WO2023032809A1 - 特性予測装置、特性予測方法、及びプログラム - Google Patents

特性予測装置、特性予測方法、及びプログラム Download PDF

Info

Publication number
WO2023032809A1
WO2023032809A1 PCT/JP2022/032048 JP2022032048W WO2023032809A1 WO 2023032809 A1 WO2023032809 A1 WO 2023032809A1 JP 2022032048 W JP2022032048 W JP 2022032048W WO 2023032809 A1 WO2023032809 A1 WO 2023032809A1
Authority
WO
WIPO (PCT)
Prior art keywords
raw material
prediction
classification
composite material
properties
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.)
Ceased
Application number
PCT/JP2022/032048
Other languages
English (en)
French (fr)
Inventor
皓亮 角田
拓也 南
直登 青沼
真平 竹本
仁子 高
好成 奥野
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.)
Resonac Corp
Original Assignee
Resonac 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 Resonac Corp filed Critical Resonac Corp
Priority to EP22864393.8A priority Critical patent/EP4398257A4/en
Priority to JP2023545511A priority patent/JP7726280B2/ja
Priority to CN202280057085.XA priority patent/CN117836861A/zh
Priority to US18/685,039 priority patent/US20240378355A1/en
Publication of WO2023032809A1 publication Critical patent/WO2023032809A1/ja
Anticipated expiration legal-status Critical
Priority to JP2025126051A priority patent/JP2025148606A/ja
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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

