実験計画法とベイズ最適化の違い|材料開発ではどう使い分ける?

材料開発の実験回数を減らしたいと考えたとき、候補に挙がりやすいのが実験計画法(DOE:Design of Experiments)とベイズ最適化です。どちらも限られた実験から有用な情報を得る方法ですが、目的と実験の進め方は同じではありません。

実験計画法は、因子効果の推定から応答曲面による最適化までを支える方法体系です。ベイズ最適化は、代理モデルと予測不確かさを使って次の評価条件を選ぶ最適化手法です。「理解ならDOE、最適化ならBO」と二分せず、必要な成果と実験運用で選びます。

材料開発では、最初からどちらか一方に決める必要はありません。初期段階を実験計画法で設計し、そのデータを出発点としてベイズ最適化へ移行する組み合わせも有効です。本記事では、両者の仕組み、向いている課題、使い分け、併用方法を公開事例とともに解説します。

先に結論

  • 因子効果や交互作用を推定するなら、交絡と誤差を管理したDOEを検討する
  • 局所的な二次モデルで表せる最適化には、DOEの応答曲面法も候補になる
  • 高価な実験を結果に応じて追加できるなら、ベイズ最適化を検討する
  • 一括実験・逐次実験はどちらの手法でも可能。設備の待ち時間まで比較する
  • 併用は有力な選択肢だが、すべての課題で必須ではない

実験計画法とベイズ最適化の違い

両者は完全に独立した分類ではありません。DOEは実験を配置する方法体系で、ベイズ最適化も次の評価点を決める逐次的な実験設計として捉えられます。ここでは、要因計画・応答曲面法などの代表的なDOEと、代理モデル・獲得関数を使うBOを比較します。[2][3][4]

比較項目 代表的なDOE ベイズ最適化(BO)
主な用途 因子効果・交互作用の推定、応答曲面による最適化 高価な評価を使った有望条件の探索
次の条件の選び方 推定したい効果やモデルに合わせて配置。結果を見た計画の追加も可能 代理モデルと獲得関数から逐次またはバッチで選択
モデルと仮定 線形・交互作用・二次モデルなど。計画とモデルの対応が重要 ガウス過程など。表現方法と不確かさ推定が候補選択へ影響
並列実験 事前にまとめた条件を実行しやすい バッチ提案も可能。並列数や未完了の測定を考慮
結果の説明 計画が識別できる範囲で効果と誤差を推定 探索履歴と候補の根拠を説明。最適化だけで因果は確定しない
弱点・注意 交絡、モデル不適合、広すぎる範囲、実験数増加 代理モデルの誤り、条件表現、高次元、ノイズ、実行制約
候補の採用 残差・適合性を確認して確認実験 提案を仮説として独立に再測定

「DOEは理解だけ、BOは最適化だけ」「並列なら必ずDOE」という区分は適切ではありません。目的、想定する応答の形、識別したい効果、結果が返る速さを組み合わせて選びます。

実験計画法とは

実験計画法は、制御する因子と水準を決め、限られた実験から主効果、交互作用、ばらつき、応答との関係を推定する方法体系です。完全実施要因計画、部分実施要因計画、直交表、応答曲面法、混合計画、ブロック計画などが含まれます[1,2]。

実験計画法の基本要素

  • 因子:組成、温度、時間、圧力など変更する変数
  • 水準:各因子で設定する値やカテゴリ
  • 応答:強度、導電率、収率、欠陥率など評価する結果
  • 交互作用:一つの因子の効果が別の因子によって変わる関係
  • 反復:実験誤差や再現性を評価する繰り返し
  • 無作為化:時刻や装置ドリフトなどの偏りを防ぐ実験順序
  • ブロック化:日、ロット、装置など避けられない差を分離する設計

実験計画法が向いている目的

  1. 多数の候補因子から重要因子を絞る
  2. 因子同士の交互作用を調べる
  3. 再現性と実験誤差を評価する
  4. 工程条件の安定領域を見つける
  5. ばらつきに強い条件を設計する
  6. 比較的単純な応答曲面を推定する

NISTの実験計画ガイドでも、目的設定、因子と水準の選択、計画の選択、モデル化、確認実験という流れが整理され、要因計画、応答曲面、混合計画などが目的に応じて使い分けられています[2]。

ベイズ最適化とは

ベイズ最適化は、評価に時間や費用がかかり、数式で直接最適化しにくい目的関数を、少ない評価回数で最適化する方法です。既に得られたデータから代理モデルを作り、予測値と予測不確かさを使って次の候補を選びます[3,4]。

