Yano E-Plus 2021년 12월호(No.165) (일본어판)

≪차세대 시장 트렌드≫

차세대 양자기술 시리즈 (8) ~양자 AI~(3~41페이지)

~양자 컴퓨터와 AI를 잘 조합하여 ‘양자 AI’로서

　활용함으로써 새로운 지평이 보인다~

​

1 가속화되는 AI의 진보

​

2.양자 AI란

​

3. 양자 AI의 시장규모 예측

그림·표1. 양자 AI의 일본 국내 및 세계 시장규모 예측(금액: 2025-2050년 예측)

​

4. 양자 AI 관련 기업·연구기관의 대응 동향

4-1. 주식회사 Groovenauts

(1) 양자 컴퓨터와 AI를 활용한 클라우드 플랫폼 사업

그림1. 'MAGELLAN BLOCKS'의 콘셉트

그림2. ‘MAGELLAN BLOCKS’ 양자 컴퓨터 솔루션의 아키텍처

그림3. ‘MAGELLAN BLOCKS’ 양자 컴퓨터 솔루션에 실장되어 있는 모델 예

그림4. 다양한 업종의 다방면에 걸친 문제를 해결하기 위해 양자 컴퓨터와 AI를 구사한다

(2) 'MAGELLAN BLOCKS'의 활용 사례

①폐기물 수집 경로의 최적화(미쓰비시토지)

그림5. 폐기물 수집 경로의 최적화 이미지

②공장 근무 시프트를 고속자동계산(큐피)

그림6. 사람과 로봇이 공존하며 일하는 이미지

③철도의 차량 운용 최적화(JR규슈)

그림7. 차량운용계획에서 고려해야 할 요건의 이미지

​

4-2. 대학공동이용기관법인 정보시스템연구기구 국립정보학연구소(NII)

(1) 지금까지의 성과

(2) 시간 결정이 가능하게 하는 양자 세계의 복잡한 네트워크 구조 발견

그림8. 주기적인 제어가 만들어 내는 주기2를 가지는 이산적인 시간 결정의 모식도

그림9. 주기2의 시간 결정이 만드는 양자 상태상의 네트워크

그림10. 주기2의 시간 결정이 녹기 시작함으로써 출현한 스케일 프리 네트워크의 일례

​

4-3. 국립연구개발법인 산업기술종합연구소

(1) 재료개발 및 신약개발 분야의 물성치 계산·예측 상황

(2) 새롭게 개발한 DL 기술 방법

그림11. DL 모델=NN 개념도

그림12. DL 모델을 이용하여 화합물로부터 물성치를 유도하는 과정

(3) DL 기술에 의한 계산결과와 이론계산·시뮬레이션 결과와의 비교

그림13. 이번 ML과 이론계산으로 얻은 에탄과 벤젠 화학결합의 전자밀도 비교

그림14. 물성치(에너지)의 외삽 예측 정밀도

(4) DL 기술의 발전형

그림15. 이번에 개발한 DL 모델의 발전 가능성

​

4-4 주식회사 Jij

(1) 니즈가 증가하고 있는 최적화 문제

그림16. 해결하기 어려운 문제를 최적화 계산으로 푼다

(2) Jij가 전개하는 서비스

그림17. ‘Jij Zept’는 알고리즘과 하드웨어 선정을 연결한다

그림18. Jij의 3가지 대응

(3) 최적화 문제 해결의 사회 구현 사례

그림19. 사회 구현 사례: 교통신호 점멸 패턴 최적화 문제

(4) 'Jij Zept'의 의의

그림20. ‘Jij Zept’계산 기반

그림21. ‘Jij Zept’에서의 제약조건 조정

​

4-5. 국립대학법인 쓰쿠바대학

그림22. 주회적분형 고유값 해법의 적용에 의한 고유 공간 추출

그림23. 행렬 트레이스의 주회적분을 이용한 고유치 밀도 추정

​

4-6. 국립대학법인 도쿄대학

그림25. RC/QRC 하이브리드 계산 태스크 일례

그림26. 향후 QRC의 방향성

​

4-7. 국립대학법인 미에대학

(1) 양자초월성을 나타내는 의의

(2) 선행연구

① Google

② Barak 등의 연구

③ 회로골격

그림27. 양자회로의 예: 1차원, 깊이4, 입출력6 양자비트 회로(2양자비트 소자로만 구성)