Definitions

  • the present disclosure relates to a property prediction device, a property prediction method, and a program.
  • Patent Document 1 learning data including composition data and property data is used to execute learning processing of a model that outputs recommended composition data in response to input of target property data, and input target properties to the model.
  • a method of outputting a composition for producing a photosensitive resin composition having target properties is described.
  • the composition indicated by the composition data may be the presence or absence of a raw material capable of producing a photosensitive resin composition, or a compound contained in the raw material (for example, a specific It is described that it may be the name or structural formula of a typical compound) or the content ratio of the compound contained in the raw material.
  • Patent Document 2 a regression model for predicting physical property values is constructed using experimental values of polymer physical properties and the number density of the partial structure of the polymer, and using the regression model, the input polymer structure A method for predicting physical property values corresponding to is described.
  • the purpose of the present disclosure is to provide a property prediction device, a property prediction method, and a program that can accurately predict the effects of a specific raw material classification on the properties of a composite material composed of multiple raw material classes.
  • the present disclosure has the configuration shown below.
  • a property prediction device for predicting properties of a composite material composed of a plurality of raw material classes, Using a composite material learning data set that includes a material type of the first raw material classification and a material type of the second raw material classification, the characteristics of the composite material that is the objective variable and the explanatory variable
  • a prediction model creation unit that creates a prediction model by machine-learning the correspondence relationship between the compounding amount of the material type of the first raw material classification and the weighted feature amount of the material type of the second raw material classification;
  • the compounding amount of the material type of the first raw material class and the weighted feature amount of the material type of the second raw material class, which are created from the prediction data of the composite material whose properties are to be predicted, are input to the prediction model as explanatory variables.
  • a prediction unit that predicts the properties of the composite material corresponding to the prediction data;
  • a characteristic prediction device having
  • the explanatory variables include information on the blending amount of one or more raw materials included in the material type of the first raw material classification, and information on the blending amount of one or more raw materials contained in the material type of the second raw material classification.
  • the characteristic prediction device further comprising: information on the weighted feature amount, which is a product of each feature amount and the blending amount of the raw material.
  • the prediction model creation unit sets the raw material classification of the raw material to be searched for optimization among the plurality of raw material classifications constituting the composite material as the second raw material classification, and sets the raw material classification of the raw material to be searched.
  • the characteristic prediction device according to [1] or [2], characterized in that the first raw material classification is other than the above.
  • the prediction unit searches for a combination of one or more raw materials included in the material type of the second raw material classification to be optimized, and changes the blending amount of one or more raw materials included in the combination. and predicting the properties of the composite material while performing , and the combination of the raw materials in which the predicted properties are close to the target properties of the composite material corresponding to the data for prediction, and one included in the combination.
  • the characteristic prediction device according to [3], characterized in that the blending amount of the above raw materials is specified.
  • the prediction model creation unit an objective variable identifying unit that identifies properties of the composite material as objective variables from the learning data set; a design condition identifying unit that identifies design conditions for the composite material from the learning data set; a feature quantity creation unit that creates a feature quantity for each of one or more raw materials included in the material type of the second raw material classification from the design conditions; The blending amount of one or more raw materials contained in the material type of the first raw material classification and the weighted feature amount of each of the one or more raw materials contained in the material type of the second raw material classification are used as explanatory variables.
  • the characteristic prediction device according to any one of [1] to [4].
  • the composite material includes a main raw material that is a material type of the first raw material classification, and an additive that is a material type of the second raw material classification that is smaller in amount than the main raw material.
  • the characteristic prediction device according to any one of [1] to [5], which is made of a resin composite material.
  • the raw material classification is a monomer, an oligomer, a polymer, a filler, a catalyst, a polymerization initiator, a polymerization inhibitor, a cross-linking agent, or a curing agent.
  • the characteristic prediction device according to any one of [1] to [6].
  • the feature amount is information described by a dummy variable representing the brand or model number of the material type of the second raw material classification with "0" and "1", which is any of [1] to [7]. 1.
  • the characteristic prediction device according to item 1.
  • the compounding amount of the material type of the first raw material class and the weighted feature amount of the material type of the second raw material class, which are created from the prediction data of the composite material whose properties are to be predicted, are input to the prediction model as explanatory variables. , predicting properties of the composite material corresponding to the predictive data;
  • Property prediction methods including
  • a computer that predicts the properties of a composite material composed of multiple raw material classes, Using a composite material learning data set that includes a material type of the first raw material classification and a material type of the second raw material classification, the characteristics of the composite material that is the objective variable and the explanatory variable A step of creating a prediction model by machine-learning the correspondence relationship between the blending amount of the material type of the first raw material classification and the weighted feature amount of the material type of the second raw material classification; The compounding amount of the material type of the first raw material class and the weighted feature amount of the material type of the second raw material class, which are created from the prediction data of the composite material whose properties are to be predicted, are input to the prediction model as explanatory variables. , predicting properties of the composite material corresponding to the prediction data; program to run the
  • FIG. 1 is a configuration diagram of an example of an information processing system according to an embodiment
  • FIG. 1 is a hardware configuration diagram of an example of a computer according to the embodiment
  • FIG. 1 is a functional configuration diagram of an example of an information processing system according to an embodiment
  • FIG. 1 is a configuration diagram of an example of design conditions for a resin composite material
  • FIG. 4 is a configuration diagram of an example of weighted feature amounts of a resin composite material
  • FIG. 4 is a configuration diagram of an example of weighted feature amounts of a resin composite material
  • FIG. 4 is a configuration diagram of an example of weighted feature amounts of a resin composite material
  • FIG. 4 is a configuration diagram of an example of weighted feature amounts of a resin composite material
  • FIG. 4 is a configuration diagram of an example of weighted feature amounts of a resin composite material
  • FIG. 3 is a configuration diagram of an example of the blending amount of the main raw material of the resin composite material and the weighted feature amount of the additive.
  • FIG. 3 is a configuration diagram of an example of the blending amount of the main raw material of the resin composite material and the weighted feature amount of the additive.
  • FIG. 3 is a configuration diagram of an example of the blending amount of the main raw material of the resin composite material and the weighted feature amount of the additive.
  • 1 is an explanatory diagram of an example showing an overview of a characteristic prediction method for an information processing system according to the present embodiment;
  • FIG. FIG. 4 is a configuration diagram of an example of design conditions;
  • FIG. 4 is an explanatory diagram of an example of processing for creating a weighted feature amount of an additive;
  • FIG. 4 is an explanatory diagram of an example of processing for creating a weighted feature amount of an additive
  • FIG. 10 is an explanatory diagram of an example of created explanatory variables
  • 6 is a flowchart of an example of processing in a learning stage of the information processing system according to the embodiment
  • FIG. 10 is an image diagram of an example of a screen for selecting materials to be searched
  • FIG. 4 is a configuration diagram of an example of explanatory variables
  • 6 is a flow chart of an example of processing in a prediction stage of the information processing system according to the present embodiment
  • a resin composite material will be described as an example of a composite material composed of a plurality of raw material classifications.
  • Multiple raw material classes include monomers, oligomers, polymers, fillers, catalysts, polymerization initiators, polymerization inhibitors, crosslinkers, and curing agents.
  • Monomers, oligomers, and polymers are examples of primary raw materials.
  • Fillers, catalysts, polymerization initiators, polymerization inhibitors, cross-linking agents, and curing agents are examples of additives.
  • FIG. 1 is a configuration diagram of an example of an information processing system according to this embodiment.
  • the information processing system 1 of FIG. 1 has a characteristic prediction device 10 and a user terminal 12 .
  • the characteristic prediction device 10 and the user terminal 12 are connected for data communication via a communication network 18 such as a local area network (LAN) or the Internet.
  • LAN local area network
  • the user terminal 12 is an information processing terminal operated by the user, such as a PC, tablet terminal, or smart phone.
  • the user terminal 12 accepts input from the user of information necessary for predicting the properties of the resin composite material composed of a plurality of raw material classes, and causes the property prediction device 10 to predict the properties of the resin composite material. Further, the user terminal 12 receives information such as the properties of the resin composite material predicted by the property prediction device 10, and displays the information on a display device for confirmation by the user.
  • the property prediction device 10 is an information processing device such as a PC or work station that predicts the properties of resin composite materials.
  • the characteristic prediction device 10 creates a prediction model by performing machine learning as described later using the learning data set.
  • the property prediction device 10 receives the information necessary for predicting the property of the resin composite material from the user terminal 12, it predicts the property of the resin composite material using a prediction model.
  • the property prediction device 10 transmits information such as predicted properties of the resin composite material to the user terminal 12 .
  • the characteristic prediction device 10 may be realized by a plurality of computers, or may be realized as a cloud computing service.
  • the information processing system 1 of FIG. 1 may be realized by a stand-alone computer.
  • the characteristic prediction device 10 and the user terminal 12 in FIG. 1 are implemented by, for example, a computer 500 having the hardware configuration shown in FIG.
  • FIG. 2 is a hardware configuration diagram of an example of a computer according to this embodiment.
  • a computer 500 in FIG. 2 includes an input device 501, a display device 502, an external I/F 503, a RAM 504, a ROM 505, a CPU 506, a communication I/F 507, an HDD 508, and the like, which are interconnected via a bus B. .
  • the input device 501 and the display device 502 may be connected and used.
  • the input device 501 is a touch panel, operation keys, buttons, keyboard, mouse, etc. used by the user to input various signals.
  • the display device 502 includes a display such as liquid crystal or organic EL for displaying a screen, a speaker for outputting sound data such as voice or sound, and the like.
  • a communication I/F 507 is an interface for the computer 500 to perform data communication.
  • the HDD 508 is an example of a non-volatile storage device that stores programs and data.
  • the stored programs and data include an OS, which is basic software that controls the entire computer 500, and applications that provide various functions on the OS.
  • the computer 500 may use a drive device (for example, solid state drive: SSD, etc.) using flash memory as a storage medium instead of the HDD 508 .
  • the external I/F 503 is an interface with an external device.
  • the external device includes a recording medium 503a and the like. Thereby, the computer 500 can read and/or write the recording medium 503a through the external I/F 503.
  • the recording medium 503a includes a flexible disk, CD, DVD, SD memory card, USB memory, and the like.
  • the ROM 505 is an example of a nonvolatile semiconductor memory (storage device) that can retain programs and data even when the power is turned off.
  • the ROM 505 stores programs and data such as the BIOS, OS settings, and network settings that are executed when the computer 500 is started.
  • a RAM 504 is an example of a volatile semiconductor memory (storage device) that temporarily holds programs and data.
  • the CPU 506 is an arithmetic unit that implements the overall control and functions of the computer 500 by reading programs and data from storage devices such as the ROM 505 and HDD 508 onto the RAM 504 and executing processing.
  • the computer 500 according to the present embodiment can realize various functions of the characteristic prediction device 10 and the user terminal 12, which will be described later, by executing programs.
  • the program may be read from the recording medium 503a storing the program via the external I/F 503 and executed.
  • FIG. 3 is a functional configuration diagram of an example of an information processing system according to this embodiment. Note that the configuration diagram of FIG. 3 omits portions that are not necessary for the description of the present embodiment as appropriate.
  • the characteristic prediction device 10 of the information processing system 1 shown in FIG. also, the user terminal 12 has an information display section 20 , an operation reception section 22 , a request transmission section 24 and a response reception section 26 .
  • the information display unit 20 of the user terminal 12 displays information for the user to confirm on the display device 502 .
  • the operation reception unit 22 receives various operations from the user, such as input of information necessary for predicting the properties of the resin composite material.
  • the request transmission unit 24 transmits a request for processing such as prediction of properties of the resin composite material to the property prediction device 10 .
  • the response receiving unit 26 receives a response to the request for processing such as prediction of the properties of the resin composite material transmitted by the request transmitting unit 24 .
  • the learning data set storage unit 40 of the property prediction device 10 stores a learning data set of a resin composite material as described later.
  • the prediction model creation unit 30 creates a prediction model by machine learning, which will be described later, using the learning data set stored in the learning data set storage unit 40 .
  • the prediction model storage unit 42 stores the created prediction model.
  • the prediction unit 32 uses prediction data (described later), which is information necessary for predicting the properties of the resin composite material received from the user terminal 12, and a prediction model stored in the prediction model storage unit 42, as described later. to predict the properties of the resin composite material corresponding to the prediction data.
  • the output unit 34 transmits the property of the resin composite material predicted by the prediction unit 32 as a response to the request for prediction of the property of the resin composite material from the user terminal 12 .
  • the predictive model creation unit 30 in FIG. 3 is configured to include an objective variable specification unit 50, a design condition specification unit 52, a feature quantity creation unit 54, an explanatory variable creation unit 56, and a learning processing unit 58.
  • the objective variable specifying unit 50 specifies properties of the resin composite material as objective variables from the learning data set stored in the learning data set storage unit 40 .
  • the design condition specifying unit 52 specifies design conditions for the resin composite material from the learning data set stored in the learning data set storage unit 40 .
