技術要約：糸の品質予測のためのPFN

問題提起

マルチマテリアル、マルチステージの製造工程における糸の品質予測は、入力データの構造的な複雑さゆえに、特有の課題を抱えています。従来のプロセスデータとは異なり、糸のバッチに対する原材料入力には固有の**集合構造（set structure）**が存在します。すなわち、異なるバッチには異なる数や組み合わせの材料が含まれており、これらの材料の記録順序には物理的な意味を持ちません。さらに、各材料は複数の繊維属性と公称配合比（nominal blending ratio）によって特徴付けられます。

既存の品質予測手法は、以下の理由により、この複雑さに十分に対処できていないことが多くあります。

1. 可変長の材料の組み合わせを固定長の記述子へと圧縮してしまうため、コンポーネントレベルの情報が失われる。
2. 公称配合比を固定の集計重みとして扱うため、サンプル依存の寄与を無視してしまう。
3. プロセス変数をグローバルに融合させるため、上流条件（材料集約の前に行われるもの）と下流条件（集約後に行われるもの）を区別できていない。

核心となる問題は、マルチマテリアル入力の集合構造を維持し、公称配合比を固定のルールではなく予測的な事前知識として組み込み、かつ材料集約の位置に基づいたプロセス情報を区別できる統一されたフレームワークを開発することです。

手法：プロセス指向型融合ネットワーク（PFN）

提案する**プロセス指向型融合ネットワーク（PFN）**は、順序のない可変長の材料集合と、ステージ依存のプロセス条件を扱うために設計された4段階のアーキテクチャを通じて、これらの課題に対処します。

1. S1-Modulation：プロセス条件付き材料埋め込み

$N$個の材料を含む原材料集合に対し、各材料の属性ベクトルはまず潜在空間へとマッピングされます。上流のプロセスベクトルをすべての材料にグローバルに結合する代わりに、PFNは**Feature-wise Linear Modulation (FiLM)**を採用しています。上流のプロセスベクトルは、要素ごとに材料の埋め込みを調整するためのサンプル固有のスケーリング係数（$\gamma_c$）とシフト係数（$\beta_c$）へとマッピングされます。これにより、相互作用が発生する前に、上流の条件が材料レベルの表現に影響を与えることが可能になります。

2. 材料相互作用

調整された材料の埋め込みは、マルチヘッド・アテンション・エンコーダを用いて、順序のない集合として処理されます。このメカニズムは、ブレンド内の材料間の文脈的な相互作用をモデル化し、ある材料の予測的な役割がその伴侶となる材料に依存する可能性を考慮します。バリディティ・マスク（validity mask）を用いることで、可変長処理のために使用されたパディング位置がアテンション計算から除外されることを保証します。

3. 事前分布に導かれた比率の再推定

これは、PFNにおいて生産知識と学習による柔軟性のバランスを取るための核心的な革新です。

• 事前分布の保持: 公称配合比は参照分布（事前分布）として保持されます。
• 再推定: スコアリング・ネットワークが、相互作用によって強化された材料表現に基づき、補正スコアを生成します。
• 重みの計算: 最終的な予測重みは、公称比の対数と学習された補正スコアを組み合わせた後、Softmax操作によって算出されます。
• 正則化: モデルが貴重な生産上の事前知識を破棄してしまうことを防ぎつつ、サンプル固有の調整を許容するために、カルバック・ライブラー（KL）ダイバージェンス項（$L_{prior}$）が損失関数に追加されます。これにより、公称組成からの過度な逸脱を抑制します。

4. S2-Injection および 品質予測

材料集合が再推定された重みを用いてサンプルレベルの潜在状態へと集約された後、下流のプロセス条件が注入されます。上流のステージと同様に、FiMユニットが紡績設定（ドラフト比、撚り数など）に基づいて集約されたサンプル表現を調整します。最後に、予測ヘッドがスカラー値の品質指標を出力します。

