Machine Learning and Digital Twin in Directed Energy Deposition: A Systematic Literature Review

巨大な金属部品が、固形ブロックから削り出されるのではなく、溶融した金属の流れから一層ずつ積み上げられていく、そんな工場のフロアを想像してみてください。これは、ジェットエンジンの部品から医療用インプラントに至るまで、あらゆるものを作り出すために使用されるハイテク製造手法、指向性エネルギー堆積（Directed Energy Deposition）です。この技術は強力かつ柔軟であり、高価な機械の修理や、他の方法では不可能な複雑な形状の造形が可能です。しかし、このプロセスは制御が極めて難しいことで知られています。金属はレーザーや電気アークのような強力な熱源によって溶かされ、極めて短い時間で冷却・凝固する、微小で灼熱の液状プールを作り出します。この現象は非常に高速で、かつ極端な温度変化を伴うため、プロセスは不安定になります。容易に目に見えない亀裂や穴、あるいは弱点が生じ、最終的な部品を台無しにしてしまうのです。伝統的に、これらの問題を解決するには、「設定を行い、部品を作り、それを切断して検査し、欠陥を見つけ、設定を変更して、再び試す」という、遅くて高価な試行錯誤のサイクルを繰り返す必要がありました。

このサイクルを打破するために、研究者たちは2つの強力なツール、機械学習とデジタルツートインに注目しています。機械学習とは、人間が何千もの例を見て欠陥を見分ける方法を学ぶように、膨大なデータからパターンを認識することを学習するコンピュータ・インテリジェンスの一種です。デジタルツインとは、物理的な機械とその製造中の部品の仮想的なコピーのことです。それは単なる静的な3Dモデルではありません。実際の機械を監視するセンサーからリアルタイムのデータを受け取り、物理的な世界をリアルタイムで鏡のように映し出す、生きたシミュレーションなのです。これら2つの技術が組み合わさることで、製造業を、欠陥が発生した後に発見する「リアクティブ（反応的）」なプロセスから、金属が冷える前に問題を予測し修正する「プロアクティブ（先行的）」なプロセスへと変革することが約束されています。

テキサス大学リオグランデバレー校の研究チームは、最近、この技術の現状をマッピングすることを目的として調査を行いました。彼らは2016年から2026年までに発表された130件の学術研究に対して系統的なレビューを実施し、指向性エネルギー堆積において機械学習とデジタルツインが現在どのように活用されているかを分析しました。彼らの研究は、系統的な文献レビューとして発表され、この分野が急速に進歩している一方で、依然として大きな転換点の瀬戸際にあることを明らかにしています。研究者たちは、科学者がカメラやセンサーを用いてプロセスを監視し、いつ問題が発生するかを予測することには非常に長けているものの、それらの問題をリアルタイムで自動的に修正する能力については、まだ完全には習得できていないことを発見しました。

このレビューは、研究対象となっている最も一般的な材料が、航空宇宙およびエネルギー産業に不可欠な特定の種類の鋼鉄やニッケルベースの超合金であることを強調しています。最も頻繁に使用されている製造手法は、電気アークを使用して金属ワイヤーを溶かすワイヤーアーク堆積と、高出力レーザーを使用して金属粉末を溶かすレーザーベースの堆積です。これらの研究における主な焦点は、プロセスを「見る」ことにありました。研究者たちは、溶融プールの画像を捉えるために高速カメラや熱センサーを機械に装備しました。そして、この視覚データを、デジタルな「目」として機能する複雑なニューラルネットワークを用いた機械学習モデルに投入しました。これらのモデルは、欠陥の特定において驚くべき成功を収めています。一部の研究では、これらのシステムが99パーセントを超える精度で亀裂や穴を検出したり、金属ビードの形状を高精度に予測したりできることが報告されています。

しかし、著者らは、問題を見ることと問題を解決することの間には決定的な隔たりがあると指摘しています。これまでにレビューされたデジタルツイン・システムの多くは、むしろ「デジタルシャドウ」として機能しています。この構成では、データは物理的な機械から仮想モデルへと一方通行で流れます。仮想モデルは、オペレーターに対して「見てください、欠陥が発生しています」とか「温度が高すぎます」といった警告を発することはできます。しかし、それが自律的に行動を起こすことは滅多にありません。仮想的な予測と物理的な機械との間の接続は、しばしば断絶しています。コンピュータがミスを修正するためにレーザー出力やロボットアームの速度を自動的に調整する代わりに、システムは通常停止し、人間のオペレーターの介入を待ちます。研究者たちは、いくつかの高度な研究において、システムがエラーを修正するためにプロセスを自動的に調整する「クローズドループ制御」を実証しているものの、これらは例外であり、ルールではないと述べています。

また、レビューでは、これらの技術が産業界で広く普及するのを妨げている重大な障壁についても特定しています。一つの大きな問題は、データの不足です。機械学習モデルのトレーニングには、良品と不良品の両方の数千もの例が必要です。指向性エネルギー堆積においては、これらの例を作成することは高価で時間がかかります。内部の欠陥を検査するために完成した部品を破壊する必要があることが多く、そのため、コンピュータを教育するために必要な大規模なデータセットを容易に収集することができません。これに対処するため、一部の研究者は、ある種類の金属でトレーニングされたモデルを別の種類に適応させる「転移学習」を用いたり、仮想データを生成するために物理ベースのシミュレーションを用いたりしています。しかし、著者らは、これらの手法は完璧ではないと警告しています。ある機械や材料に対してトレーニングされたモデルは、異なるセットアップで動作しようとすると苦戦することが多く、多様な工場環境における有用性を制限しています。

さらに、研究者たちは、現在のデジタルツインが現実世界の製造の複雑さを扱うには単純すぎる場合が多いことを見出しました。真のデジタルツインは、物理的な機械と双方向に通信し、新しいデータに基づいて自身の理解を常に更新し、その知識を用いて機械の動作を導くことができるはずです。現在、多くのシステムは断片化されています。それらは温度を監視したり形状を予測したりすることには優れているかもしれませんが、これらすべての情報を単一の自律的な意思決定プロセスへと統合する能力を欠いています。レビューは、これらの技術がその潜在能力を最大限に発揮するためには、孤立した実験を超えていく必要があると示唆しています。今後の研究は、複数のセンサーからのデータを同時に処理し、ラグなしにリアルタイムで動作し、そして最も重要なこととして、予測と行動の間のループを閉じる（制御を完結させる）ことができる標準化されたシステムの構築に焦点を当てる必要があります。

著者らは、基礎は築かれたものの、家はまだ完成していないと結論付けています。欠陥を予測する能力は確立されていますが、それらを自律的に修正する能力は未完成のままです。業界の次のステップは、機械が単に自分自身を監視するだけでなく、自らの進路を積極的に操ることができる、堅牢なクローズドループ・システムの開発です。これには、より優れたアルゴリズムだけでなく、物理法則をコンピュータモデルにより深く統合すること、そして異なる機械や材料間でデータを共有することへの取り組みが必要となります。それまでは、指向性エネルギー堆積は大きな期待を背負いながらも、プロセスを「監視すること」と、それを真に「制御すること」の間の溝を埋める必要性に阻まれ続けることになるでしょう。