  • the feature quantity creation unit 54 identifies information about the additive from the design conditions of the resin composite material and creates the feature quantity of the additive.
  • the feature quantity is information obtained by quantifying structural characteristics of a molecule or information obtained by quantifying chemical characteristics of a molecule.
  • the feature amount of the additive the brand or model number of the additive may be described as a feature amount by using a dummy variable representing "0" and "1".
  • ECFP Extended Circular FingerPrints
  • SMILES Simplified Molecular Input Line Entry System
  • ECFP for example, by inputting additive information expressed in SMILES notation into an existing library, structural characteristics of a molecule can be calculated.
  • Another example of a technique for quantifying structural features of molecules is a graph convolutional neural network. In the graph convolutional neural network, for example, by inputting additive information expressed in SMILES notation into an existing library, structural characteristics of a molecule can be calculated.
  • the physical property information of the molecule is extracted and represented as a vector (column: physical property information; value: numerical value).
  • the chemical characteristics of molecules can be calculated by, for example, inputting additive information expressed in SMILES notation into an existing library.
  • Molecular physical property information includes, for example, molecular weight, number of valence electrons, partial charge, number of amino groups, number of hydroxy groups, and the like.
  • the physical property information of the molecule includes physical property values that can be calculated with quantum chemical calculation software such as HOMO, LUMO, charge, refractive index, or frequency, and physical property values that can be measured by experiments such as melting point, viscosity, or specific surface area. There may be.
  • the explanatory variable creation unit 56 identifies the information of the main raw material from the design conditions of the resin composite material, and identifies the compounding amount for each main raw material. In addition, the explanatory variable creation unit 56 calculates the product of each feature amount of the additive created by the feature amount creation unit 54 and the compounding amount of the additive. The product of the additive feature amount and the blending amount is an example of the weighted feature amount. The explanatory variable creating unit 56 creates an explanatory variable by combining the compounding amount of each main raw material and the weighted feature amount of the additive.
  • the learning processing unit 58 creates a prediction model by machine-learning the correspondence between the objective variable and the explanatory variable.
  • the learning processing unit 58 stores the created prediction model in the prediction model storage unit 42 .
  • the prediction unit 32 identifies the design conditions of the resin composite material from the prediction data (to be described later), which is information necessary for predicting the properties of the resin composite material received from the user terminal 12 .
  • the prediction unit 32 similarly to the explanatory variable creation unit 56, the prediction unit 32 creates explanatory variables from the specified design conditions of the resin composite material, and inputs the explanatory variables to the prediction model to obtain the resin composite corresponding to the prediction data. Predict material properties.
  • the output unit 34 transmits the properties of the resin composite material corresponding to the prediction data predicted by the prediction unit 32 as a response to the request for prediction of the properties of the resin composite material from the user terminal 12 .
  • the configuration diagram of FIG. 3 is an example. Various configurations can be considered for the information processing system 1 according to the present embodiment.
  • FIG. 4 is a configuration diagram of an example of design conditions for a resin composite material.
  • the design condition is that the blending amount of each raw material such as "resin 1", “resin 2", “resin 3", "catalyst 1" and "additive 1" included in the material type of the resin composite material is set. It is assumed that “additive ⁇ ” to “additive ⁇ ” of the design conditions in FIG. 4 are unlearned additives.
  • the characteristics of resin composite materials composed of multiple raw material categories can be predicted from the weighted feature values of main raw materials and additives.
  • 5A to 5C are configuration diagrams of examples of weighted feature amounts of resin composite materials.
  • the weighted feature amount is information obtained by weighting each of the feature amounts of the main raw material and the additive by the blending amount (or blending ratio).
  • the overall blending ratio (100%) is the total amount of ingredients blended.
  • the characteristic amount of the resin composite material is calculated by summing the weighted characteristic amounts of all raw materials.
  • the blending amount of the additive (Z) is smaller than that of the main raw material (A), and the weighted feature amount of the additive (Z) is smaller than that of the main raw material (A). .
  • the weighted feature amount of the additive (Z) is smaller than the weighted feature amount of the main raw material (A)
  • part of the partial structure of the main raw material (A) and the additive (Z) is common.
  • the change in the weighted feature amount of the additive (Z) is buried. Therefore, the change in the weighted feature amount of the additive (Z) is difficult to be reflected in the feature amount of the resin composite material, and the influence of the additive (Z) on the properties of the resin composite material cannot be accurately predicted.
  • the properties of a resin composite material composed of a plurality of raw material classes are predicted from the blending amount of the main raw material and the weighted feature amount of the additive.
  • 6A to 6C are configuration diagrams of an example of the compounding amount of the main raw material of the resin composite material and the weighted feature amount of the additive. In the examples of FIGS. 6A to 6C, the blending amount is used instead of the feature amount of the main raw material.
  • FIG. 7 is an explanatory diagram of an example showing an overview of the characteristic prediction method of the information processing system according to this embodiment.
  • W dimension the weighted feature amount of raw material class Z
  • FIG. 7 is an example of explanatory variables when searching for additives of material category (Z).
  • FIG. 7 can also be considered as an explanatory variable when the main raw material of raw material category A is not searched.
  • FIG. 7 is an explanation created from the compounding amount of N types of raw materials of raw material category A, which is the main raw material, and the weighted feature amount of W types of raw material category Z, which is an additive (value of each feature amount ⁇ compounding amount). represents a variable.
  • the blending amount can be expressed using a molar ratio, and may be expressed using a weight ratio.
  • the explanatory variables created as shown in FIG. 7 are used, and the correspondence relationship between the characteristics of the resin composite material, which is the objective variable, and the explanatory variables shown in FIG. We create a prediction model that can predict the properties of resin composite materials through machine learning.
  • FIG. 8 is a configuration diagram of an example of design conditions.
  • the example of FIG. 8 is an example of design conditions that include, as information, the compounding amounts of N kinds of raw materials that are the main raw materials and the compounding amounts of the additives "raw material O" to "raw material T".
  • the compounding amount is an explanatory variable element as shown in the following formula (1).
  • the weighted feature value calculated as shown in the following formula (2) is an element of the explanatory variable.
  • FIGS. 9A and 9B are explanatory diagrams of an example of processing for creating weighted feature quantities of additives.
  • the feature amount can be represented for each experiment number i by a matrix of j (type of additive) ⁇ w (type of feature amount).
  • j type of additive
  • w type of feature amount
  • FIG. 9B is an example of calculating the weighted feature amount of the additive from the design conditions of "experiment 1" of experiment number "1".
  • weighted feature amounts of “feature amount 1" to “feature amount W” are calculated.
  • “Feature amount 1 of experiment 1” in FIG. It is calculated by the sum of the weighted feature amounts, which are the products of the feature amounts "3" to "1" of "O” to "raw material T”.
  • feature amount 2 of experiment 1 to “feature amount W of experiment 1" in FIG. 9B are calculated in the same manner as “feature amount 1 of experiment 1".
  • the weighted feature amount of the additive is calculated for the design conditions after experiment number "2" in FIG. 8 in the same manner as the design condition for experiment number "1".
  • explanatory variables as shown in FIG. 10 can be created.
  • FIG. 10 is an explanatory diagram of an example of created explanatory variables. As shown in FIG. 10, the number of dimensions of explanatory variables is N+W.
  • FIG. 11 is a flowchart of an example of processing in the learning stage of the information processing system according to this embodiment.
  • the prediction model creation unit 30 of the characteristic prediction device 10 accepts the setting of the learning data set.
  • the setting of the learning data set in step S10 may be performed by selecting from one or more learning data sets stored in the learning data set storage unit 40 . Further, the setting of the learning data set in step S10 may be a process of storing one learning data set whose setting is received from the user in the learning data set storage unit 40 .
  • step S12 the objective variable identification unit 50 of the prediction model creation unit 30 identifies a sequence of characteristics (objective variables) to be predicted from the learning data set set in step S10. Further, the design condition identifying unit 52 identifies a sequence of design conditions (explanatory variables) such as those shown in FIG. 8, for example, from the learning data set set in step S10.
  • step S14 the explanatory variable creation unit 56 identifies the row of main raw materials from the row of design conditions identified in step S12.
  • the feature value creation unit 54 identifies a row of additives from the row of design conditions identified in step S12.
  • step S16 the feature amount creating unit 54 creates feature amounts such as those shown in FIG. 9A for the row of additives specified in step S14.
  • step S18 the explanatory variable creation unit 56, from the product of the feature quantity of the additive as shown in FIG. 9A created by the feature quantity creation unit 54 in step S16 and the blending amount of the additive as shown in FIG. A weighted feature amount of the additive as shown in FIG. 9B is calculated.
  • step S20 the explanatory variable creation unit 56 combines the column of the compounding amount of the main raw material specified in step S14 and the column of the weighted feature amount of the additive calculated in step S18 to obtain a value as shown in FIG. Create explanatory variables.
  • step S22 the learning processing unit 58 machine-learns the correspondence relationship between the objective variable identified in step S12 and the explanatory variable created in step S20 to create a prediction model.
  • the created prediction model is stored in the prediction model storage unit 42 .
  • FIG. 12 is an image diagram of an example of a screen for selecting materials to be searched.
  • a screen 1000 in FIG. 12 shows a GUI (graphical user interface) for selecting a raw material classification to be searched from resin composite materials composed of a plurality of raw material classifications as a raw material classification to be optimized.
  • the user selects a raw material category to be optimized from the raw material categories displayed on the screen 1000, such as alcohol raw materials, incyanate raw materials, cross-linking agents, curing agents, and catalysts.
  • FIG. 12 shows an example in which "curing agent" is selected as a raw material classification to be optimized.
  • the prediction model creation unit 30 of the characteristic prediction device 10 can create explanatory variables as shown in FIG. 13, for example, according to the procedure of the flowchart of FIG.
  • FIG. 13 is a configuration diagram of an example of explanatory variables.
  • the explanatory variables in FIG. 13 are the weighted feature amount of the “curing agent” selected as the raw material classification to be optimized on the screen 1000 in FIG. 12 and the compounding amount of the raw material classification not selected as the raw material classification to be optimized. Created by combining.
  • the information processing system 1 according to the present embodiment weights the elements representing the blending amounts of raw materials that were not selected as the raw material classification desired to be optimized and the raw materials selected as the raw material classification desired to be optimized. It can be used for machine learning by creating an explanatory variable that combines elements represented by feature values.
  • the raw material classification desired to be optimized is the additive, but the raw material classification desired to be optimized may be the main raw material as shown in the screen 1000 of FIG.
  • the screen 1000 of FIG. 12 when "incyanate raw material” is selected as the raw material category to be optimized, the weighted feature amount of "incyanate raw material” and the blending amounts of the alcohol raw material, the cross-linking agent, the curing agent, and the catalyst and are combined to create explanatory variables.
  • the screen 1000 of FIG. 12 shows an example of selecting one classification of raw materials to be optimized, multiple selections may be possible.
  • FIG. 14 is a flow chart of an example of processing in the prediction stage of the information processing system according to this embodiment.
  • the prediction unit 32 of the characteristic prediction device 10 receives setting of prediction data.
  • the prediction unit 32 identifies a sequence of design conditions as shown in FIG. 8, for example, from the prediction data set in step S30.
  • step S34 the prediction unit 32 identifies the main raw material column and the additive column from the design condition column identified in step S32.
  • step S36 the prediction unit 32 creates a feature amount as shown in FIG. 9A, for example, for the row of additives identified in step S34.
  • step S38 the prediction unit 32 calculates the product of the feature amount of the additive as shown in FIG. 9A created in step S36 and the blending amount of the additive as shown in FIG. A weighted feature amount of the additive is calculated.
  • step S40 the prediction unit 32 combines the column of the compounding amount of the main raw material specified in step S34 and the column of the weighted feature amount of the additive calculated in step S38 to obtain explanatory variables as shown in FIG. to create
  • step S42 the prediction unit 32 inputs the explanatory variables created in step S40 to the prediction model, thereby predicting the properties of the resin composite material corresponding to the prediction data.
  • the processing of the flow chart of FIG. 14 is performed until the predicted properties of the resin composite material achieve the target properties of the resin composite material, or until the set number of calculations (for example, 10,000 times) is completed. and changing the blending amount of the raw materials contained in the combination are repeated.
  • the prediction unit 32 predicts the properties of the resin composite material using combinations of raw materials for additives and blending amounts of raw materials included in the combinations as exhaustive search points.
  • Exhaustive search points can be generated, for example, by generating the compounding amounts of raw materials included in the combination randomly within a predetermined range or in predetermined increments. Based on the exhaustive search points at which the predicted properties of the resin composite material approximate the target properties, the prediction unit 32 determines a combination of additive raw materials that approximates the target properties of the resin composite material, and the blending amount of the raw materials contained in the combination. can be identified.
  • the properties of the resin composite material predicted by the property prediction device 10 according to the present embodiment are, for example, a composite material composition design device or composition design support device configured from a plurality of raw material classifications, and the composition design device or composition design support device. It can be applied to a program to be realized.
  • the property prediction device 10 according to the present embodiment supplies design conditions in which the predicted properties are close to target properties to the manufacturing apparatus of the resin composite material, so that the manufacturing apparatus can generate the resin composite material. good.
  • the weighted feature amount is calculated from raw materials of a specific raw material classification, and the blending amount of raw materials of other raw material classifications is calculated.
  • the information processing system 1 it is possible to accurately predict the change in the properties of the composite material when the molecular structure of the additive (additive) whose compounding amount is smaller than that of the main raw material is changed. It becomes possible. In addition, it becomes possible to screen additives that should be used to satisfy desired properties.
  • the information processing system 1 according to this embodiment is particularly effective when the additive and the main raw material have a partial structure in common.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

