JP7702829B2 - モデル生成装置、予測装置、モデル生成方法、予測方法、および樹脂組成物製造システム - Google Patents

モデル生成装置、予測装置、モデル生成方法、予測方法、および樹脂組成物製造システム Download PDF

Info

Publication number
JP7702829B2
JP7702829B2 JP2021119567A JP2021119567A JP7702829B2 JP 7702829 B2 JP7702829 B2 JP 7702829B2 JP 2021119567 A JP2021119567 A JP 2021119567A JP 2021119567 A JP2021119567 A JP 2021119567A JP 7702829 B2 JP7702829 B2 JP 7702829B2
Authority
JP
Japan
Prior art keywords
resin
data
input data
inorganic filler
resin composition
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2021119567A
Other languages
English (en)
Other versions
JP2023015657A (ja
Inventor
みなみ 田井
俊輔 今井
剛 浜坂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tokuyama Corp
Original Assignee
Tokuyama Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tokuyama Corp filed Critical Tokuyama Corp
Priority to JP2021119567A priority Critical patent/JP7702829B2/ja
Priority to CN202280041595.8A priority patent/CN117461088A/zh
Priority to PCT/JP2022/025344 priority patent/WO2023002804A1/ja
Priority to US18/571,042 priority patent/US20240311692A1/en
Priority to KR1020237042595A priority patent/KR20240034697A/ko
Priority to TW111125463A priority patent/TWI921571B/zh
Publication of JP2023015657A publication Critical patent/JP2023015657A/ja
Application granted granted Critical
Publication of JP7702829B2 publication Critical patent/JP7702829B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
    • C08K—Use of inorganic or non-macromolecular organic substances as compounding ingredients
    • C08K3/00—Use of inorganic substances as compounding ingredients
    • C08K3/01—Use of inorganic substances as compounding ingredients characterized by their specific function
    • C08K3/013—Fillers, pigments or reinforcing additives
    • C—CHEMISTRY; METALLURGY
    • C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
    • C08L—COMPOSITIONS OF MACROMOLECULAR COMPOUNDS
    • C08L101/00—Compositions of unspecified macromolecular compounds
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Polymers & Plastics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Organic Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Manufacturing & Machinery (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)