ベイズ最適化の3要素

  1. 代理モデル:実験条件と結果の関係を近似する。ガウス過程が代表的
  2. 予測不確かさ:どの領域の知識が不足しているかを表す
  3. 獲得関数:次に評価する候補を決める。EI、PI、UCBなどが代表的

良い結果が期待できる領域を詳しく調べることを「活用」、不確かで未調査の領域を調べることを「探索」と呼びます。獲得関数は、このバランスを数理的に扱います。

ベイズ最適化が向いている目的

  • 1回の実験に時間や費用がかかる
  • 目的が明確な最大化・最小化である
  • 実験結果を次の条件選定へ速やかに反映できる
  • 応答が非線形で単純な式を仮定しにくい
  • 制約条件や実験可能領域を定義できる
  • 候補数が多く、全条件を試せない

ベイズ最適化は一般に、評価が高価で、連続変数が比較的少ない課題に適しています。Frazierのチュートリアルでは、評価に分・時間を要するブラックボックス関数、特に20次元未満の連続領域が典型的な適用対象として説明されています。ただし、これは2018年のチュートリアルが述べる典型的な設定であり、適用可能性の厳密な上限ではありません。離散変数や高次元を扱う方法もありますが、変数の表現、事前知識、モデルの妥当性を別途検討する必要があります[4]。

使い分けは目的・モデル・実験運用で決める

因子効果を識別したいとき

温度と時間の主効果、両者の交互作用、日やロットの差を区別したいなら、推定したい項を識別できる計画が必要です。部分実施要因計画では、複数の効果が交絡して分離できないことがあります。因子を絞る目的に合うか、どの交互作用を無視する仮定かを確認します。[2]

最適条件を探したいとき

応答曲面法も最適化に使えます。比較的滑らかな局所応答を二次モデルで表せるなら、DOEによるモデル推定と条件選択が有力です。一方、評価が高価で、単純な応答形を置きにくく、結果に応じて条件を更新できるならBOを検討します。どちらも未知の応答を無条件に正しく表せるわけではありません。[3][4][9]

予算と設備の都合も含める

評価回数だけでなく、炉の一括処理、装置の段取り替え、長い評価待ち、再測定の費用まで比べます。結果が返るまで次条件を決められない逐次BOでは、実験数が減っても総時間は減らない場合があります。並列化できるなら、バッチBOも比較対象にします。[4]

材料開発での使い分けを決める7つの質問

以下は候補を絞るための目安です。どちらか一方への機械的な振り分けではなく、選択後に確認する仮定を示します。

質問 判断の目安
最終目的は何か 効果推定ならDOE。最適化なら応答曲面法とBOの両方を比較する
実験を途中で変更できるか 逐次更新できるならBOや逐次DOE。一括実行なら事前設計やバッチBO
一度に何条件を実施できるか 並列数、評価待ち、段取り替えを総時間に換算する
変数は何個あるか 個数だけでなく、カテゴリ、条件付き変数、実効的な複雑さを確認する
応答の形を想定できるか 局所的な低次モデルが妥当なら応答曲面法。難しい場合は柔軟なモデルを検討する
不確かさを次の実験に使いたいか BOでは獲得関数に使う。DOEでも精度を考慮して計画を追加できる
説明責任は何を求められるか 因子効果の識別と、候補選定の根拠・確認結果を区別して説明する

実験計画とモデルは対で点検します。効果が推定できない計画や、現場の条件を表せないモデルを選ぶと、手法名にかかわらず判断を誤ります[1,2,4,9]。

実験計画法が向いている材料開発課題

多数の工程因子を絞り込む

温度、時間、圧力、流量、前処理など候補因子が多く、まず何が効いているかを知りたい場合は、部分実施要因計画やスクリーニング計画が適しています。

組成比の制約がある配合を調べる

成分比の合計が100%になる課題では、通常の要因計画ではなく混合計画を検討します。組成因子と温度などのプロセス因子を同時に扱う混合―プロセス変数計画もあります[2]。

工程の頑健性を評価する

平均性能だけでなく、原料ロット、環境、装置、日などの変動に対して安定した条件を選びたい場合は、反復、ブロック化、誤差因子を組み込んだ設計が重要です。

ベイズ最適化が向いている材料開発課題

広い組成空間から有望領域を探す

候補組成が連続的かつ多数あり、全組み合わせを試せない場合、既知データから有望度と不確かさを評価して実験点を選べます。材料科学におけるベイズ最適化やアクティブラーニングは、限られた評価予算で候補選定を効率化する方法として整理されています[5]。