複数の原料分類から構成される複合材料の特性を予測する特性予測装置であって、第１の原料分類の材料種及び第２の原料分類の材料種を含んだ構成である複合材料の学習用データセットを用いて、目的変数である複合材料の特性と、説明変数である第１の原料分類の材料種の配合量及び第２の原料分類の材料種の重み付け特徴量と、の対応関係を機械学習した予測モデルを作成する予測モデル作成部と、特性を予測する複合材料の予測用データから作成した第１の原料分類の材料種の配合量及び第２の原料分類の材料種の重み付け特徴量を説明変数として予測モデルに入力して、予測用データに対応する複合材料の特性を予測する予測部と、を有する。

Description

特性予測装置、特性予測方法、及びプログラム
　本開示は、特性予測装置、特性予測方法、及びプログラムに関する。
　近年、樹脂複合材料などの複合材料の特性予測は、コンピュータを用いた機械学習により行うことができるようになった。
　特許文献１には、組成データおよび特性データを含む学習データを用いて、目標特性データを入力したことに応じて推奨組成データを出力するモデルの学習処理を実行し、そのモデルに目標特性を入力することで、目標特性の感光性樹脂組成物を生成するための組成を出力する方法が記載されている。
　例えば特許文献１において、組成データで示される組成は、感光性樹脂組成物を生成し得る原材料の有無であってもよいし、原材料に含まれる化合物（例えば一般名で示される原材料に含まれる具体的な化合物の名称または構造式）であってもよいし、原材料に含まれる化合物の含有割合であってもよい、ことが記載されている。
　また、特許文献２には、ポリマーの物性の実験値と、ポリマーの部分構造の数密度とを用いて、物性値を予測する回帰モデルを構築し、その回帰モデルを用いて、入力したポリマー構造に対応する物性値を予測する方法が記載されている。
特開２０２０－７７３４６号広報 特許第６６３３８２０号公報
　複数の原料分類から構成される複合材料の特性を予測する特性予測装置では、例えば添加剤などの特定の原料分類の新しい原料を探索する場合など、特定の原料分類が複合材料の特性に与える影響を精度良く予測する技術が求められるようになった。
　本開示は、複数の原料分類から構成される複合材料の特性に特定の原料分類が与える影響を精度良く予測できる特性予測装置、特性予測方法、及びプログラムを提供することを目的とする。
　本開示は、以下に示す構成を備える。
　［１］　複数の原料分類から構成される複合材料の特性を予測する特性予測装置であって、
　第１の原料分類の材料種及び第２の原料分類の材料種を含んだ構成である複合材料の学習用データセットを用いて、目的変数である前記複合材料の特性と、説明変数である前記第１の原料分類の材料種の配合量及び第２の原料分類の材料種の重み付け特徴量と、の対応関係を機械学習した予測モデルを作成する予測モデル作成部と、
　特性を予測する複合材料の予測用データから作成した前記第１の原料分類の材料種の配合量及び前記第２の原料分類の材料種の重み付け特徴量を説明変数として前記予測モデルに入力して、前記予測用データに対応する前記複合材料の特性を予測する予測部と、
を有する特性予測装置。
　［２］　前記説明変数は、前記第１の原料分類の材料種に含まれる１つ以上の原料の配合量の情報と、前記第２の原料分類の材料種に含まれる１つ以上の原料のそれぞれの特徴量及び前記原料の配合量の積である前記重み付け特徴量の情報と、を含むこと
を特徴とする［１］記載の特性予測装置。
　［３］　前記予測モデル作成部は、前記複合材料を構成する複数の原料分類のうち、最適化のために探索する原料の原料分類を前記第２の原料分類とし、前記探索する原料の原料分類以外を前記第１の原料分類とすること
を特徴とする［１］又は［２］記載の特性予測装置。
　［４］　前記予測部は、最適化する前記第２の原料分類の材料種に含まれる１つ以上の原料の組み合わせの探索と、前記組み合わせに含まれる１つ以上の原料の配合量の変更と、を行いながら前記複合材料の特性を予測し、予測した前記特性が前記予測用データに対応する前記複合材料の目標特性に近似している、前記原料の組み合わせ、及び前記組み合わせに含まれる１つ以上の原料の配合量を特定すること
を特徴とする［３］記載の特性予測装置。
　［５］　前記予測モデル作成部は、
　前記学習用データセットから目的変数として前記複合材料の特性を特定する目的変数特定部と、
　前記学習用データセットから前記複合材料の設計条件を特定する設計条件特定部と、
　前記設計条件から前記第２の原料分類の材料種に含まれる１つ以上の原料ごとに特徴量を作成する特徴量作成部と、
　前記第１の原料分類の材料種に含まれる１つ以上の原料の配合量、及び前記第２の原料分類の材料種に含まれる１つ以上の原料のそれぞれの前記重み付け特徴量を説明変数として作成する説明変数作成部と、
　前記目的変数及び前記説明変数の対応関係を機械学習して予測モデルを作成する学習処理部と、
を有する［１］乃至［４］の何れか一項に記載の特性予測装置。
　［６］　前記複合材料は、前記第１の原料分類の材料種である主原料と、前記主原料に比べて配合量が小さい前記第２の原料分類の材料種である添加剤と、を含む樹脂複合材料であること
を特徴とする［１］乃至［５］の何れか一項に記載の特性予測装置。
　［７］　前記原料分類は、モノマー、オリゴマー、ポリマー、フィラー、触媒、重合開始剤、重合禁止剤、架橋剤、又は硬化剤である、
［１］乃至［６］の何れか一項に記載の特性予測装置。
　［８］　前記特徴量は、分子の構造的特徴を数値化した情報、又は分子の化学的特徴を数値化した情報である
［１］乃至［７］の何れか一項に記載の特性予測装置。
　［９］　前記特徴量は、前記第２の原料分類の材料種の銘柄又は型番を「０」と「１」とで表すダミー変数で記述した情報である
［１］乃至［７］の何れか一項に記載の特性予測装置。
　［１０］　コンピュータが、複数の原料分類から構成される複合材料の特性を予測する特性予測方法であって、
　第１の原料分類の材料種及び第２の原料分類の材料種を含んだ構成である複合材料の学習用データセットを用いて、目的変数である前記複合材料の特性と、説明変数である前記第１の原料分類の材料種の配合量及び第２の原料分類の材料種の重み付け特徴量と、の対応関係を機械学習した予測モデルを作成するステップと、
　特性を予測する複合材料の予測用データから作成した前記第１の原料分類の材料種の配合量及び前記第２の原料分類の材料種の重み付け特徴量を説明変数として前記予測モデルに入力して、前記予測用データに対応する前記複合材料の特性を予測するステップと、
を含む特性予測方法。
　［１１］　複数の原料分類から構成される複合材料の特性を予測するコンピュータに、
　第１の原料分類の材料種及び第２の原料分類の材料種を含んだ構成である複合材料の学習用データセットを用いて、目的変数である前記複合材料の特性と、説明変数である前記第１の原料分類の材料種の配合量及び第２の原料分類の材料種の重み付け特徴量と、の対応関係を機械学習した予測モデルを作成するステップ、
　特性を予測する複合材料の予測用データから作成した前記第１の原料分類の材料種の配合量及び前記第２の原料分類の材料種の重み付け特徴量を説明変数として前記予測モデルに入力して、前記予測用データに対応する前記複合材料の特性を予測するステップ、
を実行させるためのプログラム。
　本開示によれば、複数の原料分類から構成される複合材料の特性に特定の原料分類が与える影響を精度良く予測できる。
本実施形態に係る情報処理システムの一例の構成図である。 本実施形態に係るコンピュータの一例のハードウェア構成図である。 本実施形態に係る情報処理システムの一例の機能構成図である。 樹脂複合材料の設計条件の一例の構成図である。 樹脂複合材料の重み付け特徴量の一例の構成図である。 樹脂複合材料の重み付け特徴量の一例の構成図である。 樹脂複合材料の重み付け特徴量の一例の構成図である。 樹脂複合材料の主原料の配合量と、添加剤の重み付け特徴量との一例の構成図である。 樹脂複合材料の主原料の配合量と、添加剤の重み付け特徴量との一例の構成図である。 樹脂複合材料の主原料の配合量と、添加剤の重み付け特徴量との一例の構成図である。 本実施形態に係る情報処理システムの特性予測方法の概要を示した一例の説明図である。 設計条件の一例の構成図である。 添加剤の重み付け特徴量を作成する処理の一例の説明図である。 添加剤の重み付け特徴量を作成する処理の一例の説明図である。 作成した説明変数の一例の説明図である。 本実施形態に係る情報処理システムの学習段階の処理の一例のフローチャートである。 探索する材料を選択する画面の一例のイメージ図である。 説明変数の一例の構成図である。 本実施形態に係る情報処理システムの予測段階の処理の一例のフローチャートである。
　次に、本発明の実施形態について詳細に説明する。なお、本発明は以下の実施形態に限定されるものではない。本実施形態では、複数の原料分類から構成される複合材料の一例として、樹脂複合材料について説明する。複数の原料分類は、モノマー、オリゴマー、ポリマー、フィラー、触媒、重合開始剤、重合禁止剤、架橋剤、及び硬化剤などである。モノマー、オリゴマー、及びポリマーは、主原料の一例である。フィラー、触媒、重合開始剤、重合禁止剤、架橋剤、及び硬化剤は、添加剤の一例である。
　［第１の実施形態］
　＜システム構成＞
　図１は、本実施形態に係る情報処理システムの一例の構成図である。図１の情報処理システム１は、特性予測装置１０、及びユーザ端末１２を有している。特性予測装置１０及びユーザ端末１２はローカルエリアネットワーク（ＬＡＮ）又はインターネットなどの通信ネットワーク１８を介してデータ通信可能に接続されている。
　ユーザ端末１２はユーザが操作するＰＣ、タブレット端末、スマートフォンなどの情報処理端末である。ユーザ端末１２は、複数の原料分類から構成される樹脂複合材料の特性の予測に必要な情報の入力をユーザから受け付け、特性予測装置１０に樹脂複合材料の特性を予測させる。また、ユーザ端末１２は特性予測装置１０が予測した樹脂複合材料の特性などの情報を受信し、例えば表示装置に表示してユーザに確認させる。
　特性予測装置１０は樹脂複合材料の特性を予測するＰＣ、ワークステーションなどの情報処理装置である。特性予測装置１０は学習用データセットを用いて後述するように機械学習することで予測モデルを作成する。特性予測装置１０はユーザ端末１２から樹脂複合材料の特性の予測に必要な情報を受信すると、予測モデルを用いて樹脂複合材料の特性を予測する。特性予測装置１０は予測した樹脂複合材料の特性などの情報をユーザ端末１２に送信する。
　なお、図１の情報処理システム１は一例であって、用途や目的に応じて様々なシステム構成例があることは言うまでもない。例えば特性予測装置１０は複数台のコンピュータにより実現してもよいし、クラウドコンピューティングのサービスとして実現するようにしてもよい。また、図１の情報処理システム１はスタンドアローンのコンピュータにより実現してもよい。
　＜ハードウェア構成＞
　図１の特性予測装置１０及びユーザ端末１２は、例えば図２に示すハードウェア構成のコンピュータ５００により実現する。