Description

本発明の一態様は、樹脂組成物についての要求特性充足条件（後述）を予測するための予測モデルを生成するモデル生成装置に関する。
所望の要求特性（性能）を有する樹脂組成物を得るためには、当該要求特性を満たす樹脂組成物の条件（例：樹脂組成物の組成）を見出すことが必要である。但し、従来では、当該条件を見出すためには、実験ベースでの多数の試行錯誤による組成検討が必要であった。例えば、特許文献１には、「ブリードを抑制可能である」という要求特性を満たすエポキシ樹脂組成物の好適な組成を見出すために、多数の実験を行う必要があったことが示されている。
特開２０１５－１０５３０４号公報
本発明の一態様の目的は、１つ以上の無機充填材と１つ以上の樹脂とを含む樹脂組成物の要求特性を満たす、（ｉ）前記無機充填材の特性、（ｉｉ）前記樹脂の特性、（ｉｉｉ）前記無機充填材の配合割合、および、（ｉｖ）前記樹脂の配合割合、のうちの１つ以上（本明細書では、総称的に「要求特性充足条件」と称する）を、従来よりも効率的に見出すことにある。
上記の課題を解決するために、本発明の一態様に係るモデル生成装置は、
１つ以上の無機充填材と１つ以上の樹脂とを含む樹脂組成物の要求特性を満たす、（ｉ）前記無機充填材の特性、（ｉｉ）前記樹脂の特性、（ｉｉｉ）前記無機充填材の配合割合、および、（ｉｖ）前記樹脂の配合割合、のうちの１つ以上を予測するための予測モデルを生成するモデル生成装置であって、
（ｉ）前記無機充填材の前記特性を示す無機充填材特性入力データ、（ｉｉ）前記樹脂の前記特性を示す樹脂特性入力データ、（ｉｉｉ）複数種類の前記無機充填材を前記樹脂へと配合した前記樹脂組成物内の前記無機充填材の前記配合割合に関する無機充填材配合入力データ、および、（ｉｖ）前記樹脂の前記配合割合に関する樹脂配合入力データ、のうちの少なくとも１つを含む入力データである第１入力データを取得する第１入力データ取得部と、
前記第１入力データと対になる第２入力データとして、前記樹脂組成物の特性を示す樹脂組成物特性入力データを取得する第２入力データ取得部と、
（ｉ）任意の無機充填材特性データ、（ｉｉ）任意の樹脂特性データ、（ｉｉｉ）任意の無機充填材配合データ、および、（ｉｖ）任意の樹脂配合データ、のうちの１つ以上から、未知の樹脂組成物特性データを予測する第１予測モデルを、前記第１入力データおよび前記第２入力データに基づいて生成する第１機械学習部と、
任意の樹脂組成物特性データを満たす、（ｉ）予測無機充填材特性データ、（ｉｉ）予測樹脂特性データ、（ｉｉｉ）予測無機充填材配合データ、および、（ｉｖ）予測樹脂配合データ、のうちの１つ以上を予測する第２予測モデルを、前記第１予測モデルに基づいて生成する第２機械学習部と、を備えている。
また、本発明の一態様に係る予測装置は、
１つ以上の無機充填材と１つ以上の樹脂とを含む樹脂組成物の要求特性を満たす、（ｉ）前記無機充填材の特性、（ｉｉ）前記樹脂の特性、（ｉｉｉ）前記無機充填材の配合割合、および、（ｉｖ）前記樹脂の配合割合、のうちの１つ以上を予測する予測装置であって、
（ｉ）前記無機充填材の前記特性を示す無機充填材特性入力データ、（ｉｉ）前記樹脂の前記特性を示す樹脂特性入力データ、（ｉｉｉ）複数種類の前記無機充填材を前記樹脂へと配合した前記樹脂組成物内の前記無機充填材の前記配合割合に関する無機充填材配合入力データ、および、（ｉｖ）前記樹脂の前記配合割合に関する樹脂配合入力データ、のうちの少なくとも１つを含む入力データである第１入力データが予め取得されており、
前記第１入力データと対になる第２入力データとして、前記樹脂組成物の特性を示す樹脂組成物特性入力データが予め取得されており、
（ｉ）任意の無機充填材特性データ、（ｉｉ）任意の樹脂特性データ、（ｉｉｉ）任意の無機充填材配合データ、および、（ｉｖ）任意の樹脂配合データ、のうちの１つ以上から、未知の樹脂組成物特性データを予測する第１予測モデルが、前記第１入力データおよび前記第２入力データに基づいて予め生成されており、
任意の樹脂組成物特性データを満たす、（ｉ）予測無機充填材特性データ、（ｉｉ）予測樹脂特性データ、（ｉｉｉ）予測無機充填材配合データ、および、（ｉｖ）予測樹脂配合データ、のうちの１つ以上を予測する第２予測モデルが、前記第１予測モデルに基づいて予め生成されており、
前記予測装置は、
前記樹脂組成物の前記要求特性を示す樹脂組成物要求特性データを第３入力データとして取得する第３入力データ取得部と、
前記樹脂組成物要求特性データを前記第２予測モデルに入力することにより、（ｉ）前記樹脂組成物要求特性データを満たす無機充填材の特性を示す推奨無機充填材特性データ、（ｉｉ）前記樹脂組成物要求特性データを満たす樹脂の特性を示す推奨樹脂特性データ、（ｉｉｉ）前記樹脂組成物要求特性データを満たす無機充填材の配合を示す推奨無機充填材配合データ、および、（ｉｖ）前記樹脂組成物要求特性データを満たす樹脂の配合を示す推奨樹脂配合データ、のうちの少なくとも１つを含む推奨データを導出する推奨データ導出部と、を備えている。
また、本発明の一態様に係るモデル生成方法は、
１つ以上の無機充填材と１つ以上の樹脂とを含む樹脂組成物の要求特性を満たす、（ｉ）前記無機充填材の特性、（ｉｉ）前記樹脂の特性、（ｉｉｉ）前記無機充填材の配合割合、および、（ｉｖ）前記樹脂の配合割合、のうちの１つ以上を予測するための予測モデルを生成するモデル生成方法であって、
（ｉ）前記無機充填材の前記特性を示す無機充填材特性入力データ、（ｉｉ）前記樹脂の前記特性を示す樹脂特性入力データ、（ｉｉｉ）複数種類の前記無機充填材を前記樹脂へと配合した前記樹脂組成物内の前記無機充填材の前記配合割合に関する無機充填材配合入力データ、および、（ｉｖ）前記樹脂の前記配合割合に関する樹脂配合入力データ、のうちの少なくとも１つを含む入力データである第１入力データを取得する第１入力データ取得工程と、
前記第１入力データと対になる第２入力データとして、前記樹脂組成物の特性を示す樹脂組成物特性入力データを取得する第２入力データ取得工程と、
（ｉ）任意の無機充填材特性データ、（ｉｉ）任意の樹脂特性データ、（ｉｉｉ）任意の無機充填材配合データ、および、（ｉｖ）任意の樹脂配合データ、のうちの１つ以上から、未知の樹脂組成物特性データを予測する第１予測モデルを、前記第１入力データおよび前記第２入力データに基づいて生成する第１機械学習工程と、
任意の樹脂組成物特性データを満たす、（ｉ）予測無機充填材特性データ、（ｉｉ）予測樹脂特性データ、（ｉｉｉ）予測無機充填材配合データ、および、（ｉｖ）予測樹脂配合データ、のうちの１つ以上を予測する第２予測モデルを、前記第１予測モデルに基づいて生成する第２機械学習工程と、を含んでいる。
また、本発明の一態様に係る予測方法は、
１つ以上の無機充填材と１つ以上の樹脂とを含む樹脂組成物の要求特性を満たす、（ｉ）前記無機充填材の特性、（ｉｉ）前記樹脂の特性、（ｉｉｉ）前記無機充填材の配合割合、および、（ｉｖ）前記樹脂の配合割合、のうちの１つ以上を予測する予測方法であって、
（ｉ）前記無機充填材の前記特性を示す無機充填材特性入力データ、（ｉｉ）前記樹脂の前記特性を示す樹脂特性入力データ、（ｉｉｉ）複数種類の前記無機充填材を前記樹脂へと配合した前記樹脂組成物内の前記無機充填材の前記配合割合に関する無機充填材配合入力データ、および、（ｉｖ）前記樹脂の前記配合割合に関する樹脂配合入力データ、のうちの少なくとも１つを含む入力データである第１入力データが予め取得されており、
前記第１入力データと対になる第２入力データとして、前記樹脂組成物の特性を示す樹脂組成物特性入力データが予め取得されており、
（ｉ）任意の無機充填材特性データ、（ｉｉ）任意の樹脂特性データ、（ｉｉｉ）任意の無機充填材配合データ、および、（ｉｖ）任意の樹脂配合データ、のうちの１つ以上から、未知の樹脂組成物特性データを予測する第１予測モデルが、前記第１入力データおよび前記第２入力データに基づいて予め生成されており、
任意の樹脂組成物特性データを満たす、（ｉ）予測無機充填材特性データ、（ｉｉ）予測樹脂特性データ、（ｉｉｉ）予測無機充填材配合データ、および、（ｉｖ）予測樹脂配合データ、のうちの１つ以上を予測する第２予測モデルが、前記第１予測モデルに基づいて予め生成されており、
前記予測方法は、
前記樹脂組成物の前記要求特性を示す樹脂組成物要求特性データを第３入力データとして取得する第３入力データ取得工程と、
前記樹脂組成物要求特性データを前記第２予測モデルに入力することにより、（ｉ）前記樹脂組成物要求特性データを満たす無機充填材の特性を示す推奨無機充填材特性データ、（ｉｉ）前記樹脂組成物要求特性データを満たす樹脂の特性を示す推奨樹脂特性データ、（ｉｉｉ）前記樹脂組成物要求特性データを満たす無機充填材の配合を示す推奨無機充填材配合データ、および、（ｉｖ）前記樹脂組成物要求特性データを満たす樹脂の配合を示す推奨樹脂配合データ、のうちの少なくとも１つを含む推奨データを導出する推奨データ導出工程と、を含んでいる。
また、本発明の一態様に係る樹脂組成物製造システムは、
１つ以上の無機充填材と１つ以上の樹脂とを含む樹脂組成物の要求特性を満たす、（ｉ）前記無機充填材の特性、（ｉｉ）前記樹脂の特性、（ｉｉｉ）前記無機充填材の配合割合、および、（ｉｖ）前記樹脂の配合割合、のうちの１つ以上を予測するための予測モデルを生成するモデル生成装置と、
前記モデル生成装置によって生成された前記予測モデルを用いて、前記樹脂組成物の前記要求特性を満たす、（ｉ）前記無機充填材の前記特性、（ｉｉ）前記樹脂の前記特性、（ｉｉｉ）前記無機充填材の前記配合割合、および、（ｉｖ）前記樹脂の前記配合割合、のうちの１つ以上を予測する予測装置と、を備えており、
前記モデル生成装置は、
（ｉ）前記無機充填材の前記特性を示す無機充填材特性入力データ、（ｉｉ）前記樹脂の前記特性を示す樹脂特性入力データ、（ｉｉｉ）複数種類の前記無機充填材を前記樹脂へと配合した前記樹脂組成物内の前記無機充填材の前記配合割合に関する無機充填材配合入力データ、および、（ｉｖ）前記樹脂の前記配合割合に関する樹脂配合入力データ、のうちの少なくとも１つを含む入力データである第１入力データを取得する第１入力データ取得部と、
前記第１入力データと対になる第２入力データとして、前記樹脂組成物の特性を示す樹脂組成物特性入力データを取得する第２入力データ取得部と、