一回の評価が高価なシミュレーション

第一原理計算、有限要素解析、分子シミュレーションなど、1条件の計算に時間がかかる課題では、代理モデルを使って評価回数を抑える意義があります。

自動実験と接続した逐次探索

条件設定、試料作製、測定、解析を自動化できれば、実験結果をモデルへ戻し、次の条件を自動提案する閉ループ探索が可能です。薄膜材料を対象に、ベイズアクティブラーニングをオンザフライの閉ループ探索へ組み込んだ研究も報告されています[6]。

公開研究と想定利用場面から見る両手法の役割

以下では原著論文の報告と、編集部による一般的な利用例を区別します。別の材料・設備で同じ効果が得られる保証はありません。

公開研究:相図の学習と機能特性の探索

KusneらのCAMEOは、ベイズアクティブラーニングによる相図の学習と機能特性の探索を統合した研究です。[6]相図を知るための情報価値と、良い性能を見つける目的は同じではありません。不確かさを使うという共通点だけで、すべてを性能最大化のBOと同一視しないことが重要です。

公開研究:有機合成反応の条件最適化

Shieldsらは、反応条件の最適化にBOを適用し、ベンチマークと実験で評価しました。[7]溶媒などのカテゴリと温度などの連続条件が混在する課題では、条件の表現方法も候補選択に影響します。「BOを使う」という選択だけでなく、探索空間の定義が必要です。

公開研究:材料探索向けソフトウェアCOMBO

UenoらのCOMBOは、材料科学で候補を効率的に選ぶためのBOライブラリです。[8]ここでは候補選択の枠組みとして紹介し、特定の物性計算で必ず実験数を削減できるという証拠とは区別します。

想定利用場面:半導体工程の因子スクリーニング

多数の工程因子を絞り、重要な効果や工程変動を識別したい場合は、要因計画やブロック化を検討できます。これは特定企業の導入実績ではなく、DOEの原則を工程課題へ当てはめた説明例です。[2]

想定利用場面:積層造形の局所的な条件探索

レーザー出力や走査速度と品質の局所的な関係を二次モデルで表せるなら、応答曲面法を検討します。より広い候補空間や高価な評価を扱うなら、BOも比較できます。これは一般的な設計例であり、特定の造形実験の成果報告ではありません。[4][9]

設備条件・品質・時系列を結び付ける際は、プロセスインフォマティクスの基礎も参照してください。

実験計画法とベイズ最適化は併用できる

一つの選択肢は、初期設計、モデルを用いた探索、独立確認、頑健性評価をつなぐ流れです。ただし、「DOE→BO→DOE」は必須の順序ではありません。応答曲面法だけで十分な課題や、品質を確認した過去データからBOを始められる課題もあります。

  1. 目的と制約を定義する:評価指標、実験可能範囲、総予算、停止基準を決める
  2. 初期設計を目的に合わせる:効果推定には要因計画等、広い領域の予測には空間充填計画等を検討する
  3. データ品質を確認する:測定条件、欠損、外れ値、独立反復、日やロットの差を整理する
  4. モデルと不確かさを点検する:局所的な二次モデルで足りるか、より柔軟な代理モデルが必要か判断する
  5. 必要ならBOで追加候補を選ぶ:実験の所要時間や制約を含めて候補を評価する
  6. 独立した確認実験を行う:提案条件の性能と再現性を確かめる
  7. 必要なら局所DOEで頑健性を調べる:最適点周辺の許容範囲を評価する

直交表や要因計画は、採用した水準で効果を推定するための設計であり、連続空間を均等に埋めることを自動的に保証しません。また、効果推定ができる範囲は交絡構造やモデルに依存します。初期点の配置を決める際は、何を識別し、何を予測したいかを分けて考えます[1,2,4]。

候補条件の最高値だけでなく、少し条件がずれたときの性能、独立試料での再現性、工程の安定性まで確認することで、実装に使える知識へつなげられます。

同じ材料課題で比較する:セラミックスの焼成条件

以下は方法の違いを説明する仮想例であり、特定の企業や論文の実験結果ではありません。セラミックスの焼成温度と保持時間を変え、強度を高めたい課題を考えます。組成や成形条件は管理し、設備・材料の制約から実施可能範囲を定義したとします。

判断項目 DOE・応答曲面法で進める場合 ベイズ最適化で進める場合
最初の問い 温度と時間の効果、交互作用、曲率を推定できるか 既存データと不確かさから、次にどの条件を試すか
初期設計 推定したい項を識別できる計画と独立反復を設計する 目的に合う初期点または比較可能な過去データを用意する
追加実験 モデルの不足や曲率を見て、計画を拡張する 代理モデルを更新し、獲得関数で追加候補を選ぶ
向いている状況 局所的な二次近似が妥当で、効果や安定領域も知りたい 評価が高価で、結果を反映した追加探索が可能
共通の確認 新たな試料や日で確認し、ばらつきと許容範囲を評価 新たな試料や日で確認し、ばらつきと許容範囲を評価

