米乐m6官方网站（以下简称“AIST”）多材料研究部研究小组组长 Ryoichi Furushima 及其同事开发了一组应用程序，允许用户在不需要编程知识且无需与他人共享获取的数据的情况下利用 AI 技术。
在制造工厂，利用大数据和人工智能等数字技术的材料开发 DX 计划正在取得进展。然而，在现场实施它存在一些障碍，例如使用工具所需的技能。特别是，必须充分考虑学习数据的收集和使用以利用人工智能。在制造领域，与他人共享公司获得的材料的物理特性数据以及将数据存储在外部云上存在根深蒂固的阻力。
AIST 开发了一组应用程序，可以降低这些障碍，让引入材料开发 DX 变得更加容易。所有这些应用程序都不需要编程知识，并且必要的学习数据可以在您公司内部的封闭环境中使用，因此无需向他人提供数据或将数据存储在云端。这次开发的应用程序组大致可以分为两类。第一个是一个应用程序，它根据我们自己的数据将材料图像与属性相关联。深度学习模型可以构建，并且通过使用该模型，可以从图像预测任何新开发的材料的特性。第二个是多目标贝叶斯优化推荐实验条件在推荐的实验条件下目标变量及其标准差也可以估计。通过有效利用这些应用程序，我们有望加速材料开发并提高制造效率。
该应用程序将于 2025 年 5 月 22 日举行的“AIST 中部中心讲座”上介绍。AIST 集团成员公司 AIST Solutions Co, Ltd 将开始为使用该应用程序组的企业提供服务。 AIST集团将共同努力提高公司的制造效率，包括材料开发。
材料开发中的数字化是指在制造现场设计产品时使用大数据和人工智能等数字技术。有相当多的公司考虑实施它，无论其业务规模如何。然而，在许多生产现场，存在一些阻碍我们实施的情况。第一个原因是我们无法确保拥有编程知识等特殊技能的人力资源来掌握使 DX 成为现实的工具。此外，由于制造涉及大量专业知识，因此保护公司获得的材料的物理特性数据等重要数据也很重要。数据具有资产价值，我们不仅必须小心共享该数据并让其他人将其用作材料开发 DX 的一部分，而且还要小心将数据存储在云上。
为了克服上述问题，我们开发了一组应用程序，可让您更轻松地在公司内引入材料开发 DX。这些可以大致分为两种类型，每种类型的概述如下所示。
(1) AISTex-Modeling App（模型创建）、AISTech-Predictor App（特性预测）
AISTex-Modeling 应用和 AISTech-Predictor 应用是一组将材料图像与其属性相关联的应用。前者是一个使用您自己的数据创建模型进行学习的应用程序。后者是一个应用程序，它使用前者创建的深度学习模型来预测新获取的图像的特征（图 1）。
图 1 AISTex-Modeling 应用和 AISTech-Predictor 应用概述
这些应用中使用的图像数据可以使用任何类型的测量方法，例如光学显微照片或电子显微照片。它还可以应用于金属、陶瓷和复合材料等多种材料。但是，用于使用 AISTex-Modeling 应用程序构建模型的图像和要导入 AISTech-Predictor 应用程序以了解其属性的图像必须具有相同的分辨率和相同的材料类型。
通过使用 AISTech-Predictor 应用程序导入新获取的材料的图像，断裂韧性、弯曲强度和导热系数等属性会显示为预测值。它还配备了热图功能，可以显示人工智能在图像中查看的位置并做出预测。
可以通过从 MathWorks 安装 MATLAB Runtime 来使用这些应用。只需拍摄并导入新开发材料的图像即可轻松呈现预测值，这有望减少对材料的各种性能进行评估测试所需的时间和精力。
(2) 贝叶斯优化应用的数据清理、多目标贝叶斯优化应用
贝叶斯优化数据清理应用 (DCBO_App) 和多目标贝叶斯优化应用 (MOBO_App) 是一组使用多目标贝叶斯优化提供推荐实验条件的应用。前者是多目标贝叶斯优化的前提高斯过程回归模型的准确性超参数一般来说，获取的数据可能包含不良数据并且具有随机变化。在将其用作训练数据之前，通过使用 DCBO_App 有选择地删除此类数据（数据清理），您可以构建更优化的模型。后者是一个应用程序，利用前一个应用程序的结果，使用多目标贝叶斯优化来呈现推荐的实验条件。您还可以在推荐的实验条件下估计目标变量及其标准差。
MOBO_App使用链接实验条件和相关特征（目标变量）的数据库构建高斯过程回归模型来表达目标变量。高斯过程回归模型除了提供目标变量的估计值外，还提供标准差，因此这些值对应于获得目标变量的期望值。获取函数可以计算。推荐的实验条件是根据该采集函数确定的。在构建高斯过程回归模型时，DCBO_App 的作用是通过数据清理和超参数优化来提供具有更高预测精度的模型（图 2）。
图 2 DCBO_App 和 MOBO_App 概览
未来，我们计划在获取各种相关数据的同时，提高应用的可用性并扩展其功能。此外，我们还将向对应用程序感兴趣的企业提供服务，通过技术咨询等系统支持其使用。
▶︎推荐给这些人
- 如果您有想要了解其特性的材料的显微图像数据
- 那些想要提高新材料开发实验效率的人
多材料研究部，部件连接研究组，Ryoichi Furushima，研究组组长，Yasushi Shimojima，首席研究员，Yutaka Maruyama，首席研究员
结构陶瓷研究组多材料研究部，Yuki Nakajima，研究组附件，Shuyu，高级首席研究员，Kiyoshi Hirao，客座研究员，Tatsuki Daishi，研究顾问，Manabu Fukushima，研究组组长