　図２は、本実施形態に係るコンピュータの一例のハードウェア構成図である。図２のコンピュータ５００は、入力装置５０１、表示装置５０２、外部Ｉ／Ｆ５０３、ＲＡＭ５０４、ＲＯＭ５０５、ＣＰＵ５０６、通信Ｉ／Ｆ５０７、及びＨＤＤ５０８などを備えており、それぞれがバスＢで相互に接続されている。なお、入力装置５０１及び表示装置５０２は接続して利用する形態であってもよい。
　入力装置５０１は、ユーザが各種信号を入力するのに用いるタッチパネル、操作キーやボタン、キーボードやマウスなどである。表示装置５０２は、画面を表示する液晶や有機ＥＬなどのディスプレイ、音声や音などの音データを出力するスピーカ等で構成されている。通信Ｉ／Ｆ５０７はコンピュータ５００がデータ通信を行うためのインタフェースである。
　また、ＨＤＤ５０８は、プログラムやデータを格納している不揮発性の記憶装置の一例である。格納されるプログラムやデータには、コンピュータ５００全体を制御する基本ソフトウェアであるＯＳ、及びＯＳ上において各種機能を提供するアプリケーションなどがある。なお、コンピュータ５００はＨＤＤ５０８に替えて、記憶媒体としてフラッシュメモリを用いるドライブ装置（例えばソリッドステートドライブ：ＳＳＤなど）を利用するものであってもよい。
　外部Ｉ／Ｆ５０３は、外部装置とのインタフェースである。外部装置には、記録媒体５０３ａなどがある。これにより、コンピュータ５００は外部Ｉ／Ｆ５０３を介して記録媒体５０３ａの読み取り及び／又は書き込みを行うことができる。記録媒体５０３ａにはフレキシブルディスク、ＣＤ、ＤＶＤ、ＳＤメモリカード、ＵＳＢメモリなどがある。
　ＲＯＭ５０５は、電源を切ってもプログラムやデータを保持することができる不揮発性の半導体メモリ（記憶装置）の一例である。ＲＯＭ５０５にはコンピュータ５００の起動時に実行されるＢＩＯＳ、ＯＳ設定、及びネットワーク設定などのプログラムやデータが格納されている。ＲＡＭ５０４はプログラムやデータを一時保持する揮発性の半導体メモリ（記憶装置）の一例である。
　ＣＰＵ５０６は、ＲＯＭ５０５やＨＤＤ５０８などの記憶装置からプログラムやデータをＲＡＭ５０４上に読み出し、処理を実行することで、コンピュータ５００全体の制御や機能を実現する演算装置である。本実施形態に係るコンピュータ５００は、プログラムを実行することで後述するような特性予測装置１０及びユーザ端末１２の各種機能を実現できる。プログラムは、プログラムが格納された記録媒体５０３ａから外部Ｉ／Ｆ５０３を介して読み取り、実行されてもよい。
　＜機能構成＞
　本実施形態に係る情報処理システム１の構成について説明する。図３は本実施形態に係る情報処理システムの一例の機能構成図である。なお、図３の構成図は、本実施形態の説明に不要な部分について適宜省略している。
　図３に示した情報処理システム１の特性予測装置１０は、予測モデル作成部３０、予測部３２、出力部３４、学習用データセット記憶部４０、及び予測モデル記憶部４２を有する構成である。また、ユーザ端末１２は、情報表示部２０、操作受付部２２、要求送信部２４、及び応答受信部２６を有する構成である。
　ユーザ端末１２の情報表示部２０は、ユーザに確認させる情報を表示装置５０２に表示する。操作受付部２２は、樹脂複合材料の特性の予測に必要な情報の入力などの各種操作をユーザから受け付ける。要求送信部２４は樹脂複合材料の特性の予測などの処理の要求を特性予測装置１０に送信する。また、応答受信部２６は要求送信部２４が送信した樹脂複合材料の特性の予測などの処理の要求に対する応答を受信する。
　特性予測装置１０の学習用データセット記憶部４０は、後述するような樹脂複合材料の学習用データセットを記憶する。予測モデル作成部３０は、学習用データセット記憶部４０が記憶している学習用データセットを用いた後述の機械学習により、予測モデルを作成する。予測モデル記憶部４２は、作成された予測モデルを記憶する。
　予測部３２は、ユーザ端末１２から受信した樹脂複合材料の特性の予測に必要な情報である後述の予測用データと、予測モデル記憶部４２に記憶されている予測モデルとを後述のように用いて、予測用データに対応する樹脂複合材料の特性を予測する。出力部３４は予測部３２が予測した樹脂複合材料の特性を、ユーザ端末１２からの樹脂複合材料の特性の予測の要求に対する応答として送信する。
　図３の予測モデル作成部３０は、目的変数特定部５０、設計条件特定部５２、特徴量作成部５４、説明変数作成部５６、及び学習処理部５８を有する構成である。目的変数特定部５０は、学習用データセット記憶部４０が記憶している学習用データセットから目的変数として樹脂複合材料の特性を特定する。設計条件特定部５２は、学習用データセット記憶部４０が記憶している学習用データセットから樹脂複合材料の設計条件を特定する。
　特徴量作成部５４は、樹脂複合材料の設計条件から、添加剤の情報を特定して、添加剤の特徴量を作成する。なお、特徴量は、分子の構造的特徴を数値化した情報、又は分子の化学的特徴を数値化した情報である。添加剤の特徴量としては、添加剤の銘柄や型番などを「０」と「１」とで表すダミー変数で記述して特徴量としてもよい。
　分子の構造的特徴を数値化する手法の一例としては、Ｅｘｔｅｎｄｅｄ　Ｃｉｒｃｕｌａｒ　ＦｉｎｇｅｒＰｒｉｎｔｓ（以下、ＥＣＦＰという）がある。ＥＣＦＰは、全ての部分構造の種類と個数とを抽出し、ベクトル（列：種類、値：個数）として表現することで分子の構造的特徴を数値化する。なお、部分構造はＳｉｍｐｌｉｆｉｅｄ　Ｍｏｌｅｃｕｌａｒ　Ｉｎｐｕｔ　Ｌｉｎｅ　Ｅｎｔｒｙ　Ｓｙｓｔｅｍ（以下、ＳＭＩＬＥＳという）記法などの表記方法で表すことができる。ＥＣＦＰでは例えば既存のライブラリにＳＭＩＬＥＳ記法で表した添加剤の情報を入力することで、分子の構造的特徴を計算することができる。また、分子の構造的特徴を数値化する手法の他の例としては、グラフ畳み込みニューラルネットワークがある。グラフ畳み込みニューラルネットワークでは例えば既存のライブラリにＳＭＩＬＥＳ記法で表した添加剤の情報を入力することで、分子の構造的特徴を計算することができる。
　また、例えば分子の化学的特徴を数値化する手法の一例としては、分子の物性情報を抽出し、ベクトル（列：物性情報、値：数値）として表現することで、分子の化学的特徴を数値化する。分子の化学的特徴を数値化する手法では、例えば既存のライブラリにＳＭＩＬＥＳ記法で表した添加剤の情報を入力することで、分子の化学的特徴を計算することができる。分子の物性情報は、例えば分子量、価電子数、部分電荷、アミノ基数、ヒドロキシ基数などである。また、分子の物性情報は、ＨＯＭＯ、ＬＵＭＯ、電荷、屈折率、又は振動数などの量子化学計算ソフトで計算できる物性値、融点、粘度、又は比表面積などの実験で測定可能な物性値、であってもよい。
　説明変数作成部５６は、樹脂複合材料の設計条件から、主原料の情報を特定して、主原料ごとに配合量を特定する。また、説明変数作成部５６は、特徴量作成部５４が作成した添加剤の特徴量ごとに、その添加剤の配合量との積を、計算する。添加剤の特徴量と配合量との積は、重み付け特徴量の一例である。説明変数作成部５６は、主原料ごとの配合量と、添加剤の重み付け特徴量とを結合して説明変数を作成する。
　また、学習処理部５８は、目的変数及び説明変数の対応関係を機械学習することで予測モデルを作成する。学習処理部５８は、作成した予測モデルを予測モデル記憶部４２に記憶させる。
　予測部３２は、ユーザ端末１２から受信した樹脂複合材料の特性の予測に必要な情報である後述の予測用データから樹脂複合材料の設計条件を特定する。また、予測部３２は説明変数作成部５６と同様に、特定した樹脂複合材料の設計条件から説明変数を作成し、その説明変数を予測モデルに入力することで、予測用データに対応する樹脂複合材料の特性を予測する。
　そして、出力部３４は、予測部３２が予測した予測用データに対応する樹脂複合材料の特性を、ユーザ端末１２からの樹脂複合材料の特性の予測の要求に対する応答として送信する。なお、図３の構成図は一例である。本実施形態に係る情報処理システム１の構成は様々考えることができる。
　＜樹脂複合材料の特性を予測する方法についての検討＞
　複数の原料分類から構成される樹脂複合材料の特性は、例えば主原料及び添加剤の名称と、その有無から、樹脂複合材料の特性の予測を行うことができる。図４は、樹脂複合材料の設計条件の一例の構成図である。図４に示すように、設計条件は、樹脂複合材料の材料種に含まれる「樹脂１」「樹脂２」「樹脂３」「触媒１」及び「添加物１」などの原料ごとに配合量が設定されている。図４の設計条件の「添加剤α」～「添加剤ε」は未学習の添加剤であるものとする。主原料及び添加剤の名称と、その有無を、物理化学的な特性を直接的には示さない情報、例えば、主原料及び添加剤の銘柄や型番などを「０」と「１」とで表すダミー変数で記述して用いてもよい。
　図４の設計条件の場合は「添加物１」以外の設計条件が同じであるため、添加剤の名称を「添加物α」～「添加物ε」に変更しても、予測値に差が表れにくく、添加剤が樹脂複合材料の特性に与える影響を精度良く予測できない。
　また、複数の原料分類から構成される樹脂複合材料の特性は、主原料及び添加剤の重み付け特徴量から、樹脂複合材料の特性の予測を行うことができる。図５Ａ～図５Ｃは、樹脂複合材料の重み付け特徴量の一例の構成図である。重み付け特徴量は、主原料及び添加剤の特徴量のそれぞれに配合量（又は配合比率）で重みを付けた情報である。配合比率の全体（１００％）は、配合される原料の総量である。樹脂複合材料の特徴量は全ての原料の重み付け特徴量の総和により計算される。
　図５Ａ～図５Ｃの例では、主原料（Ａ）と比較して添加剤（Ｚ）の配合量が小さく、重み付け特徴量も主原料（Ａ）と比較して添加剤（Ｚ）が小さくなる。このように、添加剤（Ｚ）の重み付け特徴量は主原料（Ａ）の重み付け特徴量と比較して小さいため、主原料（Ａ）及び添加剤（Ｚ）の部分構造の一部が共通している場合に、添加剤（Ｚ）の重み付け特徴量の変化が埋もれてしまう。したがって、添加剤（Ｚ）の重み付け特徴量の変化が樹脂複合材料の特徴量に反映されにくく、添加剤（Ｚ）が樹脂複合材料の特性に与える影響を精度良く予測できない。
　そこで、本実施形態では、複数の原料分類から構成される樹脂複合材料の特性を、主原料の配合量と、添加剤の重み付け特徴量から予測する。図６Ａ～図６Ｃは、樹脂複合材料の主原料の配合量と、添加剤の重み付け特徴量との一例の構成図である。図６Ａ～図６Ｃの例では、主原料の特徴量を使用せず、配合量を使用する。
　したがって、図６Ａ～図６Ｃの例では主原料（Ａ）及び添加剤（Ｚ）の部分構造の一部が共通している場合であっても、添加剤（Ｚ）の重み付け特徴量の変化が主原料（Ａ）の重み付け特徴量に埋もれてしまうことがない。したがって、添加剤（Ｚ）の重み付け特徴量の変化が樹脂複合材料の特徴量に反映されやすく、添加剤（Ｚ）が樹脂複合材料の特性に与える影響を精度良く予測できる。
　＜処理＞
　以下、本実施形態に係る情報処理システム１が、複数の原料分類から構成される樹脂複合材料の特性を予測する処理の詳細について説明する。