二水準の要因計画に中心点を加えると、曲率の存在を調べられます。しかし、それだけでは温度の二乗項と時間の二乗項を個別に推定できません。二次の応答曲面を求めるには、中心複合計画など、必要な項を識別できる設計への拡張を検討します[9]。

一方、BOが高強度の候補を提案しても、その予測が正しいことや、その近傍が安定していることは未確認です。焼成日、炉内位置、原料ロットを管理し、独立確認を行います。BOが日やロットの影響を材料条件の効果と取り違えないよう、入力データと実験設計の両方を点検します。

比較する際は同じ実験可能範囲、評価方法、予算、初期情報を使います。「最高の測定値」だけでなく、確認後の性能、総実験費、完了までの時間、得られた工程知識を並べます。どちらが少ない実験で済むかは、この仮想例からは結論づけられません。

初期実験は何点必要か

必要な実験数は、因子数、ノイズ、モデル、探索空間、カテゴリ変数、制約によって変わります。「ベイズ最適化なら5点で十分」「因子数の10倍あればよい」といった一律の基準はありません。

初期データには、次の条件を求めます。

  • 探索範囲全体をある程度カバーする
  • 同じ領域へ集中しすぎない
  • 実験可能な範囲を守る
  • 必要なら中心点・反復を含める
  • カテゴリや材料系が極端に偏らない
  • 測定誤差を推定できる

少数データの注意点は、材料開発の少数データで機械学習を使う方法も参照してください。

多目的最適化では何が変わるか

材料開発では、性能だけを最大化すればよいとは限りません。コスト、安定性、加工性、環境負荷など複数の目的があります。

実験計画法では、各応答のモデルを作り、望ましさ関数などで条件を選ぶ方法があります。ベイズ最適化では、多目的獲得関数を使ってパレートフロントを効率的に更新します。

ただし、最終的な優先順位をアルゴリズムだけに決めさせてはいけません。どの目的を重視するか、最低限満たす制約は何かを研究・事業側で決める必要があります。

よくある失敗

実験計画法で水準間の曲率を無視する

2水準だけでは、途中に極大・極小がある非線形な応答を十分に把握できません。中心点を追加し、必要なら応答曲面計画へ進みます。

直交表を使うこと自体が目的になる

直交表は手段の一つです。目的、交互作用、制約、誤差構造に合わない計画を選ぶと、知りたい効果を推定できません。

ベイズ最適化に不適切な探索範囲を渡す

実験不能領域や物理的に意味のない条件が含まれると、提案が無駄になります。境界、組成制約、危険条件を事前に定義します。

予測平均だけで次の実験を選ぶ

平均予測が最も高い点だけを選ぶと、既知の領域へ偏り、新しい有望領域を見逃します。不確かさを含む獲得関数を使います。

最適値を確認実験なしで採用する

最適候補はモデルが提案した仮説です。独立試料、別日、必要に応じて別装置で再現性を確認します。

実験順序によるドリフトを無視する

ベイズ最適化は逐次実験のため、時刻と候補条件が強く結び付く場合があります。標準試料、反復、ランダム化可能な範囲、時刻情報の記録が必要です。

実務で使える選択フロー

確認する問い 検討する方法 判断上の注意
因子効果や交互作用を識別したいか 推定したい項に対応するDOE 反復、交絡、ブロックを確認
局所応答を低次モデルで表せそうか 応答曲面法による最適化 適合性と残差を検証
評価が高価で逐次更新できるか BO 測定ノイズと代理モデルを確認
多数の条件を一括実行するか DOEまたはバッチBO 段取り替えと総時間で比較
重要因子や測定誤差が不明か スクリーニングと測定系の確認 すぐに広い範囲の最適化を始めない
最良候補周辺の頑健性が必要か 局所DOEと独立確認 最高値だけで採用しない

DOE→BO→局所DOEは有力な選択肢ですが、必須の順序ではありません。既存データが十分ならBOから始める、局所的な応答曲面法だけで完結するなど、課題に合わせて選びます。

導入前チェックリスト

  • 目的が理解・予測・最適化のどれか明確か
  • 因子と目的変数の定義が統一されているか
  • 探索範囲と実験不能領域を決めたか
  • 組成比などの制約を設定したか
  • 反復と確認実験の予算を確保したか
  • 装置、日、ロットの影響を記録できるか
  • 結果を次の実験へ戻す時間が許容できるか
  • 欠損・失敗実験も記録できるか
  • モデルの提案理由と履歴を残せるか
  • 最適値以外に安定性やコストも評価するか

データ品質の確認方法は、材料データの品質を高める方法で詳しく解説しています。テーマ自体がMIに適しているかは、MIプロジェクトのテーマ選定方法を参照してください。

よくある質問

実験計画法とベイズ最適化は、どちらが少ない実験で済みますか?

