カテゴリー : 一般
pagetop
具体的な方法を説明する。形式知から、弾性率は密度と相関している。線形破壊力学から狭い密度範囲において靭性は一定と期待できる。また、経験知から強度は弾性率と靭性を変数とした関数とみなせる。
これらの公知の関係を利用して、多成分ポリマーアロイの成分量を変動させて実験を行う。成分量の変動についてはラテン方格を用いても良いし、経験知から適当に変動させても良い。
得られた諸物性データについて横軸を密度、縦軸を力学物性としたグラフへプロットすれば、公知の関係から外れた条件を容易に見出すことができる。
そして強度の良好な群について考察すれば、改良因子を見出すことができる。（この実験では、すべてのサンプルが密度と弾性率の関係において、一つの直線状にプロットされるが、強度の値では、弾性率に相関した群とそれよりも大きな強度を示すサンプル群に分かれる。）
1990年ごろから日本で普及の始まったTMのおかげで、仮説を設定しないデータ駆動の実験により新材料を開発する手法を技術者は非科学的と排除しなくなった。
この方法では、仮説を用いた実験による真偽判定ではなく、計画された実験データから分散分析により最適な制御因子とその水準を見出し、それらを条件として採用した確認実験を終えて科学技術として完成させている。
また、MIあるいはTM、その他のここで紹介したデータ駆動の実験では、仮説の真偽を確認するために行われていないので、イムレラカトシュが指摘するような否定証明に陥る危険性は無い。
それゆえ実験により必ずモノを生み出すことができる。そもそも科学による実験と科学誕生以前から人類が営みとして行ってきた技術開発における実験とは、方法や手順が異なり、技術の方法では仮説設定は必須のプロセスとされていなかった。
現在データサイエンスによる問題解決のオンラインセミナーの参加者を募集しています。
セミナーの詳細及びお申込みはこちら
カテゴリー : 一般
pagetop
学習を終えたAIを用いてMIを行うと、知りたかった新たな知が出力として得られる。この時、AIの各ニューロンそれぞれの関係には、多数のデータから学習した一定の重みづけが行われている。
このAIへ新たなデータを入力するとその特徴を出力できるのは、この各ニューロン間の重みづけされた関係、すなわち学習により構築された関数関係のような仕組みのためである。
ここに着目すると、次のようなデータ駆動の実験で配合設計を行う手法が考えられる。例えば、射出成形性も悪く強度の低い多成分ポリマーアロイの配合を入力として、射出成型性が改善されて良好な力学物性の樹脂を出力とする問題を考えてみる。
樹脂の力学物性について、これまでの研究開発で蓄積された形式知や経験知から諸物性の関係が知られている。この関係を学習の完了したAIとみなして実験を行えば、多成分ポリマーアロイの配合について、仮説を設定せずに技術開発できる。
ただし、この方法では仮説を用いないので、20世紀の視点では非科学的方法となる。さらに、経験知と形式知を混然と用いる方法なので、その結果は科学的に真であることが保障されない。
しかし、この方法で得られた結果に関し統計手法あるいはTMで確認実験を行えば、ロバストの高い技術が得られる。
現在データサイエンスによる問題解決のオンラインセミナーの参加者を募集しています。
セミナーの詳細及びお申込みはこちら
カテゴリー : 一般
pagetop
深層学習では、観察対象（オブジェクト）から収集された多数のデータからオブジェクトの特徴を探るように、各ニューロンはそれぞれの関係に重みづけをしながら学習を進める。
すなわち、これはオブジェクトの機能を制御する因子について、各因子の2-3水準を変動させながら実験を行い、機能に対する寄与率を検討するプロセスと似ている。
もし、機能とその信号因子が明確ならば、そのプロセスで誤差因子の負荷をかけた動的な実験を取り入れると、誤差あるいは様々なノイズに対しロバストを高く制御できる因子を見つけ出す問題解決法となる。これはTMであり、ＳN比はロバストの高さの指標となる形式知として数学的に証明されている。
TMにおいて基本機能を決めるのは技術者の責任であるが、そこでは科学の方法として求められる仮説設定まで必要としない。
さらに、データ収集のための実験は、ラテン方格を用いて現象全体を視野にその一部実施で計画的に行う。すなわち考えられるあらゆる条件で実験を行う代わりにラテン方格を用いるのである。
