From P&ID Drawings to Process Graphs: A Multimodal Language Model Approach

巨大で古めかしい図書館を歩いているところを想像してみてください。そこにある本は紙ではなく、光るワイヤーやパイプが複雑に絡み合った巨大なウェブでできています。これらは単なる装飾ではありません。工場がどのように呼吸し、動き、思考するかを示す設計図なのです。エンジニアリングの世界では、これらの設計図はP&ID（配管計装図）と呼ばれています。これらは、コンピュータに化学プラントや発電所、水処理施設をどのように稼働させるかを伝える秘密の言語です。何十年もの間、これらの設計図は古い紙や、ぼやけたデジタル画像の中に閉じ込められてきました。それはまるで、金（価値あるデータ）が詰まった鍵のない宝箱のようなものです。エンジニアたちは、これらの乱れた図面を凝視し、一つ一つの接続を手作業で打ち込まなければなりません。それは、誰かがフォントを次々と変え続けている中で、小説を書き写そうとするような、遅くて間違いの起きやすい作業です。

最近、新しい種類の「スーパー・リーダー（超読解者）」が登場しました。それがマルチモーダル大規模言語モデル（MLLM）です。これらは、画像を読み取りながら同時に中のテキストを理解できるAI探偵だと考えてください。単に記号がどのように見えるかだけでなく、それらが何を「意味」しているのかまで理解します。科学者たちが問い続けてきた大きな疑問は、「このAI探偵に、乱れた設計図を渡して、瞬時に完璧なデジタルマップへと変換させることができるのか？」ということです。それとも、一度の素早い目配りでは、仕事が複雑すぎるのでしょうか？これが、インペリアル・カレッジ・ロンドンの研究チームが解決しようとしたパズルです。彼らは、これらのAI探偵に、すべてを一度に行おうとするのではなく、工場の実際の仕組みに関する知識を用いて、より小さくスマートなステップに作業を分解する方法を教えることができるのかを知りたかったのです。

研究者たちは、これらの複雑な工場の設計図をデジタル化するために、AIに指示を出す2つの異なる方法をテストすることにしました。最初のアイデアは「スピードラン」アプローチです。彼らは、AIが圧倒されないように（画像をスライス状に切り分け）、設計図の画像全体とプロセスの簡潔な説明をAIに与え、一度の工程で完璧なデジタルマップを吐き出すよう求めました。彼らはこれを「エンド・トゥ・エンド（端から端まで）」法と呼びました。これは、学生に教科書を一冊丸ごと読み、ストーリーを理解させた上で、メモを取ることなく一度に登場人物とその関係性の要約を書かせようとするようなものです。

2つ目のアイデアは「チーム・ハドル（作戦会議）」アプローチです。ここでは、仕事を2つの明確なステップに分けました。まず、1つのAIエージェントが純粋な「スキャナー」として機能し、設計図のスライスを見て、それらがどのように接続されているかは無視して、目に見えるすべての機器や計器を単にリストアップします。これは、物語の内容には関心を持たず、書棚にあるすべての本のタイトルをただ列挙する司書のようなものです。次に、2つ目のAIエージェントが、その名前のリストと、決定的な要素である「工場のルール」（例えば「ポンプには入り口のパイプと出口のパイプが必要である」など）を受け取ります。この2つ目のエージェントは、元の画像の乱れた線を辿るのではなく、エンジニアリングの論理に基づいて、それらの部品が本来どのように接続されるべきかを考えるために、その脳を使います。これが「デコンポーズド（分解型）」法です。

彼らが窒素加圧吸着プラントと湿式排ガス脱硫プラントという2つの実世界の工場図面を用いてこれらの手法をテストしたところ、結果は明白でした。「スピードラン」アプローチは苦戦しました。プロセスの説明を少し加えても、接続を間違える確率が4割もありました。それは、学生がストーリーの展開を推測しているような状態でした。キャラクター（機器）の名前は正しく言えても、誰が誰と話しているのかを混同してしまったのです。しかし、「チーム・ハドル」アプローチはゲームチェンジャーとなりました。タスクを「見る」ことと「考える」ことに分離し、さらに2つ目のAIにエンジニアリングのルールという「カンニングペーパー」を与えることで、精度が劇的に向上しました。

窒素プラントにおいて、「チーム・ハドル」法は、シングルステップ法（単一工程法）の68.56%に対し、88.78%という総精度を達成しました。すべての機器を正確に特定し（ノード精度100%）、接続を80.58%の割合で正しく導き出しました。より複雑なスライム・オフガスプラントでは、その改善はさらに劇的でした。シングルステップ法では接続の正解率が約59%であったのに対し、「チーム・ハドル」法は接続精度74.12%、総合精度85.21%へと跳ね上がりました。研究者たちは、AIが犯したミス（欠落、過剰、誤った接続）をカウントする「シンプル・ディスタンス」スコアを用いてこれを測定しました。「チーム・ハドル」法は、窒素プラントにおいて、シングルステップ法の45.6に対し、24.0という低いスコアを記録しました。

この論文は、秘訣は単に「より賢いAI」を持つことではなく、「より賢いワークフロー」を持つことにあると示唆しています。AIに、全く同じ瞬間に「見る」ことと「推論する」ことを同時に行うよう求めることは、特に図面が乱れていたり線が途切れていたりする場合、認知負荷が高すぎることが判明しました。システムの一部にテキストや記号の読み取りだけに集中させ、別の部分にエンジニアリングの論理を適用して接続を判断することに集中させることで、システムはるかに信頼性の高いものになります。この研究は、単一の巨大なプロンプトでも機能し得るものの、構造化された分解型ワークフローによるガイダンスがない場合、特に複雑な図面においては、タスクを分解した方がパフォーマンスが著しく高いことを示しています。

有望な結果ではありますが、著者らは、これは測定された改善であり、すべてを即座に解決する魔法の杖ではないことにも注意を払っています。彼らは、プロセスの説明を加えることは多少の助けにはなるものの、タスクを分割することと、特定の化学工学のルールを組み合わせることこそが真の差を生んだことを発見しました。また、彼らが使用したAIモデルはプロプライエタリ（企業所有）であり、機密の設計図を外部サーバーと共有したくない工場にとってのプライバシーの問題を提起しています。しかし、彼らは同じ「チーム・ハドル」のワークフローが、将来的にはオープンソースのモデルでも活用できる可能性があると指摘しています。

結局のところ、この研究は、私たちの産業界をデジタル化する未来は、単一のすべてを行う「スーパーブレイン」を作ることではなく、互いに連携する専門家チームを構築することにあると示唆しています。AIに、図面を見ることと、その背後にあるエンジニアリングの論理を理解することを分離させることで、私たちはあの埃っぽく絡み合った設計図を、コンピュータがよりスマートで安全な工場を建設するために実際に利用できる、クリーンなデジタルマップへと変えることができるのです。これは、巨大で厄介な問題を解決する最善の方法は、時として、それを小さく管理可能な断片に分解し、専門家にそれぞれの得意分野を全うさせることである、という教訓を私たちに思い出させてくれます。