CN113268126A - 混合物性能优化装置和方法、记录介质和混合制冷剂 - Google Patents

混合物性能优化装置和方法、记录介质和混合制冷剂 Download PDF

Info

Publication number
CN113268126A
CN113268126A CN202011619792.2A CN202011619792A CN113268126A CN 113268126 A CN113268126 A CN 113268126A CN 202011619792 A CN202011619792 A CN 202011619792A CN 113268126 A CN113268126 A CN 113268126A
Authority
CN
China
Prior art keywords
mixture
energy function
function formula
formula
property
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.)
Pending
Application number
CN202011619792.2A
Other languages
English (en)
Inventor
盐贺健司
实宝秀幸
大渊真理
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.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
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 Fujitsu Ltd filed Critical Fujitsu Ltd
Publication of CN113268126A publication Critical patent/CN113268126A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G06F1/20—Cooling means
    • 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
    • C—CHEMISTRY; METALLURGY
    • C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
    • C09K—MATERIALS FOR MISCELLANEOUS APPLICATIONS, NOT PROVIDED FOR ELSEWHERE
    • C09K5/00—Heat-transfer, heat-exchange or heat-storage materials, e.g. refrigerants; Materials for the production of heat or cold by chemical reactions other than by combustion
    • C09K5/08—Materials not undergoing a change of physical state when used
    • C09K5/10—Liquid materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2200/00—Indexing scheme relating to G06F1/04 - G06F1/32
    • G06F2200/20—Indexing scheme relating to G06F1/20
    • G06F2200/201—Cooling arrangements using cooling fluid
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Mathematical Analysis (AREA)
  • Fluid Mechanics (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Combustion & Propulsion (AREA)
  • Thermal Sciences (AREA)
  • Materials Engineering (AREA)
  • Organic Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Cooling Or The Like Of Electrical Apparatus (AREA)
  • Lubricants (AREA)
  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)

Abstract

公开了一种混合物性能优化装置、混合物性能优化方法、混合制冷剂和计算机可读存储介质。混合物性能优化装置对多种物质的混合物的性能进行优化并且包括能量函数公式简化单元，该能量函数公式简化单元在用于对混合物中的多个物理特性中的每个物理特性进行加权并执行优化混合物的性能的计算的能量函数公式中，将多个物理特性中的具有与一个特征相关的关系的多个物理特性、作为一个特征共同并入能量函数公式中，并且简化能量函数公式。

Description

混合物性能优化装置和方法、记录介质和混合制冷剂
技术领域
本文讨论的实施方式涉及混合物性能优化装置、混合物性能优化程序、混合物性能优化方法和混合制冷剂。
背景技术
电子设备诸如服务器和网络设备中的部件诸如中央处理单元(CPU)有时在电子设备的工作期间生成热并且具有高的温度。如果高热量生成部件诸如CPU生成的热达超过了适当温度的温度，则该高热量生成部件可能会引起各种故障，因此，为了稳定地操作电子设备，优选地是，适当地冷却高热量生成部件诸如CPU。
作为冷却高热量生成部件诸如CPU的方法，存在一种使用液体冷却系统的方法，在该液体冷却系统中，高热量生成部件的热量被传递至制冷剂并移动。水通常用作液体冷却系统中使用的制冷剂。
然而，由于水具有电导率，所以当将水用作制冷剂时，存在电子设备的部件短路和损坏的风险，并且如果水泄漏到液体冷却系统的外部，则会在电子设备以及包括电子设备的整个系统中发生严重事故。
因此，正在进行对不具有电导率的绝缘制冷剂的研究。对于绝缘制冷剂，出于改善制冷剂的冷却性能的目的，在某些情况下使用由通过将多种物质混合获得的混合物形成的制冷剂(混合制冷剂)。
关于混合制冷剂的性能评估，已经提出了一种技术，在该技术中使用通过闪蒸计算(汽液平衡计算)获得的混合制冷剂的参数来确定目标函数，并且通过评估混合制冷剂的性能的遗传算法来优化该目标函数(例如，参考专利文献1)。
此外，以下问题可以视为组合优化问题：使用混合制冷剂的热物理特性作为指标来搜索要混合的物质的类型和每种物质的量的最佳组合，从而可以优化混合制冷剂的冷却性能。组合优化问题是考虑各种条件和约束从大量组合中求出最佳组合的问题。
然而，当如混合制冷剂的上述示例那样通过求解组合优化问题来优化多种物质的混合物的性能时，存在当要优化的物理特性(参数)的数量大时无法充分缩小混合物的最佳候选的范围的情况。
作为相关技术，公开了国际专利申请的日本国家公布第2013-540973号(专利文献1)。
在一个方面，本申请的目的在于提供混合物性能优化装置、混合物性能优化程序以及混合物性能优化方法，即使在用于对混合物中的多个物理特性中的每个物理特性进行加权并执行计算以优化混合物的性能的能量函数公式中包含有多个物理特性的情况下，也能够不仅在计算结果方面而且在实际性能方面对混合物的性能进行优化，并且本申请的目的在于提供具有优化性能的混合制冷剂。
发明内容
根据实施方式的一个方面，混合物性能优化装置对多种物质的混合物的性能进行优化并且包括能量函数公式简化单元，在用于对混合物中的多个物理特性中的每个物理特性进行加权并执行计算以优化混合物的性能的能量函数公式中，该能量函数公式简化单元将多个物理特性中具有与一个特征相关的关系的多个物理特性作为一个特征共同结合到该能量函数公式中，并且简化了该能量函数公式。
在一方面，本申请可以提供混合物性能优化装置、混合物性能优化程序和混合物性能优化方法，即使在用于对混合物中的多个物理特性中的每个物理特性进行加权并执行计算以优化混合物的性能的能量函数公式中包含有多个物理特性的情况下，也能够不仅在计算结果方面而且在实际性能方面对混合物的性能进行优化，并且本申请可以提供具有优化性能的混合制冷剂。
附图说明
图1是示出液体冷却系统的示例性配置图的图；
图2是示出在混合多种材料以配制混合物时如何选择材料的组合的示例的图；
图3是表示本申请中公开的混合物性能优化装置的示例性配置的图；
图4是表示本申请中公开的混合物性能优化装置的另一示例性配置的图；
图5是表示本申请中公开的混合物性能优化装置的另一示例性配置的图；
图6是示出作为本申请中公开的混合物性能优化装置的实施方式的示例性功能配置的图；
图7是使用与本申请中公开的技术的比较示例相对应的示例来优化混合物的性能的示例流程图；
图8A和图8B是使用本申请中公开的技术的示例来优化混合物的性能的示例性流程图；
图9是示出退火方法中使用的退火机的示例性功能配置的图；
图10是示出转变控制单元的示例性操作流程的图；
图11是示出与示例中在热流体模拟中与热源接触的热接收器的温度相关的示例轮廓图的图；
图12是示出本申请中公开的混合制冷剂的示例以及使用Opteon SF-10的纯制冷剂中的热阻Rsys的输入热量相关性的示例的图；以及
图13是示出在本申请中公开的技术的示例中优化混合物的性能时的示例的图。
具体实施方式
(混合物性能优化装置)
本申请中公开的混合物性能优化装置是对多种物质的混合物的性能进行优化的装置。
在本申请中公开的混合物性能优化装置优选地包括能量函数公式简化单元和性能优化单元，并且根据情况还包括另外的单元(机构)。
在解释本申请中公开的技术的细节之前，将以优化混合制冷剂的性能的情况为例来描述现有技术的问题等。
如前所述，作为冷却电子设备的高热量生成部件诸如CPU的方法，可以提及使用液体冷却系统的方法，在液体冷却系统中，高热量生成部件的热量被传递至制冷剂并被移动。
这里，图1示出了液体冷却系统的示例性配置图。
在图1所示的示例中，高热量生成部件1与热接收器2接触，由高热量生成部件1生成的热被传递至流经热接收器2的制冷剂中。当驱动泵3时，制冷剂沿箭头方向在管道4中循环。在热接收器2处加热的制冷剂被输送至散热器5，并且由于散热器5的散热片与空气之间的热交换，制冷剂的温度降低。此后，制冷剂再次流入热接收器2中并带走由高热量生成部件1生成的热量，从而可以降低高热量生成部件1的温度并对其进行冷却。
