DML研究会（第５期）の正式な英文名は，
Research Committee on Re-Designing Control Theory Integrated with Machine Learning for Physical AI
です．成功裏に終わった第1期から第4期での略称を引き継ぎ「DML 研究会」としています．
「モデルベースト制御における機械学習とダイナミクスの融合 調査研究会（第1期、2017年1月～2018年12月）」においてはシステムのダイナミクスに着目し制御分野で機械学習理論を活用するための方法論を広く検討した。「機械学習と調和する制御理論 調査研究会（第2期、2019年1月～2020年12月）」と「機械学習で加速する制御理論 調査研究会（第3期、2021年1月～2023年12月）」では上記に加え、制御研究者の視点からの機械学習理論の拡充も検討した。さらに、「ダイナミクスを活用した機械学習による制御理論の革新 調査研究会（第4期、2024年1月～2025年12月）」では、システムのダイナミクスに着目した機械学習理論の拡充についても検討を行った。本調査研究会では、第1期から継続してきた「モデルベースト制御」を含む制御理論について、第2期から第4期で議論してきた制御理論と機械学習理論との関係性を共通の文脈とした上で、基盤モデルやPhysical AIの最新動向、AIを含む実制御システムの設計・運用面の課題を踏まえて制御理論の新たなニーズや適用対象を調査するとともに、それを系統的に解析・設計するため理論・方法論を模索する。
近年、AIや自動化、センシング技術の発展により、物理空間で自律的に判断・行動を行うPhysical AIが登場し、社会や業務に大きな変化が生じている。この変化は制御工学の観点から、従来観測できなかった現象・事象へのアクセスが可能になったこと、さらに制御対象が人やAIエージェントなどの自律体を含む複雑で高次元なへ拡大していることとして捉えられる。一方で、AI技術の制御理論・制御技法への応用は広がりつつあるものの、実システムとして設計・運用する際の体系的指針や理論的裏付けは未整備であり、工学として十分に成熟しているとは言い難い。こうした背景を踏まえ、本研究会は、制御応用研究者や企業技術者からPhysical AI時代における新たな制御課題や応用ニーズを共有し、制御理論研究者がそれらに対して系統的な解析・設計手法を検討することで、機械学習と融和した制御理論の再設計に向けた学理的基盤の構築をめざす、萌芽的な議論の場を形成することを目的とする。
DML研究会（第４期）の正式な英文名は，
Research Committee on Innovations in Control Theory by Machine Learning Utilizing Dynamics
です．成功裏に終わった第1期から第3期での略称を引き継ぎ「DML 研究会」としています．
「モデルベースト制御における機械学習とダイナミクスの融合 調査研究会（第1期、2017年1月～2018年12月）」においてはシステムのダイナミクスに着目し制御分野で機械学習理論を活用するための方法論を広く検討した。「機械学習と調和する制御理論 調査研究会（第2期、2019年1月～2020年12月）」と「機械学習で加速する制御理論 調査研究会（第3期、2021年1月～2023年12月）」では担当分野を広げ、制御研究者の視点からの機械学習理論の拡充も検討してきた。本調査研究会ではこれまでに取り組んできた両方を担当分野とする。これらの担当分野に対して第1期にて着目したシステムのダイナミクスに再度着目して機械学習理論を拡充することにより、第2期と第３期に機械学習との調和から加速と発展してきた制御理論の革新につなげることとする。
機械学習技術は深層学習を中心として急速に発展しており、近年は大規模言語モデルによる生成AIが注目を集めている。深層学習を制御工学の視点から見ると、システムのダイナミクスを活用した方法としてNeural ODEやPhysics-Informed Neural Networksが登場している。深層学習以外の機械学習技術として、強化学習においてシステムのダイナミクスに着目することにより、リアプノフの安定論を用いた安全強化学習が実現されている。このようにシステムのダイナミクスを活用することが機械学習手法の発展に繋がっている。このアプローチを推し進めることにより機械学習手法を発展させ、制御理論の革新につなげることを本調査研究会の目的とする。さらに本調査研究会の特徴は、制御理論研究者と制御応用研究者だけでなく企業の研究開発者が多く在籍していることであるため、この特徴を活かして企業の現場で起きているこれまでの制御理論では解決できなかった問題に対して機械学習を活用する方法の検討も目的とする。
DML研究会（第３期）の正式な英文名は，
Research Committee on Control Theory Booste“D” by Machine Learning
です．成功裏に終わった第1期と第2期での略称を引き継ぎ「DML 研究会」としています．
「モデルベースト制御における機械学習とダイナミクスの融合 調査研究会（2017年1月～2018年12月）」、「機械学習と調和する精よ理論 調査研究会（2019年1月～2020年12月）においては、制御分野で機械学習を活用するため方法論と、制御研究者の視点からの機械学習理論の拡充を広く検討してきた。本調査研究会においても、理論と産業応用の両面から強く望まれているこうした研究を引き続き担当分野とする。さらに、ポストAIブームにおける制御分野の課題を洗い出すための応用事例の調査も本調査研究会の担当分野とする。
