ホウ酸エステル変性ポリウレタン発泡体の難燃化機構について、データサイエンスによる証明では非科学的とゴム会社の研究所で評価されただけでなく当時の学会でもあまり関心が示されなかった。
当方もデータサイエンスの手法が科学的とは思っていなかったが、科学で答えられない問題あるいは現象について、科学で問う方法として関心があり、１９８０年からアイデアを練ったりする時だけでなく、科学的証明が難しい時にデータサイエンスを活用していた。
燃焼という現象は、急激な酸化反応であり非平衡状態で進行するので、科学で問うことはできても完璧な科学的証明は困難である。未だに非平衡で進行する現象の取り扱いについて形式知がまとまっていない。
４０年前の１９８０年代ならさらに科学の状況は遅れていたので、科学的な証明が困難と言っても良い時代だったが、それでも科学的に完璧な証明を上司は求めてきた。アカデミアよりもアカデミックな研究所ゆえの疑問の残る仕事である。
仕方がないので、熱重量分析装置を活用して、各温度における変化を観察したのが最初の研究である。そして、５０℃間隔で熱重量分析装置を停止し、サンプルの状態を観察したり、発生ガス分析をしたりもした。
この結果に合わせて、実際の燃焼試験における発生ガス分析や燃焼後の燃焼面の分析を行ったりもしている。そして、ポリウレタンに添加されていたホウ酸エステルとリン酸エステルが反応して３５０℃でガラス状のボロンフォスフェートが生成していることを確認した。
また、ホウ酸エステルが添加されていない時には３００℃でオルソリン酸の揮発が観察されるが、添加されているとそれが抑制されることも明らかになった（恐らく３００℃からホウ酸との反応が始まっていたのだろう。実験で得られた値には５０℃の差異が存在した）。熱重量分析の結果は、燃焼時の現象でも再現されたので分析手法も含め機密事項とされた。
１９８０年代は高分子の難燃化研究について、技術が完成した時代であり、１９７０年代からその開発競争が激化していた。当方は大学院でPVAの難燃化をホスフォリルトリアミドのホルマリン付加体で成功していたので世界の研究動向を知っていた。
ゆえに製品化されなかったホスファゼン変性ポリウレタン発泡体の研究論文の発表許可は下りたが、製品化されたホウ酸エステル変性ポリウレタン発泡体については、学会発表のみ許可された（ただし学位論文には学会の予稿集にも書いたデータサイエンスの成果を掲載している。）。
ただ、一連の解析データについて、特に動的な燃焼時のガス分析手法についてはノウハウとされ、発表許可が下りなかった。燃焼現象の解析技術は当時先端技術であり、発表に制約がついたが、データサイエンスの成果については、非科学的という理由で容易に許可された。
カテゴリー : 一般
pagetop
高純度フェノール樹脂と高純度ポリエチルシリケートとの反応に有機酸を用いて前駆体を合成後、それを焼成して高純度SiCを製造するプロセスは、科学的発想法で考えて出てくるアイデアではない。
フローリー・ハギンズ理論で否定される組み合わせのポリマーアロイを合成しなくてはいけないからだ。フェノール樹脂と無機高分子であるポリエチルシリケートの組み合わせのχの値は大きい。
χが０ではないポリマーの混練には、相溶化剤が用いられるが、高純度化のためのポリマーアロイに高純度の添加剤は、コストアップとなるので用いたくない。
χが大きな２種のポリマーを均一に混練する方法として、カオス混合と高速剪断混練があるが、当時存在したのは低粘度の高速剪断技術だけだった。
この技術は、イソシアネートとポリエーテルポリオールとの反応で製造されるポリウレタンのリアクティブブレンド技術として知られていた。これは、低分子とオリゴマーとの反応でポリマーを製造する方法で、ポリマー同士の場合にどのようになるかは知られていなかった。
当方は、高純度SiCの発明の前に、このポリウレタンをホウ酸エステルで変性して難燃化する技術を研究しており、データサイエンスにより燃焼時にガラスを生成して高分子を難燃化する技術を開発していた。
この技術は、日本化学会年会や無機高分子研究会などで発表しているが、データサイエンスの研究について、ゴム会社の研究所では非科学的という理由で予稿集には記載していない。
しかし、当方はデータサイエンスの成果として１枚OHPのシートを作り学会で発表している。ところが学会でもデータサイエンスの成果については関心を持っていただけなかった。上司はしたり顔だったが、当方はその後機会あるたびにこの成果を発表している。その結果時代の変化を知ることができた。
カテゴリー : 一般
pagetop
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
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