　図７は、本実施形態に係る情報処理システムの特性予測方法の概要を示した一例の説明図である。図７では主原料である原料分類ＡのＮ種類の原料の名称を変数にする列（Ｎ次元）と、添加剤である原料分類Ｚの重み付け特徴量の列（Ｗ次元）とを結合して、複数の原料分類から構成される樹脂複合材料の特性を予測するための説明変数を作成する例を示している。
　図７は、原料分類（Ｚ）の添加剤を探索する場合の説明変数の例である。図７は原料分類Ａの主原料を探索しない場合の説明変数と考えることもできる。図７は主原料である原料分類ＡのＮ種類の原料の配合量と、添加物である原料分類ＺのＷ種類の重み付け特徴量（各特徴量の値×配合量）と、から作成した説明変数を表している。配合量はモル比率を使用して表すことができ、重量比率を使用して表してもよい。
　本実施形態では図７に示したように作成した説明変数を利用し、目的変数である樹脂複合材料の特性と図７に示したような説明変数との対応関係を、学習用データセットを用いて機械学習することにより、樹脂複合材料の特性を予測できる予測モデルを作成する。
　図８は、設計条件の一例の構成図である。図８の例では、主原料であるＮ種類の原料の配合量と、添加剤である「原料Ｏ」～「原料Ｔ」の配合量と、を情報として含む設計条件の一例である。主原料については、以下の式（１）に示すように配合量が説明変数の要素となる。
Figure JPOXMLDOC01-appb-M000001
　添加剤については、以下の式（２）に示すように算出する重み付け特徴量が説明変数の要素となる。
Figure JPOXMLDOC01-appb-M000002
　図９Ａ及び図９Ｂは、添加剤の重み付け特徴量を作成する処理の一例の説明図である。図９Ａに示すように特徴量は、ｊ（添加剤の種類）×ｗ（特徴量の種類）の行列により実験番号ｉごとに表すことができる。添加剤である「原料Ｏ」～「原料Ｔ」の図８に示した配合量と図９Ａに示した「特徴量１」～「特徴量Ｗ」とに基づき、式（２）により重み付け特徴量を図９Ｂのように算出できる。
　例えば図９Ｂは実験番号「１」の「実験１」の設計条件から添加剤の重み付け特徴量を算出した例である。図９Ｂの例では「特徴量１」～「特徴量Ｗ」の重み付け特徴量を算出している。図９Ｂの「実験１の特徴量１」は図８の「実験１」の「原料Ｏ」～「原料Ｔ」の配合量「０．１」～「０．５」と、図９Ａの「原料Ｏ」～「原料Ｔ」の特徴量「３」～「１」との積である重み付け特徴量の総和により算出される。
　また、図９Ｂの「実験１の特徴量２」～「実験１の特徴量Ｗ」も「実験１の特徴量１」と同様に算出する。なお、図示は省略しているが、図８の実験番号「２」以降の設計条件についても実験番号「１」の設計条件と同様に添加剤の重み付け特徴量を算出する。
　上記した主原料（Ｎ次元）の配合量の列と、添加剤の重み付け特徴量（Ｗ次元）の列とを結合することで、図１０に示すような説明変数を作成できる。図１０は、作成した説明変数の一例の説明図である。図１０に示すように説明変数の次元数はＮ＋Ｗ次元となる。
　図１１は本実施形態に係る情報処理システムの学習段階の処理の一例のフローチャートである。ステップＳ１０において、特性予測装置１０の予測モデル作成部３０は、学習用データセットの設定を受け付ける。ステップＳ１０の学習用データセットの設定は、学習用データセット記憶部４０が記憶している１つ以上の学習用データセットから選択して設定してもよい。また、ステップＳ１０の学習用データセットの設定は、ユーザから設定を受け付けた１つの学習用データセットを学習用データセット記憶部４０に記憶する処理であってもよい。
　ステップＳ１２において、予測モデル作成部３０の目的変数特定部５０はステップＳ１０で設定を受け付けた学習用データセットから予測対象となる特性（目的変数）の列を特定する。また、設計条件特定部５２は、ステップＳ１０で設定を受け付けた学習用データセットから例えば図８に示したような設計条件（説明変数）の列を特定する。
　ステップＳ１４において、説明変数作成部５６はステップＳ１２で特定した設計条件の列から、主原料の列を特定する。また、特徴量作成部５４はステップＳ１２で特定した設計条件の列から、添加剤の列を特定する。ステップＳ１６において、特徴量作成部５４はステップＳ１４で特定した添加剤の列に対して例えば図９Ａに示したような特徴量を作成する。
　ステップＳ１８において、説明変数作成部５６はステップＳ１６で特徴量作成部５４が作成した図９Ａのような添加剤の特徴量と、図８に示したような添加剤の配合量との積から、図９Ｂに示したような添加剤の重み付け特徴量を算出する。
　ステップＳ２０において、説明変数作成部５６はステップＳ１４で特定した主原料の配合量の列と、ステップＳ１８で算出した添加剤の重み付け特徴量の列と、を結合して図１０に示したような説明変数を作成する。
　ステップＳ２２において、学習処理部５８は、ステップＳ１２で特定した目的変数とステップＳ２０で作成した説明変数との対応関係を機械学習し、予測モデルを作成する。作成した予測モデルは予測モデル記憶部４２に記憶される。
　なお、上記では添加剤を探索する例を説明したが、例えば図１２に示すような画面１０００から探索する原料の選択を可能としてもよい。図１２は探索する材料を選択する画面の一例のイメージ図である。
　図１２の画面１０００は、複数の原料分類から構成される樹脂複合材料から探索したい原料分類を、最適化したい原料の分類として選択するＧＵＩ（グラフィカルユーザインタフェース）を示している。ユーザは画面１０００に表示されたアルコール原料、インシアネート原料、架橋剤、硬化剤、及び触媒などの原料分類から、最適化したい原料分類を選択する。例えば図１２では最適化したい原料分類として「硬化剤」が選択された例を示している。図１２の状態で「予測」ボタンが押下されると、特性予測装置１０の予測モデル作成部３０は、図１１のフローチャートの手順に従い、例えば図１３に示すような説明変数を作成できる。
　図１３は説明変数の一例の構成図である。図１３の説明変数は、図１２の画面１０００において最適化したい原料分類として選択された「硬化剤」の重み付け特徴量と、最適化したい原料分類として選択されなかった原料分類の配合量と、を結合して作成される。図１３に示すように、本実施形態に係る情報処理システム１は、最適化したい原料分類として選択されなかった原料を配合量で表した要素と、最適化したい原料分類として選択された原料を重み付け特徴量で表した要素と、を結合した説明変数を作成し、機械学習に利用できる。
　本実施形態では最適化したい原料分類が添加剤である例を説明したが、図１２の画面１０００に示すように最適化したい原料分類が主原料であってもよい。例えば図１２の画面１０００において「インシアネート原料」が最適化したい原料分類として選択された場合には「インシアネート原料」の重み付け特徴量と、アルコール原料、架橋剤、硬化剤、及び触媒の配合量と、を結合した説明変数が作成される。また、図１２の画面１０００では最適化したい原料の分類を１つ選択する例を示したが、複数選択可能であってもよい。
　図１４は本実施形態に係る情報処理システムの予測段階の処理の一例のフローチャートである。ステップＳ３０において、特性予測装置１０の予測部３２は、予測用データの設定を受け付ける。ステップＳ３２において、予測部３２はステップＳ３０で設定を受け付けた予測用データから例えば図８に示したような設計条件の列を特定する。
　ステップＳ３４において、予測部３２はステップＳ３２で特定した設計条件の列から主原料の列と添加剤の列とを特定する。ステップＳ３６において、予測部３２はステップＳ３４で特定した添加剤の列に対して例えば図９Ａに示したような特徴量を作成する。
　ステップＳ３８において、予測部３２はステップＳ３６で作成された図９Ａのような添加剤の特徴量と、図８に示したような添加剤の配合量との積から、図９Ｂに示したような添加剤の重み付け特徴量を算出する。
　ステップＳ４０において、予測部３２はステップＳ３４で特定した主原料の配合量の列と、ステップＳ３８で算出した添加剤の重み付け特徴量の列と、を結合して図１０に示したような説明変数を作成する。ステップＳ４２において、予測部３２はステップＳ４０で作成した説明変数を、予測モデルに入力することで、予測用データに対応する樹脂複合材料の特性を予測する。
　図１４のフローチャートの処理は、予測した樹脂複合材料の特性が、樹脂複合材料の目標特性を達成するか、設定した計算回数（例えば１万回）を終えるまで、添加物の原料の組み合わせの探索と、その組み合わせに含まれる原料の配合量の変更と、を行いながら繰り返される。予測部３２は、添加物の原料の組み合わせと、その組み合わせに含まれる原料の配合量とを網羅探索点として、樹脂複合材料の特性を予測する。
　網羅探索点は、例えば所定の範囲でランダムまたは所定の刻み幅で、組み合わせに含まれる原料の配合量を生成することにより、生成できる。予測した樹脂複合材料の特性が目標特性に近似する網羅探索点により、予測部３２は、樹脂複合材料の目標特性に近似する添加物の原料の組み合わせと、その組み合わせに含まれる原料の配合量とを特定できる。
　［他の実施形態］
　本実施形態に係る特性予測装置１０が予測した樹脂複合材料の特性は、例えば複数の原料分類から構成される複合材料の配合設計装置又は配合設計支援装置、その配合設計装置又は配合設計支援装置を実現するプログラムなどに適用できる。また、本実施形態に係る特性予測装置１０は、予測した特性が目標とする特性に近い設計条件を、樹脂複合材料の製造装置に供給することで、製造装置に樹脂複合材料を生成させてもよい。
　以上、本実施形態に係る情報処理システム１によれば、複数の原料分類から構成される複合材料について、特定の原料分類の原料から重み付け特徴量を計算し、他の原料分類の原料の配合量と結合して説明変数を作成することで、他の原料分類の影響を軽減し、特定の原料分類が複合材料の特性に与える影響を精度良く予測できる。
　例えば本実施形態に係る情報処理システム１によれば、主原料に比べて配合量が小さい添加剤（添加物）の分子構造を変更したときの複合材料の特性の変化を精度良く予測することが可能となる。また、所望の特性を満足するために使用すべき添加剤のスクリーニングなどが可能となる。本実施形態に係る情報処理システム１は、添加剤と主原料との部分構造の一部が共通している場合に、特に有効である。
　以上、本実施形態について説明したが、特許請求の範囲の趣旨及び範囲から逸脱することなく、形態や詳細の多様な変更が可能なことが理解されるであろう。以上、本発明を実施例に基づいて説明したが、本発明は上記実施例に限定されるものではなく、特許請求の範囲に記載の範囲内で様々な変形が可能である。本願は、日本特許庁に２０２１年８月３１日に出願された基礎出願２０２１―１４０８３３号の優先権を主張するものであり、その全内容を参照によりここに援用する。
　１　　情報処理システム
　１０　　特性予測装置
　１２　　ユーザ端末
　１８　　通信ネットワーク
　２０　　情報表示部
　２２　　操作受付部
　２４　　要求送信部
　２６　　応答受信部
　３０　　予測モデル作成部
　３２　　予測部
　３４　　出力部
　４０　　学習用データセット記憶部
　４２　　予測モデル記憶部
　５０　　目的変数特定部
　５２　　設計条件特定部
　５４　　特徴量作成部
　５６　　説明変数作成部
　５８　　学習処理部

