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 · 2018. 6. 23. ·...
TRANSCRIPT
![Page 1: 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 · 2018. 6. 23. · 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](https://reader035.vdocuments.net/reader035/viewer/2022081618/609dbf3a052944674d293811/html5/thumbnails/1.jpg)
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
![Page 2: 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 · 2018. 6. 23. · 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](https://reader035.vdocuments.net/reader035/viewer/2022081618/609dbf3a052944674d293811/html5/thumbnails/2.jpg)
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
![Page 3: 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 · 2018. 6. 23. · 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](https://reader035.vdocuments.net/reader035/viewer/2022081618/609dbf3a052944674d293811/html5/thumbnails/3.jpg)
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
![Page 4: 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 · 2018. 6. 23. · 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](https://reader035.vdocuments.net/reader035/viewer/2022081618/609dbf3a052944674d293811/html5/thumbnails/4.jpg)
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
![Page 5: 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 · 2018. 6. 23. · 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](https://reader035.vdocuments.net/reader035/viewer/2022081618/609dbf3a052944674d293811/html5/thumbnails/5.jpg)
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
![Page 6: 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 · 2018. 6. 23. · 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](https://reader035.vdocuments.net/reader035/viewer/2022081618/609dbf3a052944674d293811/html5/thumbnails/6.jpg)
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
![Page 7: 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 · 2018. 6. 23. · 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](https://reader035.vdocuments.net/reader035/viewer/2022081618/609dbf3a052944674d293811/html5/thumbnails/7.jpg)
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
![Page 8: 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 · 2018. 6. 23. · 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](https://reader035.vdocuments.net/reader035/viewer/2022081618/609dbf3a052944674d293811/html5/thumbnails/8.jpg)
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
![Page 9: 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 · 2018. 6. 23. · 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](https://reader035.vdocuments.net/reader035/viewer/2022081618/609dbf3a052944674d293811/html5/thumbnails/9.jpg)
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。
![Page 10: 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 · 2018. 6. 23. · 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](https://reader035.vdocuments.net/reader035/viewer/2022081618/609dbf3a052944674d293811/html5/thumbnails/10.jpg)
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
![Page 11: 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 · 2018. 6. 23. · 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](https://reader035.vdocuments.net/reader035/viewer/2022081618/609dbf3a052944674d293811/html5/thumbnails/11.jpg)
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!!