増分学習を統合した転移学習による指向性エネルギー堆積法のエネルギー消費予測

なぜ3Dプリントの電力使用を賢くすることが重要か

金属の3Dプリンティングは複雑なジェットエンジン部品や医療用インプラントを作れますが、多くの場合大量の電力を消費します。そのエネルギーは金銭的コストであると同時に気候負荷でもあります。本論文は、限られたデータしかない状況でも、ある種の金属3Dプリントで使われるエネルギーを信頼して予測し、最終的には削減することを目指してコンピュータに学習させる手法を検討します。より環境に優しい製造や低コストなハイテク製品を志す人にとって、より賢く効率的な工場に向かう指針となる研究です。

光で金属部品をつくる仕組み

多くの金属3Dプリンタは強力なレーザーや電子ビームで金属粉を溶かす方式を採ります。本研究で扱う指向性エネルギー堆積（DED）プロセスでは、粉末がレーザーで作られた小さな溶融プールに吹き込まれ、層ごとに部品が積み上げられます。この方法は切削に比べて材料の無駄を減らせますが、金属を繰り返し溶かして固めるため大量の電力を要します。実際に使われるエネルギーは合金の種類、レーザー出力、走査速度、粉末供給速度など多くの要因で変わります。これらの設定からエネルギー消費を予測するのは困難でありながら、コスト管理や炭素排出の推定には不可欠です。

従来の予測手法が及ばない理由

研究者は物理ベースのモデルや従来型の機械学習で付加製造のエネルギー消費を予測しようとしてきました。物理モデルは現実世界の複雑な影響をすべて捉えるのが難しく、標準的な機械学習はプロセス設定に加えセンサや画像などの豊富なデータを大量に必要とします。そうした詳細なデータを集めるのは費用も時間もかかります。さらに、ある金属や機械設定で学習したモデルは条件が変わると性能が低下しがちです。ニッケル系合金に適したモデルがコバルト合金ではうまくいかないことや、あるレーザー出力で調整したモデルが別の出力では性能を発揮しないことがしばしば起きます。

既に学んだことを活かして成長する学習フレームワーク

著者らは転移学習と増分学習という二つの考え方を組み合わせてこれらの限界に対処します。転移学習により、コバルトクロム（CoCrMo）で学んだエネルギー使用の知識をニッケル系合金（IN718）など別の状況に再利用できます。増分学習は、新しいデータが得られた際にモデルを段階的に更新でき、ゼロから再学習する必要を減らします。彼らのフレームワークでは、まず一つの材料について低いレーザー出力で作られたサンプルから始め、次に高出力のサンプルを追加するという段階的学習を行います。そして学習済みモデルを少数の新素材や新出力のサンプルで軽く再訓練し、大量の新データを要さずに適応させます。

コンピュータにパターンを認識させるさまざまな手法の検証

このフレームワークの有効性を評価するため、チームはCoCrMoとIN718の粉末を使って20個の小さな試作部品を印刷し、各時点の消費電力を計測しました。予測に用いた入力は6つの単純な項目だけです—タイムステップ、レーザー出力、走査速度、粉末供給速度、層番号、そして機械が稼働中か否か—これらから各時刻のエネルギーを予測しました。比較したモデルは4種類で、ツリーベース手法（XGBoost）、再帰型ニューラルネットワーク（LSTM）、時系列畳み込みネットワーク（TCN）、およびアテンション機構を使うトランスフォーマーモデルです。CoCrMoからIN718へ、IN718からCoCrMoへ、IN718の低出力から高出力へ、という3つのタスクいずれにおいても、増分転移学習アプローチは従来の学習法より実測に近い予測を一貫して示しました。

どの手法が最も効果的だったか

4モデルの中では、時系列畳み込みネットワーク（TCN）が際立っていました。増分転移学習の枠組みで、平均誤差約4.65パーセント、エネルギー変動の約92パーセントを説明する性能を達成し、かつ訓練も比較的高速でした。LSTMも良好な結果を示し、トランスフォーマーとXGBoostは精度でやや劣りましたが、XGBoostは最も学習が速いという利点がありました。改良されたモデルは特に、レーザーの開始・停止や層の変化による急激なエネルギーの落ち込みやピーク（谷や峰）を平滑化せずに捉える点で優れていました。

よりクリーンな製造への含意

平たく言えば、この研究は、限られた試行データしかない状況や材料・プロセス設定が変わる場合でも、段階的に学習を重ねる戦略により金属3Dプリンタの消費電力を正確に予測できることを示しています。この種の予測は、部品品質を維持しつつプリンタを自動で省エネ化することや、網羅的な計測を行わずに排出量を見積もるための重要なステップです。実際の工場環境は本研究の管理された条件よりさらに変動が大きいものの、学んだ知識を再利用し徐々に更新するアプローチは、エネルギー意識の高い気候配慮型の製造へ向かう有望な道筋を示しています。

引用: Duan, C., Zhou, F., Liu, Z. et al. Predicting energy consumption in directed energy deposition using incremental learning-integrated transfer learning. npj Adv. Manuf. 3, 6 (2026). https://doi.org/10.1038/s44334-025-00065-6

キーワード: 金属向け付加製造, エネルギー消費予測, 転移学習, 増分学習, 指向性エネルギー堆積