ParticleTensorAI®は、時間分解された光散乱信号には、検出された単一の粒子事象の特性を超える情報が含まれているという考えに基づいています。記録された信号の区間を保持し、多次元データ構造として配置することで、AIモデルは時間方向、さらに利用可能な場合には検出器チャンネル間にわたるパターンを解析できます。
1. 光散乱は時間依存の信号を生み出す
液滴や粒子が定められた光場を通過すると、光を散乱します。粒子が照明領域内を移動するにつれて、光学検出器で記録される強度は変化します。そのため、得られる信号は時間とともに変化します。
信号の波形と強度は、粒子と光場の相互作用の影響を受けます。測定タスクに応じて、この信号には粒子や液滴の特性、材料特性、粒子流の条件に関する情報が含まれ得ます。
複数の検出器が異なる方向から散乱光を観測すると、それぞれ別個の信号ストリームが得られます。これらのストリームは、同じ測定区間について相補的な情報を提供し得ます。
2. 個々の事象から信号シーケンスへ
事象ベースの測定では、信号を調べて個々の粒子との相互作用を特定します。その後、システムは検出された各事象から選択されたパラメータを算出できます。
ParticleTensorAI®は異なる評価コンセプトを採用しています。時間依存の信号の区間を、あらかじめ個々の粒子相互作用をすべて特定・分離することなく、解析用に保持できます。これをトリガーフリーの信号シーケンス解析と呼びます。
トリガーフリー解析とは、粒子が個別の物理的相互作用を生じないという意味ではありません。AIによる評価が、トリガーに基づく事象分離ステップを出発点とすることなく、記録された信号シーケンスに対して直接行えるという意味です。
3. 信号をParticle Tensorとして表現する
AI解析の前に、記録されたデータはParticle Tensorと呼ばれる多次元表現に配置されます。この表現は、信号強度、時間構造、検出器チャンネル間の関係など、信号シーケンスから選択された情報を保持します。
テンソルの構造は、測定および解析のタスクによって異なります。その次元とデータの割り当ては、関連する信号情報を選択したAIモデルに一貫して与えられるように定義されます。したがって、テンソルは測定データの構造化された表現であり、それ自体が物理的な測定結果ではありません。
4. AIベースの評価
AIモデルはParticle Tensorを解析し、状態を分類したり目的の特性を推定したりします。モデルは、テンソルのパターンと、開発時に与えられた参照情報との関係を学習します。
教師あり学習モデルの場合、学習データは既知のラベルまたは参照値と対にされます。学習済みモデルは、検証済みの測定範囲内にある新たなParticle Tensorを評価できます。出力の信頼性は、学習データの品質と網羅性、測定条件、検証手順に依存します。
5. 信号物理とモデル出力の関係
AIモデルは光学的な測定原理に取って代わるものではありません。光散乱によって生じた信号のパターンを評価するものです。物理的な測定がどのような情報を記録できるかを決め、テンソル表現がその情報を整理し、AIモデルが記録されたパターンを選択された解析目的と関連付けます。
このため、出力は具体的な測定装置構成、材料、プロセス条件、参照データ、検証結果と関連付けて解釈する必要があります。ある用途向けに開発されたモデルが、別の用途でも検証済みの結果を提供すると自動的に想定すべきではありません。
研究例
ある発表済みの研究では、石炭・モノエチレングリコールスラリーのスプレーにおいて、液滴内部の石炭粒子を調べました。検出器信号をParticle Tensor表現に変換し、平均石炭粒子径と質量濃度に関する分類のために畳み込みニューラルネットワークの学習に使用しました。
この研究では、試験条件下での検証実験において最大95%の予測精度が報告されました。これはその特定の原理実証研究の結果であり、すべてのParticleTensorAI®アプリケーションに当てはまる一般的な性能値ではありません。
まとめ
- 移動する液滴や粒子は、時間依存の光散乱信号を生み出します。
- ParticleTensorAI®は、あらかじめすべての事象を分離することなく、解析用に信号シーケンスを保持します。
- 信号は多次元のParticle Tensorとして配置されます。
- AIモデルは、定義された測定目的に照らしてテンソルを解析します。
- モデルの出力には、該当する測定条件に適した参照データと検証が必要です。