ParticleTensorAI® – AIベースのテンソル解析

ParticleTensorAI®は、人工知能（AI）を用いて時間分解光散乱信号の多次元表現を解析します。Particle Tensorが測定データを整理し、AIモデルがそのデータ内のパターンを学習して、定義された分類タスクまたは推定タスクに関連付けます。

AIモデルは、Particle Tensorを入力として受け取ります。開発段階では、測定データと適切な参照情報がモデルに与えられます。モデルは、テンソル内のパターンと対応する参照ラベルまたは参照値との間の統計的関係を学習します。

学習と検証が完了すると、モデルは新しいParticle Tensorを解析し、測定タスクに応じて定義された出力を生成できます。モデルによって、測定を既知の状態に割り当てる分類や、目的とする特性の推定などが出力となります。

教師あり学習では、各学習サンプルに参照情報が対応付けられます。この情報は、Particle Tensorが何を表しているか（例えば、既知の材料状態や参照測定結果）をモデルに示します。

学習中、モデルは予測と参照情報との差を小さくするように内部パラメータを調整します。学習された関係は、その後、モデルの学習に使用されていないデータを用いて評価されます。

公表されたParticleTensorAI®の研究では、画像ベースのParticle Tensor表現を解析するために畳み込みニューラルネットワーク（CNN）が用いられました。この研究では、検出器信号をRGB画像チャンネルに割り当てています。テンソルには、石炭・モノエチレングリコールスラリーのスプレーにおける平均石炭粒子径と質量濃度がラベル付けされました。

CNNは分類タスク向けに学習されました。検証実験では、この研究で調査した条件下で最大95%の予測精度が報告されています。これはこの特定の研究用途における結果であり、他の材料、測定セットアップ、モデルに対する一般的な精度仕様を示すものではありません。

AIモデルは光学測定に代わるものではなく、記録された信号に含まれていない情報を生み出すものでもありません。測定データ内のパターンを解析し、開発時に使用された参照情報と関連付けます。

テンソル形式、検出器信号、参照ラベル、モデルアーキテクチャが一体となって、モデルが何を学習できるかを決定します。ある条件群の分類用に学習したモデルが、適切な検証なしに別のタスクでも妥当な結果を出すと想定すべきではありません。

検証では、学習プロセスから切り離されたデータに対して、学習済みモデルがどの程度の性能を発揮するかを評価します。検証データは、想定する用途に関連する材料と測定条件を代表するものである必要があります。

• 学習データによって、モデルが学習できる信号パターンが決まります。
• 参照情報によって、モデルが生成するよう学習される出力が定義されます。
• 検証データは、学習サンプル以外での性能を評価するために使用されます。
• 材料、プロセス条件、測定セットアップが変わる場合は、追加の検証が必要になることがあります。

ParticleTensorAI®では、Particle Tensorの生成に続いてAI解析が行われます。テンソルが時間分解された信号情報を整理し、学習済みモデルがテンソルのパターンと参照データとの関係を特定します。得られる出力は、モデルが開発・検証されたタスクと条件の範囲内で意味を持ちます。

Particle Tensor表現のCNNベース解析の公表例については、KITopenリポジトリの「AI-assisted monitoring of coal particles within droplets in a coal monoethylene glycol slurry spray」をご覧ください。