Chemical engineering × AI
反応・流体・物性の視点で考える基盤技術開発
理論モデルとAIを組み合わせた手法により
プロセス設計に資する技術を提案します。
Research philosophy
村上研究室では、化学プロセスで観測される複雑な現象を、理論モデルとAIの組み合わせにより理解し、少ないデータからでも信頼できる予測手法を実現します。
化学反応、流動現象、基礎物性など化学工学関連領域を広くカバーしています。
01 / Physics-informed reaction analysis
既存式をテンプレートに解釈性の高いAI反応速度式を実現
反応工学で蓄積された速度式や物質収支を土台に、Neural ODEやRNNなどの連続時間モデルを組み合わせます。データだけに依存せず、物理的な意味を保ったまま未知の反応挙動を補うことを目指します。
開発した反応速度モデルは、Dushman反応などを利用した微笑空間内の混合状態定量評価へ展開します。
Research focusブラックボックス化を避け、反応工学的視点を保ったAIを。
02 / AI soft sensor
流路内に閉じこめた粒子を「動くセンサー」として利用し、AIの力で見えない流体物性をリアルタイム推定します。
流路内のマイクロ粒子の運動を動画から検出・追跡し、その軌跡をAIで解析します。粒子に現れる流れの情報から、流量、粘度、密度を同時に推定するソフトセンサーを開発しています。
流路形状、粒子配置、画像解析アルゴリズムを一体で設計し、小型・非侵襲・安価・迅速なフロープロセスモニタリングへつなげます。
Research focusAIの力で「見える」動きから「見えない」情報を引き出す。
03 / Physics-informed property prediction
転移学習や物理制約の利用で、データが疎な多成分系でも信頼できる物性推算を目指します。
分子構造から得た記述子や事前学習モデルを活用し、小規模データでも学習可能なモデルを構築します。さらに、勾配や変曲点などの物理的制約を組み込み、組成に対して不自然に振動しない予測へ導きます。
三成分系から十成分系まで既存手法が通用しない多成分混合物に対し、物理制約型機械学習（PINN）で滑らかな推算曲面を生成し、未測定領域の安定な推算を実現します。
Research focus精度だけでなく、物理的に自然な「形」を持つ予測へ。
Summary
ビッグデータに依存しないAIを活用することで、既存手法と相性の良いプロセス設計支援ツールの実現を達成します。