그림28. 양자회로의 예, 노란 부분은 회로 내에 있는 y4에 대한 영향 범위를 나타낸다

④제안 알고리즘

⑤선형 XEB 충실도

(3) 실험

①랜덤양자회로

②실험방법

그림29. 깊이3의 입력 비트 수와 충실도의 관계

그림30. 깊이4의 입력 비트 수와 충실도의 관계

그림31. 입력 비트 수와 실행 시간의 관계

(4) 결론

​

5. 양자 컴퓨터가 가져올 AI와 인류의 미래

​

스마트 센싱 시리즈(11)

스마트 농업용 센서의 동향~옥외 농장 편②~ (42~61페이지)

~토양수분센서 등의 포장환경센서의 IoT화가 진행되어

　생육센서와 수량센서 등의 농기계 탑재 센서도 신장한다~

​

1. 들어가며

1-1. 스마트 농업용 센서 시장규모 추이

그림·표1. 야외 스마트 농업용 센서의 세계 시장규모 예측(금액: 2020~2025년 예측)

1-2. 스마트 농업용 센서 이용 현황

(1) 센서의 사용방법

그림·표2. 스마트 농업용 센서 세계 시장의 사용방법(금액: 2020년)

그림1. 후설치용 GNSS 가이던스(좌, 중)와 자동조타시스템 사례

그림2. 정밀농업전용 드론, 멀티 스펙트럼 카메라와 그 이용 예(우)

(2) 센서의 사용 목적 및 용도

그림·표3. 스마트 농업용 센서의 새계 시장의 사용 목적(금액: 2020년)

​

2. 스마트 농업용 센서의 용도 상세

2-1. 포장 환경 모니터링용

그림·표4. 포장 환경 계측용 센서의 세계 시장 구성비(금액: 2020년)

(1) 토양수분센서

그림3. 토양 수분량 센서(좌, 중)와 텐시오미터(우)의 사례

(2) 기상용 센서

그림4. 스마트 농업에 이용 가능한 '웨더 스테이션'의 제품 예

(3) 포장 맵핑용 센서

2-2. 농작물 모니터링용

그림·표5. 농작물 모니터링용 센서의 세계 시장 구성비(금액: 2020년)

(1) 수량모니터링과 수량센서

그림5. 수량모니터링 관련 기기(좌)와 질량유량센서의 구조(중·우)

그림6. 일본계 농기계 메이커의 컴바인용 수량센서와 전자혀센서의 사례

(2) 생육모니터링과 생육센서

그림7. 생육센서의 제품 사례(좌·중: 농기계 설치용, 우: 휴대형)

그림8. 가변시비방식의 개념도(좌: 맵 베이스, 우: 센서 베이스)

그림9. 밀에 대한 가변시비(가변추비)에 의한 생육 편차 해소의 사례

그림10. 일본계 메이커의 가변시비 모심기와 그 효과(실증시험: 우)

2-3. 탑재기기의 동작제어용

그림11. 트랙터의 장애물 감지센서(좌: 레이저식, 우: 초음파식)

그림·표6. 농기계·드론의 기능제어용 센서 세계 시장 구성비(금액: 2020년)

그림12. 트랙터의 PTO 드라이브 샤프트 사용 형태와 구조 예(우)

그림13. 농기계용 경사센서/스위치와 그 앱의 사례

​

일본 상용차 커넥티드(3)(62~73페이지)

~물류의 과제해결의 제언은 여러 가지이지만 전체 최적과는 거리가 멀다?～

​

1. 지난 호 정리

2. 종합물류시책대강

표1-1. 향후 물류 시책의 방향성과 KPI

표1-2. 향후 물류 시책의 방향성과 KPI

표1-3. 향후 물류 시책의 방향성과 KPI

3. 트럭물류와 관련된 구체적인 움직임

표2-1. 물류에 관련된 새로운 서비스 IT 솔루션 사례(라스트원마일)

표2-2. 물류에 관련된 새로운 서비스 IT 솔루션의 사례(셰어링)

표2-3. 물류에 관련된 새로운 서비스 IT 솔루션의 사례(공동물류)

표2-4. 물류에 관련된 새로운 서비스 IT 솔루션의 사례(IoT/AI(AI화상인식활용시스템)

표2-5. 물류에 관련된 새로운 서비스 IT 솔루션의 사례(EC 플랫폼/라스트원마일)

