本文1503字，阅读约需4分钟

摘要：日本的研究小组开发出作为燃料电池等的制造核心的粉体膜干燥工艺的高速优化方法，并发现了新的加热方法。这是全球首次使用机器人实验和AI对粉体膜干燥工艺进行实证。

关键字：燃料电池研发、机器学习、粉体膜干燥工艺、高速优化方法、加热方法

要点

利用机器人实验和机器学习（AI），仅试验40次便成功地从约3万（85）个候选中找出使粉体膜干燥工艺中的裂纹最小化的加热温度模式，试验次数大幅缩减为罗列法的0.12%。
还发现了一种称为“两段加热”的全新加热方法，即在第一步加热中，在表面形成适当的膜；在第二步加热中，允许内部粒子重新排列，同时溶剂逐渐蒸发。
有助于加强燃料电池和蓄电池等粉状成膜工艺开发中的竞争力。

概要

日本的研究小组开发出作为燃料电池等的制造核心的粉体膜干燥工艺的高速优化方法，并发现了新的加热方法。这是全球首次使用机器人实验和AI对粉体膜干燥工艺进行实证。

粉体成膜类似于“日本什锦煎饼”和“文字烧”，是“加热并干燥”粉体与液体的混合物的常见方法。但是，由于粉体成膜的现象复杂，一直以来都是凭直觉、技巧和经验从加热温度和加热时间等庞大的参数中寻找最佳条件。

本研究着眼于粉体成膜中的粉体膜干燥工艺，不借助“人力”（指依靠机器人和机器学习）快速进行实验，并探索出新的加热方法。在全球材料和工艺开发竞争日益激化的背景下，这种方式将成为解决传统工艺的遗留问题且飞跃性地提高日本制造能力的重要手段。

研究背景

燃料电池和蓄电池是实现碳中和社会不可或缺的燃料电池车（FCV）和电动汽车（EV）的核心部件，而材料和工艺的开发对于燃料电池和蓄电池等日本制造业至关重要。譬如，燃料电池只有在兼具允许离子良好流动的碳材料本身，以及形成最佳构造的粉体成膜工艺时才能发挥出其性能，但是，该工艺的条件参数数量庞大，因此对于可高效寻找最佳参数的方法需求迫在眉睫。

研究内容

本研究着眼于粉体成膜中的粉体膜干燥工艺，对通过机器人实验和机器学习（AI）来寻找最佳参数的方法进行了实证（图1）。贝叶斯优化是使用AI进行优化的方法之一，但利用机器人实验将该方法应用于粉体成膜工艺在全球尚属首次。

本次建立了机器人实验装置和机器学习系统，用于从8步加热温度和5步加热时间，即约3万（8⁵）个加热选项中寻找使裂纹率最小化的最佳参数。在干燥膜干燥工艺中，几乎所有的裂纹率都在40%～50%左右，通过30次随机条件下的实验作为初始数据，以及10次学习试验，合计仅进行了40次试验即寻找到了将裂纹率控制在3%以下的加热温度模式。

根据表示40个加热温度模式与裂纹率的关系的学习模型，发现两段加热的新方法为最佳（图2）。在普通的一段加热方法中，随着整个膜的流动会产生较大裂纹。而在两段加热方法中，第一段的加热在表面上形成适当的膜，第二段加热允许内部粒子重新排列，溶剂逐渐蒸发（图3），因此认为两段加热方法是最妥当的机制。

图1.png

图1

（a）人工设定问题；

（b）基于实验优化粉体膜干燥工艺的循环：①实验→②更新机器学习模型→③根据机器学习模型进行预测以及推荐实验参数组合→（以下，重复①→②→③）进行探索；

（c）人工进行系统知识化。

图2.png

图2（a）加热温度模式和（b）裂纹率的变迁（共40次）。最初的30次是随机参数下的试验结果（裂纹率集中在40～50%）；基于该结果，后续10次一边更新学习模型一边进行实验，最终计算得到裂纹率在3%以下的加热温度参数。

图3.png

图3 观测两段加热下裂纹率最小的加热温度模式。（a）普通一段加热时，随着整个膜的流动而产生大的裂纹；（b）两段加热时，表面形成正常的干燥膜，允许粒子内部重新排列的同时，溶剂逐渐干燥。

社会意义及未来展望

通过利用机器人和AI的实验，即数据驱动型的研究方法，在较少的试验次数下发现了最佳的参数，这也将成为今后备受期待的新研究方法的契机。本研究成果作为在工艺开发中导入了信息科学的“process informatics”的实践，将为实现今后越发重要的材料开发和工艺开发的高效率化以及高度激发人类灵感的丰富研究开发作出贡献。

机器人实验×AI——燃料电池制作研发方法的创新