ブローイング造型におけるニューラルネットワークの応用

大同大学 工学部機械工学科

前田 安郭

ブローイング造型の最適化

2

実験装置概要

3

コアボックス概要

4

ベント開口率

5

鋳型硬度分布(0.5MPa)

6

ベント開口率と鋳型硬度の関係(0.5MPa)

7

線型モデル式

8

線型モデルでの制御式と適用範囲

9

学習制御

10

学習制御による実験結果(0.5MPa)

11

鋳型硬度分布(0.5MPa)

12

学習制御検証結果(0.4MPa)

13

ブローイング造型のプロセスモデリング

14

ニューラルネットワークによる順逆モデリング

15

ニューラルネットワークモデル

16

モデリング形式

17

コアボックス

18

硬度分布と制御領域

19

順モデル

20

学習用データとチェック用データの比較

21

コアボックスとサイズ

22

ベントの名称

23

硬度分布

24

最低高度と硬度レンジ

25

制御点

26

順モデルとデルタモデル

27

制御系

28

フィードバックによる誤差の変化

29

検証実験結果

30

制御実験結果

31

まとめ

32

IoTとAIについて(参考資料)

大同大学 工学部機械工学科

前田 安郭

Internet of Things, IoT

2

モノのインターネット（英語: Internet of Things, IoT）様々な「モノ（物）」が

インターネットに接続され（単に繋がるだけではなく、モノがインターネットのように繋がる）、

情報交換することにより相互に制御する仕組みである。 それによる社会の実現も指す。

「物のインターネット」と表記された例もある。 IoTはユビキタスネットワークの後継とも言われている

ユビキタスネットワークやIoTの起源となったオープンアーキテクチャTRONを提唱した坂村健(東京大学名誉教授)

IoTがビッグデータを生成してフィンテックの基盤の1つとなる Web2.0に準えてフィンテックを「経済2.0」とし、 「社会2.0」には、「経済2.0」が必須となり、 その先には社会を自動運転できる。

