R&D III Department．Tom Chen

近年、人工知能（AI）技術は急速に発展し、日常生活における音声アシスタントや知的な推奨システムから、医療、金融、交通などの分野まで、さまざまな産業で幅広く活用され、その大きな影響力を示しています。では、AIをエンジニアリング分野にも活用できる可能性を考えてみましょう。射出成形プロセスでは、製品設計、金型設計、材料特性、成形条件など、さまざまな要因が製品の最終品質に影響します。製品品質の向上、製造コストの削減、開発期間の短縮を実現するために、最適なソリューションを迅速に見つけることは、常にエンジニアにとって重要な課題となっています。

長年にわたり、試行錯誤は一般的な問題解決手法として用いられてきましたが、その効率と精度は時間やリソースによって制限されることがあります。実験計画法（Design of Experiments、DOE）などの統計的手法を導入することで、エンジニアはより体系的に最適解を探索し、不要な試行を削減するとともに、解析精度を向上させることができます。一方、人工知能（AI）の急速な発展により、最適解を探索するための新たな可能性も生まれています。AIはデータ駆動型の手法によって学習・予測を行い、状況によっては解析の速度と精度をさらに向上させ、エンジニアにより柔軟で効率的なソリューションを提供できます。

Moldex3D Studioでは、単一のプラットフォーム上で流動解析と最適化解析の両方を実行できます。モデルの試行プロセスをより科学的に行う既存のDOE Wizardに加え、Studio 2025ではAI Optimization Wizardが追加され、CAE流動解析とAIの反復プロセスをシームレスに統合しています。手動操作を必要とせずに反復プロセス全体を自動的に完了できるため、ユーザーはより多様な最適化手法を利用することができます。

図1　Moldex3D Studioでは、単一のプラットフォーム上でAIによるCAE流動解析の反復処理を行い、最適解を探索できます。

最適化手法の選択方法

最適化問題を解決する際、実験計画法（DOE）とAIによるアルゴリズム最適化では、いくつかの重要な違いがあります。DOEでは、タグチメソッドの直交表を使用して実験計画を決定し、制御因子の範囲を離散的な水準として設定して、体系的な統計解析を行います。一方、AI Optimizationでは、制御因子の範囲を連続的な区間として設定し、データ分析を通じてその区間内で反復的に最適解を探索します。さらに、AI Optimizationでは制約条件を含む問題にも対応できるため、より幅広い実験ニーズに対応することができます。以下の図は、この2つの手法を比較したものです。

DOE（実験計画法）は、体系的な実験設計を通じて、影響要因を効果的に分析し、有益な結論を導き出すことができます。一方、AIによる最適化は学習能力と動的な調整能力を備えており、プロセスの結果に基づいて探索の方向性を適時調整することができます。そのため、より優れたパラメータの組み合わせをさらに探索する必要がある状況に特に適しており、有望なパラメータ領域に徐々に焦点を絞り込み、複数の実行可能な解を提供することができます。

実例を挙げてみましょう。ケーキ作りの初心者が、おいしいケーキを作るための焼き温度、焼き時間ミキシング時間をすばやく決定したい場合を考えてみます。下図の実験データに示すように、実験計画法（DOE）では、さまざまな組み合わせを体系的にテストします。特定のパラメータ範囲で結果が良くない場合でも、パラメータの影響傾向を把握するため、高温条件（185.6°C、200°C）での複数回の試行など、関連する実験を引き続き実施します。これに対し、AI Optimizationでは、160～170°Cが最適な温度範囲であることをすばやく特定し、その後、焼き時間とミキシング時間の探索にリソースを集中させることで、より効率的に最適解を見つけることができます。

図2　DOEでは解析前に直交表を使用して静的な実験の組み合わせを決定するのに対し、AI Optimizationでは解析中に実験の組み合わせを動的に調整します。

重要な因子とその影響範囲を体系的に把握したい場合は、DOE（実験計画法）が適しています。DOEでは、最適な組み合わせをすばやく特定できるほか、因子間の関係や寄与度などの統計情報を提供し、ユーザーが結果をさらに調整・改善するのに役立ちます。同じ実験回数の場合、AI Optimizationではデータが不足しているため十分に収束せず、結果が不安定または不正確になる可能性があります。

たとえば、ある企業が長年の経験から、機械部品の製造プロセスを最適化するための3つの重要因子が、生産速度、材料密度、機械摩耗であることを把握しているとします。下図の2つの手法による実験データを見ると、DOEを使用することで最適な組み合わせを迅速に見つけると同時に、このケースで最も影響の大きい因子が生産速度であることを体系的に確認できます。一方、同じ時間とリソースを使用した場合、AIでは約10回の反復後も、データが十分に収束していないため結果に変動が見られ、安定した結論を得ることができません。これは、データが不足している場合、AIの結果がDOEよりも不安定になる可能性があることを示しています。

図3　生産におけるDOEとAI Optimizationが結果精度に与える影響を比較し、両者の収束性と効率の違いを示します。

Moldex3D Studio AIを使用した最適化方法

直面している成形上の問題を、AIによってどのように改善・最適化できるのでしょうか。StudioのAI Optimization Wizardを使用すると、Control Factors(制御因子)とQuality Factors(品質因子)を選択・設定し、反復回数の上限を設定するだけで、最適化の反復グループをすばやく作成できます。その後、グループを解析に送信すると、計算管理システムによってCAEの反復プロセス全体が自動的に実行されます。解析完了後、StudioでAI Optimizationの結果を確認し、最適解を取得できます。

図4　AI Optimization Wizard

Control FactorsおよびQuality Factorsの反復曲線を確認することで、各因子が収束傾向を示しているか、また最適な性能範囲が徐々に特定されているかを確認できます。次に、反復テーブルから最適な反復の組み合わせ、およびどの反復が最適領域に位置しているかを確認できます。これにより、多目的最適化において複数の実行可能なソリューションを比較し、適切なものを選択できます。AI Optimizationでは網羅的な探索を行わないため、DOE解析のような統計情報を提供することはできません。ただし、**Parallel Coordinate Plot（平行座標プロット）**を使用することで、因子間に存在する可能性のある関係を観察・確認できます。

図5　反復テーブルには、反復プロセスにおけるControl FactorsとQuality Factorsのデータがまとめて表示され、重み付け条件下で最も優れた結果を示す反復を直接特定できます。

図6　平行座標プロットにより、因子間の相関を把握できます。

まとめ

限られた時間とリソースの中で適切な最適化手法を選択するには、対象となる実験に対する理解度と、求める最適化結果を考慮する必要があります。DOE（実験計画法）は、各要素を詳細に分解して傾向を深く解析するのに適しています。一方、AI Optimizationは最適解をさらに探索しながら、より優れたパラメータ範囲へ徐々に探索範囲を絞り込むことができます。Moldex3D StudioのDOEとAI Optimizationを活用することで、効率と精度のバランスを取りながら、実験の価値と意思決定の信頼性を向上させることができます。