Claims (11)

  1. 　複数の原料分類から構成される複合材料の特性を予測する特性予測装置であって、
    　第１の原料分類の材料種及び第２の原料分類の材料種を含んだ構成である複合材料の学習用データセットを用いて、目的変数である前記複合材料の特性と、説明変数である前記第１の原料分類の材料種の配合量及び第２の原料分類の材料種の重み付け特徴量と、の対応関係を機械学習した予測モデルを作成する予測モデル作成部と、
    　特性を予測する複合材料の予測用データから作成した前記第１の原料分類の材料種の配合量及び前記第２の原料分類の材料種の重み付け特徴量を説明変数として前記予測モデルに入力して、前記予測用データに対応する前記複合材料の特性を予測する予測部と、
    を有する特性予測装置。
  2. 　前記説明変数は、前記第１の原料分類の材料種に含まれる１つ以上の原料の配合量の情報と、前記第２の原料分類の材料種に含まれる１つ以上の原料のそれぞれの特徴量及び前記原料の配合量の積である前記重み付け特徴量の情報と、を含むこと
    を特徴とする請求項１記載の特性予測装置。
  3. 　前記予測モデル作成部は、前記複合材料を構成する複数の原料分類のうち、最適化のために探索する原料の原料分類を前記第２の原料分類とし、前記探索する原料の原料分類以外を前記第１の原料分類とすること
    を特徴とする請求項１又は２記載の特性予測装置。
  4. 　前記予測部は、最適化する前記第２の原料分類の材料種に含まれる１つ以上の原料の組み合わせの探索と、前記組み合わせに含まれる１つ以上の原料の配合量の変更と、を行いながら前記複合材料の特性を予測し、予測した前記特性が前記予測用データに対応する前記複合材料の目標特性に近似している、前記原料の組み合わせ、及び前記組み合わせに含まれる１つ以上の原料の配合量を特定すること
    を特徴とする請求項３記載の特性予測装置。
  5. 　前記予測モデル作成部は、
    　前記学習用データセットから目的変数として前記複合材料の特性を特定する目的変数特定部と、
    　前記学習用データセットから前記複合材料の設計条件を特定する設計条件特定部と、
    　前記設計条件から前記第２の原料分類の材料種に含まれる１つ以上の原料ごとに特徴量を作成する特徴量作成部と、
    　前記第１の原料分類の材料種に含まれる１つ以上の原料の配合量、及び前記第２の原料分類の材料種に含まれる１つ以上の原料のそれぞれの前記重み付け特徴量を説明変数として作成する説明変数作成部と、
    　前記目的変数及び前記説明変数の対応関係を機械学習して予測モデルを作成する学習処理部と、
    を有する請求項１乃至４の何れか一項に記載の特性予測装置。
  6. 　前記複合材料は、前記第１の原料分類の材料種である主原料と、前記主原料に比べて配合量が小さい前記第２の原料分類の材料種である添加剤と、を含む樹脂複合材料であること
    を特徴とする請求項１乃至５の何れか一項に記載の特性予測装置。
  7. 　前記原料分類は、モノマー、オリゴマー、ポリマー、フィラー、触媒、重合開始剤、重合禁止剤、架橋剤、又は硬化剤である、
    請求項１乃至６の何れか一項に記載の特性予測装置。
  8. 　前記特徴量は、分子の構造的特徴を数値化した情報、又は分子の化学的特徴を数値化した情報である
    請求項１乃至７の何れか一項に記載の特性予測装置。
  9. 　前記特徴量は、前記第２の原料分類の材料種の銘柄又は型番を「０」と「１」とで表すダミー変数で記述した情報である
    請求項１乃至７の何れか一項に記載の特性予測装置。
  10. 　コンピュータが、複数の原料分類から構成される複合材料の特性を予測する特性予測方法であって、
    　第１の原料分類の材料種及び第２の原料分類の材料種を含んだ構成である複合材料の学習用データセットを用いて、目的変数である前記複合材料の特性と、説明変数である前記第１の原料分類の材料種の配合量及び第２の原料分類の材料種の重み付け特徴量と、の対応関係を機械学習した予測モデルを作成するステップと、
    　特性を予測する複合材料の予測用データから作成した前記第１の原料分類の材料種の配合量及び前記第２の原料分類の材料種の重み付け特徴量を説明変数として前記予測モデルに入力して、前記予測用データに対応する前記複合材料の特性を予測するステップと、
    を含む特性予測方法。
  11. 　複数の原料分類から構成される複合材料の特性を予測するコンピュータに、
    　第１の原料分類の材料種及び第２の原料分類の材料種を含んだ構成である複合材料の学習用データセットを用いて、目的変数である前記複合材料の特性と、説明変数である前記第１の原料分類の材料種の配合量及び第２の原料分類の材料種の重み付け特徴量と、の対応関係を機械学習した予測モデルを作成するステップ、
    　特性を予測する複合材料の予測用データから作成した前記第１の原料分類の材料種の配合量及び前記第２の原料分類の材料種の重み付け特徴量を説明変数として前記予測モデルに入力して、前記予測用データに対応する前記複合材料の特性を予測するステップ、
    を実行させるためのプログラム。
PCT/JP2022/032048 2021-08-31 2022-08-25 特性予測装置、特性予測方法、及びプログラム Ceased WO2023032809A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
EP22864393.8A EP4398257A4 (en) 2021-08-31 2022-08-25 PROPERTY PREDICTION DEVICE, PROPERTY PREDICTION METHOD, AND PROGRAM
JP2023545511A JP7726280B2 (ja) 2021-08-31 2022-08-25 特性予測装置、特性予測方法、及びプログラム
CN202280057085.XA CN117836861A (zh) 2021-08-31 2022-08-25 特性预测装置、特性预测方法和程序
US18/685,039 US20240378355A1 (en) 2021-08-31 2022-08-25 Property prediction device, property prediction method, and program
JP2025126051A JP2025148606A (ja) 2021-08-31 2025-07-29 複合材料の製造方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-140833 2021-08-31
JP2021140833 2021-08-31