표2-6. 물류에 관련된 새로운 서비스 IT 솔루션 사례(IoT/AI(자율주행) 관련)

표2-7. 물류에 관련된 새로운 서비스 IT 솔루션 사례(창고자동화 관련)

표2-8. 물류에 관련된 새로운 서비스 IT 솔루션 사례(자동화 관련)

​

《주목 시장 포커스》

머티리얼 DX 시리즈(3) ~데이터 사이언스~(74~119페이지)

~기계학습, 물성이론, 시뮬레이션, 데이터베이스 등을 활용한

　데이터 사이언스와 재료 과학이 융합된 머티리얼 DX가 가속화~

​

1. 머티리얼 DX의 데이터 사이언스

2. 머티리얼 DX에서의 데이터 사이언스의 방향성

​

2-1. 신물질 탐색

2-2. 미시적 미세구조와 재료물성과의 상관관계

2-3. 결정구조에서 재료조성까지의 멀티스케일 통합

​

3. 머티리얼 DX의 데이터 사이언스 방법

3-1. 제1원리계산

3-2. 베이스최적화

3-3. 기계학습(ML)/뉴럴네트워크(NN)/심층학습(DL)

​

4. 머티리얼 DX의 데이터과학 시장규모 예측

그림·표1. 머티리얼 DX의 데이터과학 일본 국내 및 세계 시장규모 예측(금액: 2025~2050년 예측)

​

5. 머티리얼 DX의 데이터과학 관련 기업·연구기관의 대응 동향

5-1 MI-6 주식회사

그림1. 실시 체제

그림2. 전해액 조성의 탐색

​

5-2 주식회사 Elix

(1) Elix의 비즈니스 모델

그림3. (상)Elix가 보유한 모델군 'Elix Discovery™', (하) 'Elix Discovery™'의 전체 이미지

그림4. 프로젝트 수행 이미지

(2) 사례①: 주식회사 일본촉매

그림5. Elix×일본촉매: 반응성 희석제 개발사례, (상)아크릴 모노머의 분자구조, 

(하)생성 모델에 이용한 뉴럴 네트워크 모식도

(3) 사례②: 아스텔라스제약 주식회사

그림6. Elix×아스테라스제약: 활성 예측·화합물 구조 생성·역합성 해석을 위한 알고리즘 개발

​

5-3. 공익재단법인 계산과학진흥재단(FOCUS)

(1) 사업내용

그림7. FOCUS 및 FOCUS 슈퍼컴퓨터의 역할

그림8. FOCUS의 슈퍼컴퓨팅 사업체계

(2) MI에 대해서

그림9. 물질·재료 연구개발에서의 데이터 구동형 접근

그림10. 스몰 데이터 문제에 대한 물질과학 측의 접근

(3) 인재육성

그림11. 캐리어 개발을 위한 AI/기계학습연수(1)

그림12. 캐리어 개발을 위한 AI/기계학습연수(2)

​

5-4. 국립연구개발법인 산업기술종합연구소

(1) 촉매반응의 수율을 AI로 예측

그림13. 모델로 한 에폭시화 반응

그림14. 실험 데이터에 대해 ML을 실시해 AI를 구축하는 흐름

그림15. AI에 의한 수율 예측

(2) 자율적으로 물질 탐색을 진행하는 로봇 시스템을 개발

그림16. MI와 머티리얼스 로보틱스의 융합

(3) 기계학습 퍼텐셜(MLP) 연구

그림17. a-Si 중 Li 확산의 망라 해석

그림18. a-Al Ox의 밀도와 조성 변화를 기술할 수 있는 잠재력

(4) 계측 인포매틱스를 응용한 스펙트럼 피팅

그림19. 스펙트럼의 파라미터 추정

그림20. EM 알고리즘에 의한 스펙트럼 피팅

​

5-5. 국립대학법인 도쿄대학/국립연구개발법인 물질·재료연구기구(NIMS)