ただし、得られたデータについて誤差に対する有意性を評価する分散分析を行うためにそれを用いる実験計画法とは、考え方が全く異なるメソッドである。
TMでラテン方格を用いる理由は制御因子のすべての組み合わせについて効率よく実験計画を組み立てるためであって、実験のばらつきについては、ラテン方格の外側に割りつけられた信号因子や誤差因子を用いて計算されるＳN比が使われる。
現在データサイエンスによる問題解決のオンラインセミナーの参加者を募集しています。
セミナーの詳細及びお申込みはこちら
カテゴリー : 一般
pagetop
現在用いられているAIは、派手なワイヤーアクションでヒットした映画「マトリックス」に描かれたエージェント指向ではなく、オブジェクト指向のプログラムが走り、人間が提供したデータで学習を繰り返している。現在の技術で作られたAIと「マトリックス」に描かれたAIは明らかに異なっている。
ただし、現在のAIに人類を驚嘆させるような知の創出を期待できなくても、機械学習により新材料開発に成功すれば、熟練技術者の技術の伝承が容易となる可能性が生まれる。
そもそも技術者は、現象に潜む各種因子について経験知と暗黙知による独自の重みづけを行いヒューリスティックに結論を導き出す。教師データとして熟練技術者の知見を活用すればMIの研究効率をあげるとともに暗黙知の伝承までできるのではないか。
MIは、これまでの科学の方法とは異なるゆえにその研究手法も含め全体のイメージが難解なものとなっている。
・
しかし、データ駆動による機械学習で知を創造しようとする取り組みについて、これまで科学的に実験を行ってきた技術者は、その仮説設定を行わないロジックの可能性に注目すべきだろう。
現在データサイエンスによる問題解決のオンラインセミナーの参加者を募集しています。
セミナーの詳細及びお申込みはこちら
カテゴリー : 一般
pagetop
DXの進展とともにデータサイエンスが注目を浴びてから１０年が過ぎた。タグチメソッドも含めれば、データサイエンスのスキル実装が技術者の常識となってから３０年の歴史となる。
材料系の技術者についてはマテリアルインフォマティクスも身につけなければいけないので大変な時代である。しかし、安心してほしい。弊社はそれらを４０年以上の技術開発経験から易しく獲得できるようセミナーを提供している。
データサイエンスについて、３０年以上前はそれを使うと非科学と考えていた人がいた。基礎科学に近い開発を行っている研究者もどきの人に多かった。当方はそのような人たちに、実験法が非科学であるといじめられた。
イジメている方が知識の幅が狭いのに偉そうにしている。自分が見えていない、と言ってしまえばそれまでだが、データサイエンスの手法が新QC７つ道具に採用されていたので、なおさら現場的手法と誤解されていた時代がある。
例えば、電気粘性流体の耐久性問題では、京都大学出身の博士をリーダーとした高偏差値のスタッフが１年かけて否定証明を行い、界面活性剤を用いては実用化できないという科学的に完璧な証明を３０年以上前に完成させている。
その時、問題解決を依頼された当方は、一晩でデータサイエンスを用いて界面活性剤を使用する解決法を提案している。その後実際に技術として完成させて特許出願と実用化をしている。
このあと大変なことになり、高純度SiC半導体治工具事業を住友金属工業とのJVとして立ち上げながらも学位を取得したセラミックスのキャリアを捨て転職している。
当時はデータサイエンスを科学分野で用いるのは邪道と思っていた技術系の研究者は多いが心理学などの人文科学系では成果が出ていた。また、技術のニッサンではそれを用いて塗膜の研究を４０年前完成させている。当方はそのセミナーを拝聴し感動した記憶がある。
３０年以上前はコンピューター環境が恵まれていなかったので、個人のスキルとしてデータサイエンスはお金のかかる分野だったが、今は湯水のように使用できるPythonのライブラリーがあり、MIさえも無料でできる。
そのスキルを身に着けたいなら弊社を活用すれば、低価格である。おそらく世界中探しても弊社より安いセミナーは無いだろう。１年に数回サービスとして無料セミナーと常時有料セミナーも行っているが価格は安い。
価格は安いが実際に使用された事例とともに指導するのでわかりやすい。
カテゴリー : 一般
pagetop