（ｉ）任意の無機充填材特性データ、（ｉｉ）任意の樹脂特性データ、（ｉｉｉ）任意の無機充填材配合データ、および、（ｉｖ）任意の樹脂配合データ、のうちの１つ以上から、未知の樹脂組成物特性データを予測する第１予測モデルを、前記第１入力データおよび前記第２入力データに基づいて生成する第１機械学習部と、
任意の樹脂組成物特性データを満たす、（ｉ）予測無機充填材特性データ、（ｉｉ）予測樹脂特性データ、（ｉｉｉ）予測無機充填材配合データ、および、（ｉｖ）予測樹脂配合データ、のうちの１つ以上を予測する第２予測モデルを、前記第１予測モデルに基づいて生成する第２機械学習部と、を備えており、
前記予測装置は、
前記樹脂組成物の前記要求特性を示す樹脂組成物要求特性データを第３入力データとして取得する第３入力データ取得部と、
前記樹脂組成物要求特性データを前記第２予測モデルに入力することにより、（ｉ）前記樹脂組成物要求特性データを満たす無機充填材の特性を示す推奨無機充填材特性データ、（ｉｉ）前記樹脂組成物要求特性データを満たす樹脂の特性を示す推奨樹脂特性データ、（ｉｉｉ）前記樹脂組成物要求特性データを満たす無機充填材の配合を示す推奨無機充填材配合データ、および、（ｉｖ）前記樹脂組成物要求特性データを満たす樹脂の配合を示す推奨樹脂配合データ、のうちの少なくとも１つを含む推奨データを導出する推奨データ導出部と、を備えている。
本発明の一態様によれば、樹脂組成物についての要求特性充足条件を、従来よりも効率的に見出すことが可能となる。
実施形態１の樹脂組成物製造システムの要部の構成を示すブロック図である。 第１予測モデルの概要について説明する図である。 第２予測モデルの概要について説明する図である。 推奨データ導出部の概要について説明する図である 無機充填材配合入力データおよび第２入力データの一例を示す図である。 無機充填材特性入力データの一例を示す図である。 第１アルゴリズム実行部における説明変数の導出例を示す図である。 第２アルゴリズム実行部における第１予測モデルの生成例を示す図である。 第１予測モデルにおける入出力の例を示す図である。 第３アルゴリズム実行部によって生成された第２予測モデルにおける演算例を示す図である。
〔実施形態１〕
実施形態１の樹脂組成物製造システム１について、以下に説明する。説明の便宜上、実施形態１にて説明した構成要素（コンポーネント）と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。簡潔化のため、公知技術と同様の事項についても、説明を適宜省略する。本明細書において述べる各構成および各数値は、特に明示されない限り、単なる一例であることに留意されたい。本明細書では、２つの数ＸおよびＹに関する「Ｘ～Ｙ」という記載は、特に明示されない限り、「Ｘ以上かつＹ以下」を意味する。
（樹脂組成物製造システム１の概要）
図１は、樹脂組成物製造システム１の要部の構成を示すブロック図である。樹脂組成物製造システム１は、モデル生成装置１００と予測装置３００とを備える。後述の通り、モデル生成装置１００は、１つ以上の無機充填材と１つ以上の樹脂とを含む樹脂組成物についての要求特性充足条件を予測するための予測モデルを生成する。具体的には、モデル生成装置１００は、前記予測モデルとして、後述する第２予測モデル（ＭＯＤＥＬ２）を生成する。そして、予測装置３００は、ＭＯＤＥＬ２を用いて、要求特性充足条件を予測する。
以下の説明では、１つ以上の無機充填材を総称的に無機充填材Ａと称し、１つ以上の樹脂を総称的に樹脂Ｂと称する。そして、無機充填材Ａと樹脂Ｂとを含む樹脂組成物を、樹脂組成物Ｃと称する。
無機充填材Ａの主要な例としては、セラミックス（例：シリカ、アルミナ、窒化アルミ、窒化ケイ素、および窒化ホウ素）を挙げることができる。無機充填材は、無機フィラーとも称される。樹脂組成物Ｃに対する無機充填材Ａの添加量を変化させることにより、樹脂組成物Ｃの特性を変化させることができる。例えば、無機充填材Ａの添加量を適切に設定することにより、樹脂組成物Ｃの弾性率および線膨張係数を改善できる。実施形態１では、無機充填材Ａがシリカである場合を主に例示する。
樹脂Ｂの主要な例としては、任意の有機高分子化合物を挙げることができる。樹脂組成物Ｃは、無機充填材Ａと樹脂Ｂと含むが、その他の材料（例：硬化剤、エラストマー、イオントラップ剤、顔料、染料、消泡剤、応力緩和剤、ｐＨ調整剤、促進剤、界面活性剤、およびカップリング剤）をさらに含んでいてもよい。樹脂組成物Ｃの主要な例としては、接着剤および封止剤を挙げることができる。
なお、本明細書における「要求特性充足条件」は、「樹脂組成物Ｃの要求特性を完全に満たす条件」に限定されないことに留意されたい。本明細書における「要求特性充足条件」には、例えば、「樹脂組成物Ｃの完全な要求特性に最も近い要求特性」および「樹脂組成物Ｃの完全な要求特性にある程度近い要求特性」も含まれる。従って、樹脂組成物製造システム１は、樹脂組成物Ｃの完全な要求特性を概ね満たす条件を、要求特性充足条件として予測できればよい。このため、例えば、後述の通り、樹脂組成物製造システム１は、確率論的な数理モデルに基づいて要求特性充足条件を予測してよい。
（モデル生成装置１００）
樹脂組成物製造システム１の処理は、学習フェーズ（モデル生成装置１００における処理）と予測フェーズ（予測装置３００における処理）とに大別される。予測フェーズは、推論フェーズとも称される。まず、学習フェーズについて説明する。モデル生成装置１００は、第１入力データ取得部１１、第２入力データ取得部１２、第１機械学習部２１、および第２機械学習部２２を備える。
第１入力データ取得部１１は、第１入力データ１１０を取得する。第１入力データ１１０は、
・無機充填材特性入力データ１１１、
・樹脂特性入力データ１１２、
・無機充填材配合入力データ１１３、および、
・樹脂配合入力データ１１４、
のうちの１つを含む入力データである。
無機充填材特性入力データ１１１は、無機充填材Ａの特性を示す。樹脂特性入力データ１１２は、樹脂Ｂの特性を示す。無機充填材配合入力データ１１３は、複数種類の無機充填材Ａを樹脂Ｂへと配合した樹脂組成物Ｃ内における、無機充填材Ａの配合割合に関するデータである。一例として、無機充填材配合入力データ１１３は、無機充填材Ａの配合割合を示すデータである。樹脂配合入力データ１１４は、樹脂組成物Ｃ内における、樹脂Ｂの配合割合に関するデータである。一例として、樹脂配合入力データ１１４は、樹脂Ｂの配合割合を示すデータである。
第１入力データ取得部１１は、任意のデータ取得インターフェースであってよい。一例として、第１入力データ取得部１１は、ユーザの入力操作を受け付ける入力部であってよい。この場合、第１入力データ取得部１１は、ユーザによって入力された第１入力データ１１０を取得する。別の例として、第１入力データ取得部１１は、モデル生成装置１００内の記憶部（不図示）に予め格納された第１入力データ１１０を取得してもよい。さらに別の例として、第１入力データ取得部１１は、モデル生成装置１００の外部装置（不図示）と通信し、当該外部装置から第１入力データ１１０を取得してもよい。外部装置の例としては、ストレージサーバおよび測定装置等を挙げることができる。第１入力データ取得部１１についてのこれらの説明は、以下に述べる第２入力データ取得部１２および後述する第３入力データ取得部３３についても同様に当てはまる。
第２入力データ取得部１２は、第２入力データ１２０を取得する。具体的には、第２入力データ取得部１２は、第２入力データ１２０として、樹脂組成物特性入力データを取得する。樹脂組成物特性入力データは、樹脂組成物Ｃの特性を示す。このことから、第２入力データ１２０は、第１入力データ１１０と対になるデータであると言える。
第１機械学習部２１は、第１入力データ取得部１１から第１入力データ１１０を、第２入力データ取得部１２から第２入力データ１２０を、それぞれ取得する。第１機械学習部２１は、第１入力データ１１０および第２入力データ１２０に基づいて、第１予測モデル（以下、ＭＯＤＥＬ１と称する）を生成する。
図２は、ＭＯＤＥＬ１の概要について説明する図である。図２に示される通り、ＭＯＤＥＬ１は、
・任意の無機充填材特性データ１１１０、
・任意の樹脂特性データ１１２０、
・任意の無機充填材配合データ１１３０、および、
・任意の樹脂配合データ１１４０、
のうちの１つ以上から、未知の樹脂組成物特性データ１２００を予測するためのモデル（数理モデル）である。本明細書では、任意の無機充填材特性データ１１１０、任意の樹脂特性データ１１２０、任意の無機充填材配合データ１１３０、および、任意の樹脂配合データ１１４０、のうちの１つ以上を含むデータセットを、任意の入力データセット１１００と称する。
図２の例において、任意の入力データセット１１００は、説明変数（Ｘ）の一例である。そして、未知の樹脂組成物特性データ１２００は、目的変数（ｙ）の一例である。なお、説明変数は、独立変数とも称される。これに対し、目的変数は、従属変数または被説明変数とも称される。図２の例において、ＭＯＤＥＬ１は、ｙ＝ｆ（Ｘ）の関係を示す関数ｆとして表すことができる。このように、ＭＯＤＥＬ１は、順問題を解くためのモデル（Ｘからｙを導出するためのモデル）である。
なお、本明細書では、任意の入力データセット１１００に含まれるデータの種類は、ＭＯＤＥＬ１の生成に用いた教師データの種類と一致しているものとする。すなわち、任意の入力データセット１１００のデータ構造は、ＭＯＤＥＬ１の生成に用いた教師データのデータ構造と一致しているものとする。従って、例えば、任意の入力データセット１１００のデータ構造は、第１入力データ１１０のデータ構造と一致している。
第２機械学習部２２は、第１機械学習部２１からＭＯＤＥＬ１を取得する。第２機械学習部２２は、ＭＯＤＥＬ１に基づいて、第２予測モデル（以下、ＭＯＤＥＬ２と称する）を生成する。
図３は、ＭＯＤＥＬ２の概要について説明する図である。図３に示される通り、ＭＯＤＥＬ２は、任意の樹脂組成物特性データ２２００を満たす、
・予測無機充填材特性データ２３１０、
・予測樹脂特性データ２３２０、
・予測無機充填材配合データ２３３０、および、
・予測樹脂配合データ２３４０、
のうちの１つ以上を予測するためのモデルである。なお、本明細書における記載「任意の樹脂組成物特性データ２２００を満たす」は、「任意の樹脂組成物特性データ２２００によって示されている樹脂組成物Ｃの要求特性を満たす」ことを意味する。また、本明細書では、予測無機充填材特性データ２３１０、予測樹脂特性データ２３２０、予測無機充填材配合データ２３３０、および、予測樹脂配合データ２３４０、のうちの１つ以上を含むデータセットを、予測データセット２３００と称する。
