| 研究課題/領域番号 |
23K28062
|
|---|
| 補助金の研究課題番号 |
23H03372 (2023)
|
|---|
| 研究種目 |
基盤研究(B)
|
| 配分区分 | 基金 (2024)
補助金 (2023) |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分60050:ソフトウェア関連
|
|---|
| 研究機関 | 九州大学 |
|---|
研究代表者 |
趙 建軍 九州大学, システム情報科学研究院, 教授 (20299580)
|
|---|
| 研究分担者 |
鵜林 尚靖 早稲田大学, 理工学術院, 教授(任期付) (80372762)
蓮尾 一郎 国立情報学研究所, アーキテクチャ科学研究系, 教授 (60456762)
石川 冬樹 国立情報学研究所, アーキテクチャ科学研究系, 准教授 (50455193)
馬 雷 東京大学, 大学院情報理工学系研究科, 准教授 (70842061)
張 振亜 九州大学, システム情報科学研究院, 助教 (10971228)
|
|---|
| 研究期間 (年度) |
2023-04-01 – 2026-03-31
|
| 研究課題ステータス |
交付 (2024年度)
|
| 配分額 *注記 |
18,850千円 (直接経費: 14,500千円、間接経費: 4,350千円)
2025年度: 5,460千円 (直接経費: 4,200千円、間接経費: 1,260千円)
2024年度: 5,720千円 (直接経費: 4,400千円、間接経費: 1,320千円)
2023年度: 7,670千円 (直接経費: 5,900千円、間接経費: 1,770千円)
|
|---|
| キーワード | AI品質保証 / サイバーフィジカルシステム / テスト / プログラム修正 |
|---|
| 研究開始時の研究の概要 |
近年、複雑な制御、工業製造などは自動化から知能化にアップグレードの急速的な変革を伴い、データ駆動型AIをコントローラとして用いるサイバーフィジカルシステム(AI-CPS)が、産業界で急速に発展と応用している。AI-CPS は、安全性を重視する多くの産業領域で採用されるため、その品質保証は非常に重要である。本研究では、AI-CPSに対する新しい体系的な品質保証技術を確立することを目的としている。本研究の進展により、AI-CPSにおける系統的な品質保証技術及びその支援環境が整い、より信頼性の高いAI-CPSの構築が期待できる。
|
| 研究実績の概要 |
近年、複雑な制御、工業製造などは自動化から知能化にアップグレードの急速的な変革を伴い、データ駆動型AIをコントローラとして用いるサイバーフィジカルシステム(AI-CPS)が、産業界で急速に発展と応用している。従来のCPS 品質保証は広範囲に研究されているが、AI-CPS の場合は、不確実性を持つAI コンポーネント（特に、DNN など）は、制御されるプラントの安全性を損なう可能性があるため、AI-CPS の品質保証に新たな課題をもたらしている。本研究では、AI-CPSに対する新しい体系的な品質保証技術を確立することを目的としている。具体的には、(1) AI-CPS のバグ検出するためのカバレッジによるテスト技術の開発、(2) バグの挙動を分析するためのモデルベース分析手法の開発、(3) バグを自動的な修正技術の確立、(4) AI-CPSの複数の重要な応用分野を対象とする実証評価。本研究の進展により、AI-CPSにおける系統的な品質保証技術及びその支援環境が整い、より信頼性の高いAI-CPSの構築が期待できる。本研究ではこれまで得られた主な研究成果は以下の通りである。
（1）AI-CPSのバグを検出するという新たな課題に対応するため、テスト基準の設計及びテストオラクル設計の観点から、カバレッジガイド付き自動テストフレームワークを開発した。具体的には、(a) システム層の安全仕様に関するtime-awareテスト基準を設計した。(b) テストオラクルも設計した。(v) テストツールを開発した。
（2）AI-CPS におけるDNN コントローラの挙動に関する一般的な分析に向け、特にそのDNN の潜在的な不具合原因の分析に焦点を当てたモデルベースの分析フレームワークを開発する。イボックス誘導（grey-box guided）テスト生成フレームワークを開発した。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
本研究では、下記の2023年度研究計画の内容について、すべて完成した。
(1) AI-CPSに対するカバレッジガイド付き自動テスト技術の開発を行った。
(2) AI-CPSのためのモデルベース解析フレームワークを開発した。
以上の理由で、本研究に対して、当初の計画について、概ね順調に進展している。
|
| 今後の研究の推進方策 |
本研究では、今後の研究の推進方策は次の通りである。
●AI-CPS におけるDNN のバグを自動的に修復するフレームワークの開発：AI-CPS の不具合原因を明らかにした上、AI-CPS のバグを自動的に修復する技術を提案する。具体的には、（1）バグ誘導型オフライン修正: 本研究では、AI-CPS における時系列信号に特化したバグの特徴を分析する上、AI-CPS におけるDNN 予測器・制御器のオフラインでの再訓練や微調整に基づき、バグ誘導型の信号データ拡張とアーキテクチャ探索の二つの視点からオフライン修正方法を提案する。（2）モデルに基づくオンライン修正:本タスクでは、オンラインリアルタイム利用時のAI-CPSの品質をさらに向上させるため、(i) RO2 で構築されたMDP モデルを基づき、モデルベースのオンライン修正技術を提案する。これは、MDPモデルにおいて、潜在的なシステムの不具合状態を特定し、モデルのセマンティクスを活用して入力信号を修正し、システム状態を安全な領域に遷移するというものである。(ii) さらに、CPS 業界には、安全のためモデルの冗長化方法が広く採用されている。本タスクでは、複数のモデルの融合によるオンライン修正方法を提案する。
●AI-CPS のために提案された品質保証技術の実証評価：複数の応用領域におけるAI-CPSの大規模評価: 本タスクでは、提案された品質保証技術の有用性を示すために、構築されたAI-CPSベンチマークを用いて、品質保証に対する提案したテスト、分析、修正技術及びその支援環境に大規模な評価を行う。
|
