AI が切り拓く 3D プリンティングの進化
多くの産業が人工知能（AI）の活用による恩恵を期待していますが、現時点では、AI がどこで有効に機能し、どこで信頼できないのかについて、十分な理解があるとは言えません。
3D プリンティングは、AI が精度やコストの改善にどのように役立っているのかを検討するうえで、非常に適した分野です。というのも、3D プリンティングには AI と相性の良い特性があるからです。たとえば、フィラメント内の材料比率から後処理に至るまで、成功した造形には多様な要因が関与し、それらは極めて複雑に相互作用します。さらに、結果は、メーカーが制御できない物理環境のわずかな変動にも左右されます。
本記事では、3D プリンティングにおける AI 活用に関する膨大な研究文献の中から、特に興味深い課題に直面した 3 つの研究プロジェクトを取り上げます。これらの論文で示された解決策は、わずか数年前のものであるとはいえ、特にトランスフォーマーや大規模言語モデル（LLM）の登場によって、すでに新しい技術に取って代わられている可能性もあります。しかし、著者たちがたどった思考プロセスそのものは非常に示唆に富んでいます。本記事で紹介する研究を総合すると、AI の活用は一種の「技術」や「芸術」に近いものであるということが見えてきます。
幅広いアプローチ
AI の力は、微妙に相互作用する多数の特徴量を同時に扱えることにあります。
論文「A data-driven machine learning approach for the 3D printing process optimisation（データ駆動型機械学習による 3D プリンティング工程最適化）」では、複数の 3D パラメータを同時に分析し、さまざまなプリンタに適用できる手法が提案されています。
この研究の目的は、印刷に関する 3 つのパラメータ――所要時間、フィラメントの長さ、完成物の重量――を算出することでした。
この論文で特に興味深い点は、2 段階の処理プロセスを採用していることです。まず、畳み込みニューラルネットワーク（CNN）が、押出幅やレイヤー高さといった一般的な 3D 設定を入力パラメータとして受け取ります。さらに研究者たちは、オブジェクトの表面積と体積という 2 つの計算パラメータを追加しました。
CNN で扱えるようにするため、面や頂点の数を削減する必要があり、アルゴリズムは各オブジェクトから 5,000 個の頂点をランダムに選択しました。
次に、CNN が生成した複数の新しいパラメータを既存の入力パラメータに加え、それらを別の 多層パーセプトロン（MLP） に入力しました。
研究者たちは、70 個の 3D プリントされたオブジェクトを用いてモデルをテストしました。各オブジェクトは 32 種類の異なる「パラメータセット」で評価されました。その結果、モデルは実際のテスト結果とよく一致し、成功しているように見えました。
自然を超えて
内部に穴やチューブを持つ柱は、実体のある柱よりも強度が高い場合が多くあります。これは、中心から離れた位置にある材料ほど圧力に対する耐性が高いためだと考えられます（ここで引用されている論文は、同じ質量の柱――一方は中実、もう一方は内部構造を持つもの――を比較しているのだと思われます。同じ直径であれば中実の柱の方が強度は高いですが、現実的には重すぎて材料の無駄が大きくなります）。
自然界には、内部が同心円状や格子状に分割された構造を持つ茎や支柱が数多く存在します。たとえば、竹、サボテン、ミント、羽軸、パピルス、貝殻、ハニカム構造などです。
こうした構造を 3D プリント物に取り入れることで、性能を向上させることはできるのでしょうか。
従来の製造方法では、任意に複雑な格子構造は製造が非常に困難なため、ほとんど実用的ではありません。しかし、3D プリンティングであれば対応可能であり、実験も現実的になります。
論文「3D printable biomimetic rod with superior buckling resistance designed by machine learning（機械学習によって設計された、優れた座屈耐性を持つ 3D プリント可能な生体模倣ロッド）」の著者たちは、3D プリンティングにおいて強度の高い支持構造を見つけるために AI の活用を試みました。この実験は成功しましたが、同時に AI における試行錯誤の多さ も示しています。多くの場合、研究者はさまざまなアルゴリズムやパラメータを試し、結果を後から評価せざるを得ません。
研究者たちは、圧力下での 座屈（変形）、圧縮応力（垂直方向の短縮）、軸方向変位（長さの伸縮） に関する候補構造をテストしました。最初のデータセットは、自然界から得られた 21 種類の例であり、これが論文タイトルにある「生体模倣（biomimetic）」の由来です。
しかし、機械学習にとって 21 件のデータは明らかに不足しています。この研究の優れた点は、合成データが実データと同等に有効であることです。研究者たちは新しい材料構造を探しているため、必ずしも自然界に存在する必要はありません。そこで、各サンプルに小さな変更を加え、自然界には存在しないバリエーションを作り出しました。