这里，液体冷却系统的冷却性能受到所使用的制冷剂的热物理特性的影响。在液体冷却系统中使用的制冷剂的热物理特性的示例包括，例如，热导率、比热、粘度、蒸汽压、沸点、表面张力、蒸发潜热等。此外，作为在液体冷却系统中使用的制冷剂的物理特性，例如，除了上述热物理特性之外，在某些情况下还考虑诸如燃烧性、易燃性、可燃性、毒性和环境影响的物理特性。
如上所述，由于通常在液体冷却系统中用作制冷剂的水具有电导率，因此，如果水泄漏到冷却系统的外部，则存在电子设备的部件短路和损坏的风险，并且包括电子设备的整个系统都将发生严重事故。
由于这个原因，正在进行对包含不具有电导率的绝缘氟的制冷剂(氟基制冷剂)的研究。
然而，尽管氟基制冷剂具有绝缘特性，但是氟基制冷剂的热物理特性(冷却性能)通常劣于水的热物理特性。例如，在普通的氟基制冷剂中，热导率约为水的热导率的1/10，比热约为水的比热的1/4。因此，使用氟基制冷剂的液体冷却系统的性能低于使用水的情况。
因此，为了在使用绝缘氟基制冷剂时提高冷却性能，已经尝试通过混合多种基于氟基制冷剂的其它材料(例如有机溶剂)来改善作为制冷剂的热物理特性例如热导率。由通过混合多种物质而获得的混合物形成的制冷剂称为混合制冷剂。
当开发基于氟基制冷剂的混合制冷剂时，有时期望优化混合制冷剂的多个热物理特性，并确定要混合的材料(物质)以及这些材料的混合比，使得改善了混合制冷剂的冷却性能。
以此方式，使用混合制冷剂的热物理特性作为指标来搜索要混合的材料(物质)和这些材料的混合比的最佳组合使得可以优化混合制冷剂的冷却性能的问题可以被视为组合优化问题。通过求解组合优化问题而选择要混合的材料(物质)和这些材料的混合比的混合制冷剂优化了作为制冷剂所期望的热物理特性，并具有优异的冷却性能。
在组合优化问题中，随着要考虑的因素的数量增加，因素的组合的数量呈指数级且极大地增加。因此，在按顺序执行处理的常规计算方法中，当要考虑的因素的数量很大时，难以在实际时间内求解组合优化问题。
因此，作为能够高速求解组合优化问题的技术，提出了使用退火机等通过退火方法(退火)执行计算的技术。作为通过退火方法求解组合优化问题的方法，例如，可以提及使用“能量函数”的方法，该“能量函数”是基于组合优化问题中的条件和约束的函数。注意，在某些情况下，能量函数被称为目标函数、成本函数、哈密顿量等。
能量函数(能量函数公式)是当能量函数中的变量(参数)在组合优化问题中具有最佳组合时取最小值的函数。因此，可以通过搜索能量函数具有最小值的变量的组合来确定组合优化问题的解决方案。
这里，在使用混合制冷剂的热物理特性作为指标求出要混合的材料(物质)和这些材料的混合比的最佳组合的组合优化问题中，例如可以使用其中每个热物理特性被定义为参数的能量函数公式。如图2所示，当以预定的混合比从材料1至材料N中混合预定数量(在图2的示例中为三种)的材料时，能量函数公式例如由以下公式给出。
E＝α·[物理特性1]+β·[物理特性2]+γ·[物理特性3]+...+约束项
在该公式中，E代表能量函数公式，并且α、β和γ代表相应物理特性的加权系数。注意，约束项是表示约束诸如能量函数公式中的所选材料(物质)的数量的项。
此外，在上述能量函数公式中，[物理特性1]至[物理特性N]是被视为混合制冷剂的设计目标的物理特性值，所述物理特性值是期望被优化以便使混合制冷剂的冷却性能最大化的热物理特性，例如，可以采用热导率、比热等物理特性值。对上述能量函数公式中的每个物理特性赋予加权系数，通过改变每个物理特性的加权(系数α、β、γ、...)的同时求解组合优化问题，允许设置强调哪个物理特性值(分配更大的权重)。因此，通过适当地正确设置每个加权系数并求解组合优化问题，可以认为作为制冷剂所期望的物理特性被优化，并且可以确定具有优良冷却性能的混合制冷剂的材料和这些材料之间的混合百分比(混合制冷剂的组成)。
然而，在上述方法中，例如，当存在许多类型的物理特性要优化时，有时难以优化所有物理特性。举例来说，在上述方法中，例如，当要优化的物理特性的数量大并且将每个物理特性定义为参数的能量函数公式的参数的数量大时，在某些情况下难以优化该能量函数公式的所有参数。这意味着，如果能量函数公式的参数的数量大，则难以指定可以充分优化所有这些参数的加权系数，即使组合为能量函数公式赋予最小值，也存在实际上该组合不适合作为混合制冷剂的情况。因此，在现有技术中，即使物质的组合在计算结果方面为能量函数公式赋予最小值(被优化)，该组合有时是考虑到混合物的使用等而作为混合物在实际的性能(实际性能)方面尚未进行优化的不充分的组合。
例如，当优化混合制冷剂的性能时，在采用五个物理特性即混合制冷剂的热导率、比热、闪点、粘度和导电率作为能量函数公式的参数的情况下，有时可能无法指定优化了这些物理特性的混合制冷剂。在该示例中，由于要优化的物理性质的数量大，在一些情况下，获得特定物理特性优异而其他物理特性不适合实际使用的组合作为组合优化问题的计算结果。
例如，存在这样的情况，即混合制冷剂被认为具有高热导率和高热传递性能，但是具有非常高的粘度并且难以在冷却系统的管道中流动，此外，具有高导电率、具有电导率、并且不具有绝缘特性的混合制冷剂被指定为最佳混合制冷剂。此外，即使改变能量函数公式的参数的加权系数并且重复对高性能混合制冷剂的搜索，由于要优化的物理特性的数量大也难以充分地缩小混合物的最佳候选的范围。
如上所述，在现有技术中，当优化混合物诸如混合制冷剂的性能时，在要优化的物理特性的数量大的情况下(能量函数公式的参数的数量大)，不仅在计算结果方面而且在实际性能方面都难以优化能量函数公式，并且可能无法充分缩小混合物的最佳候选的范围。因此，在现有技术中，即使在计算结果方面组合为能量函数公式赋予最小值(被优化)，考虑到混合物的用途等，就混合物的实际的性能(实际性能)而言，该组合有时是非最佳的不足组合。
鉴于此，即使当用于执行计算来优化混合物的性能的能量函数公式包含许多物理特性，本发明的发明人已经对能够不仅在计算结果方面而且在实际性能方面优化混合物性能的装置等进行了勤奋地研究，并获得了以下发现。
因此，本发明的发明人发现，在用于对混合物中的多个物理特性中的每个物理特性进行加权并执行计算以优化混合物的性能的能量函数公式中，通过将多个物理特性中具有与一个特征相关的关系的多个物理特性作为一个特征共同结合到能量函数公式中，并且简化能量函数公式，即使能量函数公式包含许多物理特性，混合物的性能可以不仅在计算结果方面而且在实际性能方面进行优化。本申请中公开的技术基于这些发现。
这里，在本申请中公开的技术的示例中，基于能量函数公式来优化混合物的性能，该能量函数公式用于对混合物中的多个物理特性中的每个物理特性进行加权并执行计算以优化混合物的性能。另外，在本申请公开的技术的示例中，在能量函数公式中，将多个物理特性中具有与一个特征相关的关系的多个物理特性作为一个特征共同结合到能量函数公式中，并且简化了能量函数公式。
如上所述，在本申请中公开的技术的示例中，例如，通过将多个物理特性中具有与一个特征相关的关系的多个物理特性作为一个特征共同结合到能量函数公式中，可以减少能量函数公式中包含的参数的数量。因此，在本申请中公开的技术的示例中，即使在原始能量函数公式包含许多物理特性的情况下，也可以减少在能量函数公式中包含的参数的数量，并且可以简化能量函数公式，从而可以优化能量函数公式的每个参数。这意味着，由于本申请中公开的技术的示例可以减少能量函数公式中包含的参数的数量，因此可以针对所有参数单独指定适当的加权系数，并且混合物的性能可以不仅在计算结果方面而且在实际性能方面都进行了优化。
这里，将更详细地描述如上所述的在本申请中公开的技术的示例中的能量函数公式的简化。
在本申请中公开的技术的示例中，例如，如上所述，可以使用由以下公式表示的能量函数公式。
E＝α·[物理特性1]+β·[物理特性2]+γ·[物理特性3]+...+约束项
在本申请中公开的技术的示例中，例如，使用由以下公式表示的相关公式，将多个物理特性收集到一个特征中。
[特征1]＝α1·[物理特性1]+β1·[物理特性2]
这里，α1和β1分别代表相应物理特性的加权系数。此外，可以基于特征1与物理特性1和物理特性2之间的相关关系求出α1和β1。
然后，在本申请中公开的技术的示例中，例如，通过将上述相关公式结合到上述能量函数公式中来简化能量函数公式。例如，在本申请中公开的技术的示例中，例如，通过将上述相关公式结合到上述能量函数公式中，将能量函数公式转换为以下公式，并且简化了能量函数公式。
E＝δ·[特征1]+γ·[物理特性3]+...+约束项
在此，δ代表表示特征1的加权参数的系数。
在上述简化的能量函数公式中，物理特性1和物理特性2共同结合作为特征1，并且减少了能量函数公式中包含的参数数量。因此，可以为上述简化的能量函数公式中的所有参数分别指定适当的加权系数，并且可以不仅在计算结果方面而且在实际性能方面来优化混合物的性能。
这里，将描述在本申请中公开的技术的更具体的示例。
例如，如上述示例那样，当优化作为混合物的混合制冷剂的性能时，将采用作为混合制冷剂的物理特性的五个物理特性即热导率、比热、闪点、粘度和导电率作为能量函数公式的参数。
在上述示例中，混合制冷剂的冷却性能(制冷剂传递热的能力)受混合制冷剂中热传递的容易程度的影响，例如，可以使用混合制冷剂的热导率和比热(或热容)来表示热传递的容易程度。此外，当从另一方面来看时，冷却系统中的冷却性能也可以使用热阻来表示，热阻表示热传递的困难程度。因此，可以认为混合制冷剂的热导率和比热具有与冷却系统中的热阻相关的关系。
因此，在本申请中公开的技术的一个示例中，通过将混合制冷剂的多种物理特性中具有与热阻相关的关系的热导率和比热作为一个特征共同结合到能量函数公式中，可以简化能量函数公式。这意味着，在本申请中公开的技术的一个示例中，通过将混合制冷剂的两个物理特性即热导率和比热作为一个特征(即为热阻)共同结合到能量函数公式中，可以减少能量函数公式中包含的参数的数量，并且可以简化能量函数公式。
此外，在本申请中公开的技术的示例中，当将多个物理特性诸如热导率和比热收集到一个特征中时，例如，可以求出与多个物理特性相关的相关公式，并且可以通过求出的相关公式将多个物理特性替换为一个特征。在这种情况下，例如，使用现有技术等来选择多个混合制冷剂候选，并且对所选择的混合制冷剂候选进行热流体模拟或实验，以求出热导率与比热之间的相关关系，以及混合制冷剂候选中的热阻。在该示例中，例如，基于求出的相关关系，可以以热导率和比热作为参数来获得能够表示热阻的相关公式。
