【材料開発×AI】データケミカル、データ解析クラウド「Datachemical LAB」にてデータ可視化機能を強化

[画像1: https://prcdn.freetls.fastly.net/release_image/99918/19/99918-19-c0167d3b73a3cbd9ba63b45b62dde4a4-3900x2501.jpg?width=536&amp;quality=85%2C75&amp;format=jpeg&amp;auto=webp&amp;fit=bounds&amp;bg-color=fff ]データケミカル株式会社（代表取締役：吉丸昌吾、本社：東京都渋谷区）は、展開する材料開発のAI・機械学習クラウドサービス「Datachemical LAB（データケミカルラボ）」において、データ可視化の新機能を2025年2月26日よりリリースいたします。今回の実装により、次の最適な実験条件の選定や、データ間の関係性の把握が視覚的に容易になり、材料開発の効率向上が期待できます。実験・製造データを活用した開発プロセスの最適化金属やゴム、薬品などの材料開発では、原料の組み合わせや製造方法など実験条件は膨大であり、従来技術者が知見や経験をもとに多大な労力を掛けて担っております。そこで、当社が提供する「Datachemical LAB」では、化学・工学分野の分子・材料設計からプロセス設計・管理の幅広い技術テーマにて、開発現場の技術者が手持ちの実験・製造データをもとにAI・機械学習により最適な実験条件を予測し、開発プロセスを効率化できます。2022年のサービスリリース以来、50社以上で導入され、高く評価されています。「Datachemical LAB」には、相関係数によるヒートマップや散布図行列、3Dグラフなど、様々なデータ可視化機能を搭載しており、ユーザーが実験データの特徴を把握したり、最適な実験条件を探索したりする際に役立ってきました。この度さらに視覚的にユーザーがデータの理解を深め、開発の効率化に貢献する機能をリリースしました。&lt;今回の新機能&gt;パレート最適解：トレードオフ関係を可視化し、その中で最適な組み合わせを選定クラスタリング：類似データを分類・可視化し、隠れた関係性や外れサンプルを検出パレート最適解で次の最適な実験条件を選定新規の材料を開発するプロセスにおいて、例えば、強度と柔軟性、耐久性とコストなど、相反する特性がある中で、最適な性能を示す材料の実験条件を探索することが多くあります。パレート最適解とはトレードオフ関係の中でそれ以上改善の余地のない最適な組み合わせの候補群を指します。今回の可視化機能では、例えばDatachemical LABにてAIにより算出された大量の未知の実験条件の予測結果の中から、相反する2つの特性においてパレート最適解が簡単に識別できます。パレート最適解をもとに、次に検討すべき実験条件が判断しやすくなります。[画像2: https://prcdn.freetls.fastly.net/release_image/99918/19/99918-19-fa821fbab7211731f017a26a99dc8e09-940x957.png?width=536&amp;quality=85%2C75&amp;format=jpeg&amp;auto=webp&amp;fit=bounds&amp;bg-color=fff ]図1 パレート最適解 可視化の例 (赤=最適解、青=その他)[画像3: https://prcdn.freetls.fastly.net/release_image/99918/19/99918-19-e4537dc7b998319ea5868ed114e04bd4-2006x523.png?width=536&amp;quality=85%2C75&amp;format=jpeg&amp;auto=webp&amp;fit=bounds&amp;bg-color=fff ]図2 パレート最適解 抽出された実験条件の表示例クラスタリングを活用しデータ間の関係性を一目で把握クラスタリングは、データのサンプルを類似性に基づいて適切なグループに分類する手法です。これにより、データを効率的に整理し、データ間の関係性や傾向を容易に把握できます。今回の可視化機能ではクラスタリングを用いて、例えば大量の実験データの中から、隠れた関係性を見える化し新たな知見を得たり、精度の高い予測モデルを構築するうえで前処理が必要な外れサンプルを検出したりすることで、一層の開発効率化に繋がります。[画像4: https://prcdn.freetls.fastly.net/release_image/99918/19/99918-19-51d86da27e5283319735f6143e9c5f1e-1080x1131.png?width=536&amp;quality=85%2C75&amp;format=jpeg&amp;auto=webp&amp;fit=bounds&amp;bg-color=fff ]図3 クラスタリング 可視化の例 (各色=クラスター)[画像5: https://prcdn.freetls.fastly.net/release_image/99918/19/99918-19-b3cfa24a391edf82aead6f658670a8cc-1156x395.png?width=536&amp;quality=85%2C75&amp;format=jpeg&amp;auto=webp&amp;fit=bounds&amp;bg-color=fff ]図4 クラスタリング 各実験サンプルの座標データの例(z1, z2)今後とも弊社はDatachemical LABを通じて、化学・製薬・食品などの材料開発プロセスにおけるAI・機械学習の活用を加速することで、産業競争力の強化に貢献してまいります。【Datachemical LABについて】弊社CTO金子弘昌（明治大学准教授）が運営するデータ化学工学研究室の知見をもとに開発された、あらゆる開発・製造現場で有用なデータ解析・機械学習プログラムを容易な操作で扱うことが出来るクラウドサービスです。＜サービスの特長＞・活用領域が幅広く、ラボでの実験から量産化までトータルの効率化が図れます。・少量の実験データでも手順を踏むことで高い予測精度を実現し、短期間で開発目標到達に導けます。・シンプルな操作画面でプログラミングなしに実行でき、初学者が犯しがちな解析ミスを防げます。Datachemical LABサービスサイト：https://www.datachemicallab.com/【会社概要】 会社名：データケミカル株式会社所在地：東京都渋谷区神宮前6丁目23-4 桑野ビル2階設立 ：2021年10月会社サイト：https://www.datachemical.com/事業内容：化学・工学分野を専門としたAIクラウドサービスの提供本リリース、サービスに関するお問合せ先：E-Mail：info@datachemical.com TEL：03-6778-2045企業プレスリリース詳細へ : https://prtimes.jp/main/html/rd/p/000000019.000099918.htmlPR TIMESトップへ : https://prtimes.jp