Forward and inverse prediction of micro-channel topographies in abrasive slurry jet machining: a machine learning framework and a graphical web-based tool

技術要約：アブレシブ・スラリー・ジェット加工におけるマイクロチャネル・トポグラフィーの順方向および逆方向予測

問題提起
アブレシブ・スラリー・ジェット微細加工（ASJM）は、熱影響領域を伴うことなく、硬質、脆性、または熱に敏感な材料に対して高アスペクト比のマイクロ構造を形成するための戦略的なプロセスである。バイオメディカルデバイス、MEMS、航空宇宙用冷却チャネルへの応用が期待されているものの、加工されたトポグラフィー（形状）の予測と制御の困難さが、産業界への導入を阻んでいる。順方向の問題（プロセスパラメータから侵食プロファイルを予測すること）は、高いジェット乱流、非線形な粒子侵食ダイナミクス、および相互に依存する多数の動作パラメータによって複雑化している。逆方向の問題（所望のトポグラフィーを実現するために必要なプロセスパラメータを決定すること）はさらに困難であり、これまでほとんど取り上げられてこなかった。計算流体力学（CFD）などの既存の数値手法は、高い忠実度を提供するが、計算コストが高く、リアルタイム制御のための逆解法も困難である。対照的に、アブレシブ・ジェット加工におけるこれまでの機械学習（ML）の適用は、表面粗さや切込み深さといったスカラー出力の予測に限定されており、完全な表面プロファイルの予測には至っていない。

手法
本研究では、AA6061-T6アルミニウムを用いた、270通りのユニークな動作パラメータの組み合わせを含む完全要因実験計画法（DOE）から生成された包括的なデータセットを用いた、データ駆動型アプローチを採用している。独立変数は、ポンプ圧力（$P$）、ノズル移動速度（$V$）、スタンドオフ距離（$SOD$）、および加工パス数（$N$）である。ターゲット出力は、マイクロチャネルの断面深さプロファイルを表す220次元のベクトルである。

4つの教師あり学習モデルが開発され、比較された：

1. 多項式回帰： 非線形性を捉えるための特徴量拡張を用いたパラメトリックなベースライン。
2. ランダムフォレスト（RF）： ドメイン知識に基づく特徴量エンジニアリング（例：累積侵食ポテンシャル $P \times N$）によって強化された非パラメトリックなアンサンブル学習法。
3. 人工ニューラルネットワーク（ANN）： 入力を完全なプロファイルベクトルにマッピングするように設計された、全結合型のディープラーニングモデル。
4. 畳み込みニューラルネットワーク（1D-CNN）： プロファイル内の局所的な空間相関を捉えるために、畳み込み層を利用したディープラーニング・アーキテクチャ。

すべてのモデルはデータの85%で学習され、保持されたテストセットを用いて、平均二乗誤差（MSE）、平均絶対誤差（MAE）、および決定係数（$R^2$）を用いて評価された。また、データセットのサイズ（25%から100%）および入力ノイズに対するモデルの感度についても調査を行った。

逆方向問題に対しては、ターゲットとなる幾何学的形状からプロセスパラメータ（$P, SOD, V, N$）を推論するようにANNを訓練した。逆方向問題の「多対一」の性質（複数のパラメータセットが同じ幾何学的形状を生じ得る性質）に対処するため、著者らは「順方向整合性（forward-consistency）」損失を採用した。予測されたパラメータを、学習済みの順方向ANNに通してシミュレーションされたプロファイルを生成し、それをターゲットとなる幾何学的形状と比較した。これにより、逆方向モデルが物理的に整合性のあるパラメータを出力することを保証した。また、単一の決定論的な推測ではなく、実現可能な解の分布を生成するために、モンテカルロ・ドロップアウトを用いた確率的逆方向フレームワークも実装された。

