230315_symposium

Transcript

1. 機械学習を用いた モータ設計の技術動向 清水 悠生* 桂井 麻里衣** *立命館大学 / 株式会社MotorAI **同志社大学 2023/03/15 @令和5年電気学会全国大会 S16 機械学習を活用した回転機設計技術の最前線 －モータ設計・解析分野でAIは役に立つのか？－ @YuYuMoYuYu 発表資料はこちら
2. 2 目次 ✓ 本シンポジウムを楽しむための機械学習の基礎 ✓ 機械学習を用いたモータ設計の技術動向 ✓ 大規模モデルがモータ分野に与える影響
3. 3 目次 ✓ 本シンポジウムを楽しむための機械学習の基礎 ✓ 機械学習を用いたモータ設計の技術動向 ✓ 大規模モデルがモータ分野に与える影響
4. 4 機械学習は何をする？ ✓ 機械学習の役割は入力と出力の関係を関数化すること 形状 速度 トルク 運転特性 有限要素解析 数値 𝑥 数値 𝑦 𝑦 = 𝑓(𝑥) 関数 𝑓 を近似！ (参考) アイシア＝ソリッド, ディープラーニングの世界 https://www.youtube.com/watch?v=SyWwoMpP_P4
5. 5 何を”学習”している？ ✓ 学習とはデータに適していそうな関数を見つけること (参考) アイシア＝ソリッド, ディープラーニングの世界 https://www.youtube.com/watch?v=RLlTmbyJORM 電流 トルク 電流 トルク 関数化 データ 学習した関数 学習のステップ ① 「どんな関数を使うか」を決める ⇒ T=aI で最も良いパラメータ a を見つけよう！ ② 「良さ/悪さ」を決める ⇒ 最も2乗誤差が小さくなる a を見つけよう！ ③ 探す（パラメータの最適化） ˆ T aI =
6. 6 学習の難しさと過学習 ✓ 実際には「どんな関数が適切か」は不明な場合が多い ✓ 自由度の高い関数を使えば、「良い」関数は作れてしまう ⇒未知のデータに対しては「良くない」場合も（過学習） ✓ 学習した関数が未知データにも「良い」か評価する必要有 ⇒学習データを訓練/テストデータに分割して使用 1次関数で学習 5次関数で学習 15次関数で学習 訓練データ以外の データに関しては 予測精度が低下 T aI b = + 5 4 ... T aI bI = + + 15 14 ... T aI bI = + + 100 99 ... T aI bI = + + I T I T I T I T 100次関数で学習 訓練データに 対する誤差が0
7. 7 代表的な回帰モデル（非ニューラルネット） ✓ パラメータ数を抑えながら、多様な表現が可能な 様々な回帰モデルが提案されてきた（下記は一例） 手法 関数 良さ/悪さの定義 (E :誤差関数) 最小二乗法 線形結合の関数や カーネル法による関数 リッジ回帰 線形結合の関数や カーネル法による関数 サポート ベクタ回帰 線形結合の関数や カーネル法による関数 ガウス 過程回帰 線形結合の関数や カーネル法による関数 勾配ブース ティング (XGBoostなど) 複数の回帰木の アンサンブル学習 ˆ y y − 2 2 ˆ E  = − + y y w ˆ y y − 予測 正則化項 2 ˆ E = − y y 訓練データ ˆ y y − ( ) 2 ˆ E h  = − + y y w ε-不感誤差 ( ) 1 1 cov   − − = + y K I 共分散行列 ˆ y y − 2乗誤差や絶対誤差など 2 ˆ E = − y y
8. 8 多層パーセプトロン/人工ニューラルネットワーク(1/2) *MLP: Multilayer Perceptron/ANN: Artificial Neural Network ✓ パラメータ数を抑えながら、多様な表現が可能な関数 (参考) アイシア＝ソリッド, ディープラーニングの世界 https://www.youtube.com/watch?v=Mw4j4yPsFtg ポイント①：深くすること⇒単純な関数の繰り返しで複雑な関数を表現 ( ) 2 2 1 y f x x = = − ( ) ( ) ( ) 8 128 ... y f f f x x = = + ( ) ( ) ( )2 2 4 2 2 1 1 8 ... y f f x x x = = − − = + x y x y x y x1 x2 x3 y z1 z2 z3 z4 x z y f(x) g(z) Ex) 単純な関数も 繰り返すと複雑に！ 単純な関数を繰り返しているだけ ( ) 1 1 2 3 , , z f x x x =
