固体電解質の組成設計は難しい。(多)峰性データの解析方法 後半

トヨタと出光が固体電解質の開発を共同で行うらしい(2023.10.12)。日系の企業には頑張ってほしい。
そうした開発をコンピュータでやるのは難しいものだ。2004年頃にニューラル・ネットワーク法で多峰性の解析をやろうとして失敗したのが懐かしい。結局はNN法の動作関数をシグモイド関数からガウス関数に変更した。


それでは、後半です。

研究の目的は、まだ誰もやっていない、リチウムイオンの拡散係数が高いガラス組成を得ることです。
組成を入力したら答えを返してくれるAIがあったら研究は楽です。
非線形回帰法であるニューラルネットワーク法を適用したところ見かけ上精度が高くなりました。

ニューラルネットワーク法については、さまざまなところで解説されているので、そちらを参照してください。
結論から言うと、通常のNN法では予測性能が出ませんでした。

そこで、まず単純なシングルピークで検討してみます。
例題は、炭酸ガスの熱伝導度発散です。温度と密度が臨界点に近づくと急に熱伝導度が高くなります。
これをニューラルネットワーク法を使って解析します。
デジタイザーを使ってデータをスキャンして、ニューラルネットワーク法に学習させます。

学習結果をコピペすればシミュレータがすぐに完成し、任意での密度、温度での熱伝導度が計算できるようになります。

(Excelで)
Excelで実際にやってみましょう。
この部分に学習結果をペーストし、実行します。
すると計算結果が表示されます。

ニューラルネットワーク法は学習した点については高い再現性を持ちます。

次に温度34.72℃近傍で計算してみましょう。
34.12℃の時には、温度が少しずれただけで、計算値はぐにゃぐにゃになります。
温度を変え計算
温度を変え計算 これを繰り返します。

特に34.72℃の時には温度は同じですから、微小な密度の違いで大きな変化になっています。

(パワポで)
学習した点については高い再現性を持ちます。
温度が変わると計算値は大きく変わります

学習した点近傍以外の計算値は無意味になります。
これがニューラルネットワーク法の過学習です

特に山形についてはシグモイド関数を複数組み合わせて表現しようとするので、どうしても過学習になりやすいです。

非線形の多変量解析は、見かけ上精度が高いように見えても実用的でないことが多いです。
特に結果に不満だった時に過学習する前に計算を打ち切るぐらいしか方策を持たない場合は、できることが限られます。
データの入力方法を工夫する。
ニューラルネットワークの動作関数を変更するなどを考えます。

(Exceld)
動作関数をガウシアン型に変えたMIRAI-Gはシグモイド型のニューラルネットワークと比べて、安定的にピークを予測します。
オレンジ色が動作関数としてガウス型を使ったもの、青色はシグモイド関数を使ったものです。

(パワポで)
どの温度でもガウス型関数を使ったものは安定的な予測を行います。

シングルピークでもこんなに大変なのに、多峰性の時はどうするか?
それを想像、創造するのが研究で、それが楽しいから研究から足を洗えません。
分類と定量を同時に行わせるなど、いろいろ考えるのが楽しいのです。

結果をエクセル上で細かく検討できる技術はとても有効です。

“わかりません~。言われたことを全て覚えますから、答えを教えてください~。”では、人間の脳がAI化してしまった証拠です。

コメントを残す

メールアドレスが公開されることはありません。 が付いている欄は必須項目です