図３の例において、任意の樹脂組成物特性データ２２００は、目的変数（ｙ）の一例である。そして、予測データセット２３００は、説明変数（Ｘ）の一例である。図３の例において、ＭＯＤＥＬ２は、Ｘ＝ｇ（ｙ）の関係を示す関数ｇとして表すことができる。なお、ｇ≒ｆ－１である。すなわち、関数ｇは、関数ｆの近似的な逆関数である。このように、ＭＯＤＥＬ２は、逆問題を解くためのモデル（ｙからＸを導出するためのモデル）である。以上の通り、ＭＯＤＥＬ２は、ＭＯＤＥＬ１と対になるモデルである。
なお、本明細書では、任意の樹脂組成物特性データ２２００の種類は、ＭＯＤＥＬ２の生成に用いた教師データの種類と一致しているものとする。すなわち、任意の樹脂組成物特性データ２２００のデータ構造は、ＭＯＤＥＬ２の生成に用いた教師データのデータ構造と一致しているものとする。従って、例えば、任意の樹脂組成物特性データ２２００のデータ構造は、第２入力データ１２０のデータ構造と一致している。
図１の例では、第１機械学習部２１は、第１アルゴリズム実行部２１１および第２アルゴリズム実行部２１２を有している。第１アルゴリズム実行部２１１は、第１入力データ取得部１１から第１入力データ１１０を取得する。第１アルゴリズム実行部２１１は、第２入力データ１２０から得られる樹脂組成物Ｃの特性を示すデータに対応する説明変数（Ｘ）を導出する第１アルゴリズムを実行する。第１アルゴリズムの例については、後述する。
第２アルゴリズム実行部２１２は、第１アルゴリズム実行部２１１から説明変数（Ｘ）を取得するとともに、第２入力データ取得部１２から第２入力データ１２０を取得する。第２アルゴリズム実行部２１２は、Ｘおよび第２入力データ１２０に基づいてＭＯＤＥＬ１を生成する第２アルゴリズムを実行する。
第２アルゴリズムは、Ｘおよび第２入力データ１２０に基づいてＭＯＤＥＬ１を生成することが可能な任意のアルゴリズムであってよい。言い換えれば、第２アルゴリズムは、順問題を解くためのモデルを生成することが可能な任意のアルゴリズムであってよい。一例として、第２アルゴリズムは、
・ガウス過程回帰、
・サポートベクターマシン、
・線形回帰、
・決定木、
・ランダムフォレスト、
・ニューラルネットワーク、および、
・勾配ブースティング木、
のうちの少なくとも１つである。
図１の例では、第２機械学習部２２は、第３アルゴリズム実行部２２３を有している。第３アルゴリズム実行部２２３は、ＭＯＤＥＬ１に基づいてＭＯＤＥＬ２を生成する第３アルゴリズムを実行する。
第３アルゴリズムは、ＭＯＤＥＬ１に基づいてＭＯＤＥＬ２を生成することが可能な任意のアルゴリズムであってよい。言い換えれば、第３アルゴリズムは、逆問題を解くためのモデルを生成することが可能な任意のアルゴリズムであってよい。一例として、第３アルゴリズムは、
・遺伝的アルゴリズム、
・最急降下法、
・グリッドサーチ、および、
・ベイズ最適化、
のうちの少なくとも１つである。
本発明の一態様において、無機充填材特性入力データ１１１は、無機充填材Ａの任意の特性を示すデータであってよい。一例として、無機充填材特性入力データ１１１は、無機充填材Ａの、
組成式、結晶度、比重、かさ比重、粒度分布、比表面積、細孔容積、ゼータ電位、電気伝導率、誘電率、誘電正接、屈折率、比熱、熱伝導率、線膨張率、圧壊強度、球形度、アスペクト比、水分量、炭素量、窒素量、表面官能基種、表面官能基量、光吸収波長、吸光度、Ｍ値、および、溶解度パラメータ、
のうちの少なくとも１つを、無機充填材Ａの特性として示す。なお、無機充填材特性入力データ１１１に関する当該説明は、無機充填材特性入力データ１１１に対応する各データにも同様に当てはまる。
本発明の一態様において、樹脂特性入力データ１１２は、樹脂Ｂの任意の特性を示すデータであってよい。一例として、樹脂特性入力データ１１２は、樹脂Ｂの、
組成式、重合度、分子量分布、立体規則性、反応性官能基種、反応性官能基量、粘度、融点、ガラス転移温度、結晶化度、弾性率、降伏応力、引っ張り強さ、破壊靭性、光吸収波長、吸光度、比重、屈折率、電気伝導率、誘電率、誘電正接、比熱、熱伝導率、水分量、および、溶解度パラメータ、
のうちの少なくとも１つを、樹脂Ｂの特性として示す。なお、樹脂特性入力データ１１２に関する当該説明は、樹脂特性入力データ１１２に対応する各データにも同様に当てはまる。
本発明の一態様において、樹脂組成物特性入力データ（第２入力データ１２０）は、樹脂組成物Ｃの任意の特性を示すデータであってよい。一例として、樹脂組成物特性入力データは、樹脂組成物Ｃの、
粘度、流動性、成形性、接着性、透明性、色調、強度、吸水率、線膨張係数、弾性率、降伏応力、引っ張り強さ、破壊靭性、電気伝導率、誘電率、誘電正接、熱伝導率、および、安定性、
のうちの少なくとも１つを、樹脂組成物Ｃの特性として示す。なお、樹脂組成物特性入力データに関する当該説明は、当該樹脂組成物特性入力データに対応する各データにも同様に当てはまる。
（予測装置３００）
続いて、予測フェーズについて説明する。予測装置３００は、第３入力データ取得部３３、推奨データ導出部３４、および出力部３５を備える。
第３入力データ取得部３３は、第３入力データ３３０を取得する。具体的には、第３入力データ取得部３３は、樹脂組成物要求特性データを第３入力データ３３０として取得する。樹脂組成物要求特性データは、樹脂組成物Ｃの要求特性を示す。
推奨データ導出部３４は、第３入力データ取得部３３から樹脂組成物要求特性データ（第３入力データ３３０）を取得するとともに、モデル生成装置１００（より具体的には、第２機械学習部２２）からＭＯＤＥＬ２を取得する。
図４は、推奨データ導出部３４の概要について説明する図である。図４に示される通り、推奨データ導出部３４は、樹脂組成物要求特性データをＭＯＤＥＬ２に入力することにより、推奨データ３４０を導出する。推奨データ３４０は、
・推奨無機充填材特性データ３４１、
・推奨樹脂特性データ３４２、
・推奨無機充填材配合データ３４３、および、
・推奨樹脂配合データ３４４、
のうちの少なくとも１つを含む。
推奨無機充填材特性データ３４１は、樹脂組成物要求特性データを満たす無機充填材Ａの特性を示す。推奨樹脂特性データ３４２は、樹脂組成物要求特性データを満たす樹脂Ｂの特性を示す。推奨無機充填材配合データ３４３は、樹脂組成物要求特性データを満たす無機充填材Ａの配合を示す。推奨樹脂配合データ３４４は、樹脂組成物要求特性データを満たす樹脂Ｂの配合を示す。なお、本明細書における記載「樹脂組成物要求特性データを満たす」は、「樹脂組成物要求特性データによって示されている樹脂組成物Ｃの要求特性を満たす」ことを意味する。推奨データ導出部３４によって推奨データ３４０を導出する処理の具体例については、後述する。
上述の通り、本明細書における「要求特性充足条件」は、「樹脂組成物Ｃの要求特性を完全に満たす条件」に限定されない。このため当然ながら、本明細書における推奨データ３４０は、「樹脂組成物要求特性データを完全に満たすデータ」に限定されない。本明細書における推奨データ３４０には、「樹脂組成物要求特性データを概ね満たすデータ」も含まれる。
従って、本明細書における推奨無機充填材特性データ３４１は、樹脂組成物要求特性データを概ね満たす無機充填材Ａの特性を示していればよい。同様に、推奨樹脂特性データ３４２は、樹脂組成物要求特性データを概ね満たす樹脂Ｂの特性を示していればよい。また、推奨無機充填材配合データ３４３は、樹脂組成物要求特性データを概ね満たす無機充填材Ａの配合を示していればよい。同様に、推奨樹脂配合データ３４４は、樹脂組成物要求特性データを概ね満たす樹脂Ｂの配合を示していればよい。なお、推奨無機充填材特性データ３４１、推奨樹脂特性データ３４２、推奨無機充填材配合データ３４３、および推奨樹脂配合データ３４４に関するこれらの説明は、上述の予測無機充填材特性データ２３１０、予測樹脂特性データ２３２０、予測無機充填材配合データ２３３０、および予測樹脂配合データ２３４０についても同様に当てはまる。
出力部３５は、推奨データ導出部３４から推奨データ３４０を取得する。そして、出力部３５は、推奨データ３４０を出力する。出力部３５は、任意の出力インターフェースであってよい。一例として、出力部３５は、ディスプレイ（表示装置）であってよい。この場合、出力部３５は、推奨データ３４０を表示することにより、当該推奨データ３４０をユーザに視覚的に提示できる。このように、出力部３５は、推奨データ３４０を視覚的態様によって出力してもよい。別の例として、出力部３５は、モデル生成装置１００内の記憶部に、推奨データ３４０を転送してもよい。さらに別の例として、出力部３５は、モデル生成装置１００の外部装置に、推奨データ３４０を転送してもよい。
本発明の一態様において、樹脂組成物要求特性データ（第３入力データ３３０）は、樹脂組成物Ｃの任意の要求特性を示すデータであってよい。上述の樹脂組成物特性入力データに関する説明から明らかである通り、一例として、樹脂組成物要求特性データは、樹脂組成物Ｃの、
粘度、流動性、成形性、接着性、透明性、色調、強度、吸水率、線膨張係数、弾性率、降伏応力、引っ張り強さ、破壊靭性、電気伝導率、誘電率、誘電正接、熱伝導率、および、安定性、
のうちの少なくとも１つを、樹脂組成物Ｃの要求特性として示す。
（樹脂組成物製造システム１における処理の一例）
以下、樹脂組成物製造システム１における処理の一例について説明する。以下の例では、無機充填材Ａの種類が５つであり、かつ、樹脂Ｂの種類が１つである場合について説明する。以下の例では、樹脂Ｂの特性および樹脂Ｂの配合割合はいずれも、一定の固定値（固定条件）に設定されているものとする。
従って、以下の例では、樹脂Ｂの特性および樹脂Ｂの配合割合については、説明変数として考慮しない。それゆえ、以下の説明では、樹脂特性入力データ１１２および樹脂配合入力データ１１４については言及しない。このことから、以下では、無機充填材Ａの配合割合を、単に配合割合とも略称する。なお、以下の例では、樹脂組成物Ｃの特性として、樹脂組成物Ｃの粘度（単位：Ｐａ・ｓ）を例示する。また、樹脂組成物Ｃの粘度を、単に粘度とも略称する。
（第１入力データ１１０および第２入力データ１２０の一例）
