物理情報に基づいたAIを使用すると、機械のオペレーターは信頼して検証できます

乾燥機の性能を最適化する必要のある農業エネルギーエタノールメーカーは、ロックウェル・オートメーションの物理情報に基づく人工知能（AI）モデルを採用しました。閉ループコントローラーは、乾燥負荷を工場の乾燥機から蒸発器に移し、熱損失を減らすようにカスタマイズされました。その結果、スループットが12％向上し、エネルギー効率が10％近く向上したとロックウェル氏は述べています。

物理情報に基づくニューラルネットワーク（PINN）などの物理情報に基づくAIシミュレーションは、ブラックボックスモデルと見なされる人工ニューラルネットワークモデル（ANN）に取って代わり始めています。物理情報に基づくモデルは、ANNシミュレーションよりも正確で信頼性の高い予測をもたらします。

どちらのモデルもデータ駆動型ですが、ANNには大量の運用データが必要であるとSiemens DigitalIndustriesSoftwareの技術革新ディレクターであるHermanVanderAuweraer氏は述べています。

人工ニューラルネットワークモデルも非常に複雑で、データのベンチマークを取得するのに時間がかかる可能性があると、ケースウエスタンリザーブ大学の機械および航空宇宙工学科の教授兼議長であるRobertX.Gao氏は述べています。

「AI/機械学習[ML]モデルの透明性と解釈可能性の欠如は、製造業でAI/MLを広く採用するためのボトルネックとしてよく認識されています。本質的に、製造とは、物理的な原理と法則を適用して、材料を工業用または商業用の有用な製品に加工することです。」と彼は言いました。

ニューラルネットワークをAIと表現する人もいるかもしれませんが、ニューラルネットワークは既知のデータポイント間を予測する非常に賢い方法です（補間）と、SiemensSoftwareのエンジニアリングサービスディレクターであるPeterMas氏は述べています。 ANNを使用すると、データの範囲外のポイントの値を正確に予測すること（外挿）は不可能であると彼は言いました。

たとえば、めったに発生しない風力タービンの障害などのイベントはデータによってキャプチャされず、誤った表現につながる可能性があると、VanderAuweraer氏は述べています。

「これまでにない領域で予測できるニューラルネットワーク技術はありません」とMas氏は述べています。 「そのためには、外挿が従わなければならない傾向を示す物理法則を含める必要があります。」

ロックウェル・オートメーションの高度な分析担当ディレクターであるBijan Sayyar Rodsari氏は、ブラックボックスモデルのデータが少なすぎると、モデル化されているシステムの適切な動作をキャプチャできないと述べています。

しかし、ブラックボックスシステムでより多くのデータを投入するだけでは、必ずしも答えとは限りません。

オーバートレーニングから保護されていない場合、そのようなシステムはデータ内のすべての異常にラッチし、正確な予測を行うことができないと彼は言いました。異常に関しては、異常が発見されるとすぐにマシンがシャットダウンされるため、メーカーは大量のデータを収集する機会を得られないことがよくあります。

データと洞察が不足しているため、ブラックボックスシステムを使用しているメーカーは、効率を最大化するためにマシンをスイートスポットまでプッシュすることはなく、代わりに安全マージン内で十分にエラーを発生させることを選択します。

「純粋にデータ駆動型のモデルは、入力したデータによって制約を受けることになります」とRodsari氏は述べています。

また、彼らは閉ループシステムを実行することをいとわないだろうと彼は言った。 「オペレーターがモデルの動作を理解していない場合、オペレーターはこのモデルを閉ループで実行できるようにすることに常に懐疑的です。」

ロシアのことわざ「信頼するが検証する」は、ブラックボックスモデルでは機能しません。モデリングシステムがどのように予測を思いついたかを検証することはほぼ不可能です。入力と出力を検証する機能がなければ、製造業の多くのオペレーターはモデルを信頼しません。結果が正確でない可能性があるため、正当な理由があります。

最初の処理が正しいかどうかを確実に知る唯一の方法は、試行錯誤することです、とRodsariは言いました。

Masの簡単な例を次に示します。高度なニューラルネットワークモデルに、4つのリンゴの重量が1 kg、8つのリンゴの重量が2.1 kgであることを示すデータがある場合、6つのリンゴは既知のデータポイント内にあるため、モデルは6つのリンゴの重量を正しく予測できる可能性があります。線形トレンドの一部。しかし、12個のリンゴの可能な重量（データポイント外の数）について質問すると、ANNモデルは答えを出しますが、3〜3.3 kgのより合理的な予測ではなく、5kgまたは別のオフベースの数になる可能性があります。