前身となる二つの調査研究会の活動を通して、機械学習分野の方法によって回避し得る制御分野の課題、制御分野の視点によって価値が顕れる機械学習分野の理論について、多くの知見が得られた。これらの足掛かりによって高まった視座からは、データオリエンテッドな方法論では解決が見込めない本質的な課題の輪郭があきらかになりつつある。この課題は、訪れつつあるポストAIブームの制御分野において重要なものになると考えられ、これを見極めることは制御分野の発展に資する可能性が高い。本調査研究会の目的は、前身となる研究会が構築した機械学習に取り組む制御分野の研究者、関連分野の応用研究者、企業の研究開発者の間の情報交換と議論の場を維持し発展させることで、より良い視座を獲得・共有し、ポストAIブームにおける制御理論の先鞭をつけることである。
DML研究会（第２期）の正式な英文名は，
Research Committee on Control Theory Harmonize“D” with Machine Learning
です．成功裏に終わった第1期での略称を引き継ぎ「DML 研究会」としています．
「モデルベースト制御における機械学習とダイナミクスの融合 調査研究会（2017年1月～2018年12月）」においては、システム同定理論と機械学習理論の相違点の調査を足掛かりに、データドリブン手法とモデルベースト手法の融合を主眼とし、制御分野で機械学習理論を活用するための方法論を広く検討してきた。本調査研究会も、理論と産業応用の両面から強く望まれているこうした研究を、引き続き担当分野とする。特に、きれいな理論が適用困難な課題に機械学習手法を援用し解決を目指す方向のみではなく、機械学習の応用において問題となる可解釈性の獲得や安全性の担保といった課題にロバスト制御などの知見を活用するといった逆方向の展開も目指すことを機械学習との調和と位置づけ、その方法論を模索する。また、こうした両輪による展開が特に必要もしくは有望と見込まれる応用事例の調査も本調査研究会の担当分野とする。
いわゆるビッグデータを背景とした機械学習理論にもとづくデータオリエンテッドな方法論は、すでに様々な分野で主たる関心事になっている。一方、われわれ制御のコミュニティでは、対象となるシステムが従う法則を数理モデルで表現し、そのモデルにもとづいて、構造の数理的理解や実用的な制御系設計手法を構築してきた。しかしながら、近年は、未知の対象に対する制御則を設計する「強化学習」においても、学習過程においてモデルを構築する「モデルベースト強化学習」が盛んに研究されているように、これらの境界は以前ほど明確でなくなりつつある。こうした状況を踏まえて、本調査研究会では、制御理論研究者、関連分野の応用研究者、企業の研究開発者が集い、様々な応用事例や理論研究に関する情報共有や議論を通じて、われわれのコミュニティが提供できるモデルベーストな方法論の意義を改めて検討し、新たな方向性を模索することを目的とする。
本調査研究会の英文名は，
“Research Committee on Fusion of Machine Learning and Dynamics in Model-Based Control”
です。和文名，英文名ともに長いタイトルなので，英文名を
“Dynamical Machine Learning for Model-based Control”
と短縮し，その最初の3つの頭文字から
「DML 研究会」
と呼ぶことにしました。
いわゆるビッグデータを背景とした機械学習理論は，人工知能研究者のグループで精力的に研究されているが，その主流はデータオリエンティッドな方法論である。一方，われわれ制御のコミュニティでは，モデルベースト制御の枠組みで，対象となるシステムが従う物理的な法則（これをダイナミクスと呼ぶ）を数理モデルで表現し，そのモデルと対象から得られるデータの両方を用いたアプローチをとる。その典型的な例がカルマンフィルタであり，時系列やシステムのダイナミクスを状態空間モデルで表現し，さらに観測データを活用することによって，対象の状態推定（フィルタリング）を行っている。機械学習理論が物理化学的な対象に対してより効果的に機能するためには，このようなダイナミクスを考慮した機械学習理論の研究が，理論と産業応用の両面から強く望まれている。本調査研究会では，これを主な担当分野として活動する。
制御の分野で対象のデータを利用する方法として，システム同定理論が1960年代から研究されている。このシステム同定理論と機械学習理論の類似点と相違点を調べることによって，制御分野で機械学習理論を活用するための方法論を検討していくことも本調査研究会の担当分野である。
本調査研究会では「データから将来使えそうな知識を見つけること」を意味する機械学習に着目する。たとえば自動車のような物理的な対象に対しては，その対象が従うダイナミクスを活用した機械学習が望まれる。これは制御分野ではグレーボックスモデリングと呼ばれている。本調査研究会では，対象がもつダイナミクスの機械学習への導入について検討することを目的とする。また，機械学習に対応するものとして，制御工学の分野ではシステム同定が古くから研究されているが，機械学習とシステム同定の類似点と相違点についても調べたい。
本調査研究会は制御理論研究者，制御応用研究者，企業の研究開発者を集め，ダイナミクスを考慮した機械学習の方向性に関して調査研究を行う。