ブログ

Jun 14, 2023

物事を混ぜ合わせる: 流体混合を最適化する

I ricercatori giapponesi adottano la base dell'apprendimento per rinforzo

日本の研究者は層流中の流体混合プロセスを研究するために強化学習ベースのアプローチを採用

東京理科大学

画像: 工業規模での流体混合プロセスは、最適化されていない場合、エネルギーを消費し、コストがかかる可能性があります。 ただし、このプロセスは通常、試行錯誤を経て進められます。 今回、日本の研究者らは機械学習を利用して流体混合の最適化問題を解決し、工業用流体混合プロセスにおけるこの方法の応用可能性を浮き彫りにする洞察を明らかにした。もっと見る

クレジット: 東京理科大学 犬菱正信

流体の混合は、多くの工業プロセスや化学プロセスにおいて重要な要素です。 たとえば、医薬品の混合や化学反応では、均一な流体混合が必要な場合があります。 この混合をより速く、より少ないエネルギーで達成できれば、関連コストが大幅に削減されます。 しかし実際には、ほとんどの混合プロセスは数学的に最適化されておらず、代わりに試行錯誤に基づく経験的手法に依存しています。 乱流を利用して流体を混合する乱流混合はオプションですが、持続が難しい（マイクロミキサーなど）か、混合中の材料を損傷する（バイオリアクターや食品ミキサーなど）ため問題があります。

代わりに層流に対して最適化された混合を実現できますか? この疑問に答えるために、日本の研究者チームは新しい研究で機械学習に注目しました。 Scientific Reports に掲載された研究で、研究チームは「強化学習」（RL）と呼ばれるアプローチに頼った。このアプローチでは、知的エージェントが環境内で行動を起こし、（瞬間的な報酬ではなく）累積的な報酬を最大化する。

「RLは、グローバル・イン・タイムの累積報酬を最大化するため、グローバル・イン・タイムの最適化問題でもある効率的な流体混合の問題への取り組みに適していることが期待できます」と犬伏正信准教授は説明します。 、研究の責任著者。 「個人的には、機械学習アルゴリズムを盲目的に適用するのではなく、適切な問題に適切なアルゴリズムを見つけることが重要であるという確信を持っています。幸いなことに、この研究では、次の 2 つの分野 (流体混合と強化学習) を接続することができました。それらの物理的および数学的特性を考慮して。」 この研究には、大阪大学大学院生の小西幹人氏と後藤進教授からの寄稿が含まれています。

しかし、チームには 1 つの大きな障害が待ち構えていました。 RL は大域最適化問題には適していますが、高次元の状態空間を含むシステム、つまり、その記述に多数の変数を必要とするシステムには特に適していません。 残念なことに、流体混合はまさにそのようなシステムでした。

この問題に対処するために、チームは別の最適化問題の定式化に使用されるアプローチを採用し、これにより流体の流れの状態空間次元を 1 に減らすことができました。 簡単に言えば、流体の動きは 1 つのパラメータのみを使用して記述できるようになりました。

RL アルゴリズムは通常、結果が部分的にランダムであり、部分的に意思決定者によって制御される状況での意思決定のための数学的枠組みである「マルコフ意思決定プロセス」(MDP) の観点から定式化されます。 このアプローチを使用して、チームは RL が流体混合の最適化に効果的であることを示しました。

「二次元流体混合問題に対して RL ベースのアルゴリズムをテストしたところ、アルゴリズムが効果的な流量制御を特定し、事前知識がなくても指数関数的に高速な混合が最高潮に達することがわかりました」と犬伏博士は述べています。 「この効率的な混合の根底にあるメカニズムは、力学的システム理論の観点から固定点の周りの流れを観察することによって説明されました。」

RL 法のもう 1 つの重要な利点は、訓練された「ミキサー」の効果的な転移学習 (得られた知識を別の関連する問題に適用すること) でした。 流体混合の文脈では、これは、特定のペクレ数 (混合プロセスにおける移流速度と拡散速度の比) で訓練されたミキサーを使用して、別のペクレ数での混合問題を解決できることを意味します。 これにより、RL アルゴリズムのトレーニングにかかる​​時間とコストが大幅に削減されました。

これらの結果は心強いものですが、これはまだ第一歩であると犬菱博士は指摘します。 「より現実的な流体混合問題へのこの手法の適用や、RL アルゴリズムとその実装方法の改善など、解決すべき課題はまだ多くあります。」と彼は述べています。

二次元流体混合が現実世界の実際の混合問題を代表していないことは確かに事実ですが、この研究は有用な出発点を提供します。 さらに、この方法は層流での混合に焦点を当てていますが、乱流混合にも拡張可能です。 したがって、汎用性があり、流体混合を使用するさまざまな業界で主要な用途に使用できる可能性があります。

***

参照DOI: https://doi.org/10.1038/s41598-022-18037-7

東京理科大学について東京理科大学 (TUS) は、東京の中心部とその郊外、そして北海道に 4 つのキャンパスを持つ日本最大の科学専門の私立研究大学であり、知名度と評判の高い大学です。 1881 年に設立されたこの大学は、研究者、技術者、教育者に科学への愛を植え付けることを通じて、日本の科学の発展に貢献し続けてきました。

本学は、「自然、人間、社会の調和のとれた発展のための科学技術の創造」を使命として、基礎科学から応用科学まで幅広い研究に取り組んでいます。 TUS は研究に対して学際的なアプローチを採用し、今日最も重要な分野のいくつかで集中的な研究を行っています。 TUS は実力主義であり、最高の科学が認められ、育成されます。 ノーベル賞受賞者を輩出している日本の私立大学であり、自然科学分野でノーベル賞受賞者を輩出しているアジアの私立大学でもあります。

ウェブサイト：https://www.tus.ac.jp/ja/mediarelations/

東京理科大学 犬伏正信准教授について犬伏正信は現在、東京理科大学の准教授です。 彼は 2008 年に東京工業大学で学士号を取得しました。 その後、2013年に京都大学大学院数理解析研究所で数学の博士号を取得。2013年から2018年までNTTコミュニケーション科学基礎研究所に勤務した後、2018年に助教として大阪大学に着任した。犬伏氏は 25 を超える研究成果を発表しており、それらは 400 回以上引用されています。 彼の研究対象には、流体力学、カオス理論、数理物理学、および機械学習が含まれます。

資金調達情報本研究の一部は、JSPS 若手研究者向け科学研究費補助金 19K14591、JSPS 科学研究費補助金 19KK0067、20H02068、20K20973、22K03420 の支援を受けました。

科学レポート

10.1038/s41598-022-18037-7

計算シミュレーション/モデリング

適用できない

強化学習による流体混合の最適化

2022 年 8 月 22 日

著者らは競合する利害関係を宣言していません。

免責事項: AAAS と EurekAlert! EurekAlert! に投稿されたニュース リリースの正確性については責任を負いません。 貢献機関による、または EurekAlert システムを介した情報の使用。