9. 9 多層パーセプトロン/人工ニューラルネットワーク(2/2) *MLP: Multilayer Perceptron/ANN: Artificial Neural Network ✓ パラメータ数を抑えながら、多様な表現が可能な関数 (参考) アイシア＝ソリッド, ディープラーニングの世界 https://www.youtube.com/watch?v=Mw4j4yPsFtg ポイント②：線形と非線形の融合⇒パラメータの数を抑える工夫 x1 x2 x3 y z1 z2 z3 z4 x z y f(x) g(z) 単純な関数を繰り返しているだけ 1次関数の合成：1次関数にしかならない 2次関数の合成：パラメータ数爆発 ⇒1次関数+単純な非線形関数を適用 1次関数 非線形関数 (活性化関数) ( ) ( ) 1 1 2 3 1 1 2 2 3 3 , , z f x x x a x a x a x b  = = + + + 活性化関数の例 ReLU (Rectified Linear Unit) x  (x) ( ) ( ) ( ) 0 0 0 x x x x     =     0
10. 10 畳み込みニューラルネットワーク *CNN: Convolutional Neural Network ✓ 画像は数値が並んでいるだけ、それ自体に意味を持たない ✓ 畳み込み層により画像の特徴量を抽出する + + = 256 256 赤成分 行列 緑成分 行列 青成分 行列 パターン 一致度を畳み込みで計算 （各要素の積の和） 画像 特徴マップ パターンとの一致度を抽出 （黒いほど一致）
11. 11 その他のNNモデル（生成モデルなど） ✓ 本シンポジウムに登場する手法のみを抜粋 ◆ オートエンコーダ（AE: Autoencoder） 3層以上のニューラルネットで 入力と出力が同じデータとなるよう 教師なし学習をさせる手法 ◆ 変分オートエンコーダ（VAE: Variational Autoencoder） 入出力の再構成誤差の他に 潜在変数が標準正規分布に従うよう 学習させる手法 ◆ 敵対的生成ネットワーク（GAN: Generative Adversarial Network） 本物そっくりのデータを生成する生成器と データの真偽を識別する識別機が 競争的に学習する生成モデル x x’ Encoder Decoder x x’ Encoder Decoder z 潜在変数 ( ) ~ 0, z I N x x’ Discriminator Generator z 潜在変数 0/1
12. 12 初学者向け; おすすめの回帰モデル（超偏見） ✓ 表形式データで、データ数が1万以下？ ⇒初手:リッジ回帰 (線形), サポートベクタ回帰 (非線形/RBFカーネル) リッジ回帰： https://yuyumoyuyu.com/2021/01/03/regularizedleastsquares/ サポートベクター回帰： https://yuyumoyuyu.com/2021/01/10/supportvectorregression/ ✓ 表形式データで、データ数が1万以上？ ⇒初手:XGBoost（最速）、次にMLP（Optunaでハイパラ最適化） XGBoost: https://yuyumoyuyu.com/2021/02/21/ensembledecisiontree/ ✓ 画像データ？ ⇒初手: ResNet-18（CNNの一種） *Pytorchの標準モデルが使いやすい *データ数が少なければ転移学習/ファインチューニング ※もちろんこれら以外にも適切な手法はたくさんあります
13. 13 目次 ✓ 本シンポジウムを楽しむための機械学習の基礎 ✓ 機械学習を用いたモータ設計の技術動向 ✓ 大規模モデルがモータ分野に与える影響
14. 14 国際会議の動向 COMPUMAG 2023 Topic 15 AI and machine learning technologies IEMDC 2023 SS4 Learning-based Electric Machine Design & Optimization ✓ 国際会議ではセッションが組まれるように
15. 15 0 5 10 15 2015 2016 2017 2018 2019 2020 2021 2022~ 発表論文数 (件) 発表年 論文投稿数 ✓ 論文数は増加傾向にあるものの 異常検知分野や制御分野に比べると数は少ない モータ設計分野の機械学習応用に関する論文発表件数（2022/08まで）
16. 16 研究の性質 ✓ 最適化までを含めた論文がほとんど （論文としての新規性を見出しやすいため？） ⇒それ以外にも嬉しいことはたくさんある！ 形状最適化 (72%) トポロジー最適化 (28%)
17. 17 機械学習で関数化したら何が嬉しい？ ✓ 高速な演算 形状, 変数 特性 ✓ 補間ができる 関数化のおかげで解を瞬時に計算（vs 解析） ・多くの形状候補を検討, 最適化できる ・設計変更もスムーズに対応できる ・設計者がパラメータを弄って遊べる （教育的効果） 𝑦 = 𝑓(𝑥) ✓ 微分可能性（木系除く） だから データ 機械学習 離散的なデータから連続的な関数化 ・最低限のデータから多くの情報を入手 ・より詳細なパラメータ設計ができる だから 微分可能な関数で関数化 ・特性を向上する設計指針がわかる ・平坦さに着目すると 形状にロバストな最適化ができる だから 形状 特性 こっちを 検討！ 形状 特性 公差に ロバスト！