(1) 재료 물성 실험 데이터의 데이터베이스화

①논문 중 그래프에서 실험 데이터 추출 작업

② 'Starrydata web' 시스템 개발

그림21. 'Starrydata Web' 시스템에 의한 데이터 공유

(2) 열전변환재료에 관한 대규모 데이터 수집

그림22. 'Starrydata web' 시스템의 데이터 수집 시스템

그림23. PbTe 열전재료의 Jonker plot

​

5-6. 국립대학법인 나고야공업대학

(1) 고체 전해질 재료에 관한 계산기 시뮬레이션

그림24. 원자 간 퍼텐셜 구축 모식도

(2) 퍼텐셜 파라미터의 최적화 방법

(3) 원자 간 퍼텐셜의 하이스루풋 구축

​

5-7. 학교법인 일본여자대학

(1) 유기박막 태양전지재료

그림25. 유기박막 태양전지에 대한 양자화학계산과 ML

(2) 펠로브스카이트형 태양전지재료

그림26. ML을 이용한 펠로브스카이트형 태양전지재료 탐색

​

5-8. 주식회사 히타치하이테크솔루션

(1) 재료 탐색에서의 기존형과 MI의 차이점

그림27. 재료 탐색에서의 기존형과 MI의 차이

(2) 'Chemicals Informatics'의 구성과 구조

그림28. ‘Chemicals Informatics’의 구성

그림29. ‘Chemicals Informatics’ 구조

(3) ‘Chemicals Informatics ‘의 특징

①연구자의 새로운 발견을 돕는 곱하기 탐색기법(탐색 AI)

그림30. ‘Chemicals Informatics’의 특징①: 탐색 AI

그림31. 'Chemicals Informatics'가 탐색하는 영역

그림32. 조합최적화 CI vs. 배합비 튜닝 MI

②새로운 아이디어를 낳는 방대한 화합물 데이터베이스(NLP AI/신규 화합물 생성 AI)

그림33. NLP AI와 신규 화합물 생성 AI

③연구개발의 고효율화를 실현하는 높은 탐색성능과 예측 정밀도

그림34. 폭넓은 공개 데이터를 사용하고 있는데도 높은 정밀도를 실현할 수 있는 ‘Chemicals Informatics’

​

5-9. 주식회사 Preferred Computational Chemistry(PFCC)/주식회사 Preferred Networks(PFN)/ENEOS 주식회사

(1) MI와 초고속 시뮬레이터로서 활용할 수 있는 'Matlantis™'를 PFCC가 클라우드 서비스로 제공 시작

(https://www.preferred.jp/ja/news/pr20210706/)

(2) 'Matlantis™'를 개발한 PFN이란

(3) 범용 원자 시뮬레이터 ‘Matlantis™’의 특징

그림35.MI 에서의 ‘Matlantis™‘의 위상

그림36. 'Matlantis™'의 구조

그림37. ‘Matlantis™의 성능

그림38. ‘Matlantis™가 대응하는 원소

(4) 'Matlantis™의 적용 사례

재생에너지에 의해 합성된 연료촉매 탐색(ENEOS)

그림39. (좌) H2와 CO로부터의 액체연료 합성반응, (중)Co+V 촉매상에서의 C-O 해리반응,

(우) Co촉매의 일부 원소 치환에 의한 활성화 에너지 변화(Co만의 기준 1.0)

②수소 캐리어 촉매 탐색(ENEOS)

그림40. (좌)MCH 탈수소 반응, (우)MCH 탈수소 반응 해석결과

​

6. 머티리얼 DX의 데이터 사이언스 과제

​

≪시기적절 콤팩트 리포트≫

와이드 밴드갭 반도체 단결정 시장(120~125페이지)

~각 재료의 연구개발이 가속화, 탑재 애플리케이션 잇따라

　"아직 Si?"이라고 여겨지는 날이 바로 눈 앞에~

​

1. 시장 개황

2. 분야별 동향

2-1. 구체적인 자동차 시기가 점점 뚜렷해지는 SiC 가속화

2-2. 킬러 애플리케이션으로 한번에 기어 체인지가 가능한 GaN

3. 주목 토픽

3-1. 팬데믹으로 위생관념이 바뀐다 AlN(질화알루미늄)에 대한 니즈가 다양화

3-2. Ga2O3(산화갈륨)는 코로나 사태로 워크샵이 연기되나 디바이스 개발 진행

4. 장래 전망

그림1. 와이드 밴드갭 반도체 단결정 세계 시장규모 추이·예측(금액: 2020~2027년 예측)

그림2. 재료별 와이드 밴드갭 반도체 단결정 세계 시장규모 추이 및 예측(금액: 2020~2027년 예측)

​