在本申请中公开的技术的示例中，可以通过优化包括相关公式的能量函数公式同时(全面)优化多个物理特性，在该相关公式中，多个物理特性被收集为一个特征。这意味着，在本申请中公开的技术的示例中，通过将以上相关公式应用于能量函数公式，可以将能量函数公式中的热导率和比热收集为一个特征作为热阻，并且可以减少能量函数公式中的参数的数量(物理特性的数量)以简化能量函数公式。
在混合制冷剂的上述示例中，通过使用在本申请中公开的技术的示例，可以指定混合制冷剂的组成，在该混合制冷剂中，例如，热阻低且传输热的性能(冷却性能)高，同时导电率低并且提供绝缘特性，此外，作为制冷剂，闪点和粘度也落入优选范围内。
注意，到目前为止，已经将混合制冷剂作为要对其性能进行优化的混合物的示例进行了描述，但是本申请中公开的技术不限于将混合制冷剂作为目标。
如上所述，在本申请中公开的技术的示例中，通过将多个物理特性中具有与一个特征相关的关系的多个物理特性作为一个特征共同结合到能量函数公式中，可以减少能量函数公式中包含的参数的数量。因此，在本申请公开的技术的示例中，可以针对所有参数分别设置适当的加权系数，并且优化能量函数公式中的每个物理特性变得容易。这意味着，在本申请中公开的技术的示例中，由于容易优化能量函数公式中的每个物理特性，因此当能量函数公式最小化时，可以优化每个物理特性，并且可以指定不仅在计算结果方面而且在实际性能方面进行精确优化的混合物。
因此，在本申请中公开的技术的示例中，即使当能量函数公式包含许多物理特性时，混合物的性能也可以不仅在计算结果方面而且在实际性能方面进行优化。
在下文中，将参照附图描述在本申请中公开的技术的示例。注意，在作为本申请中公开的技术的示例的混合物性能优化装置中，例如可以通过在混合物性能优化装置中包括的能量函数公式简化单元执行诸如能量函数公式的简化的处理(操作)。
<能量函数公式简化单元>
在本申请中公开的技术的示例中，能量函数公式简化单元基于能量函数公式来优化混合物的性能，该能量函数公式用于对混合物中的多个物理特性中的每个物理特性进行加权并执行计算以优化混合物的性能。另外，在本申请公开的技术的示例中，在能量函数公式中，能量函数公式简化单元将多个物理特性中具有与一个特征相关的关系的多个物理特性作为一个特征共同结合到能量函数公式中，并且简化了能量函数公式。
<<混合物>>
在本申请中公开的技术中，对要优化性能的混合物没有特别限制，只要采用多种物质的混合物，并且可以根据预期目的适当地选择。这意味着，在本申请中公开的技术中，没有特别限制，只要所采用的混合物是其各种性能和属性可以通过改变要混合的物质的类型和量而变化的混合物，并且可以根据预期目的适当地选择。
此外，在本申请中公开的技术中，没有特别限制要混合到混合物中的物质(材料)，并且可以根据预期目的适当地选择。另外，要混合到混合物中的物质的类型的数量没有特别限制，只要采用多种(两种或更多种)类型，并且可以根据预期目的适当地选择。
在本申请中公开的技术的示例中，优选地根据混合物的类型例如从记录有大量物质的物理特性等的数据库中选择要混合到混合物中的物质(材料)。
此外，在本申请中公开的技术中，要优化的混合物的性能没有特别限制，并且可以根据预期目的适当地选择。可以根据混合物的类型例如取决于混合物所期望的性能来选择要通过本申请中公开的技术优化的混合物的性能。
在本申请中公开的技术中，要对其性能进行优化的混合物的示例包括例如制冷剂、清洁剂和食品。
对制冷剂没有特别限制，只要采用其中混合有多种物质(材料)的制冷剂(混合制冷剂)，并且可以根据预期目的适当地选择；制冷剂在室温下可以是气体，或者制冷剂在室温下可以是液体。
混合制冷剂的物理特性的示例包括，例如，热阻、热导率、比热、粘度、蒸汽压、沸点、表面张力、蒸发潜热、燃烧性、易燃性、可燃性、毒性、能量效率、环境影响等。能量效率可以使用例如性能系数(COP)来表示。此外，环境影响的示例包括例如全球变暖潜势(GWP)、臭氧消耗潜势(ODP)等。
这里，在本申请中公开的技术中，混合物中的多种物理特性中，具有与一种物理特性相关的关系的多种物理特性的集合有时被称为“特征”。
在混合制冷剂中，在上述多个物理特性的示例中，例如，通过假设热导率和比热具有与热阻相关的关系，这两个物理特性即热导率和比热可以共同视为一个特征即热阻。
此外，在混合制冷剂中，在上述多个物理特性的示例中，例如，通过假设闪点和比重具有与燃烧性(燃烧率)相关的关系，两个物理特性即闪点和比重可以共同视为一个特征即燃烧性(燃烧率)。
此外，在混合制冷剂中，在上述多个物理特性的示例中，例如，通过假设蒸发潜热和比热具有与能量效率(COP)相关的关系，这两个物理特性即蒸发潜热和比热可以共同视为一个特征即能量效率(COP)。
作为混合制冷剂，例如，优选地包含氟化合物的混合制冷剂。包含在混合制冷剂中的氟化合物没有特别限制，并且可以根据预期目的适当地选择。但是，由于其绝缘特性和低的全球变暖潜势(GWP)，优选地包含氢氟烯烃(HFO)。
清洁剂没有特别限制，只要采用混合有多种物质(材料)的清洗剂，并且可以根据预期目的适当地选择。清洁剂的示例包括例如水基清洗剂、半水基清洗剂、烃基清洗剂、醇基清洗剂、氯基清洗剂、氟基清洗剂和溴基清洗剂。
清洁剂的物理特性没有特别限制，并且可以根据预期目的适当地选择。清洁剂的物理特性的示例包括，例如，比热、粘度、表面张力、蒸发潜热、燃烧性、易燃性、毒性、氢离子指数(pH)、蒸发速率、渗透性、对特定目标的去污力和储存稳定性。
在本申请中公开的技术中，通过将根据预期目的从上述物理特性等中适当地选择的多个物理特性收集为一个特征，可以简化能量函数公式。
食品没有特别限制，只要采用混合有多种物质(材料)的食品，并且可以根据预期目的适当地选择。食品的示例包括例如咖啡。当要优化的混合物是咖啡时，在本申请中公开的技术的示例中，求出用作咖啡的原料的咖啡豆的类型和咖啡豆的量。这意味着，在本申请中公开的技术的示例中，可以求出咖啡豆在所谓的混合咖啡中的适当混合比例。
咖啡的物理特性(味道特征)没有特别限制，并且可以根据预期目的适当地选择。咖啡的物理特性的示例包括香味、酸味、苦味和醇厚性。
在本申请中公开的技术中，通过将根据预期目的从上述物理特性(特征)等中适当地选择的多个物理特性收集为一个特征，可以简化能量函数公式。
<<能量函数公式>>
在本申请中公开的技术的示例中，基于能量函数公式来优化混合物的性能，该能量函数公式用于对混合物中的多个物理特性中的每个物理特性进行加权并执行计算以优化混合物的性能。
这里，能量函数公式可以根据混合物的物理特性、对选择要混合到混合物中的物质的约束等适当地选择。例如，可以使用如下函数作为能量函数公式：使用混合物中的物理特性的值作为变量，当给出混合物中物质的最佳组合时，该函数取最小值。因此，通过求出能量函数公式具有最小值的变量的组合，可以优化混合物的性能。
在本申请中公开的技术的一个示例中，优选由以下公式表示的能量函数公式。
E＝α·[物理特性1]+β·[物理特性2]+γ·[物理特性3]+...+约束项
在该公式中，E代表能量函数公式，并且α、β和γ代表相应物理特性的加权系数。注意，约束项是表示约束诸如能量函数公式中的所选材料(物质)的数量的项。此外，在上述能量函数式中的“...”是指可以适当地包括物理特性1、2、3以外的物理特性以及α、β、γ以外的加权系数。
这里，上述能量函数公式中的物理特性(物理特性值)诸如物理特性1至3是指混合物中的物理特性(混合物理特性)。对求出混合物的物理特性(混合物理特性)的方法没有特别限制，并且可以根据预期目的适当地选择。作为求出混合物的物理特性的方法，可以提及基于混合物中的每种物质(例如化合物)的物理特性求出物理特性的方法。
基于混合物中每种物质的物理特性求出混合物的物理特性的方法没有特别限制，并且可以根据要求出的物理特性的类型和属性适当地选择。此外，对于每种物质的物理特性，可以使用文献值、测量值(通过实际进行实验获得的值)、基于物理特性模拟计算的值等。
作为基于混合物中每种物质的物理特性求出混合物的物理特性的方法，例如，可以提及使用通过基于要混合的每种物质在混合物中的摩尔浓度对多种物质的物理特性值进行加权和平均而获得的值的方法。
关于使用这种方法的情况，作为示例说明了以下情况，其中，当求出(估计)混合物的比热时，在100mol混合物中包含有50mol物质A、30mol物质B和20mol物质C。在该示例中，假设物质A的比热为2000J/(kg·K)，物质B的比热为4000J/(kg·K)，物质C的比热为1000J/(kg·K)。此时，当使用这些物质中每种物质的比热基于每种物质的摩尔浓度求出混合物的比热时，例如，给出以下公式。
混合物的比热＝2000×(50/100)+4000×(30/100)+1000×(20/100)＝2400J/(kg·K)
以这种方式，在本申请中公开的技术的示例中，例如，可以采用以下值作为混合物的物理特性：通过基于要混合的每种物质在混合物中的摩尔浓度对多种物质的物理特性值进行加权和平均而获得的值。
此外，基于混合物中每种物质的物理特性来计算混合物的物理特性的方法不限于上述方法，例如，也可以使用通过理论或经验物理特性估计公式来估计混合物的物理特性的方法。
作为理论或经验物理特性估计公式，可以适当地选择和使用已知的公式，例如，可以使用在诸如“Prediction Method for Physical Properties(OHE,Shuzo；Data BookShuppansha)”等文献中公开的公式。稍后将描述物理特性估计公式的具体示例等。
另外，上述能量函数公式中的约束项优选包括以下四个约束。
要混合到混合物中的多种物质的类型的数量是预定数量的约束
混合物中多种物质之间的总混合百分比为100％的约束
同一物质不被多次选择为要混合到混合物中的多种物质的约束
混合物包含预定物质的约束
这里，首先，将描述上述四个约束中的“要混合到混合物中的多种物质的类型的数量是预定数量的约束”。
当优化混合物的性能时，有时会预设要混合的物质数量，以搜索要混合到混合物中的物质。在这样的情况下，通过施加上述“要混合到混合物中的多种物质的类型的数量是预定数量的约束”，可以通过缩小范围至其中混合有已经预设的预定数量的物质的混合物来进行搜索。
此外，可以采用“要混合到混合物中的多种物质的类型的数量是预定数量的约束”例如作为惩罚项，以提高当组合具有要混合到混合物中的物质的类型的数量不是预定数量时的能量函数公式的值。
接下来，将描述上述四个约束条件中的“混合物中多种物质之间的总混合百分比为100％的约束”。
当搜索多种物质的混合物中的物质的组合时，多种物质(的含量)之间的总混合百分比通常占混合物总量的100％。因此，通过施加上述“混合物中多种物质之间的总混合百分比为100％的约束”，可以通过缩小范围进行搜索，以使得多种物质之间的总混合百分比匹配100％。