Publications (1)

Publication Number Publication Date
WO2023032809A1 true WO2023032809A1 (ja) 2023-03-09

Family

ID=85412668

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/032048 Ceased WO2023032809A1 (ja) 2021-08-31 2022-08-25 特性予測装置、特性予測方法、及びプログラム

Country Status (5)

Country Link
US (1) US20240378355A1 (ja)
EP (1) EP4398257A4 (ja)
JP (2) JP7726280B2 (ja)
CN (1) CN117836861A (ja)
WO (1) WO2023032809A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024201849A1 (ja) * 2023-03-29 2024-10-03 株式会社レゾナック バイオマス利用支援装置、方法、及びプログラム

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102673710B1 (ko) * 2023-08-23 2024-06-10 희래 주식회사 인공지능 기반의 포뮬레이션 데이터베이스를 구축하기 위한 전자 장치 및 그 동작 방법
JP7550337B1 (ja) 2024-05-01 2024-09-12 株式会社ブリヂストン 情報処理装置、情報処理方法、及び情報処理プログラム
CN119830765B (zh) * 2025-03-05 2025-11-11 北京理工大学 一种复合材料渗漏特性快速预测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6633820B1 (ja) 2018-03-09 2020-01-22 昭和電工株式会社 ポリマーの物性予測装置、プログラム、及び方法
JP2020077346A (ja) 2018-11-09 2020-05-21 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
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
JP2021140833A (ja) 2017-09-05 2021-09-16 富士フイルムビジネスイノベーション株式会社 情報処理装置、画像形成装置、プログラム、および、システム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7139782B2 (ja) * 2018-08-23 2022-09-21 横浜ゴム株式会社 ゴム材料設計方法、ゴム材料設計装置、及びプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021140833A (ja) 2017-09-05 2021-09-16 富士フイルムビジネスイノベーション株式会社 情報処理装置、画像形成装置、プログラム、および、システム
JP6633820B1 (ja) 2018-03-09 2020-01-22 昭和電工株式会社 ポリマーの物性予測装置、プログラム、及び方法
JP2020077346A (ja) 2018-11-09 2020-05-21 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
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4398257A4

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024201849A1 (ja) * 2023-03-29 2024-10-03 株式会社レゾナック バイオマス利用支援装置、方法、及びプログラム

Also Published As

Publication number Publication date
JPWO2023032809A1 (ja) 2023-03-09
US20240378355A1 (en) 2024-11-14
CN117836861A (zh) 2024-04-05
JP2025148606A (ja) 2025-10-07
JP7726280B2 (ja) 2025-08-20
EP4398257A1 (en) 2024-07-10
EP4398257A4 (en) 2025-08-20

Similar Documents

Publication Publication Date Title
WO2023032809A1 (ja) 特性予測装置、特性予測方法、及びプログラム
Schiff et al. Caduceus: Bi-directional equivariant long-range dna sequence modeling
EP3869362A1 (en) Information processing method, information processing system, and program
CN112434398A (zh) 组合优化设备、组合优化方法以及计算机可读记录介质
CN113254362A (zh) 存储设备和存储器控制器的操作方法
WO2021045058A1 (ja) 材料設計装置、材料設計方法、及び材料設計プログラム
JP7613547B2 (ja) 樹脂組成物の物性予測装置及び方法
Partin et al. Learning curves for drug response prediction in cancer cell lines
Benmeziane et al. Multi-objective hardware-aware neural architecture search with Pareto rank-preserving surrogate models
Shapovalov et al. Multifaceted analysis of training and testing convolutional neural networks for protein secondary structure prediction
WO2024009893A1 (ja) 情報処理装置、情報処理システム、プログラム、及びイジングモデル作成支援方法
JP2025028938A (ja) 材料組成探索方法を用いる混合材料の生成方法
Komodromos et al. Variational Bayes for high-dimensional proportional hazards models with applications within gene expression
JP7219374B1 (ja) 物性予測装置、物性予測方法、及びプログラム
US20250046403A1 (en) Design support device, design support method, and program
JP2024111336A (ja) 物質の製造方法
US20240319991A1 (en) Generating review likelihoods for sets of code
WO2025004836A1 (ja) 感光性樹脂組成物、フィルム状樹脂及び樹脂シート
US20230281496A1 (en) Equilibrium solution searching method and information processing apparatus
US20230060812A1 (en) Information processing system, information processing method, and storage medium
KR102945071B1 (ko) 인공지능 기반의 화학 포뮬레이션 데이터 자동수집, 생성 및 품질관리를 위한 전자 장치 및 그 동작방법
JP7819776B2 (ja) メタ学習方法、メタ学習装置及びプログラム
CN117916751A (zh) 程序、条件探索装置和条件探索方法
WO2024202078A1 (ja) 付加重合反応に係る予測を行う方法、情報処理装置、及びプログラム
WO2022260030A1 (ja) 情報処理システム、材料組成探索方法、材料組成探索装置、及びプログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22864393

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023545511

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 18685039

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 202280057085.X

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2022864393

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022864393

Country of ref document: EP

Effective date: 20240402