図５は、無機充填材配合入力データ１１３および第２入力データ１２０の一例を示す図である。図５の例における無機充填材配合入力データ１１３は、５種類の無機充填材の配合割合を、重量％（ｗｔ％）によって示すデータである。以下の説明では、５種類の無機充填材をそれぞれ、無機充填材０～無機充填材４と称する。そして、無機充填材ｉの配合割合を、ｘ０ｉと称する。ｉは、０≦ｉ≦４を満たす整数である。例えば、ｘ０１は、無機充填材１の配合割合を表す。
ここで、当業者であれば明らかである通り、
ｘ００＋ｘ０１＋ｘ０２＋ｘ０３＋ｘ０４＝１００
という関係が成立する。従って、ｘ００は、
ｘ００＝１００－ｘ０１－ｘ０２－ｘ０３－ｘ０４
の通り、予め設定されたｘ０１～ｘ０４に応じて一義的に決定される。そこで、図５の例における無機充填材配合入力データ１１３では、説明変数の次元数を削減するために、ｘ０１～ｘ０４のみが設定されている。
無機充填材配合入力データ１１３では、配合割合パターン（ｘ０１～ｘ０４の組み合わせのパターン）が複数個設定されている。図５のｉｄは、配合割合パターンの識別番号である。例えば、ｉｄ＝１は、１番目の配合割合パターン（以下、第１配合割合パターンとも称する）を示す。図５の例における第１番配合割合パターンでは、「ｘ００＝６０、ｘ０１＝１０、ｘ０２＝３０、ｘ０３＝０、ｘ０４＝０」である。なお、以下では、例えば、ｉｄ＝１を、ｉｄ１と適宜略記する。
図５の例における第２入力データ１２０は、各配合割合パターンに対応する、樹脂組成物Ｃの粘度（ｙ０１）を示す。具体的には、第２入力データ１２０におけるｙ０１には、各配合割合パターンに対して実測された粘度の値が記録されている。本例における計算機シミュレーションに先立ち、本願の発明者ら（以下、単に「発明者ら」と略称する）は、上述の第１配合割合パターンに従って樹脂組成物Ｃを製造した。そして、発明者らが樹脂組成物Ｃの粘度を実測したところ、当該実測値として４５５という値が得られた。このため、図５の例における第２入力データ１２０では、ｉｄ１に対して、ｙ０１＝４５５という値が設定されている。
図５の例では、各配合割合パターンとｙ０１との対応関係を示すデータセットが、ｉｄごとに作成されている。図５の例において、ｊ番目のｉｄ（ｉｄｊ）に対応するデータセットを、ＤＡＴＡＳＥＴ＿ｉｄｊと称する。一例として、ＤＡＴＡＳＥＴ＿ｉｄ１は、第１番配合割合パターンとｙ０１との対応関係を示すデータセットである。以下、ｊ番目の配合割合パターンを、第ｊ配合割合パターンとも称する。
図６は、無機充填材特性入力データ１１１の一例を示す図である。図６の例における無機充填材特性入力データ１１１は、無機充填材０～無機充填材４の粒度分布を示す。
（第１アルゴリズム実行部２１１における説明変数の導出例）
図７は、第１アルゴリズム実行部２１１における説明変数の導出例を示す図である。第１アルゴリズム実行部２１１は、第１入力データ１１０から得られる樹脂組成物Ｃの特性を示すデータに対応する説明変数（Ｘ）を導出する。本例では、第１アルゴリズム実行部２１１は、無機充填材配合入力データ１１３および無機充填材特性入力データ１１１から得られる樹脂組成物Ｃの粘度を示すデータに対応する説明変数を導出する。このように、本例では、目的変数である粘度を説明するための説明変数が、Ｘとして導出される。
具体的には、第１アルゴリズム実行部２１１は、第１アルゴリズムを実行することにより、無機充填材配合入力データ１１３および無機充填材特性入力データ１１１に基づいて、Ｘを導出する。図７の例では、第１機械学習部２１は、第１アルゴリズムとして加重平均算出および主成分分析を実行する。
図７の例では、第１機械学習部２１は、無機充填材配合入力データ１１３を、無機充填材特性入力データ１１１に基づいて加重平均する。続いて、第１機械学習部２１は、加重平均後の無機充填材配合入力データを主成分分析することにより、粒度分布起因ベクトル（図７のｘｘ０１～ｘｘ０５を成分として有するベクトル）を説明変数として導出する。なお、加重平均算出における重み値は、例えば無機充填材特性入力データ１１１に基づいて、公知の手法によって設定されてよい。主成分分析により削減される次元は、任意に設定されてよい。第１機械学習部２１は、ｉｄごとに粒度分布起因ベクトルを算出する。従って、例えば、図７に示す通り、第１機械学習部２１によって導出される説明変数には、以下に述べる第１粒度分布起因ベクトル（ｉｄ１に対応する粒度分布起因ベクトル）が含まれている。
本明細書では、第ｊ配合割合パターンに対応する粒度分布起因ベクトル（換言すれば、ｉｄｊに対応する粒度分布起因ベクトル）を、第ｊ粒度分布起因ベクトルと称する。第ｊ粒度分布起因ベクトルは、第ｊ配合割合パターンが適用された場合の、樹脂組成物Ｃにおける無機充填材０～無機充填材４の粒度分布から算出される。従って、例えば、第１粒度分布起因ベクトルは、上述の第１配合割合パターンが適用された場合の、樹脂組成物Ｃにおける無機充填材０～無機充填材４の粒度分布から算出される。
（第２アルゴリズム実行部２１２におけるＭＯＤＥＬ１の生成例）
図８は、第２アルゴリズム実行部２１２におけるＭＯＤＥＬ１の生成例を示す図である。第２アルゴリズム実行部２１２は、（ｉ）第１アルゴリズム実行部２１１によって導出された説明変数（Ｘ）と、（ｉｉ）第２入力データ１２０と、に基づいて、ＭＯＤＥＬ１を生成する。具体的には、第２アルゴリズム実行部２１２は、第２アルゴリズムを実行することにより、Ｘと第２入力データ１２０とに基づいて、ＭＯＤＥＬ１を生成する。
図８の例では、第２アルゴリズム実行部２１２は、第２アルゴリズムとして、ニューラルネットワークを実行する。具体的には、第２アルゴリズム実行部２１２は、各ｉｄについて、Ｘに対応する目的変数を、第２入力データ１２０から取得する。例えば、第２アルゴリズム実行部２１２は、ｉｄ１におけるＸに対応する目的変数（ｙ）の正解データとして、ＤＡＴＡＳＥＴ＿ｉｄ１において示されている粘度（ｙ０１）を取得する。そして、第２アルゴリズム実行部２１２は、当該正解データを用いてニューラルネットワークを実行することにより、各ｉｄにおけるＸとｙとの関係を満たす関数ｆを導出する。このように、第２アルゴリズム実行部２１２は、ｙ＝ｆ（Ｘ）の関係を示す関数ｆとして、ＭＯＤＥＬ１を生成する。
以下では、第２アルゴリズム実行部２１２が、バギング法によるアンサンブル学習を行うことにより、ＭＯＤＥＬ１が生成された場合を例示する。それゆえ、本例におけるＭＯＤＥＬ１は、異なるハイパーパラメータを有する複数のニューラルネット（弱学習器）を含んでいる。このように、本例におけるＭＯＤＥＬ１は、複数の弱学習器が統合された強学習器として生成されている。
（ＭＯＤＥＬ１における入出力の例）
図９は、ＭＯＤＥＬ１における入出力の例を示す図である。図９では、上述の第１粒度分布起因ベクトル（ｉｄ１に対応する粒度分布起因ベクトル）がＸとして例示されている。図９に示す通り、ＭＯＤＥＬ１にＸを入力することにより、ｙの分布を示すヒストグラム（ｙ＿Ｈｉｓｔ）を得ることができる。具体的には、ＭＯＤＥＬ１内の複数の弱学習器のそれぞれにＸを入力することによって、当該複数の弱学習器から出力された複数のｙを統合することにより、ｙ＿Ｈｉｓｔが得られる。
なお、本例では、上述の第２アルゴリズムによるＭＯＤＥＬ１の生成に先立ち、正解データの前処理が実行されている。具体的には、本例では、ＭＯＤＥＬ１の生成に先立ち、正解データの対数変換が実行されている。このため、ＭＯＤＥＬ１は、厳密には、ｌｏｇ（ｙ）を出力するモデルとして生成されている。このため、図９の例におけるｙ＿Ｈｉｓｔにおける横軸は、ｌｏｇ（ｙ）である。但し、本明細書では、簡単のために、ＭＯＤＥＬ１がｙを出力するモデルであるものとして説明する。さらに、ｙ＿Ｈｉｓｔは、ｙの分布を示すヒストグラムであると読み替えて説明する。
そして、本例におけるＭＯＤＥＬ１は、ｙ＿Ｈｉｓｔに基づく所定のデータを、最終的な予測値（強学習器としての予測値）として決定し、当該最終的な予測値を出力する。具体的には、本例におけるＭＯＤＥＬ１は、ｙ＿Ｈｉｓｔの平均値（μ）を、最終的な予測値（ｙ）として出力する。μは、期待値とも称される。
強学習器として生成されたＭＯＤＥＬ１によれば、上述の図２に示す通り、任意の入力データセット１１００を説明変数（Ｘ）として取得することにより、未知の樹脂組成物特性データ１２００を目的変数（ｙ）として出力できる。例えば、ＭＯＤＥＬ１に上述の第１配合割合パターンをＸとして入力することにより、当該第１配合割合パターンに対応する粘度の予測値をｙとして出力できる。
なお、ＭＯＤＥＬ１は、ｙ＿Ｈｉｓｔの分散（σ２）を、μとともに出力してもよい。当該分散は、ＭＯＤＥＬ１の予測値の不確かさの指標の一例である。あるいは、ＭＯＤＥＬ１は、ｙ＿Ｈｉｓｔの標準偏差（σ）を、μとともに出力してもよい。当該標準偏差は、ＭＯＤＥＬ１の予測値の不確かさの指標の別の例である。
（第３アルゴリズム実行部２２３によって生成されたＭＯＤＥＬ２における演算例）
図１０は、第３アルゴリズム実行部２２３によって生成されたＭＯＤＥＬ２における演算例を示す図である。第３アルゴリズム実行部２２３は、第３アルゴリズムを実行することにより、ＭＯＤＥＬ１に基づいてＭＯＤＥＬ２を生成する。言い換えれば、第３アルゴリズム実行部２２３は、第２アルゴリズム実行部２１２によって予め決定された関数ｆに基づいて、上述の関数ｇ（関数ｆの近似的な逆関数）を決定する（上述の図３も参照）。
図１０の例では、第３アルゴリズム実行部２２３は、第３アルゴリズムとしてグリッドサーチを用いることにより、ＭＯＤＥＬ２を生成する。生成されたＭＯＤＥＬ２の内部では、以下に述べる２段階（第１段階および第２段階）の計算が実行される。
まず、第１段階では、ＭＯＤＥＬ２は、ＭＯＤＥＬ１を用いて、取り得る複数の配合割合パターン（ｘ０１～ｘ０４の組み合わせ）のそれぞれに対し、粘度の予測値（μ）を算出する。具体的には、ＭＯＤＥＬ２は、各配合割合パターンに対応する説明変数（Ｘ）をＭＯＤＥＬ１に入力することにより、当該ＭＯＤＥＬ１にμを目的変数として出力させる。本例では、ＭＯＤＥＬ１は、各配合割合パターンについて、μに加えてσをさらに出力する。
続いて、第２段階では、ＭＯＤＥＬ２は、第１段階において算出されたμおよびσに基づき、当該ＭＯＤＥＬ２に入力された任意の粘度データが得られる確率が最大である、配合割合パターン（Ｘ）を出力する（上述の図３も参照）。