此外，可以采用“混合物中多种物质之间的总混合百分比为100％的约束”作为例如惩罚项，以提高当组合具有混合物中多种物质之间的总混合百分比不为100％时的能量函数公式的值。
随后，将描述上述四个约束中的“同一物质不被多次选择为要混合到混合物中的多种物质的约束”。
当搜索多种物质的混合物中的物质的组合时，存在这样的情况：从多次选择同一物质的组合中可能没有确定多样物质的组合。相应地，通过施加上述“同一物质不被多次选择为要混合到混合物中的多种物质的约束”，可以通过缩小范围到由彼此不同的物质的组合形成的混合物来进行搜索。
此外，可以采用“同一物质不被多次选择为要混合到混合物中的多种物质的约束”例如作为惩罚项，以提高当组合具有与要混合到混合物中的多种物质相同的被多次选择的物质时的能量函数公式的值。
接下来，将描述上述四个约束中的“混合物包含预定物质的约束”。
当搜索多种物质的混合物中的物质的组合时，存在这样的情况：预设混合物的基础物质，并且搜索要混合到混合物中的物质，使得包括基础物质。因此，通过施加上述“混合物包含预定物质的约束”，可以通过缩小范围到包含预设基础物质的混合物来进行搜索。
此外，可以采用“混合物包含预定物质的约束”例如作为惩罚项，以提高当混合物具有不包含预定物质的组合时的能量函数公式的值。
<<能量函数公式的简化>>
在本申请中公开的技术的示例中，在能量函数公式中，将多个物理特性中具有与一个特征相关的关系的多个物理特性作为一个特征共同结合到能量函数公式中，并且简化了能量函数公式。
在能量函数式中，将多个物理特性中具有与一个特征相关的关系的多个物理特性作为一个特征共同结合到能量函数公式中的方法没有特别限制，并且可以根据预期目的适当地选择。
在本申请中公开的技术的示例中，优选的是，通过求出与多种物理特性相关的相关公式并通过求出的相关公式用一个特征代替多个物理特性来简化能量函数公式。在本申请中公开的技术的示例中，通过将与多种物理特性相关的相关公式应用于能量函数公式，可以将多种物理特性收集为一个特征，并且可以减少能量函数公式中的参数的数量(物理特性的数量)以简化能量函数公式。
求出与多个物理特性相关的相关公式的方法没有特别的限制，并且可以根据预期目的适当地选择。然而，优选地是，基于多个物理特性与通过收集多个物理特性而获得的特征之间的相关关系来求出相关公式的方法。
基于多个物理特性与通过收集多个物理特性而获得的特征之间的相关关系来求出相关公式的方法没有特别的限制，并且可以根据预期目的适当地选择。然而，更优选的是使用多元回归分析的方法。这意味着，在本申请中公开的技术的示例中，优选地，通过多元回归分析从多个物理特性中具有彼此相关的关系的多个物理特性中得到收集有多个物理特性的一个特征。
通过以这样的方式得到一个特征，在本申请中公开的技术的示例中，可以更准确地求出多个物理特性与通过收集多个物理特性而获得的特征之间的相关关系。
多元回归分析是指如下的回归分析，其是一种多变量分析并且具有两个或更多个解释变量，并且是一种可以求出两个或更多个解释变量与一个目标函数之间的相关关系的分析方法。在本申请中公开的技术的示例中，例如，通过以多个物理特性作为解释变量并且以特征(一个特征)作为目标变量来执行多元回归分析，可以求出表示多个物理特性与一个特征之间的相关关系的相关公式(多元回归公式)，并且可以通过求出的相关公式来简化能量函数公式。
在本申请中公开的技术的示例中，在求出相关公式时执行多变量分析诸如多元回归分析的情况下，例如，优选地是，基于与给定特征(特征值)相对应的多个物理特性(物理特征值)的数据执行分析。这意味着，在本申请中公开的技术的示例中，优选的是，通过基于包含一个特征的值和与该一个特征的值相对应的多个物理特性的值(给出一个特征的值)的数据执行多元回归分析，来获得表示多个物理特性与一个特征之间的相关关系的相关公式。
获取包含一个特征的值和与该一个特征的值相对应的多个物理特性的值(给出该一个特征的值)的数据的方法没有特别限制，并且可以根据预期目的适当地选择。作为获取包含一个特征的值和与该一个特征的值相对应的多个物理特性的值的数据的方法，可以提及如下方法，针对给定混合物指定要混合的物质、这些物质之间的混合百分比(组成)以及给定混合物中每个物理特性的值，并求出已经指定组成和物理特性的混合物中的一个特征的值。
这里，对于给定混合物指定要混合的物质、这些物质之间的混合百分比(组成)以及给定混合物中的每个物理特性的值的方法没有特别限制，并且可以根据预期目的适当地选择。例如，可以提及一种使用适当设置的加权系数根据计算结果优化混合物的性能的方法。这意味着，可以通过适当地设置能量函数公式中的加权系数并使能量函数公式最小化来指定混合物的组成和特征。
如上所述，在本申请中公开的技术的示例中，出于以下目的：在用于优化混合物的性能的计算之前获取包含一个特征的值和与该一个特征的值相对应的多个物理特性的值的数据，优选地是，使用适当设置的加权系数执行计算。
此时，从进一步提高多元回归分析的准确性的观点出发，优选地是，准备适当设置加权系数的多个能量函数式并使其最小化，并针对多个混合物获取包含一个特征的值和与该一个特征的值相对应的多个物理特性的值的数据。
在设置能量函数公式中的加权系数用于指定混合物的组成的方法没有特别限制，并且可以根据预期目的适当地选择，该混合物用于获取包含一个特征值和与该一个特征值相对应的多种物理特性的值的数据。对于这样的能量函数公式的加权系数，例如，优选地是，对于能量函数公式中包括的每个物理特征，准备强调每个物理特性的多个加权系数的组合，并设置加权系数使得可以缩小计算中每个物理特性的最大值和最小值的范围。
例如，当要优化性能的混合物是混合制冷剂时，优选的是，在多个条件下执行计算，多个条件例如强调热导率的加权系数的组合、强调比热的加权系数的组合、以及强调闪点和粘度的加权系数的组合。
如上所述，在本申请中公开的技术的示例中，对于用于获取包含一个特征的值和与该一个特征的值相对应的多个物理特征的值的数据的混合物，可以指定在每个物理特性方面变化的多个混合物的组成。
此外，在设置能量函数公式中的加权系数用于指定混合物的组成的方法可以是例如使用随机数自动改变加权系数的方法，该混合物用于获取包含一个特征的值和与该一个特征的值相对应的多种物理特性的值的数据。
作为求出如上所述已经指定其组成的混合物中的一个特征的值的方法，例如，可以提及通过对混合物进行模拟(数值计算)来求出值的方法、通过对混合物进行实验来求出值的方法等。
对已经指定其组成的混合物执行模拟的方法没有特别限制，并且可以根据预期目的适当地选择。可以取决于要求出的一个特征的类型使用已知的模拟方法。
在本申请中公开的技术的示例中，当在要优化性能的混合物是混合制冷剂的情况下将热阻用作一个特征时，例如，通过执行热流体模拟来评估使用混合制冷剂的冷却系统的冷却性能。
在此，如上所述，混合制冷剂的热导率和比热被认为与使用混合制冷剂的冷却系统的冷却性能相关。此外，当从另一方面来看时，冷却系统中的冷却性能可以由热阻表示。因此，通过执行热流体模拟来获取使用混合制冷剂的冷却系统中的温度数据并且求出当使用混合制冷剂时的热阻作为冷却性能，并且针对混合制冷剂可以指定作为一个特征的热阻与作为多个物理特性的热导率和比热之间的关系。
此外，求出已经通过对混合物进行实验来指定其组成的混合物中的一个特征的值的方法没有特别限制，并且可以根据预期目的适当地选择。例如，可以使用实际配制混合物并测量一个特征的方法。
在本申请中公开的技术的示例中，可以以上述方式通过获取包含一个特征的值和与该一个特征的值相对应的多个物理特征的值的数据并基于所获取的数据执行多元回归分析来获得表示多个物理特性与一个特征之间的相关关系的相关公式。
此外，在本申请中公开的技术中，当简化能量函数公式时，要被结合到能量函数公式中的特征的数量不限于一个，并且可以将多个特征结合到能量函数公式中。例如，在本申请中公开的技术的示例中，能量函数公式简化单元可以将多个特征结合到能量函数公式中以简化能量函数公式。
这里，作为由以下三个公式所示的示例，将研究彼此不同的多个物理特性与多个特征相关的情况。
[特征1]＝α1·[物理特性1]+β1·[物理特性2]
[特征2]＝γ1·[物理特性3]+δ1·[物理特性4]
[特征3]＝ε1·[物理特性5]+ζ1·[物理特性6]
注意，α1、β1、γ1、δ1、ε1和ζ1代表相关公式中的各个物理特性的加权系数。
在这种情况下，假设简化之前的原始能量函数公式由以下公式表示。
E＝α·[物理特性1]+β·[物理特性2]+γ·[物理特性3]+δ·[物理特性4]+ε·[物理特性5]+ζ·[物理特性6]+...+约束项
注意，α、β、γ、δ、ε和ζ代表能量函数公式中各个物理特性的加权系数。
此时，当通过将以上三个相关公式结合到上述能量函数公式中来简化能量函数公式时，简化的能量函数公式被给出为以下公式。
E＝η·[特征1]+θ·[特征2]+λ·[特征3]+...+约束项
在此，η、θ、和λ代表相应特征的加权系数。
在该示例中，通过将上述三个相关公式结合到上述能量函数公式中，可以将能量函数公式中的参数的数量减少三个。
以这种方式，在本申请中公开的技术的示例中，通过将多个特征结合到能量函数公式中，即使当原始能量函数公式包含更多的物理特性时，也可以在计算结果方面而且在实际性能方面优化混合物的性能。
此外，在以上示例中，指示了彼此不同的多个物理特性与多个特征相关的情况；然而，本申请中公开的技术不限于该示例，例如，一种物理特性可以与多个特征相关。
在此，作为将多个特征结合到能量函数公式中的另一示例，如以下三个公式所示的示例，研究一个物理特性与多个特征相关的情况。
[特征1]＝α1·[物理特性1]+β1·[物理特性2]+γ1·[物理特性3]
[特征2]＝δ1·[物理特性3]+ε1·[物理特性4]+ζ1·[物理特性5]
Figure BDA0002872057590000191
Figure BDA0002872057590000192
注意，α1、β1、γ1、δ1、ε1、ζ1、η1、θ1、λ1和
Figure BDA0002872057590000193
代表各个相关公式中的各个物理特性的加权系数。
在这种情况下，假设简化之前的原始能量函数公式由以下公式表示。
E＝α·[物理特性1]+β·[物理特性2]+γ·[物理特性3]+δ·[物理特性4]+ε·[物理特性5]+ζ·[物理特性6]+...+约束项
注意，α、β、γ、δ、ε和ζ代表能量函数公式中各个物理特性的加权系数。
此时，当通过将以上三个相关公式结合到上述能量函数公式中来简化能量函数公式时，简化的能量函数公式被给出为以下公式。
E＝μ·[特征1]+ν·[特征2]+ρ·[特征3]+...+约束项
这里，μ、ν和ρ代表各个特征的加权系数。