その結果、100 万件を超えるサンプルが生成され、今度は 多すぎてテストできない という逆の問題に直面しました。そこで研究者たちは、少数のサンプルに対して機械学習を適用し、結果を人間の目で観察することで、明らかに性能が劣ると判断できる特徴を見つけ出しました。これもまた、試行錯誤の一例です。最終的に、詳細にテストする対象を 1,500 モデルに絞り込みました。
次の課題は、どのアルゴリズムを使うかという点です。ガウス過程回帰、サポートベクターマシン、k 近傍法など、一般的なアルゴリズムにはそれぞれ得意分野がありますが、新しい用途ではどれが最適かは分かりません。
この場合の答えは、ビュッフェで皿にあれこれ盛るのと同じです。研究者たちは 6 種類ほどのアルゴリズムを使用し、その中から最も良い結果を出すものを選びました。ここでいう「良い」とは、モデルの出力が、既知のテストデータの強度とよく一致していることを意味します。
なお、この研究では Ansys（シミュレーション）、MATLAB（データ分析）、さらには Microsoft Excel といったプロプライエタリなソフトウェアが使われていました。これは、Python を中心としたオープンソースライブラリが多用される現在の AI 研究としては、やや異例です。ただし、使用されている基本的なアルゴリズム自体は標準的なものです。
最終的に 160 種類の新しいモデルが得られ、有限要素解析（FEA）という標準的な工学手法によるテストの結果、これらは自然界に存在する元のモデルよりも高い強度を示しました。
人工的な設計が「自然の構造より優れている」と言うのは、やや不公平かもしれません。動植物の構造は、耐圧性以外にも多くの目的を果たす必要があるからです。それでもこの実験は、自然、AI、人間の意思決定が組み合わさることで、新しい発想が生まれることを示しています。
見え方は、見方しだい
3D プリンティングでは、製造欠陥が頻繁に発生します。環境温度や材料の均一性といった物理的要因が大きく変動するため、AI を用いても、造形が失敗するタイミングを正確に予測できないことがあります。
そのため、多くのメーカーは、カメラや各種センサーを出力部に向け、異常を検出する方法を採用しています。しかし、得られる画像は複雑で、違いを見分けるのが困難です。医療分野で AI が画像診断に使われているのと同様に、3D プリント物の画像解析にも AI は大きな可能性を秘めています。
論文「An encoder–decoder based approach for anomaly detection with application in additive manufacturing（積層造形における異常検知のためのエンコーダ・デコーダ手法）」では、赤外線カメラ画像が入力データとして使われています。赤外線は、可視光では見えない欠陥や弱点を検出できるため有効です。
しかし、この研究でもデータに関する別の難題がありました。通常、AI による異常検知は、正常・異常が正確にラベル付けされたデータに依存します。しかし研究者たちは、そのような識別がなされていないデータを使わざるを得ませんでした。
そこで研究者たちは、大胆で直感に反するアプローチを取りました。まず、単純な 3D オブジェクトを多数作成し、それらはすべて正しく形成されていると仮定しました。その後、検証用データセットに対して、意図的に異常を作り込んだ偽データを追加し、モデルがそれを検出できるかを確認しました。そして、教師なし学習（ラベルのないデータからパターンを見つけるのに適した手法）を適用しました。
入力データにはいくつかの加工が施されました。各画像は 64×64 ピクセルで、処理には大きすぎたため 32×32 に縮小されました。また、「入力データの小さな摂動に対するモデルの堅牢性を高める」ために、画像をわずかに変形しました。さらに、温度だけが異なる合成データを作成し、「ネットワークの正則化」を行いました。
論文タイトルが示すとおり、分析には CNN ベースのエンコーダ・デコーダモデルが用いられました。解析における重要な工夫のひとつは、欠陥が画像のごく一部にしか現れない場合への対応です。画像全体を一括で入力すると、小さな欠陥が平均化されて見逃される可能性があります。そのため研究者たちは、画像全体ではなく、小さなウィンドウ単位で解析するようアルゴリズムを改良しました。
この研究は、成功の鍵が、研究対象となる機械や材料の特性、アルゴリズムとその弱点に対する深い理解、そして必要に応じてデータを扱い・加工する直感力など、研究のあらゆる側面を包括的に理解することにあることを示しています。
実り多い分野
3D プリンティングは 3 次元（そこに時間という次元が加わります）で行われますが、その分析には非常に多くの次元が関与します。3D プリンティングに AI を応用する研究は膨大な量にのぼります。
本記事で紹介した 3 つの研究例が、3D プリンティングという有望な分野をより堅牢なものにしようとする研究者たちの 創造性の一端を伝えることができれば幸いです。