図１０の例において、ＭＯＤＥＬ２は、任意の樹脂組成物特性データ２２００が得られる確率が最大である予測データセット２３００を予測する。図１０の例では、任意の樹脂組成物特性データ２２００が「μ＝２９０～３１０」という粘度を示すデータである場合が例示されている。
μ＝２９０～３１０という上記数値範囲は、樹脂組成物Ｃを接着剤として用いる場合を想定して設定された数値範囲の一例である。例えば、接着剤の粘度が高すぎる場合には、当該接着剤を所望の形に整形して使用することは困難である。他方、接着剤の粘度が低すぎる場合には、当該接着剤に液だれが生じやすくなる。従って、接着剤の粘度には、好適な数値範囲が存在すると考えられる。μ＝２９０～３１０という上記数値範囲は、当該好適な数値範囲の一例である。
図１０の例では、ＭＯＤＥＬ２は、「μが２９０～３１０という目標範囲内に収まる確率」（以下、「目標範囲に対する確率」と称する）が最も高い配合割合パターンを、最適配合割合パターンとして選択する。そして、ＭＯＤＥＬ２は、当該最適配合割合パターンを、予測結果（すなわち、予測データセット２３００）として出力する。図１０の例では、ＭＯＤＥＬ２は、取り得る複数の配合割合パターンの全ての組み合わせに対し、目標範囲に対する確率を算出する。具体的には、図１０の例では、ＭＯＤＥＬ２は、μが正規分布に従うとの仮定の下にて、目標範囲に対する確率を算出する。
図１０の例では、「各配合割合パターン」と「μおよびσ」と「目標範囲に対する確率」との対応関係を示すデータセットが、ｉｄごとに作成されている。図１０の例において、ｊ番目のｉｄ（ｉｄｊ）に対応するデータセットを、ＤＡＴＡＳＥＴ２＿ｉｄｊと称する。
図１０の例において、ＭＯＤＥＬ２は、全てのｊについて、目標範囲に対する確率が最大であるデータセット（以下、確率最大データセットと称する）を探索する。図１０の例では、ＭＯＤＥＬ２による探索の結果、ＤＡＴＡＳＥＴ２＿ｉｄ１が、確率最大データセットであることが見出された。なお、図１０の例における第１配合割合パターンは、「ｘ００＝６５、ｘ０１＝５、ｘ０２＝２０、ｘ０３＝０、ｘ０４＝１０」という配合割合パターンである。
ＭＯＤＥＬ２は、確率最大データセットを、最適データセット（ＤＡＴＡＳＥＴ２＿ＯＰＴ）として選択する。そして、ＭＯＤＥＬ２は、最適データセットに対応する配合割合パターンを、最適配合割合パターンとして決定する。図１０の例では、ＭＯＤＥＬ２は、ＤＡＴＡＳＥＴ２＿ｉｄ１を、最適データセットとして選択する。そして、第３アルゴリズム実行部２２３は、ＤＡＴＡＳＥＴ２＿ｉｄ１に対応する上述の第１配合割合パターンを、最適配合割合パターンとして決定する。このように、図１０の例では、第１配合割合パターンが予測結果として出力される。
以上の通り、第３アルゴリズム実行部２２３は、第３アルゴリズム（例：グリッドサーチ）によって、ＭＯＤＥＬ２（任意の樹脂組成物特性データ２２００を満たす予測データセット２３００を予測するモデル）を生成する。但し、当業者であれば明らかである通り、最適配合割合パターンの決定手法は、上記の例に限定されない。
例えば、ＭＯＤＥＬ２は、図１０の例における全ての配合割合パターンの内、３００（上述の粘度の数値範囲の中央値）に最も近い予測値（μ）が得られているデータセット（以下、予測値最近データセットと称する）に対応する配合割合パターンを探索してもよい。そして、ＭＯＤＥＬ２は、予測値最近データセットに対応する配合割合パターンを、最適配合割合パターンとして決定してもよい。
（推奨データ導出部３４における推奨データの導出例）
上述の通り生成されたＭＯＤＥＬ２を使用することにより、推奨データ導出部３４において、第３入力データ３３０（樹脂組成物要求特性データ）に基づいて、推奨データ３４０を導出できる（上述の図４も参照）。
一例として、第３入力データ３３０は、「μ＝３５０～３７０」という粘度を示すデータであってよい。この場合、推奨データ導出部３４は、第３入力データ３３０をＭＯＤＥＬ２に入力することにより、当該第３入力データ３３０に応じた推奨データ３４０を導出できる。本例における推奨データ３４０は、例えば、μ＝３５０～３７０という粘度に対応する最適配合割合パターンである。
（効果）
モデル生成装置１００によれば、任意の樹脂組成物特性データ２２００を満たす予測データセット２３００を予測するＭＯＤＥＬ２を生成できる。言い換えれば、樹脂組成物についての要求特性充足条件に関する予測結果として、予測データセット２３００を出力するＭＯＤＥＬ２を、予測モデルとして生成できる。
そして、予測装置３００によれば、モデル生成装置１００において予め生成されたＭＯＤＥＬ２を用いて、樹脂組成物についての要求特性充足条件を予測できる。具体的には、予測装置３００では、樹脂組成物要求特性データをＭＯＤＥＬ２に入力することにより、推奨データ３４０を導出できる。上述の各説明から明らかである通り、推奨データ３４０は、樹脂組成物要求特性データについての予測結果である。
以上の通り、樹脂組成物製造システム１では、（ｉ）機械学習によってＭＯＤＥＬ２を生成し、かつ、（ｉｉ）当該ＭＯＤＥＬ２を用いて、樹脂組成物についての要求特性充足条件を予測できる。このため、樹脂組成物製造システム１によれば、公知技術（例：特許文献１の技術）とは異なり、実験ベースでの多数の試行錯誤によって、要求特性充足条件を検討することが不要となる。それゆえ、樹脂組成物についての要求特性充足条件を、従来よりも効率的に見出すことができる。
このため、樹脂組成物製造システム１によれば、例えば、所望の要求特性を有する樹脂組成物を、従来よりも低いコストによって開発できる。また、持続可能な開発目標（ＳＤＧｓ）への貢献が期待される新規な樹脂組成物を、従来よりも容易に実現することもできる。
（補足）
ところで、「樹脂組成物の推奨組成データを導出するために、機械学習を用いる」こと自体は、公知である。但し、発明者らが調査した限りでは、「実施形態１において開示されている各入力データの具体的な組み合わせに基づいて、ＭＯＤＥＬ２（無機充填材Ａと樹脂Ｂと含む樹脂組成物Ｃについての要求特性充足条件を予測するモデル）を生成すること」を開示または示唆する文献は、現時点では何ら存在していない。それゆえ、樹脂組成物製造システム１（より具体的には、モデル生成装置１００および予測装置３００）は、従来技術とは十分に差別化された斬新な技術的思想に基づいていると言える。
〔実施形態２〕
実施形態１では、第１アルゴリズムの一例として加重平均算出（特徴量の加重平均を算出するアルゴリズム）および主成分分析（特徴量の次元を削減するアルゴリズム）を例示した。但し、当業者であれば明らかである通り、第１アルゴリズムは、これらのアルゴリズムに限定されない。
例えば、第１アルゴリズムは、ｎ次モーメント算出アルゴリズム（特徴量のｎ次モーメントを算出するアルゴリズム）であってよい。ｎは、任意の自然数である。なお、実施形態１における加重平均算出アルゴリズムは、ｎ＝１におけるｎ次モーメント算出アルゴリズムに相当する。あるいは、第１アルゴリズムは、特徴量についての公知の統計量（例：平均値、分散、最大値、最小値等）を算出するアルゴリズムであってもよい。
〔ソフトウェアによる実現例〕
樹脂組成物製造システム１（以下、「システム」と呼ぶ）の機能は、当該システムとしてコンピュータを機能させるためのプログラムであって、当該システムの各制御ブロック（特に、モデル生成装置１００および予測装置３００に含まれる各部）としてコンピュータを機能させるためのプログラムにより実現することができる。
この場合、上記システムは、上記プログラムを実行するためのハードウェアとして、少なくとも１つの制御装置（例えばプロセッサ）と少なくとも１つの記憶装置（例えばメモリ）を有するコンピュータを備えている。この制御装置と記憶装置により上記プログラムを実行することにより、上記各実施形態で説明した各機能が実現される。
上記プログラムは、一時的ではなく、コンピュータ読み取り可能な、１または複数の記録媒体に記録されていてもよい。この記録媒体は、上記システムが備えていてもよいし、備えていなくてもよい。後者の場合、上記プログラムは、有線または無線の任意の伝送媒体を介して上記システムに供給されてもよい。
また、上記各制御ブロックの機能の一部または全部は、論理回路により実現することも可能である。例えば、上記各制御ブロックとして機能する論理回路が形成された集積回路も本発明の一態様の範疇に含まれる。この他にも、例えば量子コンピュータにより上記各制御ブロックの機能を実現することも可能である。
また、上述の通り、上記各実施形態で説明した各処理は、ＡＩ（Artificial Intelligence：人工知能）に実行させてもよい。この場合、ＡＩは上記制御装置で動作するものであってもよいし、他の装置（例えばエッジコンピュータまたはクラウドサーバ等）で動作するものであってもよい。
〔付記事項〕
本発明の一態様は、上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の一態様の技術的範囲に含まれる。
１ 樹脂組成物製造システム
１１ 第１入力データ取得部
１２ 第２入力データ取得部
２１ 第１機械学習部
２２ 第２機械学習部
３３ 第３入力データ取得部
３４ 推奨データ導出部
３５ 出力部
１００ モデル生成装置
１１０ 第１入力データ
１１１ 無機充填材特性入力データ
１１２ 樹脂特性入力データ
１１３ 無機充填材配合入力データ
１１４ 樹脂配合入力データ
１２０ 第２入力データ（樹脂組成物特性入力データ）
２１１ 第１アルゴリズム実行部
２１２ 第２アルゴリズム実行部
２２３ 第３アルゴリズム実行部
３００ 予測装置
３３０ 第３入力データ（樹脂組成物要求特性データ）
３４０ 推奨データ
３４１ 推奨無機充填材特性データ
３４２ 推奨樹脂特性データ
３４３ 推奨無機充填材配合データ
３４４ 推奨樹脂配合データ
１１００ 任意の入力データセット
１１１０ 任意の無機充填材特性データ
１１２０ 任意の樹脂特性データ
１１３０ 任意の無機充填材配合データ
１１４０ 任意の樹脂配合データ
１２００ 未知の樹脂組成物特性データ
２２００ 任意の樹脂組成物特性データ
２３００ 予測データセット
２３１０ 予測無機充填材特性データ
２３３０ 予測無機充填材配合データ
２３４０ 予測樹脂配合データ
ＭＯＤＥＬ１ 第１予測モデル
ＭＯＤＥＬ２ 第２予測モデル
Ｘ 説明変数
ｙ 目的変数