如该示例中所指示的，在本申请中公开的技术的示例中，当将多个特征结合到能量函数公式中时，一个物理特性可以与多个特征相关。
例如，在本申请中公开的技术中，在一个特征的多个示例中，混合物的具有彼此相关关系的多个物理特性中与一个特征的第一实例相关的至少一个物理特性可以是混合物的具有彼此相关关系的多个物理特性中与一个特征的第二实例相关的至少一个物理特性。
此外，在本申请中公开的技术中，通过收集多个物理特性而获得的特征被结合到能量函数公式的次数不限于一次，并且该特征可以被结合多次。例如，在本申请中公开的技术的示例中，优选地，能量函数公式简化单元将一个特征结合到能量函数公式中多次以简化能量函数公式。
这意味着，在本申请中公开的技术的示例中，每当将一个特征结合到能量函数公式中时，甚至当能量函数公式包含更多物理特性时，能量函数公式的物理特性的数量也可以减少，混合物的性能可以不仅在计算结果方面而且在实际性能方面进行优化。
<性能优化单元>
在本申请中公开的技术的示例中，性能优化单元通过使由能量函数公式简化单元简化的能量函数公式最小化来优化混合物的性能。在本申请中公开的技术的一个示例中，通过使能量函数公式最小化，可以求解与混合物的组成中的组合相关的组合优化问题，并且可以指定能够优化性能的混合物的组成。
这里，使能量函数公式最小化的方法没有特别限制，并且可以根据预期目的适当地选择。作为使能量函数公式最小化的方法，优选的是，将能量函数公式转换为二次无约束二进制优化(QUBO)格式伊辛模型并使转换为伊辛模型的能量函数公式的值最小化的方法。
例如，作为转换为伊辛模型的能量函数公式，优选地使用由以下数学公式(1)表示的数学公式。例如，在本申请中公开的技术的一个示例中，优选地基于将能量函数公式转换为由以下公式(1)表示的伊辛模型来优化混合物的性能。
[数学公式1]
Figure BDA0002872057590000201
注意，在上述公式(1)中，E代表能量函数公式。
符号wij代表表示第i位与第j位之间的相互作用的数值。
符号xi代表表示第i位具有0或1的二进制变量，并且符号xj代表表示第j位具有0或1的二进制变量。
符号bi代表表示第i位的偏置的数值。
这里，可以针对xi和xj的每种组合例如通过在将能量函数公式转换为伊辛模型之前提取能量函数公式中的每个参数的数值等来求出上述公式(1)中的wij，并且wij通常以矩阵形式给出。
上述公式(1)右侧的第一项是通过针对可以从所有电路中选择的两个电路的所有组合的两个电路的状态和权重值(权重)的乘积进行积分而获得的，而不会遗漏或复制。
此外，通过对所有电路的相应偏置值和状态的乘积进行积分，可以获得上述公式(1)中右侧的第二项。
例如，可以通过在将能量函数公式转换为由上述公式(1)表示的伊辛模型之前提取能量函数公式的参数并求出wij和bi来将能量函数公式转换为该伊辛模型。
通过例如使用退火机等实现退火方法(退火)，可以在短时间内执行以上述方式转换为伊辛模型的成本函数的值的最小化。例如，在本申请中公开的技术的示例中，优选地，性能优化单元通过退火方法使能量函数公式最小化。注意，稍后将描述使用退火机的退火方法的细节。
在下文中，将使用示例性装置配置、流程图等来更详细地描述本申请中公开的技术的示例。
图3示出了在本申请中公开的混合物性能优化装置的示例性硬件配置。
在混合物性能优化装置10中，例如，控制单元11、存储器12、存储单元13、显示单元14、输入单元15、输出单元16和输入/输出(I/O)接口单元17经由系统总线18彼此连接。
控制单元11执行算术运算(例如，四则算术运算、比较运算以及用于退火方法的算术运算)、硬件和软件操作控制等。
控制单元11没有特别限制，并且可以根据预期目的适当地选择。例如，控制单元11可以是CPU或用于稍后描述的退火方法的优化装置(退火机)的一部分，或者可以是这些设备的组合。
本申请中公开的混合物性能优化装置中的能量函数公式简化单元和性能优化单元可以通过例如控制单元11来实现。
存储器12是诸如随机存取存储器(RAM)或只读存储器(ROM)的存储器。RAM存储从ROM和存储单元13读取的操作系统(OS)、应用程序等，并且用作控制单元11的主存储器和工作区。
存储单元13是存储各种类型的程序和数据的装置，并且可以是例如硬盘。存储单元13存储要由控制单元11执行的程序、要在执行程序时使用的数据、OS等。
此外，本申请中所公开的混合物性能优化程序存储在例如存储单元13中，加载到存储器12的RAM(主存储器)中，并由控制单元11执行。
显示单元14是显示装置，并且例如可以是诸如阴极射线管(CRT)监视器或液晶面板的显示装置。
输入单元15是用于各种数据的输入装置，并且例如可以是键盘或定点装置(诸如鼠标)。
输出单元16是用于各种种类的数据的输出装置，并且例如可以是打印机。
I/O接口单元17是用于连接各种外部装置的接口。
I/O接口单元17使得数据能够在例如光盘只读存储器(CD-ROM)、数字多功能盘只读存储器(DVD-ROM)、磁光(MO)盘或通用串行总线(USB)存储器(USB闪存驱动器)等上输入和输出。
图4示出了在本申请中公开的混合物性能优化装置的另一示例性硬件配置。
图4所示的示例是采用混合物性能优化装置并且控制单元11独立于存储单元13等的情况的示例。在图4所示的示例中，包括存储单元13等的计算机30经由网络接口单元19和20连接至包括控制单元11的计算机40。
网络接口单元19和20是使用因特网执行通信的硬件。
图5示出了在本申请中公开的混合物性能优化装置的另一示例性硬件配置。
图5所示的示例是采用混合物性能优化装置并且存储单元13独立于控制单元11等的情况的示例。在图5所示的示例中，包括控制单元11等的计算机30经由网络接口单元19和20连接至包括存储单元13的计算机40。
图6示出了作为本申请中公开的混合物性能优化装置的实施方式的示例性功能配置。
如图6所示，混合物性能优化装置10包括通信功能单元101、输入功能单元102、输出功能单元103、控制功能单元104和存储功能单元108。
通信功能单元101例如向外部装置发送各种数据并且从外部装置接收各种数据。通信功能单元101可以例如从外部装置接收例如转换为伊辛模型的能量函数公式中的偏差和权重的数据。
输入功能单元102例如接受用于混合物性能优化装置10的各种指令。此外，输入功能单元102可以接受例如转换为伊辛模型的能量函数公式中的偏差和权重的数据输入。
输出功能单元103例如输出在其性能已经优化的混合物中的多种物质的类型以及这些物质之间的混合百分比(组成)。
控制功能单元104包括能量函数公式简化单元105、性能优化单元106和模拟单元107。控制功能单元104例如执行存储在存储功能单元108中的各种程序，并且还控制整个优化装置10的操作。
能量函数公式简化单元105执行简化能量函数公式的处理。
性能优化单元106通过使由能量函数公式简化单元105简化的能量函数公式最小化来优化混合物的性能。
模拟单元107对混合物执行模拟(数值计算)，以便求出一个特征与混合物中具有与该一个特征相关的关系的多个物理特性之间的相关关系。
存储功能单元108具有物质数据库(物质DB)109和物理特性数据库(物理特性DB)110。存储功能单元108例如存储各种程序。
物质DB 109是存储诸如物质的名称和化学式的信息的数据库，所述物质是要混合到混合物中的物质的候选。已知的化合物数据库可以用作物质DB 109。
物理特性DB 110是存储关于针对要混合到混合物中的物质的候选的物质的每种物质的物理特性的信息的数据库。物理特性DB 110可以通过收集已知化合物数据库、化学手册、学术文献、专利文献等中公开的物质的物理特性(物理特性值)来获得。
这里，将参照图7描述在与本申请中公开的技术的比较例相对应的示例中用于优化混合物的性能的流程的示例。注意，在图7所示的示例中，将描述性能要被优化的混合物是混合制冷剂的情况作为示例。
首先，控制功能单元104接受来自用户的输入，并在要优化其性能的混合制冷剂中选择基础物质(材料)(S101)。例如，当要优化具有绝缘特性的混合制冷剂的性能时，优选地选择具有绝缘特性的制冷剂材料作为基础物质。
接下来，控制功能单元104从物质DB 109中选择要混合到混合制冷剂中的物质的多个候选(S102)。此时，控制功能单元104可以选择存储在物质DB 109中的所有物质，或者可以通过拾取被认为适合于混合制冷剂的物质来进行选择。此外，控制功能单元104可以参考物理特性DB 110以从物质DB 109中选择存储有物理特性值的物质。
随后，控制功能单元104确定混合制冷剂中要优化的物理特性(S103)。例如，在S103中，控制功能单元104确定能量函数公式中包含的用于执行优化混合制冷剂的性能的计算的物理特性(参数)。在混合制冷剂中，例如，优选地选择热导率、比热、闪点、粘度、导电率等作为要优化的物理特性。注意，在S103中，控制功能单元104优选地从每种物质的物理特性中选择要优化的物理特性，使得可以估计混合制冷剂中的物理特性的物理特性包括在要优化的物理特性中。
之后，控制功能单元104根据混合制冷剂中要优化的物理特征，从物理特征DB 110中获取关于要混合的物质的候选的物理特性的信息(S104)。例如，在S104中，控制功能单元104参考被选择为要被混合到混合制冷剂中的物质的候选的物质的物理特性DB 110，并且获取关于在S103中确定的针对优化的每种物质的物理特性的信息(物理特性值)。
然后，控制功能单元104针对混合制冷剂中要优化的物理特性指定能够根据每种物质的物理特性来估计混合制冷剂的物理特性的公式(S105)。例如，在S105中，控制功能单元104基于用户输入等基于被选择为要混合到混合制冷剂的物质的候选的每种物质的物理特性来指定能够得到混合制冷剂中的物理特性的关系式。
接下来，控制功能单元104定义能量函数公式，该能量函数公式包括混合制冷剂中要优化的每个物理特性(每个物理特性作为参数)(S106)。例如，在S106中，控制功能单元104基于在S105中指定的能够估计混合制冷剂中的物理特性的公式，指定具有混合制冷剂中要优化的每种物理特性作为参数的能量函数公式。此外，此时，控制功能单元104布置能量函数公式，使得加权系数被分配给表示每种物理特性的参数，并且包括用于搜索混合制冷剂的组成的约束项。
例如，在S106中，控制功能单元104指定由以下公式表示的能量函数公式。
E＝α·[物理特性1]+β·[物理特性2]+γ·[物理特性3]+...+约束项
在该公式中，E代表能量函数公式，并且α、β和γ代表相应物理特性的加权系数。
