はじめに
製造業や研究開発では、
- 成形条件の最適化
- 溶接条件の最適化
- 材料配合の最適化
- CAE解析のパラメータ調整
など、最適化が必要な場面が数多くあります。
しかし、実験やシミュレーションには時間やコストがかかるため、すべての条件を試すことは現実的ではありません。
例えば、
- CAE解析1回に30分
- 実験1回に半日
かかる場合、1000回の試行は大きな負担になります。
そこで活躍するのがベイズ最適化（Bayesian Optimization）です。
ベイズ最適化は、
少ない試行回数で効率的に最適条件を探索する
ための手法として、材料開発や製造条件の最適化で広く利用されています。
ベイズ最適化とは
ベイズ最適化とは、
過去の評価結果から次に試すべき条件を予測しながら探索する最適化手法
です。例えば、
| 温度(℃) | 圧力(MPa) | 強度(MPa) |
|---|---|---|
| 100 | 1.0 | 150 |
| 120 | 1.5 | 180 |
| 150 | 2.0 | 220 |
という実験結果が得られているとします。
ランダムサーチであれば次の条件もランダムに選びますが、
ベイズ最適化では
「140℃、1.8MPa付近が有望そうだ」
と予測して次の実験条件を決定します。
なぜベイズ最適化が必要なのか
例えば、
- 温度：10水準
- 圧力：10水準
- 保持時間：10水準
を最適化したい場合、組み合わせ数は
10 × 10 × 10 = 1000通り
になります。さらに各条件を3回ずつ評価すると、
1000 × 3 = 3000回
の実験が必要です。
現実的には難しいケースも多いでしょう。
ベイズ最適化は、
有望な条件を優先的に探索することで評価回数を大幅に削減
できます。
ベイズ最適化の仕組み
ベイズ最適化は大きく2つの仕組みで構成されています。
① サロゲートモデル
まず、これまでの評価結果から
条件と性能の関係
を学習します。例えば、
温度 → 強度
の関係を予測するモデルを作ります。
② 獲得関数
次に、次にどこを試すべきか
を決定します。
単純に予測値が高い場所だけを選ぶのではなく、
- 良さそうな場所
- まだ調べていない場所
のバランスを考慮します。
Exploration と Exploitation
ベイズ最適化では、
Exploration（探索）
未知の領域を調べる
Exploitation（活用）
有望な領域を深掘りする
という2つの考え方があります。
例えば、
150℃付近が良さそうだとしても、
300℃付近はまだ試していないかもしれません。
ベイズ最適化は、
良さそうな場所だけでなく未知の場所も適度に探索する
ことで効率的に最適解を探します。
Optunaによる実装例
Pythonでベイズ最適化を実装する場合は、Optunaが広く利用されています。
本記事では基本的な実装例を紹介しますが、Pythonでベイズ最適化を実装する方法は、「Optunaとは？Pythonでベイズ最適化を実装する方法をわかりやすく解説」で詳しく紹介しています。をご覧ください。
import optuna
def objective(trial):
x = trial.suggest_float("x", -10, 10)
y = -(x - 3)**2 + 10
return y
study = optuna.create_study(direction="maximize")
study.optimize(objective, n_trials=30)
print("最適値:", study.best_value)
print("最適条件:", study.best_params)
Optunaは内部でベイズ最適化を利用しながら効率的に探索を行います。
ベイズ最適化とNSGA-IIの違い
最適化手法としてはNSGA-IIも有名です。
どちらも最適解を探索する手法ですが、得意分野が異なります。
| 項目 | ベイズ最適化 | NSGA-II |
|---|---|---|
| 目的数 | 1～3個程度が得意 | 2個以上が得意 |
| 必要な評価回数 | 少ない（数十～数百回） | 多い（数百～数千回） |
| パレート解探索 | 〇 | ◎ |
| 設計変数が多い問題 | △ | 〇 |
ベイズ最適化が向いているケース
- 実験回数を減らしたい
- CAE解析が重い
- 実機試験のコストが高い
- 材料開発を効率化したい
NSGA-IIが向いているケース
- パレート解を広く探索したい
- 設計変数が多い
- 評価コストが比較的低い
- 多目的最適化を行いたい
製造業での活用事例
スポット溶接条件の最適化
入力
- 電流
- 加圧力
- 通電時間
出力
- 接合強度
材料配合の最適化
入力
- 添加剤A
- 添加剤B
- 添加剤C
出力
- 強度
- 耐久性
ベイズ最適化の弱点
設計変数が多いと性能が低下しやすい
例えば、
- 温度
- 圧力
- 流量
- 材料配合率
などの変数が増えていくと、
探索空間が急激に広がります。
一般的には20個以上の設計変数になると、ベイズ最適化の効果が出にくくなることがあります。
パレート解探索はNSGA-IIが得意
ベイズ最適化でも多目的最適化は可能ですが、
- 強度最大化
- コスト最小化
- 重量最小化
のような問題では、NSGA-IIの方が広範囲のパレート解を取得しやすい場合があります。
まとめ
ベイズ最適化は、
少ない評価回数で効率的に最適条件を探索する手法
です。特に、
- 実験コストが高い
- CAE解析が重い
- 試行回数を削減したい
といった製造業や研究開発の課題と相性が良い手法です。
一方で、
- 多数の設計変数を扱う場合
- パレート解を広く探索したい場合
にはNSGA-IIも有力な選択肢になります。
最適化手法を選ぶ際は、
「目的数」よりも「何回評価できるか」
を意識すると選びやすくなります。
実験1回が高価な問題ほど、ベイズ最適化の効果を実感しやすいでしょう。