一概には決まりません。最適値探索だけならベイズ最適化が効率的な場合がありますが、因子効果、交互作用、再現性まで理解するにはDOEの反復や体系的な配置が必要です。何を成果とするかで必要数が変わります。

直交表とベイズ最適化は併用できますか?

できます。直交表や他のDOEで初期データを取得し、その結果から探索範囲や重要因子を絞ってベイズ最適化へ移行できます。ただし、初期点が探索空間を適切にカバーしているか確認します。

データがない状態からベイズ最適化を始められますか?

始められます。通常は過去データや初期実験を用いて代理モデルを学習しますが、初期点数に普遍的な下限はありません。事前分布に基づいて最初の候補を提案する設計も可能です。ただし、初期段階の予測は事前仮定に強く依存するため、探索範囲と仮定を点検します。DOE、空間充填計画、ランダムサンプリングなどは、初期データを取得する選択肢です[4]。

カテゴリ変数もベイズ最適化で扱えますか?

扱える手法はありますが、連続変数だけの場合より設計が難しくなります。候補数、カテゴリ間の関係、条件付き変数を考慮したモデルや探索空間が必要です。

ベイズ最適化を使えば材料メカニズムも分かりますか?

最適条件を効率的に見つけても、それだけで因果やメカニズムが明らかになるとは限りません。特徴量重要度、追加実験、DOE、材料分析を組み合わせて検証します。

まとめ

実験計画法は効果推定から応答曲面による最適化までを含む方法体系であり、ベイズ最適化はモデルと不確かさを使って評価条件を選ぶ最適化手法です。用途は重なり、どちらが優れるかは課題によって変わります。

  • 効果・交互作用を知るなら、推定したい項を識別できるDOEを設計する
  • 局所的な二次近似が妥当なら、応答曲面法による最適化を検討する
  • 高価な評価を結果に応じて追加できるなら、BOを検討する
  • 並列・逐次という区分だけで選ばず、待ち時間、総費用、確認実験を含めて比較する
  • 併用するときも、初期設計の目的と各段階の停止基準を明確にする

最高値を見つけることと、再現可能な開発知識を得ることの両方が重要です。独立確認と頑健性評価を終えてから、候補条件を現場実装につなげます。

参考文献

  1. Montgomery, D. C., Design and Analysis of Experiments, 10th ed., Wiley (2019).
  2. NIST/SEMATECH, “e-Handbook of Statistical Methods: Process Improvement.” https://www.itl.nist.gov/div898/handbook/pri/pri.htm(2026年10月4日閲覧)
  3. Jones, D. R., Schonlau, M. and Welch, W. J., “Efficient Global Optimization of Expensive Black-Box Functions,” Journal of Global Optimization, 13, 455–492 (1998). https://doi.org/10.1023/A:1008306431147
  4. Frazier, P. I., “A Tutorial on Bayesian Optimization,” arXiv:1807.02811 (2018). https://arxiv.org/abs/1807.02811
  5. Lookman, T. et al., “Active learning in materials science with emphasis on adaptive sampling using uncertainties for targeted design,” npj Computational Materials, 5, 21 (2019). https://doi.org/10.1038/s41524-019-0153-8
  6. Kusne, A. G. et al., “On-the-fly closed-loop materials discovery via Bayesian active learning,” Nature Communications, 11, 5966 (2020). https://doi.org/10.1038/s41467-020-19597-w
  7. Shields, B. J. et al., “Bayesian reaction optimization as a tool for chemical synthesis,” Nature, 590, 89–96 (2021). https://doi.org/10.1038/s41586-021-03213-y
  8. Ueno, T. et al., “COMBO: An efficient Bayesian optimization library for materials science,” Materials Today Physics, 4, 18–21 (2018). https://doi.org/10.1016/j.mtphys.2018.04.001
  9. NIST/SEMATECH, “e-Handbook of Statistical Methods: 5.3.3.6. Response surface designs.” https://www.itl.nist.gov/div898/handbook/pri/section3/pri336.htm(2026年10月5日閲覧)

コメントする

メールアドレスが公開されることはありません。 ※ が付いている欄は必須項目です

CAPTCHA


上部へスクロール