CMCに革新を生むAI技術

CMCの開発・製造におけるAI技術の活用は、革新的な素材設計を実現するために不可欠です。AIを用いることで、組成探索が効率化され、試験データを基に特性予測が精密に行えるほか、画像処理によるセグメンテーションで素材内部の評価も可能になります。これにより、従来の手法では得られない高精度かつ迅速な分析が実現し、CMCの実用化と普及が大幅に加速します。

AI-Driven Acceleration

AIは、研究開発の加速から実用化に向けた高度な検査技術まで、多様な用途で活用されています。そのため、目的に応じた最適なアルゴリズムの選択が重要です。

特性評価・予測

特性を効率的に評価することで試行錯誤の回数を大幅に削減します。また、材料の安全性を高精度に評価し、実用的かつ安全に運転できる開発プロセスを支援します。

セグメンテーション

材料内部の微細構造解析により、破壊進展の様子を可視化し、高精度な特性評価を可能にします。これにより、品質管理の効率化や製造プロセスの最適化に貢献します。

組成探索

理想の材料の組み合わせを実現するには、膨大な組み合わせを迅速かつ効率的に評価する必要があります。組成探索AIにより、開発期間が大幅に短縮されます。

組成探索AIとは

組成探索AIは、膨大な組み合わせが存在する材料の組成データを効率的に解析し、目標とする特性を満たす最適な組成を短期間で見つけ出す技術です。この技術は、従来の試行錯誤型の開発プロセスに比べて、探索効率を飛躍的に向上させることが可能です。例えば、熱伝導率の向上や耐熱性の改善を目指した場合、最適な組成候補を迅速に提案し、研究者やエンジニアの課題解決を強力にサポートします。

LightGBMモデルによる，熱伝導率を高精度に予測する方法の確立

CMC（セラミック基複合材料）は、高温環境や極限的な応力条件下でも優れた耐久性を発揮する一方で、熱伝導率の最適化がその性能と信頼性を左右する重要な要素となります。特に、熱伝導率が材料内部の温度分布や耐熱性に直結するため、精度の高い予測が求められます。

私たちの組成探索AIでは、機械学習手法であるLightGBM（勾配ブースティング決定木）を活用し、材料の熱伝導率を高精度に予測します。この技術では、従来の実験データだけでなく、公開されている材料データベースや論文データなどを活用し、広範な材料特性情報を取り込んでモデルをトレーニングしています。このようなデータ統合により、未知の組成における熱伝導率を数値的に予測し、効率的に候補材料を評価することが可能となります。

さらに、Shapley値（SHAP）を用いて特徴量の重要度を可視化することで、予測結果に影響を与える要因を明確に把握できます。これにより、どの元素や物性が熱伝導率に最も影響を及ぼしているかを解釈でき、単なる予測に留まらず、材料設計への示唆を得ることができます。この一連のアプローチにより、膨大な組成空間の中から優れた熱伝導率を持つ組成を的確に絞り込むと同時に、設計プロセス全体の効率化を実現します。

ベイズ最適化を活用したCMC組成探索の効率化と動的フィードバックループの構築

材料開発における組成探索では、単に予測を行うだけでなく、最適化プロセスそのものを効率化することが重要です。私たちは、ベイズ最適化を組み込むことで、目標特性（例：高い熱伝導率と強度の両立）を満たす組成を効率的に見つける手法を採用しています。このアルゴリズムでは、既存のデータをもとに最適な探索ポイントを逐次提案し、新たな実験を最小限に抑えつつ、理想的な材料設計を実現します。

さらに、得られたデータを活用してモデルを逐次改善する「動的フィードバックループ」を構築し、探索精度を継続的に向上させています。この手法により、短期間で効率的に理想的な材料組成を設計するとともに、開発プロセス全体を加速させることが可能となります。

特性評価・予測とは

CMC（セラミック基複合材料）分野での特性評価と損傷予測技術は、材料が実際の使用条件下でどのような挙動を示すかを検査するために不可欠です。特に、厳しい高温環境や応力条件下での経時劣化や損傷を科学的かつ数値的に評価することは、材料の信頼性確保に重要な役割を果たします。これにより、製造工程や使用条件の最適化が可能になるだけでなく、運用中の安全性を高めることができます。AI技術の導入により、大量データの迅速な解析と高精度な特性予測が可能となり、材料検査プロセスを効率化するとともに、製品寿命や性能の向上を支援します。

