MLINFO COLLECTION

配合・組成最適化

樹脂、電池、触媒、合金などの配合・組成を、少ない実験回数で改善するためのAI/MI導線です。

どこから始める？

候補組成や配合条件の組み合わせが多く、全探索できない。

  1. 過去実験を1行1条件のCSVに整え、組成・工程条件・物性値を分けます。
  2. まずLightGBMなどで品質や物性値を予測するベースラインを作ります。
  3. SHAPで効いている因子を確認し、現場知見と矛盾がないか見ます。
  4. ベイズ最適化で次に試す配合候補を数点だけ提案します。

データと評価

組成、配合比、工程条件、測定物性を含む表形式データ

sample_id, material_a_ratio, material_b_ratio, additive, temperature, time, target_property

ベースライン：LightGBM + SHAP

評価：RMSE/R2、上位候補の実験成功率、実験回数削減率

実装時の注意

  • 最初から複雑なGNNや深層生成モデルに行くより、表形式モデルで物性予測を作る方が失敗しにくいです。
  • 目的変数が複数ある場合は、重み付きスコアや制約付き最適化として扱うと現場の意思決定に近づきます。
  • 候補提案は必ず実験可能範囲、原料制約、安全制約でフィルタしてから使います。
  • 組成比の合計が100%になる制約を無視すると、実験できない候補が出ます。
  • 同じ配合の再測定値をランダムに分割すると、評価が楽観的になります。
  • 外挿領域の候補をそのまま信じると、失敗実験が増えます。

よくある質問

実験データが50件程度でも始められますか？

始められます。まずはLightGBMやGaussian Processで不確実性を見ながら、次の実験候補を数点だけ提案する形が現実的です。

GPUは必要ですか？

初期PoCでは不要です。表形式データ、LightGBM、Gaussian Process、SHAPであれば社内PCやColab CPUでも検証できます。

関連する論文・実装

1 / 22
arxiv

LLM-Assisted Optimization for Simulation-Based Redesign

Engineering design frequently involves redesigning a prior solution to adapt to changes in context, such as material prices or system requirements. Redesign often leverages simulators too complex…

nlp
arxiv

Retrieval Augmented Generation Compositionality

Retrieval Augmented Generation (RAG) grounds large language models in external knowledge. Modern pipelines combine embedding, chunking, retrieval, reranking, query augmentation, context compression,…

nlp