ParticleTensorAI®は、時間分解された光散乱データをAI解析用の構造化された入力データに変換します。個々の粒子イベントから得られる孤立した値だけを評価するのではなく、1つまたは複数の検出器からの信号シーケンスを保持し、Particle Tensorと呼ばれる多次元データ構造として配置できます。
Particle Tensorとは？
この文脈におけるテンソルとは、数値化された測定データを構造的に配置したものです。信号サンプル、検出器チャンネル、選択した測定区間の間の関係を保持できます。この用語は計算による解析に用いるデータ形式を指すものであり、粒子の個別の物理的特性を意味するものではありません。
具体的なテンソル形式は、測定タスクとAIモデルによって異なります。すべてのParticleTensorAI®アプリケーションで使用しなければならない単一の表現形式は存在しません。
データ変換の概念
測定信号からParticle Tensorへの変換は、次の段階として理解できます。
- 検出器信号の記録：液滴や粒子が測定領域を通過する際に、光学検出器が時間に依存する光散乱信号を捉えます。
- 測定シーケンスの選択：記録データのうち定められた区間を解析用に保持します。この区間には、複数の粒子との相互作用に関する情報が含まれる場合があります。
- データの配置：信号サンプルを多次元構造に整理します。選択した手法に応じて、時間情報や検出器チャンネル間の関係を保持した表現にできます。
- モデル入力の準備：測定目的に合わせて開発されたAIモデルに適合するよう、Particle Tensorを一貫した形式に整えます。
- テンソルの評価：モデルがテンソルを解析し、タスクに応じて定義された分類結果または推定値を出力します。
データ処理の各ステップは、モデル開発時とその後の評価時で一貫して定義する必要があります。テンソル表現は、解析目的に必要な信号情報を保持していなければなりません。
信号データ内の関係の保持
信号シーケンスには、最大強度や平均強度以上の情報が含まれています。その時間依存構造には、振幅、波形、タイミングの変化や、異なる検出器からの信号間の関係が含まれることがあります。
データをParticle Tensorとして表現することで、AIモデルはこれらの特徴をまとめて評価できます。これは、解析結果が単一の値や個別に識別された粒子イベントではなく、測定区間全体にわたるパターンに依存する可能性がある場合に有効です。
画像ベースのテンソル表現
信号データを表現する方法の一つが画像です。石炭モノエチレングリコール・スラリースプレーに関する発表済みの研究では、検出器信号をRGB画像チャンネルに割り当てました。得られたParticle Tensor表現には平均石炭粒子径と質量濃度のラベルが付与され、分類用の畳み込みニューラルネットワークの学習に使用されました。
この画像ベースの表現は、信号シーケンスをモデル入力に変換する方法の一例です。検出器の配置、測定データ、解析目的が異なれば、別のテンソル形式が適している場合もあります。
学習と参照情報
教師ありAI解析では、Particle Tensorを既知の材料条件や測定結果などの参照情報と関連付けます。モデルは、テンソルデータとこれらの参照情報を結び付けるパターンを学習します。
学習データは、モデルの使用が想定される条件を代表するものでなければなりません。学習に使用していないデータに対してモデルがどの程度確実に機能するかを評価するには、独立した検証が必要です。
重要な留意事項
- Particle Tensorはデータ表現であり、直接的な測定結果ではありません。
- テンソル形式とデータ前処理は、測定タスクと選択したAIモデルによって異なります。
- 参照ラベルは、教師ありモデルが分類または推定を学習できる内容に影響します。
- モデルの出力は、関連する材料条件およびプロセス条件のもとで検証する必要があります。
研究事例
KITopenで公開された研究「AI-assisted monitoring of coal particles within droplets in a coal monoethylene glycol slurry spray」では、光散乱データを解析するための画像ベースのParticle Tensorアプローチについて述べています。本研究では、試験したスラリースプレー条件における平均石炭粒子径と質量濃度の分類を検討しています。