化学/素材系｜研究・処方
配合条件・性能予測
蓄積した実験データを学習。試す前に性能を予測し、狙いから配合候補を導きます。
CURRENT STATE
配合の当たりは経験と試作回数しだい
配合 → 試作 → 評価 → 修正の繰り返し。目標に到達するまでの回数に個人差が大きい（属人化）。
配合設計・試作の繰り返し
目標に届くまで繰り返す
1
配合を設計する原料の組合せ・配合量・製造条件を経験と勘で決める
2
試作する実験室で少量試作（後に量産スケールでも試作）
3
性能を評価する色・粘度・乾燥・安定性・耐候性 などを測定
4
ダメなら修正・再設計目標に届くまで、配合を変えて繰り返す
なぜなかなか答えにたどり着かないのか
組合せが膨大顔料・樹脂・添加剤の組合せ＋製造条件。試せる数は限られる
経験と勘に依存（属人化）到達までの試作回数に個人差。担当が変わると再現が難しい
データが活きていない過去のレシピ・実験報告は蓄積されるが、次の設計に活かせていない
SOLUTION
性能を予測し、配合を逆引きする
蓄積した実験データを学習し、試す前に性能を予測して、狙いから配合候補を導きます。
活用するのは「数値（実験条件・性能）」と「文章（補足・考察）」の両方です。
1
性能予測モデル
配合条件 → 性能 を予測（試作回数の削減）
配合条件実験条件・製造条件
予測モデル数値＋文章を学習
性能試す前に分かる
- Step1 実験結果（数値）を機械学習
- Step2 実験報告の文章も読み、予測を補正
2
配合条件 探索モデル
目標性能 → 配合候補 を逆引き（予測の逆解析）
目標性能 ＋ 制約出したい性能と制約条件
逆解析予測モデルの逆問題として解く
配合候補試すべき配合を提示
「この性能を出すなら、この配合から試すとよい」を提示します。
※ 性能予測が十分な精度で成立して初めて可能。まず予測、次に逆引きの順で進めます。
予測 → 逆引き の順で発展させるまず「試す前に分かる」を作り、成立したら「狙いから配合を導く」へ広げます。
EFFECT
試作回数を減らし、属人化を解消する
数値だけの予測と、文章の知見まで使う予測では、届く範囲が違います。
Before
数値データだけで予測
- 定型データに限られる一元管理されたレシピの数値しか使えない
- 考察が捨てられる「なぜ失敗したか」の知見が予測に入らない
- 精度が頭打ち数値だけでは説明しきれない現象がある
After
数値 ＋ 文章の知見
- 報告書の考察も読む散在する実験報告の文章を予測に反映
- 属人知を形式知へ担当者の勘所を、データとして引き継ぐ
- 少ないデータを補う数値が足りない所を、文章の知見で補完
属人化をデータで解く経験・勘に依存した判断をデータで補助し、担当者以外でも一定水準で調整できるようにします。
引き継ぎ時も過去実績を参照でき、技術者の引退・異動に伴うリスクを緩和します。
引き継ぎ時も過去実績を参照でき、技術者の引退・異動に伴うリスクを緩和します。
OTHER USE CASES
ほかのユースケースを見る
この6事例のほかに、工程 × 技術で整理した一覧もご用意しています。
御社の業務では、どこから始められるか。
この業務はAIでできるのかというご相談から、AI活用箇所の診断、個別のお見積りまで承ります。資料のダウンロードも無料でご利用いただけます。
導入に関するご相談も承ります。お気軽にお問い合わせください。