Claims (9)

  1. １つ以上の無機充填材と１つ以上の樹脂とを含む樹脂組成物の要求特性を満たす、（ｉ）前記無機充填材の特性、（ｉｉ）前記樹脂の特性、（ｉｉｉ）前記無機充填材の配合割合、および、（ｉｖ）前記樹脂の配合割合、のうちの１つ以上を予測するための予測モデルを生成するモデル生成装置であって、
    （ｉ）前記無機充填材の前記特性を示す無機充填材特性入力データ、（ｉｉ）前記樹脂の前記特性を示す樹脂特性入力データ、（ｉｉｉ）複数種類の前記無機充填材を前記樹脂へと配合した前記樹脂組成物内の前記無機充填材の前記配合割合に関する無機充填材配合入力データ、および、（ｉｖ）前記樹脂の前記配合割合に関する樹脂配合入力データ、のうちの少なくとも１つを含む入力データである第１入力データを取得する第１入力データ取得部と、
    前記第１入力データと対になる第２入力データとして、前記樹脂組成物の特性を示す樹脂組成物特性入力データを取得する第２入力データ取得部と、
    （ｉ）任意の無機充填材特性データ、（ｉｉ）任意の樹脂特性データ、（ｉｉｉ）任意の無機充填材配合データ、および、（ｉｖ）任意の樹脂配合データ、のうちの１つ以上から、未知の樹脂組成物特性データを予測する第１予測モデルを、前記第１入力データおよび前記第２入力データに基づいて生成する第１機械学習部と、
    任意の樹脂組成物特性データを満たす、（ｉ）予測無機充填材特性データ、（ｉｉ）予測樹脂特性データ、（ｉｉｉ）予測無機充填材配合データ、および、（ｉｖ）予測樹脂配合データ、のうちの１つ以上を予測する第２予測モデルを、前記第１予測モデルに基づいて生成する第２機械学習部と、を備えており、
    前記第１機械学習部は、
    前記第２入力データから得られる前記樹脂組成物の前記特性を示すデータに対応する説明変数を導出する第１アルゴリズムを実行する第１アルゴリズム実行部と、
    前記説明変数および前記第２入力データに基づいて前記第１予測モデルを生成する第２アルゴリズムを実行する第２アルゴリズム実行部と、を有しており、
    前記第２アルゴリズムは、
    ガウス過程回帰、サポートベクターマシン、線形回帰、決定木、ランダムフォレスト、ニューラルネットワーク、および、勾配ブースティング木、のうちの少なくとも１つであり、
    前記第２機械学習部は、前記第１予測モデルに基づいて前記第２予測モデルを生成する第３アルゴリズムを実行する第３アルゴリズム実行部を有しており、
    前記第３アルゴリズムは、
    遺伝的アルゴリズム、最急降下法、グリッドサーチ、および、ベイズ最適化のうちの少なくとも１つである、
    モデル生成装置。
  2. 前記無機充填材特性入力データは、
    前記無機充填材の、
    組成式、結晶度、比重、かさ比重、粒度分布、比表面積、細孔容積、ゼータ電位、電気伝導率、誘電率、誘電正接、屈折率、比熱、熱伝導率、線膨張率、圧壊強度、球形度、アスペクト比、水分量、炭素量、窒素量、表面官能基種、表面官能基量、光吸収波長、吸光度、Ｍ値、および、溶解度パラメータ、
    のうちの少なくとも１つを、前記無機充填材の前記特性として示す、
    請求項１に記載のモデル生成装置。
  3. 前記樹脂特性入力データは、
    前記樹脂の、
    組成式、重合度、分子量分布、立体規則性、反応性官能基種、反応性官能基量、粘度、融点、ガラス転移温度、結晶化度、弾性率、降伏応力、引っ張り強さ、破壊靭性、光吸収波長、吸光度、比重、屈折率、電気伝導率、誘電率、誘電正接、比熱、熱伝導率、水分量、および、溶解度パラメータ、
    のうちの少なくとも１つを、前記樹脂の前記特性として示す、
    請求項１または２に記載のモデル生成装置。
  4. 前記樹脂組成物特性入力データは、
    前記樹脂組成物の、
    粘度、流動性、成形性、接着性、透明性、色調、強度、吸水率、線膨張係数、弾性率、降伏応力、引っ張り強さ、破壊靭性、電気伝導率、誘電率、誘電正接、熱伝導率、および、安定性、
    のうちの少なくとも１つを、前記樹脂組成物の前記特性として示す、
    請求項１から３のいずれか１項に記載のモデル生成装置。
  5. １つ以上の無機充填材と１つ以上の樹脂とを含む樹脂組成物の要求特性を満たす、（ｉ）前記無機充填材の特性、（ｉｉ）前記樹脂の特性、（ｉｉｉ）前記無機充填材の配合割合、および、（ｉｖ）前記樹脂の配合割合、のうちの１つ以上を予測するための予測モデルを生成するモデル生成装置によって生成された前記予測モデルを用いて、
    前記樹脂組成物の前記要求特性を満たす、（ｉ）前記無機充填材の前記特性、（ｉｉ）前記樹脂の前記特性、（ｉｉｉ）前記無機充填材の前記配合割合、および、（ｉｖ）前記樹脂の前記配合割合、のうちの１つ以上を予測する予測装置であって、
    前記モデル生成装置は、（ｉ）前記無機充填材の前記特性を示す無機充填材特性入力データ、（ｉｉ）前記樹脂の前記特性を示す樹脂特性入力データ、（ｉｉｉ）複数種類の前記無機充填材を前記樹脂へと配合した前記樹脂組成物内の前記無機充填材の前記配合割合に関する無機充填材配合入力データ、および、（ｉｖ）前記樹脂の前記配合割合に関する樹脂配合入力データ、のうちの少なくとも１つを含む入力データである第１入力データを取得する第１入力データ取得工程を実行し、
    前記モデル生成装置は、前記第１入力データと対になる第２入力データとして、前記樹脂組成物の特性を示す樹脂組成物特性入力データを取得する第２入力データ取得工程を実行し、
    前記モデル生成装置は、（ｉ）任意の無機充填材特性データ、（ｉｉ）任意の樹脂特性データ、（ｉｉｉ）任意の無機充填材配合データ、および、（ｉｖ）任意の樹脂配合データ、のうちの１つ以上から、未知の樹脂組成物特性データを予測する第１予測モデルを、前記第１入力データおよび前記第２入力データに基づいて生成する第１機械学習工程を実行し、
    前記モデル生成装置は、任意の樹脂組成物特性データを満たす、（ｉ）予測無機充填材特性データ、（ｉｉ）予測樹脂特性データ、（ｉｉｉ）予測無機充填材配合データ、および、（ｉｖ）予測樹脂配合データ、のうちの１つ以上を予測する第２予測モデルを、前記第１予測モデルに基づいて生成する第２機械学習工程を実行し、
    前記第１機械学習工程は、
    前記モデル生成装置が、前記第２入力データから得られる前記樹脂組成物の前記特性を示すデータに対応する説明変数を導出する第１アルゴリズムを実行する第１アルゴリズム実行工程と、
    前記モデル生成装置が、前記説明変数および前記第２入力データに基づいて前記第１予測モデルを生成する第２アルゴリズムを実行する第２アルゴリズム実行工程と、を含んでおり、
    前記第２アルゴリズムは、
    ガウス過程回帰、サポートベクターマシン、線形回帰、決定木、ランダムフォレスト、ニューラルネットワーク、および、勾配ブースティング木、のうちの少なくとも１つであり、
    前記第２機械学習工程は、
    前記モデル生成装置が、前記第１予測モデルに基づいて前記第２予測モデルを生成する第３アルゴリズムを実行する第３アルゴリズム実行工程を含んでおり、
    前記第３アルゴリズムは、
    遺伝的アルゴリズム、最急降下法、グリッドサーチ、および、ベイズ最適化のうちの少なくとも１つであり、
    前記予測装置は、
    前記樹脂組成物の前記要求特性を示す樹脂組成物要求特性データを第３入力データとして取得する第３入力データ取得部と、
    前記樹脂組成物要求特性データを、前記モデル生成装置によって生成された前記第２予測モデルに入力することにより、（ｉ）前記樹脂組成物要求特性データを満たす無機充填材の特性を示す推奨無機充填材特性データ、（ｉｉ）前記樹脂組成物要求特性データを満たす樹脂の特性を示す推奨樹脂特性データ、（ｉｉｉ）前記樹脂組成物要求特性データを満たす無機充填材の配合を示す推奨無機充填材配合データ、および、（ｉｖ）前記樹脂組成物要求特性データを満たす樹脂の配合を示す推奨樹脂配合データ、のうちの少なくとも１つを含む推奨データを導出する推奨データ導出部と、を備えている、
    予測装置。
  6. 前記樹脂組成物要求特性データは、
    前記樹脂組成物の、
    粘度、流動性、成形性、接着性、透明性、色調、強度、吸水率、線膨張係数、弾性率、降伏応力、引っ張り強さ、破壊靭性、電気伝導率、誘電率、誘電正接、熱伝導率、および、安定性、
    のうちの少なくとも１つを、前記樹脂組成物の前記要求特性として示す、
    請求項５に記載の予測装置。
  7. １つ以上の無機充填材と１つ以上の樹脂とを含む樹脂組成物の要求特性を満たす、（ｉ）前記無機充填材の特性、（ｉｉ）前記樹脂の特性、（ｉｉｉ）前記無機充填材の配合割合、および、（ｉｖ）前記樹脂の配合割合、のうちの１つ以上を予測するための予測モデルを、モデル生成装置が生成するモデル生成方法であって、
    前記モデル生成装置が、（ｉ）前記無機充填材の前記特性を示す無機充填材特性入力データ、（ｉｉ）前記樹脂の前記特性を示す樹脂特性入力データ、（ｉｉｉ）複数種類の前記無機充填材を前記樹脂へと配合した前記樹脂組成物内の前記無機充填材の前記配合割合に関する無機充填材配合入力データ、および、（ｉｖ）前記樹脂の前記配合割合に関する樹脂配合入力データ、のうちの少なくとも１つを含む入力データである第１入力データを取得する第１入力データ取得工程と、
    前記モデル生成装置が、前記第１入力データと対になる第２入力データとして、前記樹脂組成物の特性を示す樹脂組成物特性入力データを取得する第２入力データ取得工程と、
    前記モデル生成装置が、（ｉ）任意の無機充填材特性データ、（ｉｉ）任意の樹脂特性データ、（ｉｉｉ）任意の無機充填材配合データ、および、（ｉｖ）任意の樹脂配合データ、のうちの１つ以上から、未知の樹脂組成物特性データを予測する第１予測モデルを、前記第１入力データおよび前記第２入力データに基づいて生成する第１機械学習工程と、
    前記モデル生成装置が、任意の樹脂組成物特性データを満たす、（ｉ）予測無機充填材特性データ、（ｉｉ）予測樹脂特性データ、（ｉｉｉ）予測無機充填材配合データ、および、（ｉｖ）予測樹脂配合データ、のうちの１つ以上を予測する第２予測モデルを、前記第１予測モデルに基づいて生成する第２機械学習工程と、を含んでおり、
    前記第１機械学習工程は、
    前記モデル生成装置が、前記第２入力データから得られる前記樹脂組成物の前記特性を示すデータに対応する説明変数を導出する第１アルゴリズムを実行する第１アルゴリズム実行工程と、
    前記モデル生成装置が、前記説明変数および前記第２入力データに基づいて前記第１予測モデルを生成する第２アルゴリズムを実行する第２アルゴリズム実行工程と、を含んでおり、
    前記第２アルゴリズムは、
    ガウス過程回帰、サポートベクターマシン、線形回帰、決定木、ランダムフォレスト、ニューラルネットワーク、および、勾配ブースティング木、のうちの少なくとも１つであり、
    前記第２機械学習工程は、
    前記モデル生成装置が、前記第１予測モデルに基づいて前記第２予測モデルを生成する第３アルゴリズムを実行する第３アルゴリズム実行工程を含んでおり、
    前記第３アルゴリズムは、
    遺伝的アルゴリズム、最急降下法、グリッドサーチ、および、ベイズ最適化のうちの少なくとも１つである、
    モデル生成方法。
  8. １つ以上の無機充填材と１つ以上の樹脂とを含む樹脂組成物の要求特性を満たす、（ｉ）前記無機充填材の特性、（ｉｉ）前記樹脂の特性、（ｉｉｉ）前記無機充填材の配合割合、および、（ｉｖ）前記樹脂の配合割合、のうちの１つ以上を予測するための予測モデルを生成するモデル生成装置によって生成された前記予測モデルを用いて、
    前記樹脂組成物の前記要求特性を満たす、（ｉ）前記無機充填材の前記特性、（ｉｉ）前記樹脂の前記特性、（ｉｉｉ）前記無機充填材の前記配合割合、および、（ｉｖ）前記樹脂の前記配合割合、のうちの１つ以上を、予測装置が予測する予測方法であって、
    前記モデル生成装置は、（ｉ）前記無機充填材の前記特性を示す無機充填材特性入力データ、（ｉｉ）前記樹脂の前記特性を示す樹脂特性入力データ、（ｉｉｉ）複数種類の前記無機充填材を前記樹脂へと配合した前記樹脂組成物内の前記無機充填材の前記配合割合に関する無機充填材配合入力データ、および、（ｉｖ）前記樹脂の前記配合割合に関する樹脂配合入力データ、のうちの少なくとも１つを含む入力データである第１入力データを取得する第１入力データ取得工程を実行し、
    前記モデル生成装置は、前記第１入力データと対になる第２入力データとして、前記樹脂組成物の特性を示す樹脂組成物特性入力データを取得する第２入力データ取得工程を実行し、
    前記モデル生成装置は、（ｉ）任意の無機充填材特性データ、（ｉｉ）任意の樹脂特性データ、（ｉｉｉ）任意の無機充填材配合データ、および、（ｉｖ）任意の樹脂配合データ、のうちの１つ以上から、未知の樹脂組成物特性データを予測する第１予測モデルを、前記第１入力データおよび前記第２入力データに基づいて生成する第１機械学習工程を実行し、
    前記モデル生成装置は、任意の樹脂組成物特性データを満たす、（ｉ）予測無機充填材特性データ、（ｉｉ）予測樹脂特性データ、（ｉｉｉ）予測無機充填材配合データ、および、（ｉｖ）予測樹脂配合データ、のうちの１つ以上を予測する第２予測モデルを、前記第１予測モデルに基づいて生成する第２機械学習工程を実行し、
    前記第１機械学習工程は、
    前記モデル生成装置が、前記第２入力データから得られる前記樹脂組成物の前記特性を示すデータに対応する説明変数を導出する第１アルゴリズムを実行する第１アルゴリズム実行工程と、
    前記モデル生成装置が、前記説明変数および前記第２入力データに基づいて前記第１予測モデルを生成する第２アルゴリズムを実行する第２アルゴリズム実行工程と、を含んでおり、
    前記第２アルゴリズムは、
    ガウス過程回帰、サポートベクターマシン、線形回帰、決定木、ランダムフォレスト、ニューラルネットワーク、および、勾配ブースティング木、のうちの少なくとも１つであり、
    前記第２機械学習工程は、
    前記モデル生成装置が、前記第１予測モデルに基づいて前記第２予測モデルを生成する第３アルゴリズムを実行する第３アルゴリズム実行工程を含んでおり、
    前記第３アルゴリズムは、
    遺伝的アルゴリズム、最急降下法、グリッドサーチ、および、ベイズ最適化のうちの少なくとも１つであり、
    前記予測方法は、
    前記予測装置が、前記樹脂組成物の前記要求特性を示す樹脂組成物要求特性データを第３入力データとして取得する第３入力データ取得工程と、
    前記予測装置が、前記樹脂組成物要求特性データを、前記モデル生成装置によって生成された前記第２予測モデルに入力することにより、（ｉ）前記樹脂組成物要求特性データを満たす無機充填材の特性を示す推奨無機充填材特性データ、（ｉｉ）前記樹脂組成物要求特性データを満たす樹脂の特性を示す推奨樹脂特性データ、（ｉｉｉ）前記樹脂組成物要求特性データを満たす無機充填材の配合を示す推奨無機充填材配合データ、および、（ｉｖ）前記樹脂組成物要求特性データを満たす樹脂の配合を示す推奨樹脂配合データ、のうちの少なくとも１つを含む推奨データを導出する推奨データ導出工程と、を含んでいる、
    予測方法。
  9. １つ以上の無機充填材と１つ以上の樹脂とを含む樹脂組成物の要求特性を満たす、（ｉ）前記無機充填材の特性、（ｉｉ）前記樹脂の特性、（ｉｉｉ）前記無機充填材の配合割合、および、（ｉｖ）前記樹脂の配合割合、のうちの１つ以上を予測するための予測モデルを生成するモデル生成装置と、
    前記モデル生成装置によって生成された前記予測モデルを用いて、前記樹脂組成物の前記要求特性を満たす、（ｉ）前記無機充填材の前記特性、（ｉｉ）前記樹脂の前記特性、（ｉｉｉ）前記無機充填材の前記配合割合、および、（ｉｖ）前記樹脂の前記配合割合、のうちの１つ以上を予測する予測装置と、を備えた、樹脂組成物製造システムであって、
    前記モデル生成装置は、
    （ｉ）前記無機充填材の前記特性を示す無機充填材特性入力データ、（ｉｉ）前記樹脂の前記特性を示す樹脂特性入力データ、（ｉｉｉ）複数種類の前記無機充填材を前記樹脂へと配合した前記樹脂組成物内の前記無機充填材の前記配合割合に関する無機充填材配合入力データ、および、（ｉｖ）前記樹脂の前記配合割合に関する樹脂配合入力データ、のうちの少なくとも１つを含む入力データである第１入力データを取得する第１入力データ取得部と、
    前記第１入力データと対になる第２入力データとして、前記樹脂組成物の特性を示す樹脂組成物特性入力データを取得する第２入力データ取得部と、
    （ｉ）任意の無機充填材特性データ、（ｉｉ）任意の樹脂特性データ、（ｉｉｉ）任意の無機充填材配合データ、および、（ｉｖ）任意の樹脂配合データ、のうちの１つ以上から、未知の樹脂組成物特性データを予測する第１予測モデルを、前記第１入力データおよび前記第２入力データに基づいて生成する第１機械学習部と、
    任意の樹脂組成物特性データを満たす、（ｉ）予測無機充填材特性データ、（ｉｉ）予測樹脂特性データ、（ｉｉｉ）予測無機充填材配合データ、および、（ｉｖ）予測樹脂配合データ、のうちの１つ以上を予測する第２予測モデルを、前記第１予測モデルに基づいて生成する第２機械学習部と、を備えており、
    前記第１機械学習部は、
    前記第２入力データから得られる前記樹脂組成物の前記特性を示すデータに対応する説明変数を導出する第１アルゴリズムを実行する第１アルゴリズム実行部と、
    前記説明変数および前記第２入力データに基づいて前記第１予測モデルを生成する第２アルゴリズムを実行する第２アルゴリズム実行部と、を有しており、
    前記第２アルゴリズムは、
    ガウス過程回帰、サポートベクターマシン、線形回帰、決定木、ランダムフォレスト、ニューラルネットワーク、および、勾配ブースティング木、のうちの少なくとも１つであり、
    前記第２機械学習部は、前記第１予測モデルに基づいて前記第２予測モデルを生成する第３アルゴリズムを実行する第３アルゴリズム実行部を有しており、
    前記第３アルゴリズムは、
    遺伝的アルゴリズム、最急降下法、グリッドサーチ、および、ベイズ最適化のうちの少なくとも１つであり、
    前記予測装置は、
    前記樹脂組成物の前記要求特性を示す樹脂組成物要求特性データを第３入力データとして取得する第３入力データ取得部と、
    前記樹脂組成物要求特性データを、前記モデル生成装置によって生成された前記第２予測モデルに入力することにより、（ｉ）前記樹脂組成物要求特性データを満たす無機充填材の特性を示す推奨無機充填材特性データ、（ｉｉ）前記樹脂組成物要求特性データを満たす樹脂の特性を示す推奨樹脂特性データ、（ｉｉｉ）前記樹脂組成物要求特性データを満たす無機充填材の配合を示す推奨無機充填材配合データ、および、（ｉｖ）前記樹脂組成物要求特性データを満たす樹脂の配合を示す推奨樹脂配合データ、のうちの少なくとも１つを含む推奨データを導出する推奨データ導出部と、を備えている、
    樹脂組成物製造システム。
JP2021119567A 2021-07-20 2021-07-20 モデル生成装置、予測装置、モデル生成方法、予測方法、および樹脂組成物製造システム Active JP7702829B2 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
JP2021119567A JP7702829B2 (ja) 2021-07-20 2021-07-20 モデル生成装置、予測装置、モデル生成方法、予測方法、および樹脂組成物製造システム
CN202280041595.8A CN117461088A (zh) 2021-07-20 2022-06-24 模型生成装置、预测装置、模型生成方法、预测方法以及树脂组合物制造系统
PCT/JP2022/025344 WO2023002804A1 (ja) 2021-07-20 2022-06-24 モデル生成装置、予測装置、モデル生成方法、予測方法、および樹脂組成物製造システム
US18/571,042 US20240311692A1 (en) 2021-07-20 2022-06-24 Model generation device, prediction device, model generation method, prediction method, and resin composition manufacturing system
KR1020237042595A KR20240034697A (ko) 2021-07-20 2022-06-24 모델 생성 장치, 예측 장치, 모델 생성 방법, 예측 방법, 및 수지 조성물 제조 시스템
TW111125463A TWI921571B (zh) 2021-07-20 2022-07-07 模型生成裝置、預測裝置、模型生成方法、預測方法，及樹脂組成物製造系統