随后，控制功能单元104将指定的能量函数公式转换为由以下公式(1)表示的伊辛模型(S107)。例如，在S107中，控制功能单元104提取所指定的能量函数公式中的参数，并且求出以下公式(1)中的bi(偏差)和wij(权重)，以将能量函数公式转换为由以下公式(1)表示的伊辛模型。
[数学公式2]
Figure BDA0002872057590000251
注意，在上述公式(1)中，E代表能量函数公式。
符号wij代表表示第i位与第j位之间的相互作用的数值。
符号xi代表表示第i位具有0或1的二进制变量，并且符号xj代表表示第j位具有0或1的二进制变量。
符号bi代表表示第i位的偏置的数值。
接着，控制功能单元104使用退火机使上述公式(1)最小化(S108)。例如，在S108中，控制功能单元104通过使用退火方法执行对上述公式(1)的基态搜索来计算上述公式(1)的最小能量，从而找到使能量函数公式最小化的混合制冷剂的组成。
然后，控制功能单元104基于使上述公式(1)最小化的结果在能量函数公式具有最小值时输出混合制冷剂中包含的物质的类型、这些物质之间的混合百分比(混合制冷剂的组成)、以及混合制冷剂的每个物理特性(物理特性值)(S109)。然后，在输出混合制冷剂的组成和物理特性之后，控制功能单元104结束处理。
这里，在现有技术中，当通过以这种方式使能量函数公式最小化来优化混合制冷剂的性能时，如前所述，即使组合为能量函数公式赋予最小值，在实际上，该组合不适合作为混合制冷剂。这意味着，在现有技术中，当优化混合物诸如混合制冷剂的性能时，在要优化的物理特性的数量大的情况下，难以不仅在计算结果方面而且在实际性能方面优化能量函数公式，并且混合物的最佳候选可能没有充分缩小范围。
此外，在现有技术中，即使在根据如图7所示的流程多次执行计算同时适当地改变能量函数公式中的加权系数的情况下，也难以优化能量函数公式以使得满足实际条件，并且混合物的最佳候选可能无法充分缩小范围。
图8A和图8B示出了使用本申请中公开的技术的示例来优化混合物的性能的示例性流程图。此外，在图8A和图8B所示的示例性流程图中，可以以类似于图7所示的示例性流程图中的S101至S109的方式来处理S201至S209。
在图8A和图8B的示例中，控制功能单元104在S209之后确定是否使用加权系数的另一组合来搜索混合制冷剂的另一候选(S210)。例如，在S210中，控制功能单元104根据稍后描述的多元回归分析中所使用的混合制冷剂的多个变量的数量来确定是否进一步搜索混合制冷剂的其他组成。
在S210中，当使用加权系数的另一组合来搜索混合制冷剂的另一候选时，控制功能单元104将处理转移至S211。此外，在S210中，当不使用加权系数的另一组合来搜索混合制冷剂的另一候选时，控制功能单元104将处理转移至S212。注意，可以例如通过接受用户输入来确定是否使用加权系数的另一组合来搜索混合制冷剂的另一候选。
随后，控制功能单元104中的模拟单元107对已指定其组成的多种混合制冷剂执行热流体模拟(S212)。例如，在S212中，模拟单元107基于在S209中输出的多个混合制冷剂的物理特性，对通过热流体模拟使用混合制冷剂中的每一个混合制冷剂时的冷却系统的性能进行分析。
接下来，控制功能单元104中的能量函数公式简化单元105根据热流体模拟的结果求出每种混合制冷剂的热阻值(S213)。例如，在S213中，能量函数公式简化单元105基于热流体模拟的结果求出使用混合制冷剂的冷却系统的冷却性能，并根据冷却系统的冷却性能的分析结果计算混合制冷剂的热阻值。
在此，如上所述，混合制冷剂的热导率和比热被认为与使用混合制冷剂的冷却系统的冷却性能相关。此外，从另一方面来看，当在冷却系统中使用混合制冷剂时，冷却系统中的冷却性能可以由热阻表示。因此，可以通过执行热流体模拟，通过获取使用混合制冷剂的冷却系统的温度数据来求出混合制冷剂的热阻值。
然后，控制功能单元104中的能量函数公式简化单元105通过使用热阻、热导率和比热的数据执行多元回归分析，求出表示热阻与热导率和比热的相关公式(多元回归公式)(S214)。例如，在S214中，能量函数公式简化单元105使用基于热流体模拟的结果计算出的热阻的值以及热导率和比热(是在S209中输出的物理特性中的一些)的值，以执行多元回归分析。然后，在S214中，能量函数公式简化单元105求出表示作为一个特征的热阻与作为多个物理特性的热导率和比热之间的相关关系的相关公式。
之后，控制功能单元104中的能量函数公式简化单元105将如上所述求出的相关公式结合到能量函数公式中，以简化能量函数公式(S215)。例如，在S215中，能量函数公式简化单元105将表示作为一个特征的热阻与作为多个物理特性的热导率和比热之间的相关关系的相关公式在能量函数公式转换为伊辛模型之前结合到能量函数公式中，以简化能量函数公式。
随后，控制功能单元104中的性能优化单元106将指定的能量函数公式转换为由上述公式(1)表示的伊辛模型(S216)。例如，在S216中，性能优化单元106提取能量函数公式中的参数，并求出上述公式(1)中的bi(偏差)和wij(权重)，以将能量函数公式转换为上述公式(1)表示的伊辛模型。
接着，控制功能单元104中的性能优化单元106使用退火机将上述公式(1)最小化(S217)。例如，在S217中，性能优化单元106通过使用退火方法执行对上述公式(1)的基态搜索来计算上述公式(1)的最小能量，从而找到使能量函数公式最小化的混合制冷剂的组成。
然后，控制功能单元104基于使上述公式(1)最小化的结果在能量函数公式具有最小值时输出混合制冷剂中包含的物质的类型、这些物质之间的混合比例(混合制冷剂的组成)、以及混合制冷剂的每种物理特性(物理特性值)(S218)。然后，在输出混合制冷剂的组成和物理特性之后，控制功能单元104结束处理。
如使用图8A和图8B中的示例性流程图所描述的，在本申请中公开的技术的示例中，通过将多个物理特性中具有与一个特征相关的关系的多个物理特性作为一个特征共同结合到能量函数公式中，可以减少能量函数公式中包含的参数的数量。因此，在本申请公开的技术的示例中，可以针对所有参数分别设置适当的加权系数，并且优化能量函数公式中的每个物理特性变得容易。这意味着，在本申请中公开的技术的示例中，由于易于优化能量函数公式中的每个物理特性，因此当使能量函数公式最小化时，可以优化每个物理特性，并且可以指定不仅在计算结果方面而且在实际性能方面进行精确优化的混合物。
因此，在本申请中公开的技术的示例中，即使当能量函数公式包含许多物理特性时，混合物的性能也可以不仅在计算结果方面而且在实际性能方面都被优化。
此外，在图8A和图8B中，已经使用本申请中公开的技术的示例以指定顺序说明了用于优化混合物性能的流程；然而，在本申请中公开的技术中，各个步骤的顺序可以在技术上可行的范围内适当地改变。另外，在本申请中公开的技术中，可以在技术上可行的范围内全面地执行多个步骤。
此外，在本申请中公开的技术的示例中，可以通过重复图8A和图8B中的示例性流程图中的S212至S215和其他步骤，将多个特征结合到能量函数公式中。
下面将描述退火方法和退火机的示例。
退火方法是使用随机数值和量子位的叠加概率性地求出解的方法。下面以使要优化的评价函数的值最小化的问题作为示例进行描述。评价函数的值被称为能量。此外，当评价函数的值被最大化时，仅需要改变评价函数的符号。
首先，从向每个变量分配一个离散值的初始状态开始处理。相对于当前状态(变量值的组合)，选择接近该当前状态的状态(例如，仅一个变量改变的状态)，并考虑这两个状态之间的状态转变。计算与状态转变相关的能量变化。根据该值，概率性地确定是采用状态转变以改变状态，还是不采用状态转变以保持原始状态。在能量下降时的采用概率被选择为大于能量上升时的采用概率的情况下，可以预期：将在能量平均下降的方向上发生状态改变，并且随着时间的推移，将发生向更合适的状态的状态转变。然后，存在如下可能性：可以最终获得最优解或者给出与最优值接近的能量的近似解。
如果以确定性的方式在能量下降时采用状态转变并且在能量增加时不采用状态转变，则从广义上讲，能量变化相对于时间单调减少，但是当达到局部解时，则不再进一步改变。如上面所描述的，由于在离散优化问题中存在非常大量的局部解，因此状态几乎肯定会陷入不太接近最优值的局部解中。因此，当求解离散优化问题时，从概率上确定是否采用该状态是重要的。
在退火方法中，已经证明，通过如下确定状态转变的采用(允许)概率，状态在无限时间(迭代计数)的限制内达到最优解。
以下，对使用退火方法求出最优解的方法进行逐步说明。
(1)对于由于状态转变引起的能量变化(能量减少)值(-ΔE)，状态转变的允许概率p由以下函数中的任何一个函数确定。
[数学公式3]
p(ΔE，T)＝f(-ΔE/T) 公式(1-1)
[数学公式4]
fmetro(x)＝min(1，ex)(Metropolis方法) 公式(1-2)
[数学公式5]
fGibbs(x)＝min(1，ex)(Gibbs方法) 公式(1-3)
这里，T代表称为温度值的参数，并且例如可以如下进行改变。
(2)如由以下公式所表示的，温度值T相对于迭代计数t对数地减小。
[数学公式6]
Figure BDA0002872057590000291
这里，T0是初始温度值，并且根据问题，期望T0是足够大的值。
在使用由(1)中的公式表示的允许概率的情况下，如果在足够的迭代之后达到稳态，则对于热力学中的热平衡状态，每种状态的占有概率都遵循玻尔兹曼分布。
然后，当温度从高温逐渐降低时，低能量状态的占有概率增加。因此，认为当温度充分降低时获得低能量状态。由于该状态与当材料退火时引起的状态变化非常相似，因此该方法被称为退火方法(或伪退火方法)。注意，使能量增加的状态转变的概率性发生与物理学中的热激发相对应。
图9示出了实现退火方法的退火机的示例性功能配置。然而，在以下描述中，还描述了生成多个状态转变候选的情况，但是基本退火方法一次生成一个转变候选。
退火机100包括保持当前状态S(多个状态变量值)的状态保持单元111。此外，退火机100包括能量计算单元112，该能量计算单元112计算在由于多个状态变量值中的任何一个状态变量值的变化而发生相对于当前状态S的状态转变时的每个状态转变的能量变化值{-ΔEi}。另外，退火机100包括控制温度值T的温度控制单元113以及控制状态变化的转变控制单元114。注意，退火机100可以是上述混合物性能优化装置10的一部分。
转变控制单元114基于温度值T、能量变化值{-ΔEi}以及随机数值，根据能量变化值{-ΔEi}与热激发能量之间的相对关系来概率性地确定是否接受多个状态转变中的任何状态转变。
这里，转变控制单元114包括：候选生成单元114a，其生成状态转变候选；以及适当性(propriety)确定单元114b，其用于基于能量变化值{-ΔEi}和温度值T概率性地确定是否允许针对每个候选的状态转变。此外，转变控制单元114包括：转变确定单元114c，其从被允许的候选中确定要采用的候选；以及随机数生成单元114d，其生成随机变量。