「これらのブラックボックスモデルは、解釈が難しいことが証明されています」とRodsari氏は述べています。 「関心のある変数の一致を作成するのには適していますが、その関係を説明するのには役立ちません。それは、これらのモデルを使用し、結果が正しいかどうかを判断しなければならない人々の能力を妨げます。製造分野のほとんどのアプリケーションでは、この関係が意味のあるものであることをオペレーションに納得させ、品質を監視する手段を提供し、オペレーションに損害を与える決定を防ぐ能力が必要です。

「オペレーターがモデルを信頼できるように、モデルの性質をある程度可視化する機能が必要です。」

少ないほど多い

一方、物理情報に基づくAIシミュレーションは、より高品質で、機械や目前の問題により関連性の高いデータを使用するため、大幅に少ないデータに基づいて予測を行うことができます。

名前が示すように、物理情報に基づくAIには、関連データ、物理法則、およびモデル化されるマシンのパフォーマンスパラメータや基準などの事前知識が組み込まれているとGao氏は述べています。

「物理法則には、非常に凝縮された方法で膨大な量の情報が含まれています」とVanderAuweraer氏は述べています。 「物理ベースのシミュレーション手法では、これらの物理法則を使用しています。したがって、十分な代表的なデータが届くまで待つ必要がなく、この知識を取り入れることで、AIシステムに非常に強力な有利なスタートを切ることができます。」

そのエンコードされた物理的知識により、物理学に基づいたAIモデルは、より少ないデータに基づいて予測を行うことができます。

「メーカーにリアルタイムで役立つモデルを構築したいと考えています」と彼は言いました。

物理情報に基づくAIモデルにより、AIは処理中のデータから学習し、脳の学習をエミュレートでき、より多くのデータが利用可能になると改善できるとマス氏は述べています。

次に、製造エンジニアは、既存の構造とシステムを変更および調整して、モデルを工場で機能させることができます。

「データを観察するとき、特にエンジニアにとって、通常、あなたが知っている関係があります」とマスは言いました。 「既知の物理学と未知の物理学があります。これが、物理情報に基づいたAIの仕組みです。完全なデータ関係をブラックボックスとして扱うだけでなく、「エネルギー保存の法則」や「波のような動作」などのより複雑なものなど、データにいくつかの物理方程式を課すこともできます。これにより、機械学習アルゴリズムは次のようになります。データと物理学のバランス。これは通常、物理学を満たしながらデータのエラーを最小限に抑えるアルゴリズムのターゲット関数である損失関数を介して行われます。」

PINNが製造業に影響を及ぼし始めている

Van der Auweraer氏によると、最初のPINNアプリケーションは、積層造形などの複雑なモデルと関係を持つ製造プロセスで登場しています。

他の早期採用者は、複雑なプロセスが純粋なシミュレーションベースのアプローチを妨げる可能性があり、PINNアプローチのAIが有望な結果をもたらす可能性がある食品業界または製薬業界になります。

PINNモデルは、労働集約的なラボテストと設計を補完または置き換えることもでき、ラボテストの既存の長所と物理ベースのシミュレーションの利点を組み合わせて、より少ないラボテストを使用してはるかに短い時間で新しい材料と製品を正確に設計できます。

可能性として見られる灰色のボックス

最大の課題は、機械学習が、アプリケーション指向のローコードプラットフォームを介して製品を開発するエンジニアが利用可能でアクセスできるのではなく、好みのデータサイエンス言語でスクリプトを作成するデータサイエンティストによって今日行われていることです。シーメンスが現在Simcenterポートフォリオ内で開発しているROM構築アプリケーション。

「一般的な構造から始めることができます」とGao氏は述べています。 「イノベーションは、創造的に修正して適応するのはエンジニア次第です。」

最も強力なアプローチは、人工ニューラルネットワーク内の物理的関係を組み合わせて、そのネットワークを補完するか、ニューラルネットワーク内の特定のレイヤーまたは構造として使用することです。

これにより、ブラックボックスが灰色のボックスに変わります。

「このようなネットワークは、高品質のシミュレーションからトレーニングを開始する可能性があります。より凝縮された強力なネットワークの内部物理関係を含めることができ、これもより高速にトレーニングされ、最終的にはライフサイクル中に発生する可能性のあるデータによってさらにトレーニングされる可能性があります。