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021119567A JP7702829B2 (ja) 2021-07-20 2021-07-20 モデル生成装置、予測装置、モデル生成方法、予測方法、および樹脂組成物製造システム

Publications (2)

Publication Number Publication Date
JP2023015657A JP2023015657A (ja) 2023-02-01
JP7702829B2 true JP7702829B2 (ja) 2025-07-04

Family

ID=84979924

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021119567A Active JP7702829B2 (ja) 2021-07-20 2021-07-20 モデル生成装置、予測装置、モデル生成方法、予測方法、および樹脂組成物製造システム

Country Status (5)

Country Link
US (1) US20240311692A1 (ja)
JP (1) JP7702829B2 (ja)
KR (1) KR20240034697A (ja)
CN (1) CN117461088A (ja)
WO (1) WO2023002804A1 (ja)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7509153B2 (ja) * 2019-11-11 2024-07-02 株式会社レゾナック 情報処理システム、情報処理方法、および情報処理プログラム
JP7395974B2 (ja) 2019-11-12 2023-12-12 株式会社レゾナック 入力データ生成システム、入力データ生成方法、及び入力データ生成プログラム
CN119228029B (zh) * 2024-09-10 2025-12-19 永轩新材料集团有限公司 用于高填充改性材料生产过程优化的智能控制方法及系统
CN119846011A (zh) * 2025-03-18 2025-04-18 江苏德春电力科技股份有限公司 基于温度检测的开关柜固体绝缘材料性能检测方法及系统
JP7779435B1 (ja) * 2025-07-09 2025-12-03 Dic株式会社 予測方法、情報処理装置、及びプログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112182979A (zh) 2020-10-21 2021-01-05 江苏中利集团股份有限公司 一种提高树脂与填充助剂相容效果的方法和装置
WO2021015134A1 (ja) 2019-07-23 2021-01-28 昭和電工株式会社 材料設計システム、材料設計方法、及び材料設計プログラム
WO2021079985A1 (ja) 2019-10-25 2021-04-29 コニカミノルタ株式会社 特性予測装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004053440A (ja) * 2002-07-22 2004-02-19 Toyama Prefecture 高分子材料中の添加剤分析方法
JP6196138B2 (ja) 2013-11-29 2017-09-13 ナミックス株式会社 半導体封止剤および半導体装置
JP2021051141A (ja) * 2019-09-24 2021-04-01 旭化成株式会社 装置、方法、プログラム、感光性樹脂組成物の製造方法および感光性樹脂積層体の製造方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021015134A1 (ja) 2019-07-23 2021-01-28 昭和電工株式会社 材料設計システム、材料設計方法、及び材料設計プログラム
WO2021079985A1 (ja) 2019-10-25 2021-04-29 コニカミノルタ株式会社 特性予測装置
CN112182979A (zh) 2020-10-21 2021-01-05 江苏中利集团股份有限公司 一种提高树脂与填充助剂相容效果的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"世界規模でデータ集めが加速 最善の実験条件をＡＩが提案"，日経エレクトロニクス，日本，日経ＢＰ社，2018年09月20日，第1196号，ｐ.36-43，ISSN:0385-1680

Also Published As

Publication number Publication date
JP2023015657A (ja) 2023-02-01
WO2023002804A1 (ja) 2023-01-26
TW202320084A (zh) 2023-05-16
CN117461088A (zh) 2024-01-26
US20240311692A1 (en) 2024-09-19
KR20240034697A (ko) 2024-03-14

Similar Documents

Publication Publication Date Title
JP7702829B2 (ja) モデル生成装置、予測装置、モデル生成方法、予測方法、および樹脂組成物製造システム
Miriyala et al. Comparative study of surrogate approaches while optimizing computationally expensive reaction networks
Ludl et al. A complete survey of texture zeros in the lepton mass matrices
Dong et al. Evolutionary programming using a mixed mutation strategy
EP3876181A1 (en) Information processing device, information processing method, and program
Xu et al. Generalized entropy theory of glass formation in polymer melts with specific interactions
JP7726280B2 (ja) 特性予測装置、特性予測方法、及びプログラム
JP7397949B1 (ja) 学習装置及び予測装置
KR20250005442A (ko) 타깃 합성 사양을 결정하기 위한 방법
Stanimirović et al. A transformation of accelerated double step size method for unconstrained optimization
Shukla et al. Polymer informatics beyond homopolymers: SS Shuklaet al.
Rohman et al. Operation and design optimisation of industrial low-density polyethylene tubular reactor for multiple objectives using an evolutionary algorithm-based strategy
Nascimento et al. Neural network based approach for optimisation applied to an industrial nylon-6, 6 polymerisation process
CN113591271A (zh) 一种确定电力系统状态转移矩阵稳态特征值的方法及系统
Shahrousvand et al. A general method for assessment of glass transition temperature of polymeric materials only from various structural factors in their repeating unit structure
JP7506790B1 (ja) 予測方法、情報処理装置、コンピュータプログラム、物質の選別方法及び物質の製造方法
JP7407893B1 (ja) 組成提案装置
Ehrgott et al. A multiobjective optimization approach to compute the efficient frontier in data envelopment analysis
TWI921571B (zh) 模型生成裝置、預測裝置、模型生成方法、預測方法，及樹脂組成物製造系統
Zhou et al. Modeling of the sheet‐molding process for poly (methyl methacrylate)
JP2024171479A (ja) 予測システム
Wu Regression application based on fuzzy ν-support vector machine in symmetric triangular fuzzy space
Kitade et al. Relationship between Branched Structure and Viscoelastic Properties of Highly Branched Polyethylene Derived by Monte Carlo Molecular Simulation and the BoB‐Rheology Simulation Methods
Dias et al. Calculation of CLD Using Population Balance Equations of Generating Functions: Linear and Non‐Linear Ideal Controlled Radical Polymerization
Mao et al. QoS trust rate prediction for Web services using PSO-based neural network

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20240528

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20250304

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20250411

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20250610

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20250624

R150 Certificate of patent or registration of utility model

Ref document number: 7702829

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150