Machine Learning Offers No Advantage over the Garofalo–Arrhenius Model for Peak Flow Stress Prediction in Hot Torsion of AA6061-T6: A Single-Source Benchmarking Study

技術要約：AA6061-T6におけるピーク流動応力の予測に関する機械学習とGarofalo–Arrheniusモデルの比較

問題提起
材料科学の文献では、データ駆動型の機械学習（ML）回帰モデルは、古典的な構成則（Garofalo–Arrheniusモデルなど）よりも熱間流動応力をより正確に予測できるとしばしば主張されている。しかし、これらの主張は、異なる研究室や変形モードから集められた小規模なデータセットに基づいていることが多く、正式な統計検定や誠実なアウト・オブ・サンプル検証プロトコルを欠いている。本研究は、比較対象を単一ソース、単一モードの完全に特性化されたデータセットに限定することで、これらの手法的な弱点を解決し、実験的な熱間加工キャンペーンで典型的なデータスケールにおいて、MLが真の精度上の優位性を提供するかどうかを判定する。

手法
本研究では、Gleeble熱機械シミュレーターを用いて取得された、AA6061-T6合金の12種類の熱間ねじり条件（250–450°C、0.91–9.07 s⁻¹）のデータセットを利用している。ピーク流動応力（$\sigma_p$）は、自動化された公開パイプラインを介して抽出された。

• 評価対象モデル:
  • 古典的モデル: Garofalo–Arrhenius双曲線正弦モデル（$\dot{\epsilon} = A[\sinh(\alpha\sigma_p)]^n \exp(-Q/RT)$）。
  • 機械学習: 3つの回帰モデル：放射基底関数カーネルを用いたサポートベクター回帰（SVR-RBF）、勾配ブースティング回帰（GBR）、および多層パーセプトロン（ANN-MLP）。
• 検証プロトコル: 小規模なデータセット（$N=12$）における公平な比較を確実にするため、本研究では真の入れ子状のLeave-One-Out交差検証（LOO-CV）を採用した。
  • MLモデルについては、ハイパーパラメータを訓練分割のみを用いた内部$k$-foldグリッドサーチによって選択し、データリークを防ぐために各フォールドで特徴量スケーラーを再適合させた。
  • Garofalo–Arrheniusモデルについては、$\alpha$に関する1次元探索に続く線形回帰を用いて、各訓練フォールドに対して定数（$\alpha, n, Q, A$）を再推定した。これにより、古典的モデルが全データセットに対してではなく、MLモデルと同様に交差検証されるようにした。
• データ処理: 定常流動に達する前に破断した2つの条件（T5およびT7）は、定常流動を前提とするGarofolo–Arrheniusの較正からは除外したが、MLの訓練セットには保持した。比較は、一致する10個の定常状態条件で行い、追加の分析として全12条件についても実施した。

主な結果

• 定常状態条件における精度: 一致する10個の定常状態条件において、古典的なGarofalo–Arrheniusモデルは平均絶対相対誤差（AARE）**11.0%**を達成した。これは、すべてのMLモデル（GBR: 14.8%、ANN-MLP: 16.1%、SVR-RBF: 17.0%）を上回る精度であった。
• 統計的有意性: 最良のMLモデル（GBR）と古典的モデルを10個の一致条件で比較した二標本ウィルコクソンの符号付順位検定の結果、$W=11$、$p=0.11$となった。著者らは、サンプルサイズ（$N=10$）による検定力が不足していると指摘しているが、統計的な有意差はない、すなわちどのMLモデルも精度上の優位性を示さなかったと結論付けている。
• 外挿と破壊モード: 全12条件（破断制限のある2点を含む）で評価した場合、MLの誤差率は上昇した（AAREは15.5%から19.9%の範囲）。MLモデルは、低温度の破断制限領域（T5およびT7）において深刻な誤差を示しており、これは訓練データを支配していた定常状態の領域を超えて外挿できないことを反映している。対照的に、古典的モデルは定常流動に対して定義されているため、構造的な優位性を持っていた。

主な貢献

1. 厳格なベンチマーク: 本研究は、データの混在、変形モードの混合、および統計検定の欠如といった混乱要因を取り除くことで、「クリーン」なベンチマークを提供した。
2. 手順の等価性: 物理ベースのモデルとデータ駆動型モデルの両方に同一のLOO-CVプロトコルを適用することで、本研究は手順上のバイアスを排除した。
3. MLの主張の再評価: 本研究の結果は、MLが本質的に構成則よりも優れているという支配的な物語に疑問を投げかけるものである。小規模で高度に特性化されたデータセットにおいては、古典的なモデルがMLの代替案と同等に正確であることを示した。

意義と主張
本論文は、実験的な熱間加工研究に典型的な小規模かつ単一ソースのデータセットにおいては、物理に基づいた構成モデルが合理的なデフォルトであると論じている。著者らは、MLモデルは測定された精度上の利点をもたらさない一方で、解釈可能性や安全な外挿能力を失うと主張している。本研究は、柔軟な回帰モデルが「データ不足」の状態にあり、正しい関数依存性を事前に入力されたモデルよりも正確に応答曲面を復元できないデータスケールにおいて、MLの優位性を過大に主張することへの警鐘を鳴らすベンチマークとして機能する。著者らは、MLが有利になるのは、 substantially larger（大幅に大規模な）、かつ homogeneous（均質な）データセット、あるいは構成形式が真に未知である場合に限られると明言している。これらは本研究の条件を満たしていない。