機械学習とは
機械学習（ML）は、モデルがデータから直接パターンや関係を学べるようにする計算手法の総称です。あらかじめ決めたルールだけに頼るのではなく、機械学習のモデルは、より多くの情報に触れるほど予測能力が高まります。
エンジニアリングでは、予測モデルを作り、設計探索を速め、意思決定を支えるために、機械学習がシミュレーション、試験、センサーのデータとあわせて使われることが増えています。高性能計算、シミュレーションツール、データ収集システムの進歩によって、機械学習はエンジニアリングのライフサイクル全体で、実用的で価値のあるツールになりました。
エンジニアリングに機械学習を使うときの課題
MLでエンジニアリングの問題に取り組むときには、製品ライフサイクル全体にわたって、いくつかの重要な課題があります。
- 不確かさの考慮：エンジニアリングのシステムは、材料、環境、運転条件のばらつきに必ずさらされます。ところが、学習データを作るために使うシミュレーションモデルの多くは決定論的です。そうしたデータで学習した機械学習モデルは、学習データに不確かさを含めるか、不確かさ解析の一部として不確かさを生成しない限り、現実のばらつきを反映しない最適解を出すことがあります。さらに、MLの学習アルゴリズムとモデルの構造が、不確かさを使い、取り込めるものでなければなりません。
- ノイズが多く大量のデータ：現代のシステムは、製造と運用の全体で大量のセンサーデータを生み出します。こうしたデータにはノイズや測定の不確かさが含まれることが多く、適切な前処理と統計的手法がなければ、意味のあるパターンを取り出すのは困難です。たとえば製造ラインでは、設備の健全性から製品品質まで、製造工程のあらゆる面について高頻度のデータが生まれます。これほど多くの異なる情報源から来る大量のデータが合わさった不確かさのために、MLのアルゴリズムがノイズの中から注目すべき信号を見つけにくくなることがあります。
- まれな事象のデータ不足：保全や信頼性の分野では、重大な事象がまれにしか起きず、データが足りないという逆の課題があります。異常な事象は起きたときの影響が大きいことが多いため、その予測はとても重要です。しかし代表的なデータがないため、機械学習モデルがこうした結果を学習し、正確に予測するのは困難です。
- データの品質とモデルの信頼性：機械学習モデルは、学習に使うデータの品質に大きく左右されます。データの誤り、偏り、不整合は、モデルの予測に直接影響します。また、エンジニアリングのシステムは既知の物理法則に従うので、モデルのふるまいの信頼性を確保するには、検証、妥当性確認、不確かさの定量化が重要です。
- システムレベルの複雑さ：多くのエンジニアリングの用途では、重要な解析や性能の確認はシステムレベルで行われます。そのためには多くのサブシステムの情報を組み合わせる必要があり、それぞれのサブシステムが多くの入力を持つこともあります。たとえば車両の健全性をシステムレベルで解析するには、ブレーキ、エンジン、トランスミッション、制御、サスペンション、シャシーなどのサブシステムのデータが必要です。これらすべてのサブシステムにわたるパラメータの総数と、それらが組み合わさって車両の安全性や快適性など注目する結果にどう影響するかを考慮するのは、非常に高次元で複雑な問題です。
SmartUQの機械学習ソリューション
SmartUQは、高度な解析ツール群でこうした課題に対応します。
- データの削減と管理：次元削減、サブサンプリング、フィルタリングの手法で大規模なデータセットを効率よく扱い、処理・保存・転送が必要なデータ量を減らします。
- 予測モデリング：シミュレーションや試験のデータから、速く正確な予測を出す、自動化された統計・機械学習モデル。
- 感度解析：最も影響の大きい入力を特定し、エンジニアリングの労力を集中させ、理解を深めます。
- 統計的キャリブレーションと逆解析：偏りを減らし、隠れた不確かさを特定し、モデルを現実のデータに合わせる手法。
- 不確かさの定量化と確率論的解析：モデルを通して不確かさを伝播させ、システムレベルのリスクとロバスト性を評価するツール。
- デジタルツイン：システムレベルの監視、診断、根本原因分析のための、モデルとデータの統合。
まとめ
機械学習は複雑なエンジニアリングのシステムを解析する強力な手段ですが、その効果は、不確かさ、データの品質、システムの複雑さにどれだけうまく対処できるかにかかっています。適切なツールがあれば、エンジニアは機械学習を使って開発を速め、予測精度を高め、システムのふるまいへの理解を深められます。
エンジニアリングでの機械学習の活用について詳しくは、SmartUQのホワイトペーパーとウェビナーENをご覧ください。
