AI・機械学習による放電プラズマ焼結プロセスの最適化 — 測れない内部を、データで予測する

条件が多すぎる、という問題

放電プラズマ焼結（SPS）で良い焼結体を得るには、いくつもの条件を同時に整える必要がある。焼結温度、保持時間、昇温速度、加圧の大きさとタイミング、原料粉の粒径や純度——これらが互いに絡み合い、最終的な密度・硬さ・微細組織に効いてくる [5]。

やっかいなのは、条件と結果の関係が単純な比例ではないことだ。温度を上げれば緻密化は進むが、上げすぎれば粒成長が起き、特性が落ちる。加圧を強めれば物質移動は助かるが、ダイスへの負荷が増える。最適な点は、複数の条件が織りなす多次元の空間のどこかにある。

この空間を試行錯誤で探すと、実験回数はみるみる膨らむ。一回のSPS実験には、粉末の充填、昇温、保持、冷却、取り出し、評価という一連の手間がかかる。条件を一つ変えるたびにこれを繰り返すのは、時間も材料も惜しい。

ここに、過去のデータから当たりをつける——機械学習の出番がある。

データから関係を学ぶ

機械学習によるプロセス最適化の発想は、素朴に言えば「過去の実験を覚えさせて、次の結果を当てさせる」ことだ。

これまでに行った実験の「条件（入力）」と「結果（出力）」の組を、モデルに大量に与える。モデルは、入力と出力の間にある規則性——どの条件をどう動かすと結果がどう変わるか——を、明示的な物理式を介さずに統計的に学ぶ。学習が済めば、まだ試していない条件を入力したときに、結果がどうなりそうかを予測できる [3]。

Zhaiらは、SPSで作製したチタン基複合材（Ti/TiB₂/TiC）について、機械学習で硬さと相対密度を予測する研究を報告している [1]。焼結条件や組成を入力として、得られる焼結体の特性を推定するもので、実験を全数こなさずに有望な条件を絞り込む方向を示している。

Chenらは、ムライト・コランダム系セラミックスについて、勾配ブースティングやランダムフォレストなどの手法で複数の特性を予測し、焼結機構の探索に用いている [4]。Tangらは、アルミナのレーザー焼結を対象に、機械学習で微細組織そのものを予測する試みを示した [3]。これらは焼結材料一般での流れだが、同じ考え方がSPSにも応用されつつある。

シミュレーションを学ぶ「デジタルツイン」

機械学習が学ぶ相手は、実験データだけではない。物理シミュレーションの結果を学ばせる道もある。

SPSの装置内では、電流・温度・応力が不均一に分布する。これを推定する有限要素法（FEM）の連成解析は強力だが、一回の計算に時間がかかり、条件を多数振るのは重い。そこで、FEMで作った大量の計算結果を機械学習に学ばせ、入力を与えると分布を即座に返す「代理モデル」を作る発想が出てくる。

Sicardらは、深層学習を用いてSPSの温度マップを学習し、装置の状態を高速に推定する「デジタルツイン」へ向けた研究を報告している [2]。FEMの精密さと、機械学習の速さを組み合わせ、リアルタイムに近い予測で装置の制御や条件設計に役立てようという方向だ。

これは、SPSの宿命的な弱点——内部を直接測れないこと——への、もう一つの回答でもある。測れないなら、物理計算で内部を求め、その計算を学習で高速化して、運転中に内部を「のぞき続ける」。実測・物理計算・機械学習が三層で補い合う構図である。

何ができて、何ができないか

データ駆動型の最適化には、明確な得意と不得意がある。

得意なのは、学習データが十分にある範囲での内挿だ。過去に試した条件の周辺であれば、結果をかなり精度よく予測でき、最適点の見当をつけられる。実験回数を減らし、開発を速める効果が期待できる [1][4]。

不得意なのは、学習データの範囲外への外挿である。試したことのない極端な条件、組成系がまるで違う材料——こうした「未知の領域」では、予測の信頼性は落ちる。モデルは学んだ範囲のことしか知らないからだ。また、学習データに偏りや誤りがあれば、予測もそれを引き継ぐ。データの質が、予測の質を直接決める。

だからこそ、機械学習はSPSの実験を置き換えるのではなく、補うものと位置づけるのが妥当だ。予測で当たりをつけ、検証実験で確かめ、新しいデータをモデルに戻して精度を上げていく——この往復が、データ駆動型開発の実体である [3][4]。

経験と勘を、再現可能な形に

熟練の研究者は、長年の経験から「この粉末ならこのくらいの温度と圧力」という勘を持っている。データ駆動型のアプローチは、その勘を、データとモデルという再現可能な形に置き換えようとする試みでもある。

SPSの最適化は、これまで個人の経験に多くを負ってきた。機械学習は、過去の実験を組織の資産として蓄積し、誰でも当たりをつけられる仕組みへと変えうる。測れない内部を、データで照らす——その精度は、結局のところ、どれだけ良質なデータを地道に積み上げたかにかかっている。AIは魔法ではなく、実験という土台の上で初めて働く道具なのである。

---

本記事は公開された査読論文・会議録をもとに整理した解説です。引用先の論文本文は各 DOI から参照できます。事実誤認のご指摘は editor@sps.ss-hd.co.jp までお願いします（暫定アドレス）。