Cure State Estimation in Frontal Polymerization from Temperature Fields via Cascaded Inverse-Forward Deep Learning with Uncertainty Quantification

技術要約：カスケード型逆・順方向ディープラーニングによる前方重合における硬化状態推定

問題提起
前方重合（Frontal Polymerization, FP）は、自己伝播的な発熱反応フロントを利用した、熱硬化性樹脂および複合材料のためのエネルギー効率の高い製造戦略である。FPにおける重大な課題は、最終的な機械的特性を決定する硬化度（$\alpha$）が、プロセス中に直接測定できないことである。赤外線（IR）サーモグラフィはリアルタイムの温度場（$T$）を提供するが、これらの信号は主に反応フロントの運動論を追跡するために使用されており、基礎となる硬化状態を追跡するためのものではない。温度観測から時空間的な硬化場を予測することは、重大なパラメータ不確実性によって困難を極める。具体的には、熱伝達係数（$h$）や初期硬化度（$\alpha_0$）といった主要なプロセスパラメータが未知であり、治具の条件や樹脂の履歴に基づいて変動するためである。従来の有限要素（FE）シミュレーションは正確ではあるが、計算コストが非常に高く（1ケースあたり数分から数時間）、リアルタイム展開には適さない。また、既存のFP用ディープラーニング・サロゲートは、これらのパラメータを既知の入力として要求することが一般的であり、本問題が持つ「逆・順方向」の結合性を解決できていない。

手法
著者らは、リアルタイムのデジタルツイン展開を目的とした、シミュレーションにより検証済みの2段階カスケード型ディープラーニング・パイプラインを提案している。このフレームワークは、ジシクロペンタジエン（DCPD）の前方環状開環メタセシス重合（FROMP）に関する高精度なMOOSE有限要素シミュレーションデータに基づいて動作する。

1. ステージ1：逆パラメータ推定

   • 入力： 短時間の温度履歴（11フレーム、約5秒間）。
   • タスク： 未知のプロセスパラメータ $\theta = (h, \alpha_0)$ を推定する。
   • アーキテクチャ： ハイブリッドConv2D-BiLSTMエンコーダ。スキップ接続を備えた4層の2D畳み込み層によって空間特徴を抽出し、続いて双方向LSTMによって時間的ダイナミクスを捉える。MLPヘッドは、シグモイド活性化関数を用いて、境界値を持つ $h$ と $\alpha_0$ の推定値を出力する。
   • 学習： 範囲正規化された平均二乗誤差（MSE）損失を用いた教師あり学習。

2. ステージ2：因果的順方向硬化予測

   • 入力： ストリーミングされる温度場およびステージ1のパラメータ推定値（$\hat{h}, \hat{\alpha}_0$）。
   • タスク： 進展する硬化場 $\hat{\alpha}(x, y, t)$ をリアルタイムで予測する。
   • アーキテクチャ： SpatialEncoder-ConvLSTMモデル。2D空間エンコーダが各温度フレームを処理し、それがConvLSTMセルを介して再帰的な隠れ状態へと統合される。極めて重要な点として、本モデルは**Feature-wise Linear Modulation (FiLM)**を採用しており、推定されたパラメータによって隠れ状態を条件付け（conditioning）する。これにより、単一のモデルでありながら、再学習なしに変動する動作条件に適応することが可能となる。
   • 制約： アーキテクチャは厳密に因果的であり、時刻 $t$ における硬化度を予測するために、過去および現在の温度データ（$t \leq \tau$）のみを使用する。

3. 不確実性定量化（UQ）フレームワーク
   4段階のワークフローにより、全予測分散を以下の3つの成分に分解する：

   • パラメータ不確実性： 線形化デルタ法を介して、ステージ1の推定誤差がステージ2へ伝播する様子を定量化する。
   • 偶然的不確実性（Aleatoric Uncertainty）： ヘテロスケダスティック・アンサンブル（平均と分散の両方を予測）によって捉えられる、入力依存のデータ不確実性。
   • 認識的不確実性（Epistemic Uncertainty）： アンサンブル分散およびMCドロップアウトによって推定されるモデルの不確実性。
   • 較正（Calibration）： 分割コンフォーマル予測（split conformal prediction）を用いて、生の予測区間を、ホールドアウトデータに対して保証された周辺被覆率を持つ較正済み予測区間に変換する。