退火机100在一次迭代中的操作如下。
首先，候选生成单元114a生成从保持在状态保持单元111中的当前状态S到下一状态的一个或更多个状态转变候选(候选编号{Ni})。接着，能量计算单元112使用当前状态S和状态转变候选来计算被列为候选的每个状态转变的能量变化值{-ΔEi}。适当性确定单元114b使用由温度控制单元113生成的温度值T和由随机数生成单元114d生成的随机变量(随机数值)，根据每个状态转变的能量变化值{-ΔEi}，以上面(1)中所描述的公式的允许概率来允许状态转变。
然后，适当性确定单元114b输出每个状态转变的适当性{fi}。在存在多个被允许的状态转变的情况下，转变确定单元114c使用随机数值随机地选择被允许的状态转变之一。然后，转变确定单元114c输出所选择的状态转变的转变编号N和转变适当性f。在存在被允许的状态转变的情况下，根据所采用的状态转变来更新被存储在状态保持单元111中的状态变量值。
从初始状态开始，在温度控制单元113降低温度值的同时重复以上描述的迭代。当满足完成确定条件(例如达到一定迭代计数或能量下降到低于特定值)时，操作完成。退火机100输出的答案是操作完成时的状态。
图9所示的退火机100例如可以使用半导体集成电路来实现。例如，转变控制单元114可以包括用作随机数生成单元114d的随机数生成电路、用作适当性确定单元114b的至少一部分的比较电路、稍后描述的噪声表等。
关于图9所示的转变控制单元114，将更详细地描述允许以由(1)中的公式表示的允许概率进行状态转换的机制。
可以通过将均匀随机数输入以下比较器来实现以允许概率p输出1并且以允许概率(1-p)输出0的电路，其中，均匀随机数针对输入A取允许概率p并且针对输入B取区间[0,1)中的值，该比较器具有两个输入A和B，当满足A>B时输出1并且当满足A<B时输出0。因此，如果将使用(1)中的公式基于能量变化值和温度值T计算出的允许概率p的值输入至该比较器的输入A，则可以实现上述功能。
这意味着，利用当f(ΔE/T)大于u时输出1的电路，可以实现上述功能，其中，f是在(1)中的公式中使用的函数，并且u是取区间[0,1)中的值的均匀随机数。
此外，通过进行以下修改，也可以实现与上述功能相同的功能。
将相同的单调递增函数应用于两个数不会改变大小关系。因此，即使将相同的单调递增函数应用于比较器的两个输入，也不会改变输出。如果采用f的反函数f-1作为该单调递增函数，则可以看出，可以给出当-ΔE/T大于f-1(u)时输出1的电路。此外，由于温度值T为正，因此可以看出，当-ΔE大于Tf-1(u)时输出1的电路可能就足够了。
图9中的转变控制单元114可以包括噪声表，该噪声表是用于实现逆函数f-1(u)的转换表，并且将以下函数的值输出到离散化间隔[0，1)的输入。
[数学公式7]
Figure BDA0002872057590000311
[数学公式8]
Figure BDA0002872057590000321
图10是示出转变控制单元114的示例性操作流程的图。图10所示的操作流程包括：选择一个状态转变作为候选的步骤(S0001)，通过将针对状态转变的能量变化值与温度值和随机数值的乘积进行比较来确定状态转变的适当性的步骤(S0002)，以及如果允许状态转变则采用状态转变并且如果不允许状态转变则不采用状态转变的步骤(S0003)。
(混合物性能优化方法)
本申请中公开的混合物性能优化方法是优化多种物质的混合物的性能的混合物性能优化方法，并且包括简化能量函数公式，在用于对混合物中的多个物理特性中的每个物理特性进行加权并执行计算以优化混合物的性能的该能量函数公式中，将多个物理特性中具有与一个特征相关的关系的多个物理特性作为一个特征共同结合到能量函数公式中，并且简化了能量函数公式。
本申请中公开的混合物性能优化方法可以例如通过本申请中公开的混合物性能优化装置来实现。此外，例如，可以使本申请中公开的混合物性能优化方法的有利模式与本申请中公开的混合物性能优化装置的有利模式相同。
(优化程序)
本申请中公开的混合物性能优化程序是优化多种物质的混合物的性能并使计算机执行如下的能量函数公式简化处理的混合物性能优化程序：在用于对混合物中的多个物理特性中的每个物理特性进行加权并执行计算以优化混合物的性能的能量函数公式中，将多个物理特性中具有与一个特征相关的关系的多个物理特性作为一个特征共同结合到能量函数公式中，并且简化了能量函数公式。
本申请中公开的混合物性能优化程序可以被配置为例如使计算机执行本申请中公开的混合物性能优化方法的程序。此外，例如，可以使本申请中公开的混合物性能优化程序的有利模式与本申请中公开的混合物性能优化装置的有利模式相同。
本申请中公开的混合物性能优化程序可以根据要使用的计算机系统的配置、操作系统的类型和版本等使用各种已知的编程语言来创建。
本申请中公开的混合物性能优化程序可以记录在诸如内部硬盘或外部硬盘的记录介质中，或者可以记录在诸如CD-ROM、DVD-ROM、MO盘或USB存储器的记录介质中。
此外，在本申请中公开的混合物性能优化程序被记录在如上所述的记录介质中的情况下，取决于状况，该混合物性能优化程序可以被直接使用，或者可以被安装到硬盘中，然后通过包括在计算机系统中的记录介质读取器来使用。此外，本申请中公开的优化程序可以被记录在可通过信息通信网络从计算机系统访问的外部存储区域(另一计算机等)中。在这种情况下，取决于状况，可以直接使用记录在外部存储区域中的本申请中所公开的混合物性能优化程序，或者可以将其安装在硬盘中，然后通过信息通信网络从外部存储区域使用该混合物性能优化程序。
注意，本申请中公开的混合物性能优化程序可以针对任何处理中的每一个处理进行划分，并且被记录在多个记录介质中。
(计算机可读记录介质)
本申请中公开的计算机可读记录介质记录本申请中公开的混合物性能优化程序。
本申请中公开的计算机可读记录介质不限于任何特定介质，并且可以根据预期目的适当地选择。例如，计算机可读记录介质可以是内部硬盘、外部硬盘、CD-ROM、DVD-ROM、MO盘、USB存储器等。
此外，本申请中公开的计算机可读记录介质可以包括多个记录介质，其中在针对任何处理中的每一个处理进行划分之后，记录本申请中公开的混合物性能优化程序。
[示例]
在下文中，将描述在本申请中公开的技术的示例，但是在本申请中公开的技术不限于该示例。
例如，使用本申请中公开的混合物性能优化装置的示例来优化作为混合物的混合制冷剂的性能。在本示例中，使用具有如图6所示的功能配置的优化装置，按照图8A和图8B中的流程图所示的流程优化混合制冷剂的性能。此外，使用数字退火炉(DigitalAnnealer)(注册商标)来使能量函数公式最小化(使公式(1)中的伊辛模型最小化)。
在本示例中，作为混合制冷剂所基于的氟基制冷剂，选择了“Opteon SF-10(由Chemours-Mitsui Fluoroproducts有限责任公司制造)”，其为具有低全球变暖潜势(GWP)的氢氟烯烃(HFO)制冷剂。请注意，Opteon SF-10的化合物名称是甲氧基全氟庚烯(C7F13OCH3)。
五个物理特性，即热导率、闪点、比热、粘度和电导率，被用作要在混合制冷剂中优化的物理特性。对于要混合到混合制冷剂中的物质(材料)的候选，参考化学手册中的有机溶剂列表，选择已知上述五个物理特性的其物理特性值的38种物质(溶剂材料)，并将其列出以形成数据库。
此外，基于要混合的物质(材料)的候选的每个物理特性，指定可以估计混合制冷剂的物理特性的关系式。为了估计混合制冷剂的闪点、比热和导电率，使用混合时的摩尔平均值(基于要被混合的每种物质的摩尔浓度对各个物质的物理特性值进行加权和平均所获得的值)。
混合制冷剂的热导率和粘度使用以下参考“Prediction Method for PhysicalProperties(OHE,Shuzo；Data Book Shuppansha)”所示的物理特性估计公式进行估计。
首先，混合制冷剂的热导率(λLm)可以由以下公式表示。
[数学公式9]
Figure BDA0002872057590000341
在此，上述公式(1)中的“λLij”和
Figure BDA0002872057590000342
由以下两个公式表示。
[数学公式10]
Figure BDA0002872057590000343
[数学公式11]
Figure BDA0002872057590000344
“Xi”是指第i个组分的摩尔分数，
Figure BDA0002872057590000351
是指第i个组分的体积分数，并且“Vi”是指第i个组分的分子体积。例如，在上面的(1)中，通过假设N＝2，可以如以下公式所示估计两种组分的混合物的热导率。
[数学公式12]
Figure BDA0002872057590000352
此外，可以通过以下公式估计作为两种组分的液体混合物的粘度的运动粘度(vm)。
[数学公式13]
Figure BDA0002872057590000353
这里，“vi”是指第i个组分的运动粘度，
Figure BDA0002872057590000354
是指第i个组分的体积分数，并且α1和α2由以下两个公式分别表示，其中，假设满足“v1<v2”。
[数学公式14]
Figure BDA0002872057590000355
[数学公式15]
Figure BDA0002872057590000356
搜寻包括Opteon SF-10的总共39种物质的组合，以通过将三种物质(使得包括Opteon SF-10)进行组合来提高冷却性能的最佳物质组合。通过以下公式指定用于执行计算以优化混合制冷剂的性能的能量函数公式(E(X))。
[数学公式16]
E(X)＝-α·热导率项-β·闪点项-γ·比热项+δ·粘度项+ε·导电率项+约束项(8)
注意，α、β、γ、δ和ε代表各个物理特性的加权系数。
作为(8)中的上述公式中的约束项，使用包括以下四个约束的约束项。
要混合到混合物中的多种物质的类型的数量是预定数量的约束混合物中多种物质之间的总混合百分比为100％的约束
同一物质不被多次选择为要混合到混合物中的多种物质的约束混合物包含预定物质的约束
在本示例中，将“要混合到混合物中的多种物质的类型的数量是预定数量的约束”中的预定数量假设为“3”，将“混合物包含预定物质的约束”假设为“Opteon SF-10”。
然后，适当改变(8)中的上述公式中的加权系数，即α、β、γ、δ和ε，将(8)中的上述公式转换为上述公式(1)中的伊辛模型，并且使用数字退火炉重复进行使上述公式(1)中的伊辛模型最小化的计算。