CNN基盤の独自アルゴリズムを用いた損傷識別と，予測因子の可視化

畳み込みニューラルネットワーク（CNN）を基盤とした独自のアルゴリズムを用いて、CMCの断面画像や表面検査データから損傷部位を高精度に識別します。限られた実験画像データからでも効率的にトレーニング可能な構造となっており、データ不足が課題となる環境でも優れた性能を発揮します。また、従来の手法や人間の目では見逃しがちな微細な損傷も正確に検出できる点が特徴です。たとえば、複合材料の内部構造を可視化するX線CT画像を解析し、クラックや空隙の有無を識別する際には、99%以上の精度で判別することが可能です。この技術により、材料内部の初期損傷を早期に発見し、信頼性の高い製品開発や運用を支援します。

さらに、Grad-CAMを基盤とした独自の可視化技術を導入することで、モデルが予測に使用している因子を明確に特定できます。この可視化により、AIモデルの信頼性を向上させるとともに、解析結果の解釈性を向上させ、実用化に向けた設計改善にも貢献します。

Transformerを用いたCMCの三次元損傷評価と非破壊検査への応用

CMCの損傷評価では、単一の断面画像の解析にとどまらず、材料全体の三次元的な損傷状態を予測することが求められます。Transformerに基づくAttention機構を活用し、複数の断面画像を統合的に解析することで、損傷分布や損傷度を高精度に予測する技術を開発しました。この技術により、材料内部の微細な損傷進展を可視化し、より精密で包括的な損傷評価が可能となります。具体的には、このモデルは断面ごとの特徴量を連続的かつ関連性を持たせて解析することで、材料内部の損傷箇所を特定し、その広がりや深さを三次元的にマッピングします。これにより、従来の二次元的な損傷評価では見落とされがちだった細かな損傷パターンや複合的な損傷の進行メカニズムを捉えることができます。

非破壊検査手法として、実使用環境下での材料の健全性をモニタリングする際に、取得された断面画像データからリアルタイムで損傷の位置や進行度を診断することが可能です。このモデルを検査工程に組み込むことで、従来の時間とコストを要する検査プロセスを大幅に効率化できます。

セグメンテーションとは

CMC（セラミック基複合材料）の微細構造解析において、セグメンテーション技術は欠かせないプロセスです。特に、複雑な内部構造や損傷領域を正確に識別・分離することで、材料特性の評価や欠陥検出を効率化します。AIを活用したセグメンテーションは、従来手法では困難だった微細かつ3次元的な構造の認識を可能にし、損傷の可視化やDVC（デジタルボリューム相関）との比較を含む多様な解析に応用できます。これにより、材料開発や評価の精度が飛躍的に向上し、CMCの最適設計や信頼性向上に貢献します。

U-Netによる微細構造セグメンテーションと三次元損傷解析の自動化

CMC特有の微細構造を正確に識別するため、U-Netをベースにマルチスケール特徴抽出を強化した高度なセグメンテーションアルゴリズムを開発しています。本手法はX線CTやSEMデータを解析対象とし、複雑な層構造、クラック、気孔などの微細特徴を高精度に識別します。損失関数にはDice損失とFocal損失を組み合わせ、クラス不均衡や微小領域の検出精度を向上させました。

これにより、従来困難だった領域の高精度検出が可能となり、損傷進展メカニズムの定量解析を実現します。さらに、数百枚のX線CT断面画像を短時間で解析し、損傷の三次元的広がりや深さを自動マッピングすることで、内部構造解析の完全自動化と解析効率の飛躍的向上を達成します。

セグメンテーションとDVCを用いたCMC内部の三次元損傷解析と定量評価

セグメンテーション技術とデジタル画像相関法（DVC）を組み合わせることで、CMC内部の損傷解析をより高精度かつ包括的に行うことが可能になります。セグメンテーションにより、X線CTやSEMデータからクラックや気孔などの微細損傷を三次元的に可視化し、DVCを用いることで実際の負荷条件下での変形や損傷進展を定量的に評価できます。この組み合わせにより、材料内部の損傷発生・進展メカニズムを詳細に解析できるだけでなく、従来の手法では見逃されがちだった微細欠陥の影響も定量化が可能となります。特に、DVCが提供する連続的な変形場と、セグメンテーションによる明確な損傷境界の抽出を組み合わせることで、局所的な損傷の進行とその影響をより正確に把握でき、材料設計や信頼性評価の高度化に貢献します。