2022 Fiscal Year Annual Research Report
Automatic crystal growth by visuomotor learning
| Project/Area Number |
21H01681
|
|---|
| Research Institution | Nagoya University |
|---|
Principal Investigator |
原田 俊太 名古屋大学, 未来材料・システム研究所, 准教授 (30612460)
|
|---|
| Project Period (FY) |
2021-04-01 – 2024-03-31
|
| Keywords | 自動化 / 強化学習 / 結晶成長 / 機械学習 / 浮遊帯域溶融法 |
|---|
| Outline of Annual Research Achievements |
2021年度までに、仮想実験データを用いて融液ダイナミクスの同定と強化学習を用いた操業制御に成功し、2022年度は実機制御への応用に取り組んだ。実際の結晶成長実験において、時間を同期し融液の観察画像と制御入力値を取得するプログラムを作成し、約10Hzでデータ取得を行う環境を構築した。また、取得した画像データから融液の幅や高さを取得するアルゴリズムの検討を行った。光学式浮遊帯域溶融法ではランプを集光することにより浮遊帯域を形成するため、ランプのフィラメントが融液に映り込むため、閾値を用いた画像処理では融液部分を抽出することが困難であった。このため、ニューラルネットワークを用いた画像抽出アルゴリズムを検討し、100個程度の教師データから融液を抽出できるモデルを学習することに成功した。これにより、画像から融液に関する情報を定量的に抽出することに成功した。また、実データから混合ガウスモデルによって融液ダイナミクスを推定し、強化学習によって最適な軌道を生成することにも成功した。今後の研究では、逆強化学習による報酬推定と、実機での自動操業の実証実験を行う予定である。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
融液状態の定量化について、当初予定していた画像処理により融液領域の自動識別が困難であることが明らかとなったが、別手法を検討し、ニューラルネットワークを用いて少ない画像データから高精度に融液領域を識別する学習モデルを構築することに成功している。これにより実機において融液状態を定量化することが可能となっており、これまでにエミュレータにより検証してきた強化学習による制御を試行することが可能となっている。また、その結果として、エミュレータで検証できた混合ガウスモデル・強化学習を組み合わせた提案アルゴリズムが実機においても適応可能であることが明らかとなっており、次年度以降に実施予定である実機の操業自動化に向けて見通しが立っている。また、実機の操業を自動化するために、装置の制御出力値を記録し、機械学習が出力した制御値を装置に設定するためのプログラムの準備が完了しており、これらを組みわせて実機操業の自動化検証を進めていく。
|
| Strategy for Future Research Activity |
実機の操業自動化に向けて、これまでにエミュレータプログラムでの実証実験、操業自動化に向けた、実機からのデータ抽出、実機の操業制御プログラムの作成を進めてきた。その結果、これらの要素技術を組み合わせることによって、実機操業の自動化のめどが立っており、今後の研究が速やかに進むよう態勢は整っている。
|
