Core Technologies
地域ごとの水質・環境に最適化した藻類ライブラリと、 IoTセンシング × AI推論による高精度な培養制御プラットフォーム。 ABC 技術を支える独自の技術基盤です。
技術資料を請求する基盤技術の3本柱
藻類ライブラリ
IoT センシング
pH・溶存酸素・濁度・温度・光量など10以上のパラメータ (当社実装) をリアルタイム計測。 エッジコンピューティングによる現場処理と、クラウド統合ダッシュボードで 複数拠点のデータを一元管理します。微細藻類培養のセンシング基盤は Havlik et al.[3] に準拠。
- ✓ リアルタイム多変量センシング
- ✓ エッジ処理による低遅延制御
- ✓ クラウド統合ダッシュボード
AI 培養制御
センシングデータを基に強化学習と時系列予測モデルが培養パラメータを当社アルゴリズムで自動最適化。 気象変動・季節変化・負荷変動への適応的な制御により、 年間を通じた安定した藻類密度と品質の維持を目指します。光バイオリアクターのAI制御アプローチは Fernández et al.[4] 等で報告されています。
- ✓ 強化学習による自律的パラメータ最適化
- ✓ 時系列予測による先行制御
- ✓ 異常検知・アラートシステム
3層アーキテクチャが築く MOAT
Selection × Library × Physical AI
3層の独自技術が Algal Bloom Capture をシステム化し、1つの MOAT を形成する
Non-GMO ゲノム選抜
遺伝子組換えに依存しない選抜育種で規制リスクと社会受容性のハードルを回避。WGS・RNA-seq・QTL 解析で生育速度・耐塩性・脂質/タンパク含量・凝集性を高速スクリーニング。
環境最適種ライブラリ
海水/淡水・温度帯・pH・被処理水組成の各軸でマッピングした Strain Library。顧客の被処理水組成データから最適株を "Strain as a Service" として供給。
培養予測・制御 Physical AI
時系列データ (pH/OD/蛍光/栄養塩/流速) を学習した制御モデルが開花–崩壊サイクルを予測し先回り制御。コンタミ・崩壊リスクを抑制し、Bloomo のエッジ推論として実装。
科学的根拠
Core Technologies の3本柱は微細藻類培養・センシング・制御の学術的知見を基盤とし、その上で当社独自のライブラリ・アルゴリズム・実装を構築しています。 個別性能値 (10以上のパラメータ同時計測・年間を通じた安定培養) は当社実装・当社実証値であり、導入環境により変動します。
References
- Mohsenpour S.F., et al. Integrating micro-algae into wastewater treatment: A review. Science of the Total Environment, 2021, 752, 142168. DOI →
- Chisti Y. Biodiesel from microalgae beats bioethanol. Trends in Biotechnology, 2008, 26(3), 126–131. DOI →
- Havlik I., Lindner P., Scheper T., Reardon K.F. On-line monitoring of large cultivations of microalgae and cyanobacteria. Trends in Biotechnology, 2013, 31(7), 406–414. DOI →
- Fernández F.G.A., et al. Conventional and emerging strategies for the microalgae biomass production from wastewater and industrial flue gases. Bioresource Technology, 2021, 321, 124475. DOI →