18. 18 対話的なモータ設計のイメージ 寸法で表現 画像で表現 Shimizu+, IEEE Energy Convers., 2023 Shimizu, IEEE Access, 2023 相電流 DC電圧 形状変化(トルク向上) 形状変化(低速効率向上) 形状変化(高速効率向上)
19. 19 機械学習活用のプロセス 訓練データセットの作成 （有限要素解析/実機評価など） 入力変数の定義 予測対象の設定 機械学習によるモデリング モータ設計への応用 （データ解析/最適化など） 典型的なフロー(教師あり学習) 最重要！！
20. 20 機械学習活用を始めるための重要な問い 明日までに あなたが解きたい問題に 関連するデータを 1000組集めてください
21. 21 有限要素解析でデータを集める場合 ✓ たくさんのデータを効率的に集める方法を考えると 解きたい課題（入出力変数）がクリアに 訓練データセットの作成 （有限要素解析/実機評価など） 入力変数の定義 予測対象の設定 機械学習によるモデリング モータ設計への応用 効率 減磁 脈動 トルク 入力条件 出力特性 解析 電流 回転速度 温度 磁性材料 … ＋ 形状 条件
22. 22 TMEICの研究事例 ✓ 設計者の仕様選択を支援するシステム ✓ 機械学習用のデータが元々整理されていたからこその成果 (引用) https://www.tmeic.co.jp/news_event/pressrelease/2022/20220921.pdf
23. 23 目次 ✓ 本シンポジウムを楽しむための機械学習の基礎 ✓ 機械学習を用いたモータ設計の技術動向 ✓ 大規模モデルがモータ分野に与える影響
24. 24 大規模モデルとオープンソースの流れ ✓ 特に2022年下半期以降、多くの大規模モデルが発表、公開 ✓ 毎日のように新たなAIサービスが発表され続けている https://theresanaiforthat.com/timeline/
25. 25 Stable DiffusionとChatGPT ✓ Stable Diffusion (‘22/08/23) 高精細な画像の生成・加工が可能 オープンソースで公開されたため 派生サービスが乱立するように ✓ ChatGPT (‘22/11/30) 大規模言語モデルを使用して 高度な対話（チャット）が可能に 公開からわずか2か月で 1億のユーザーに到達 https://stability.ai/blog/stable-diffusion-public-release https://openai.com/blog/chatgpt
26. 26 大規模モデルによりモータ設計分野はどうなる？ ① 全てのモータ設計者が 最低限のデータ解析技術を身に着けて 設計業務に活用する時代へ ② 大規模モデルを活用して 高度なモータ設計を自動的に行う モータ設計AIの構築 （⇒こっちは僕たちの仕事）
27. 27 プログラミングが容易に活用できる時代に
28. 28 プログラミングが容易に活用できる時代に 機械学習自体を扱う障壁は更に低く ⇒だからこそ、データが非常に重要に！
29. 29 本発表のまとめと伝えたかったこと ✓ 機械学習の役割は“関数化” データを関数化（モデリング）することで様々な利点 ✓ モータ設計分野でも少しずつAI技術が活用され始めている ✓ 専門領域のデータを収集しておくことが非常に重要 ✓ 大規模モデルの台頭により プログラミングや機械学習分野への参入障壁は更に低く ✓ ⇒ 始めるなら今しかない！
31. 31 大規模モデルを活用しよう ✓ 本編に入りきらなかった事例たち
32. 32 ②ChatGPTを活用したロボット/ドローン制御 ✓ 制御用の関数, APIをLLMが認識しやすいように設計 ✓ 自然言語でLLMに指令、それを基にLLMが制御プログラムを設計 https://www.microsoft.com/en-us/research/group/autonomous-systems-group-robotics/articles/chatgpt-for-robotics/
33. 33 ②Stable Diffusionを用いたfMRI信号⇒画像生成 ✓ 被験者のfMRI信号から、被験者が見た画像を生成 ✓ Stable Diffusionへ入力するMLPのみを学習 (引用) https://www.biorxiv.org/content/10.1101/2022.11.18.517004v2.full.pdf
34. 34 ② GPT-4 ✓ GPT-X（ChatGPTの中身）が画像まで扱えるように！精度も向上！ https://cdn.openai.com/papers/gpt-4.pdf 問題 GPT-4の回答