学習目的関数は、回帰のためのSmooth L1損失と事前分布正則化項を組み合わせたものです。

主な貢献

1. プロセス指向型フレームワーク: 可変長の材料入力を集合として保持し、上流と下流のプロセス条件を区別する、糸の品質予測のための新しいアーキテクチャ。これにより、構造的な差異を単一の固定長ベクトルへと平坦化してしまう問題を回避しています。
2. 事前分布に導かれた比率の再推定: 公称配合比を不変の重みではなく、参照分布として扱うメカニズム。正則化の下でターゲットに関連する補正スコアを学習することで、生産上の事前知識を尊重しながら、特定のサンプル特性に適応することを可能にします。
3. ステージごとのプロセス・コンディショニング: 上流の条件で材料レベルの表現を、下流の条件でサンプルレベルの表現を調整するという、製造プロセスの物理的実態を反映した戦略。
4. 実証的検証: 1,510件の糸バッチを用いた実際の産業データセットを用いて検証され、複数の品質指標においてその有効性が示されました。

実験結果

PFNは、中国のカラー紡績糸メーカーの1,510件の生産記録を用い、強度（Strength）、スリバー変動係数（Sliver CV%）、破断伸度（Breaking Elongation）、**毛羽立ち（Hairiness）**の4つの品質指標を対象に評価されました。比較対象として、伝統的な統計手法（LR, SVR）、一般的なディープラーニングモデル（ANN, 1D-CNN, Attention-GRU）、およびドメイン特化型モデル（E-YQP, DGO-Predictor）が用いられました。

• トップパフォーマンス: PFNは、強度（$R^2 = 0.9185$）、スリバー変動係数（$R^2 = 0.7887$）、破断伸度（$R^2 = 0.8093$）において最高の総合結果を達成し、E-YQPを含むすべてのベースラインを上回りました。
• 限界: PFNは、毛羽立ちのタスクにおいてはE-YQPを上回ることができませんでした（$R^2 = 0.4553$ 対 E-YQPの$0.5094$）。著者らはこれを、利用可能な構造化入力のタスク依存性に起因すると考えており、毛羽立ちに関連する変動を効果的に捉えるには、表面形態や視覚情報が必要である可能性を示唆しています。
• アブレーション研究: 「材料相互作用」、「比率の再推定」、または「プロセス・コンディショニング」といった主要コンポーネントを取り除くと、強度、スリバー変動係数、破断伸度の性能が一貫して低下しました。これは、各モジュールの必要性を裏付けています。特筆すべきは、毛羽立ちに関しては一部のアブレーション・バリアントの方が高い性能を示したことであり、これは現在の構造的表現がこの特定の指標に対しては効果が低いという結論を補強しています。
• 感度分析: 事前分布の制約係数（$\lambda$）が極めて重要であることが判明しました。適度な値（$\lambda = 0.1$）が、公称配合比への遵守とサンプル依存の補正の許容との間で、最良のバランスを提供しました。

意義と主張

本論文は、材料組成を「集合」として、プロセス条件を「ステージ依存の入力」として扱うことで、PFNがマルチマテリアル・マルチステージ製造における構造的課題に効果的に対処していると主張しています。結果は、機械的特性や均一性を予測する上で、材料集合、公称配合比の事前分布、およびステージごとのプロセス情報を共同でモデル化することの有効性を支持しています。

しかし、著者らはモデルの汎用性に関して慎重な立場をとっています。

• 再推定された重みは、修正された物理的な配合レシピや因果的な材料寄与ではなく、ターゲットに関連する内部的な予測量として解釈されます。
• パフォーマンスの優位性はタスク依存的であり、毛羽立ちの結果がそれを示しています。
• 結論は現在、特定の企業の特定の4つの品質指標のデータに限定されています。他の製造設定への適用可能性や、追加のデータ型（例：視覚情報）なしで毛羽立ちを予測できるかどうかについては、さらなる検討が必要です。