出典元：ウィキペディア

ビッグデータ / フィンテック

3

ビッグデータ（big data）とは、

一般的なデータ管理・処理ソフトウエアで扱うことが困難なほど巨大で複雑なデータの集合を表す用語である。

ビッグデータを取り巻く課題の範囲は、情報の収集、取捨選択、保管、検索、共有、転送、解析[4]、可視化等多岐にわたる。

これら課題を克服しビッグデータの傾向をつかむことで「ビジネスに使える発見、疾病予防、犯罪防止、リアルタイムの道路交通状況判断」に繋がる可能性がある。

出典元：ウィキペディア

フィンテック、Fintech（financial technology）とは、 Finance（金融）とTechnology（技術）を組み合わせた造語であり、

ファイナンス・テクノロジーの略。 「ICTを駆使した革新的（innovative）、あるいは破壊的（disruptive）

な金融商品・サービスの潮流」などの意味で使用される。

既存の金融機関が持つ総合的な金融サービスのうち、顧客が必要とする一部の機能のみに特化することで、低コストでサービスを受けることが可能となる。

クラウド/フォグ/エッジコンピューティング

4

説明 クラウド エッジ フォグ

概要 システムをインターネット経由で提供

Iot機器とクラウドの間に設置。IoTからのデータはエッジで処理するが、必要なクラウドと通信し処理をクラウド側でも実施する。

エッジとほぼ同じ意味で使用されるが、エッジサーバをさらに霧のように分散させる技術も含める。

メリット ハードウェアのコスト減。

・通信コスト減・クラウド側の処理減・Iotへの応答がクラウドと比較して早い

原則エッジと同じ。

人工知能（artificial intelligence，AI）

5

出典元：ウィキペディア

人間の知的能力をコンピュータ上で実現する、様々な技術・ソフトウェア・コンピューターシステム

初期： 17世紀初め、ルネ・デカルトは、動物の身体はただの複雑な機械と

提唱（機械論） 1642年、ブレーズ・パスカルは最初の機械式計算機を製作。

チャールズ・バベッジとエイダ・ラブレスはプログラム可能な機械式計算機の開発

1900年代後半 1950年代になるとAIに関して活発な成果が登場。 1956年ダートマス会議でジョン・マッカーシーがAI（artificial

intelligence）と命名 1980年代に、ニューラルネットワークはバックプロパゲーションアル

ゴリズムによって広く使われるようになる。

人工知能（artificial intelligence，AI）

6

出典元：ウィキペディア1900年代後半 1990年代はAIの多くの分野で様々なアプリケーションが成果を上げ

た。特に、チェス専用コンピュータ・ディープ・ブルーは、1997年にガルリ・カスパロフを打ち負かした。

1982年から1992年まで日本は国家プロジェクトとして570億円を費

やす第五世代コンピュータの研究を進めるも、目標であるエキスパートシステムの実現には至らなかった。

2000年代以降： 2005年、レイ・カーツワイルの著作「圧倒的な人工知能が知識・知能

の点で人間を超越し、科学技術の進歩を担い世界を変革する技術的特異点（シンギュラリティ）が2045年にも訪れる」とする説を発表

2010年には質問応答システムのワトソンが、クイズ番組「ジェパディ!」の練習戦で人間に勝利し、大きなニュースとなった。

ジェフ・ホーキンスの著書『考える脳 考えるコンピューター』

世界各国において、軍事・民間共に実用化に向け研究開発、とくに無人戦闘機UCAVや無人自動車ロボットカーの開発が進むが、完全な自動化に至らず。

人工知能（artificial intelligence，AI）

7

出典元：ウィキペディア2000年代以降： 2015年10月に米Googleの子会社DeepMindが作成した

「AlphaGo」が人間のプロ囲碁棋士に勝利。ディープラーニングと呼ばれる手法が注目。

2016年6月米シンシナティ大学の研究チームが開発した「ALPHA」は、元米軍パイロットとの模擬空戦で一方的に勝利。AIプログラムは

遺伝的アルゴリズムとファジィ制御を使用しており、アルゴリズムの動作に高い処理能力は必要とせず

2016年10月DeepMindが、入力された情報の関連性を、仮説に近

いものを導き出す人工知能技術「ディファレンシャブル・ニューラル・コンピューター」を発表、同年11月大量のデータが不要の「ワンショット学習」を可能にする深層学習システムを、翌2017年6月関係推論のような人間並みの認識能力を持つシステムを開発。2017年8月記号接地問題(シンボルグラウンディング問題)を解決

人工知能（artificial intelligence，AI）

8

出典元：ウィキペディア2010年代後半：(第3世代)

2006年に2度目の冬の時代を終わらせたディープラーニングの発明

2010年以降のビッグデータ収集環境の整備 技術的特異点という概念

汎用人工知能(AGI)を開発するプロジェクト デミス・ハサビス率いるDeepMind Vicarious, IBM Cortical Learning Center, 全脳アーキテクチャ, PEZY Computing, OpenCog, GoodAI, nnaisense, IBM SyNAPSE等

※実際のところ2015年頃より大注目を浴びている

人工知能の2つの学派

9

従来からのAI機械学習と呼ばれている手法を使い、フォーマリズムと統計分析を特徴。記号的AI、論理的AI、正統派AI、古き良きAI（GOFAI）などと呼ばれる。• エキスパートシステム:推論機能を適用することで結論を得る。• 事例ベース推論（CBR）:その事例に類似した過去の事例をベースに

し、部分修正を加え試行を行い、その結果とその事例を事例ベースに記憶する。

• ベイジアン・ネットワーク• 振る舞いに基づくAI:AIシステムを一から構築していく手法

計算知能（CI）開発や学習を繰り返すことを基本とする。学習は経験に基づく手法であり、非記号的AI、美しくないAI、ソフトコンピューティングと関係している。• ニューラルネットワーク:非常に強力なパターン認識力を持つシステム。

コネクショニズムとほぼ同義。• ファジィ制御:不確かな状況での推論手法であり、最近の制御システ

ムでは広く採用されている。• 進化的計算:生物学からインスパイアされた手法であり、ある問題の

最適解を進化や突然変異の概念を適用して求める。この手法は遺伝的アルゴリズムと群知能に分類される。

出典元：ウィキペディア

ディープラーニング(深層学習）

10

ディープラーニング（deep learning）

（狭義には4層以上の）多層のニューラルネットワーク（ディープニューラルネットワーク: deep neural network）による機械学習手法

３層構造の階層型ニューラルネットよりも多くの層を持つ、４層以上の多層ニューラルネットの学習は、局所最適解や勾配消失などの技術的な問題によって、充分に学習させられず、性能も芳しくない冬の時代が長く続く。(第2世代）

2006年にジェフリー・ヒントンらの研究チームが、制限ボルツマンマシン

によるオートエンコーダの深層化に成功。発表論文中のディープネットワークの用語が定着。現在のディープラーニングに直接繋がる技術的ブレイクスルー！

2012年からは急速に研究が活発となり、第三次人工知能ブームが到来

出典元：ウィキペディア

ディープラーニング(深層学習）

11

ディープラーニング（deep learning） 深層学習では、バックプロパゲーションと呼ばれる計算手法により学習

を行う。従来からある手法だが、ディープ・オートエンコーダを併用することで、従来困難だった４層以上の多層ニューラルネットを学習させられることに新規性がある。

ニューラルネットワークの多層化は、学習時間と計算コストに問題があったが、近年のコンピュータの高性能化や、CPUよりも単純な演算の並列処理に優れたGPUによる汎用計算 (GPGPU) により改善されている。

機械学習とデータマイニング交差する部分が大きく、技法も同じなので混同されることが多いが、次のように定義できる。

機械学習の目的は、訓練データから学んだ「既知」の特徴に基づく予測である。

データマイニングの目的は、それまで「未知」だったデータの特徴を発見すること

出典元：ウィキペディア

生型砂管理とIoT

12

生型砂の管理情報

記録！ データの蓄積！！

×メモ書き×ファイリング

○デジタルデータ・簡単入力

○ネットワーク・誰でも閲覧可能・分析可能

どんなデータ？

・忖度はあとで考えましょう！・人工知能が選別してくれる！

とりあえず、思いつくもの全部日時、気温、湿度、機器名称、作業者なども

今までの生型砂管理技術、必要データ、分析方法など、・覆るかもしれない！？・無駄が省ける！？・え！○○データ要るの！？

研究部会の委員それぞれが色々トライして、意見交換していきましょう！！