主要な貢献

1. フルプロファイル予測： 本研究は、粗さや切込み深さといったスカラー指標を超えて、ASJM加工されたマイクロチャネルの完全なベクトル値断面プロファイルを予測できる、初のMLフレームワークを提示している。
2. 物理情報に基づいた特徴量エンジニアリング： 既知の侵食率依存性を符号化するために、エンジニアリングされた特徴量（$P \times N, SOD \times V, P/V$ など）を用いた単調性考慮型の学習スキームを組み込み、公平なモデル比較を確保している。
3. 確率的逆方向設計： 逆方向問題の非一意性に明示的に対処するため、不確実性の推定とともに、実現可能なパラメータの組み合わせを返す制約付き逆方向フレームワークを開発した。
4. リアルタイム適用性の評価： 推論レイテンシを定量化し、ディープラーニングのサロゲートモデルが、従来のCFDシミュレーションとは異なり、閉ループ制御に必要なミリ秒単位のパスあたりの予算内で動作できることを実証した。
5. オープンソースツール： 学習済みモデルと実験データセットは、プログラミング経験のないオペレーターでもツールを利用できるよう、無料のブラウザベースのウェブアプリケーションとして公開されている。

結果

• 順方向予測： すべてのモデルは、アスペクト比0.06から約2の範囲のマイクロチャネル・プロファイルを正常に予測した。ANNが最も高い精度（$R^2 = 0.817$, MAE = 0.00339 mm）を達成し、次いで1D-CNN（$R^2 = 0.807$）が僅差で続いた。従来のモデル（多項式回帰およびRF）は、妥当な性能を示したが（$R^2 \approx 0.76$）、高アスペクト比の形状に対しては精度が劣った。
• データセットの感度： パフォーマンスはデータセットのサイズとともに向上し、データの75%を使用した後にプラトー（飽和状態）に達した。ANNは最も高い堅牢性を示し、データのわずか25%を使用した場合でも$R^2$が0.7を維持したが、ランダムフォレストモデルは同様の条件下で大幅に低下した（$R^2 = 0.32$）。
• ノイズへの耐性： ディープラーニングモデル（ANNおよびCNN）は、入力ノイズに対して高い耐性を示した（10%のガウスノイズ下でMAEの増加は3.5 µmから4.1 µmへと僅かであった）。対照的に、多項式モデルは同様のノイズ条件下で非物理的な値を出力した。
• 逆方向予測： 逆方向ANNは、ターゲットとなる幾何学的形状からプロセスパラメータを正常に予測した。深さと幅のみを入力とした場合、モデルは深さに対して$R^2 = 0.94$、幅に対して$R^2 = 0.55$を達成した。完全なプロファイルを入力とした場合、入力の次元数と冗長性により、精度は低下した（$R^2 \approx 0.77$）。確率的逆方向アプローチは、中央値の絶対深さ誤差0.94 µmで、実現可能なパラメータセットを特定することに成功した。
• レイテンシ： 単一CPU上での推論時間は、多項式（0.22 ms）からディープラーニング（約100 ms）までであり、リアルタイム制御に適していることが示された。一方、ランダムフォレストモデルは約10.9秒/サンプルを要し、リアルタイムアプリケーションには不向きであった。

意義
本論文は、ASJMにおける経験的試験とリアルタイム予測製造との間の溝を埋めるものであると主張している。予測時間を数時間（CFD）からマイクロ秒/ミリ秒へと短縮することで、提案されたMLサロゲートは、物理ベースのモデルを閉ループコントローラーに組み込む際の計算上の障壁を取り除く。このフレームワークは、所望の幾何学的形状に対するプロセスパラメータの「ワンショット」指定を可能にし、自動プロセス計画、デジタルツインの統合、および網羅的な実験計画なしでの新しい材料・研磨材の組み合わせの迅速な適格性確認を促進する。著者らは、これを、アブレシブ・ジェット加工における複雑で非線形な材料除去パターンに対するMLの実現可能性を示す先駆的な取り組みとして位置づけており、分野の普及を加速させるために、学習済みモデルとツールを一般に公開している。