はじめに品質管理とサーキュラー・エコノミーの融合
リサイクル品は、バージンポリマーとは根本的に異なる。バージン材料は厳密に管理された条件のもとで生産され、仕様も明確であるのに対し、リサイクル材料は未知の材料系であることが多い。PP」または「PPミックス」として販売されている場合でも、汚染、混合フラクション、添加剤パッケージ、劣化履歴、サプライヤー間のばらつきなど、重大な不確実性が残っています。Small ポリマーブレンドにおける組成のばらつきは、機械的不安定性、加工不良、長期的な特性劣化など、加工挙動や最終性能に不釣り合いなlarge 影響を及ぼす可能性がある。この不確実性により、過剰なエンジニアリング、材料の格下げ、あるいはリサイクル品の全否定といった保守的な決定が下される。このような慣行は、リサイクル材料の経済的価値を制限し、循環型プラスチック経済への移行を遅らせる。
Proteus® Now Quantify
この分析上のギャップに対処するため、NETZSCH は、未知材料中のポリマー組成の同定と定量のために、示差走査熱量測定（DSC）に基づくAI支援ソリューション、Proteus® Now Quantify を開発した。この開発で得られた重要な知識は、AIによる定量の信頼性は、基本的に学習データの質、一貫性、標準化に依存するということである。
AIはデータの質の低さを補わない
機械学習アルゴリズムは、一貫性のない実験や系統的な測定誤差、不正確なデータを修正することはできない。その代わりに、データセットに存在する統計的関係を学習する。それらの関係が、物理的な物質の挙動を反映しているか、実験的な人工物であるかを問わない。測定パラメータが変化したり、検量線がずれたり、ラベルに一貫性がない場合、モデルはこれらの矛盾を有効なパターンとして内部化する。
Quantifyの実装を成功させるには、large データセットを組み立てるだけでは不十分だった。それは、すべてのトレーニングデータが、同一の、十分に定義された実験条件下で生成されたものであることを保証する必要もあった。この要件は、DSC測定の基本的な特性と、その信号が機械学習モデルによってどのように解釈されるかに起因する。
DSC曲線は、融解転移、結晶化挙動、ガラス転移の特徴など、ポリマー系の熱フィンガープリントを提供します。これらの特性は、ポリマーの同定や定量化に非常に有益です。しかし、DSC曲線は実験パラメータの影響を受けやすいという欠点もあります。機械学習の観点からは、測定パラメーターの変化によって生じるばらつきは、材料組成の違いによって生じるばらつきと統計的に区別できません。
その結果トレーニングデータと未知試料は、物理的に意味のある、工業的に信頼できるAIベースの定量化のために、厳密に標準化された同じ条件下で測定する必要があります。
標準化された測定条件Proteus® Now Quantify
試料質量
試料質量はピーク幅と形状に直接影響します：
- 質量が大きいと熱勾配が生じ、熱ラグが大きくなるため、ピークの幅が広がり、温度がシフトし、重なり合った遷移間の分解能が低下する。
- 質量が低いとS/N比が向上し、ベースライン感度と測定の不確かさが向上します。
この効果の模式図を図1に、実際のポリマー混合物の例を図2に示す。
Proteus® Now Quantify では、標準化値10mgが適用されている。このパラメータはQuantifyのMLモデルのトレーニング条件として使用され、偏差はシグナル強度やピーク形状に影響する。
加熱率と冷却率
加熱・冷却速度はピークの位置と形状に影響を与える。同じ材料であっても、加熱速度が異なると、ピークの位置や形態が系統的に変化する。
- 加熱速度が速いと、遷移が高温にシフトし、ピークが広がり、間隔の近い熱事象間の分解能が低下する。
- 冷却速度が速いと結晶化が低温にシフトし、ピークの形状や見かけの結晶化度が変化します。
図4と図5はポリマー混合物の例である。
訓練データと応用測定との比較可能性を確保するため、加熱速度と冷却速度の両方が固定されている。Proteus® Now Quantify では、10 K/minの値が適用されている。このパラメータは、分解能と測定時間のバランスを最適化したもので、ロバストで再現性の高いモデル性能を確保するために特別に選択されました。
DSC装置校正の要件
標準化された測定パラメータに加えて、抽出されたDSCの特徴が物理的に意味のあるものであり、時間や装置間で比較可能であることを保証するためには、適切な装置校正が不可欠です。
- ヒートフロー校正（感度）：組成に重要な正しいエンタルピー値（J/g）を提供します。
- 温度校正（TempCal）：正確なオンセット温度、エンタルピー値（J/g）を提供します：材料の同定に使用される正確なオンセット温度、融点、ガラス転移温度を提供します。
- ベースライン校正 (BeFlat®)：ベースラインを安定させ、機械学習モデルによって材料関連の特徴として誤 解釈される可能性のあるアーチファクトを防ぎます。
これらのキャリブレーションを行わないと、トレーニング中に系統的な測定誤差がモデルにエンコードされ、その後、組成の違いとして誤って解釈される可能性がある。
トレーニングデータの完全性：管理されたデータはLarge データに勝る
Quantifyは、組成が既知のバージンポリマーブレンドを用いてトレーニングされ、教師あり学習に信頼できるグランドトゥルースを提供した。
重要な発見は、ラベルの完全性がデータセットサイズよりも重要であるということである。データ量を増やしても性能が向上するとは限らない。実際、データを増やすことでラベルに一貫性がなくなったり、測定条件が変動したり、クラス定義が曖昧になったりすると、モデルのロバスト性が悪化する可能性がある。したがって、信頼性の高いAIベースの定量化には以下が必要となる：
- トレーサブルな標準物質
- 一貫したクラス定義／境界
- トレーニングデータセットの専門スタッフによる検証とレビュー
- 標準化された測定プロトコルの厳守
展望
Proteus® Now Quantify は現在ポリオレフィンをサポートしており、さらに他のポリマーファミリーに拡張中である。構造化されたデータ収集、反復的な再トレーニング、開発パートナーやアーリーアダプターからのフィードバックを通じて、開発は続けられている。
AIだけではリサイクルの課題を解決することはできない。しかし、標準化された測定プロトコル、適切なキャリブレーション、高品質なトレーニングデータと組み合わせることで、AIは工業品質管理環境において、高度な材料分析を利用しやすく、再現性が高く、拡張性のあるものにするための強力なツールとなる。
クイックチェックリスト測定条件Proteus® Now Quantify
未知の試料を分析する前に、以下の条件が満たされていることを確認してください：
測定パラメーター
試料質量：10 mg ± 1 mg
✅加熱速度：10 K/min
✅冷却速度：10 K/min
校正ステータス
ヒートフロー校正（感度）
✅温度校正（TempCal）
✅ベースライン校正（BeFlat® ）適用済み
さらに読む
以下のアプリケーションノートでは、ポリマークラス内のグレード間およびサプライヤー間のばらつき、バージンのトレーニングデータとリサイクル分析との関係、ブレンドの複雑さ（ピークの重複や共結晶化限界など）などのトピックを取り上げています：