主な貢献

1. FPにおける初のエンドツーエンド逆・順方向パイプライン： プロセスパラメータを既知と仮定する従来のサロゲートとは異なり、本パイプラインは、まず潜在パラメータを推定することで、観測可能な温度場から硬化場を直接マッピングする。
2. 因果的パラメータ条件付きアーキテクチャ： 再帰的ConvLSTM構造にFiLM条件付けを導入することで、単一のモデル内で、変動する動作条件（変化する $h$ および $\alpha_0$）に対する堅牢な汎化を可能にした。
3. マルチソース分散分解： 本フレームワークは、偶然的、認識的、およびパラメータ的不確実性を明示的に分離・定量化し、パラメータ推定誤差（特に $\alpha_0$）が下流の硬化不確実性を支配していることを特定した。
4. 較正済み予測区間： 分割コンフォーマル予測の適用により、ホールドアウトのテストセットに対して91.4%の実証的被覆率を実現し、プロセスモニタリングのための厳格な根拠を提供した。

結果

• 精度： 補間テスト分割において、エンドツーエンドのパイプラインは、硬化度の平方根平均二乗誤差（RMSE）0.0035（$R^2 = 0.9999$）を達成した。これは、真のパラメータを使用する「オラクル」ステージ2モデルと比較して1.5倍の劣化にとどまっており、高い忠実度を示している。
• 速度： 単一のNVIDIA L40S GPU上で、41フレームの軌跡あたり約104 msでエンドツーエンドの推論を実行でき、約500 msのフレーム間バジェットを十分に満たしている。
• 誤差伝播： 解析の結果、$\alpha_0$ の推定誤差が伝播する硬化の分散の90%以上を占め、一方で $h$ の誤差は最小限の影響しか与えないことが判明した。これにより、$\alpha_0$ の推定が精度の主要なボトルネックであることが特定された。
• 堅牢性： FiLM条件付きモデルは、非条件付きモデルよりも大幅に優れた性能を示した（補間において5.2倍、外挿において6.7倍低いRMSE）。これは、変動するプロセス条件を扱う上でのFiLMの必要性を証明している。
• 不確実性： 全予測標準偏差は0.0073である。分散は、偶然的不確実性（84.8%）が支配的であり、次いでパラメータ的不確実性（14.4%）、認識的不確実性（0.9%）の順となった。コンフォーマル区間は、ホールドアウトのテストセットに対して91.4%の周辺被覆率を達成したが、$\alpha_0 \approx 0.15$ 付近で局所的な被覆率の低下が観察された。

意義および主張
本論文は、本研究を、前方重合のためのリアルタイムIR駆動型デジタルツインのシミュレーション検証済みプロトタイプとして位置付けている。著者らは、本フレームワークが以下の手段を通じて、高精度な物理シミュレーションとリアルタイムの製造制約との間の溝を埋めるものであると主張している：

• 直接的な硬化測定や既知のプロセスパラメータを不要にする。
• 意思決定支援（例：品質ゲート）に不可欠な、較正された不確実性境界を提供する。
• 逆および順方向のモジュールを独立して改善できる、モジュール式アーキテクチャを提供する。

著者らは、実験的な熱画像データに対する検証およびシム・トゥ・リアル（sim-to-real）の転移は今後の課題であることを明記している。現在の結果は、MOOSEシミュレーションで使用されたDCPD組成および2D幾何形状に厳密に限定されている。本フレームワークは、制御アームが関連する別個の著作物で報告されている通り、クローズドループ制御に向けた基礎的なステップとして提示されている。