出版書誌データベース

【こんな方におすすめ】※編集部より
・データ解析や確率・統計の基礎から機械学習まで体系的に学びたい方
・機械学習や深層学習を用いて、設計・性能予測・最適化を行う技術者・研究者
・生成モデルや深層強化学習を活用したデータ駆動型設計の最新手法を理解したい方

【この本でわかること】※編集部より
・データと確率の基礎から統計的推定の手法までを順を追って理解できる
・回帰・分類、サポートベクターマシンや深層ニューラルネットワークなどの機械学習アルゴリズムの仕組み
・深層強化学習を用いた設計最適化の考え方と応用例（タービンブレード最適化など）


【はじめに】※一部抜粋
データ駆動型設計による設計
現在，日本は人口減少社会であり働き手の人数が減っており，製造業における設計者１人あたりへの負担は増えています．何らかの方法を使って設計者の負担を減らすことは社会的にも要請されていことです．設計者の負担が減れば，その設計者はより本質的な仕事，つまりどのようなモノを作るべきかを考える，というモノづくりの本来の目的に時間を割くことができるようになります．
CAE（Computer Aided Engineering）の発展により，計算機を使って大量の設計検討を行えるようになりました．CAE を使うことで，より性能の良い装置を設計，製作できるようようになったことは疑いようがないでしょう．しかしエンジニアは計算された結果をすべて見て処理しなければなりません．計算機の発展に伴って，処理すべき情報量は増えていると思います．設計工程に含まれる単純作業をなるべく計算機に任せたいというのが，私の考えるデータ駆動型設計の一番の動機です．エンジニアを単純作業から解放し，もっと創造性を働かせる時間を作っていただけるようになれば，それは素晴らしいことです．
本書は，このような近い将来と遠い未来の両方を想像しながら，機械学習技術を使って自動で設計ができないか，という課題に挑戦する研究の一端を，入門書という形でまとめたものです．

本書の構成
本書では企業の設計者の方，および工学系の学部３，４年生程度の知識を有する読者を想定しています．本書は２部構成になっています．前半では確率・統計・機械学習の基礎的な内容に触れます．これはあくまで後半への準備ですので，より深く学びたい方はそれぞれの専門書を参照されてください．しかし内容は工学系の方が機械学習を使おうと思ったときに必要な内容を網羅的に記載しましたので，機械学習を使う様々な場面でお役に立てると思います．
後半ではデータ駆動型設計の３つの要素について説明しています．データ駆動型設計はまだ歴史の浅い分野であり，今後の研究の動向は不明確です．特に深層学習関連の技術発展は非常に早く，すぐに時代遅れになってしまいます．そのような研究の急速な進展がある中で，本書は時代遅れにならないように，なるべく根本に関わる部分を中心に記載することを心がけました．

第1 章はじめに



第2 章データと確率

2 – 1 データの種類

2 – 2 確率の基礎

2 – 3 離散型確率分布

2 – 4 離散型確率分布の例

2 – 5 連続型確率分布

2 – 6 連続型確率分布の例

2 – 7 分布のモーメント

2 – 8 多次元の分布

2 – 9 相関係数

2 – 10 再生性



第3 章統計的推定

3 – 1 統計的推定とは

3 – 2 点推定

3 – 3 区間推定

3 – 4 推定の一般化

3 – 5 最尤推定法

3 – 6 ベイズ推定

3 – 7 最大事後確率推定法



第4 章機械学習

4 – 1 機械学習の種類

4 – 2 回帰タスク

4 – 3 分類タスク

4 – 4 データの分割

4 – 5 前処理

4 – 6 サポートベクターマシン

4 – 7 カーネル法

4 – 8 ランダムフォレスト

4 – 9 深層ニューラルネットワーク

4 – 10 ベイジアンニューラルネットワーク



第5 章データ駆動型設計

5 – 1 はじめに

5 – 2 想定される設計タスク

5 – 3 データ駆動型設計



第6 章機械学習を用いた性能予測

6 – 1 はじめに

6 – 2 応答曲面法とサロゲートモデル

6 – 3 物理モデルベースニューラルネットワーク

6 – 4 その他の方法



第7 章生成モデルを用いたデータ生成

7 – 1 はじめに

7 – 2 生成モデルの種類

7 – 3 データの扱い方

7 – 4 変分オートエンコーダ（VAE）

7 – 5 敵対的生成ネットワーク（GAN）

7 – 6 VAEGAN

7 – 7 Physics-Informed VAE/GAN

7 – 8 物理誘導型GAN（PG-GAN）

7 – 9 拡散モデル（Diffusion Model）

7 – 10 応用例：翼型の生成



第8 章深層強化学習を用いた最適化

8 – 1 はじめに

8 – 2 深層強化学習の概要

8 – 3 設計問題に対する強化学習のフレームワーク

8 – 4 報酬の設計

8 – 5 方策と価値関数

8 – 6 強化学習の方法

8 – 7 深層強化学習のテクニック

8 – 8 説明可能性

8 – 9 応用例：タービンブレードの最適化



索引



著者紹介

著：米倉 一男
経歴

2008 年東京大学工学部卒業

2010 年東京大学大学院情報理工学系研究科修士課程修了

2010 年株式会社IHI

2013 年University of Colorado, Bouder 客員研究員

2016 年東京大学大学院情報理工学系研究科博士課程修了

2020 年株式会社MJOLNIR SPACEWORKS Co-Founder

2020 年東京大学大学院工学系研究科講師

2025 年東京大学大学院工学系研究科准教授

2025 年株式会社MJOLNIR SPACEWORKS 代表取締役



2010 年から2020 年まで，株式会社IHI で航空宇宙分野やその他の機械製品等の数値解析や最適化，三次元積層造形に関する研究開発に従事し，2014年頃よりデータ駆動型設計の研究を開始した．2020 年より東京大学で教鞭をとり，2025 年より現職．専門は数理工学.