更详细地，加权系数的组合被改变为其中例如适当地选择了加权系数α、β、γ、δ和ε的八种类型的组合，例如，强调热导率的组合和强调闪点和粘度的组合，并且对于每个条件求出为上述公式(1)中的伊辛模型赋予最小值的混合制冷剂的物理特性值和组成。这意味着，在本示例中，改变了各种物理特性的加权系数，以获得总共八种混合制冷剂候选(混合候选)。
随后，对于以上八种混合制冷剂候选，执行热流体模拟，以使用每种混合制冷剂的物理特性的值来评估当使用每种混合制冷剂时的冷却系统的冷却性能。在热流体模拟中，热导率、比热、粘度和密度的值用作每种混合制冷剂的物理特性。注意，在热流体模拟中，将与冷却系统中的热源接触的热接收器制成三维模型(对称模型)，并且有限体积方法分析固体的热传导和热接收器中的制冷剂的流动。使用热流体模拟软件ANSYS Fluent进行计算。
另外，图11示出了与在热流体模拟中与热源接触的热接收器的温度相关的示例性轮廓图。如图11所示，在热流体模拟中，使用通过将热接收器切成两半而获得的半(1/2)对称模型。此外，在图11的右侧的尺度指示热接收器中的温度分布的尺度。在图11所示的示例中，在从热接收器的底部施加热量的条件下执行热流体模拟，并且混合制冷剂从图11中的左侧到右侧流过热接收器的横截面中的凹槽。注意，在图11中，省略了热源(热生成部件诸如CPU)。
接下来，基于八个单独的热流体模拟，获取了在热接收器的底部的中央部分处的温度Tcp的数据。然后，基于所获取的温度Tcp，使用以下公式计算每种混合制冷剂中的热阻Rsys。
[数学公式17]
Figure BDA0002872057590000371
在此，“Tair”代表在热流体模拟中设置的环境温度，“Qin”代表输入至热接收器的热量。
此处，表1指示通过改变各个物理特性的加权系数而获得的八种混合制冷剂候选(混合候选)中所选物质(材料)的名称和物质之间的混合百分比。表2列出了热导率、比热、粘度、导电率和热阻。此外，在表2中，热导率、比热、粘度和导电率具有基于八种混合制冷剂候选(混合候选)的组成计算的物理特性值，并且热阻具有基于热流体模拟计算的数值。
[表1]
Figure BDA0002872057590000372
[表2]
Figure BDA0002872057590000373
Figure BDA0002872057590000381
这里，如上所述，在八种混合制冷剂候选(混合候选)的各个物理特性中，“热阻”被认为是作为制冷剂的重要物理特性(与冷却性能相关的物理特性)。因此，通过执行多元回归分析，将与热阻密切相关的多个物理特性即“热导率”和“比热”收集为“热阻”的一个特征。详细地，使用热导率、比热和热阻的值，通过采用以下公式的格式的多元回归公式来执行多元回归分析，其中y被假设为热阻、x1被假设为热导率、x2被假设为比热。
[数学公式18]
y＝ax1+bx2+c (10)
作为多元回归分析的结果，(10)中的上述公式中的a、b和c分别如下求出。
a＝-0.069214632
b＝-0.000100303
c＝1.026848908
然后，通过将已经将热导率和比热的多个物理特性收集到热阻的一个特征中的(10)中的上述公式结合到(8)中的上述能量函数公式中，简化了(8)中的上述能量函数公式，并给出以下公式。
[数学公式19]
E(X)＝-β·闪点项+δ·粘度项+ε·导电率项+η·热阻项+约束项 (11)
随后，根据上述(11)中的各个物理特性适当地设置加权系数(β、δ、ε和η)，并且将(11)中的上述公式转换为上述公式(1)中的伊辛模型；然后，使用数字退火炉将已转换为上述公式(1)中的伊辛模型的(11)中的上述公式最小化，以优化混合制冷剂的性能。
当如上所述优化混合制冷剂的性能时，获得具有以下组成的混合制冷剂作为具有使已经转化为伊辛模型的(11)中的上述公式最小化的物理特性和特征的混合制冷剂。Opteon SF-10/正戊烷/甲醇＝52.4/10.5/37.1(质量％)
对于这种混合制冷剂，以类似于上述方法的方式执行热流体模拟，以评估使用该混合制冷剂的冷却系统的冷却性能。基于热流体模拟的结果，分析了热阻Rsys的输入热量依赖性。在图12中示出分析结果。在图12中，横轴代表输入到热接收部(热接收器)的热量，该热量对应于部件生成的热量。此外，在图12中，纵轴代表热阻，并且意味着该值越小，冷却性能越高。
另外，对于Opteon SF-10的纯制冷剂(包含Opteon SF-10的质量比为100％的制冷剂)，也以与上述混合制冷剂的方式相似的方式执行热流体模拟，并分析热电阻Rsys的输入热量依赖性。将本示例中指定的混合制冷剂与Opteon SF-10的纯制冷剂进行比较，可以确认，与Opteon SF-10的纯制冷剂相比，本示例中指定的混合制冷剂的热阻Rsys降低了约24％并且提高了冷却性能。
如上所述，已经确定，与常规制冷剂相比，在本实施方式中其性能被优化的混合制冷剂的与冷却性能相关的热阻显著降低(冷却性能显著提高)。此外，在本示例中性能被优化的混合制冷剂具有绝缘特性、不易燃性、低粘度以及高冷却性能，并且是其作为制冷剂的实际性能被优化的混合制冷剂。
表3示出了在本示例中其性能被优化的混合制冷剂的热导率、比热、粘度、导电率和热阻。
[表3]
Figure BDA0002872057590000391
这里，将相互对照地描述以上八种混合制冷剂候选(混合候选)和在本示例中其性能被优化的混合制冷剂。
例如，在热导率项的加权系数提高(强调热导率)的条件下，获得混合候选中具有“编号1”的混合候选作为计算结果，并且其具有“0.718K/W”的热阻；可以认为冷却性能高。然而，具有“编号1”的混合候选具有非常高的“3899.35μPa·s”粘度，并且难以流经冷却系统的管道；此外，该混合候选具有“8.00E-05(8.00×10-5)S/m的高导电率和电导率，并且其物理特性使得难以将该混合候选实际用作制冷剂。此外，例如，在具有“编号2”的混合候选中，粘度和导电率被认为是作为制冷剂的优选物理特性；然而，热阻是“0.919K/W”，并且认为实际的冷却性能非常低。
如上所述，上述八种混合制冷剂候选(混合候选)是向其各自的能量函数公式赋予最小值的组合，并且在计算结果方面进行了优化，但是作为混合制冷剂的其实践性能(实际性能)没有进行优化。
另一方面，在本示例中优化的混合制冷剂具有0.745K/W的低热阻，同时具有绝缘特性、不易燃性、低粘度以及高冷却性能，并且是其作为制冷剂的实际性能进行了优化的混合制冷剂。如上所述，在本示例中，通过简化能量函数公式，混合制冷剂的性能不仅在计算结果方面而且在实际性能方面都进行了令人满意地优化。
<本申请中公开的混合制冷剂>
如上所述，具有“Opteon SF-10(甲氧基全氟庚烯)/正戊烷/甲醇＝52.4/10.5/37.1(质量％)”的混合制冷剂具有绝缘特性、不易燃性、低粘度以及高冷却性能，并且在作为制冷剂的实际性能方面进行了优化的混合制冷剂。
如上所述，相对于混合制冷剂的总量，本申请中公开的混合制冷剂包含52质量％的甲氧基全氟庚烯、11质量％的正戊烷和37质量％的甲醇。一方面，本申请中公开的混合制冷剂具有绝缘特性、不易燃性、低粘度以及高冷却性能，在作为制冷剂的实际性能方面被优化，并且可以有利地用作制冷剂。
图13是示出在本申请中公开的技术的示例中优化混合物的性能时的示例的图。
如图13的示例中所示，在本示例中，选择“Opteon SF-10(由Chemours-MitsuiFluoroproducts有限责任公司制造)”作为混合制冷剂的基础。然后，在本示例中，参考化学手册，将要混合到混合制冷剂中的物质(材料)的候选和候选物质的物理特性值用作数据库。
随后，如图13的示例所示，在本示例中，从通过参考化学手册创建的数据库中提取要混合到混合制冷剂中的物质的热导率、闪点、比热、粘度和导电率的物理特性值作为要优化的物理特性。
接下来，如图13的示例中所示，在基于要混合的物质(材料)的候选的每种物理特性指定能够估计混合制冷剂的物理特性的关系式之后，设置每种物理特性的加权系数，并且指定能量函数公式。然后，将指定的能量函数公式转换为伊辛模型，并使用数字退火炉作为退火机将能量函数公式最小化。在本示例中，通过适当地改变每种物理特性的加权系数并使能量函数公式最小化多次(第一阶段的优化)来获得多个混合制冷剂候选物(混合候选)。
遵循上述，根据在第一阶段中执行优化的结果，基于混合候选的物理特性的值执行多元回归分析，并且获得可以将混合制冷剂的多个物理特性(本示例中的热导率和比热)收集为一个特征(本示例中的热阻)的多元回归公式。然后，在本示例中，通过将多元回归公式结合到能量函数公式中来简化能量函数公式。
随后，在本示例中，如图13中的示例所示，将简化的能量函数公式转换为伊辛模型，并使用数字退火炉作为退火机将简化的能量函数公式最小化(第二阶段的优化)。在本示例中，混合制冷剂的性能可以通过第二优化不仅在计算结果方面而且在系统(装置)的实际性能方面进行优化，并且可以指定具有绝缘特性、不易燃性和低粘度以及高冷却性能并且在作为制冷剂的实际性能方面被优化的混合制冷剂。

Claims (16)

1.一种混合物性能优化装置，所述混合物性能优化装置对多种物质的混合物的性能进行优化，所述混合物性能优化装置包括能量函数公式简化单元，所述能量函数公式简化单元
在用于对所述混合物中的多个物理特性中的每个物理特性进行加权并执行优化所述混合物的性能的计算的能量函数公式中，
将所述多个物理特性中的具有与一个特征相关的关系的多个物理特性、作为所述一个特征共同并入所述能量函数公式中，并且简化所述能量函数公式。
2.根据权利要求1所述的混合物性能优化装置，其中，
所述能量函数公式由以下公式表示：
E＝α·[物理特性1]+β·[物理特性2]+γ·[物理特性3]+...+约束项
其中，E表示所述能量函数公式，并且α、β和γ表示用于所述加权的系数。
3.根据权利要求2所述的混合物性能优化装置，其中，
所述约束项包括：
要被混合到所述混合物中的多种物质的类型的数量是预定数量的约束；
在所述混合物中多种物质之间的总混合百分比为100％的约束；
相同的物质不被多次选择为要被混合到所述混合物中的多种物质的约束；以及
所述混合物中包含所述物质之中的预定物质的约束。
4.根据权利要求1至3中任一项所述的混合物性能优化装置，其中，通过多元回归分析，从所述多个物理特性中具有彼此相关的关系的物理特性得到所述一个特征。
5.根据权利要求1至4中任一项所述的混合物性能优化装置，其中，所述能量函数公式简化单元将所述一个特征的多个实例并入所述能量函数公式中，并且简化所述能量函数公式。
6.根据权利要求5所述的混合物性能优化装置，其中，
在所述一个特征的所述多个实例之中，
所述混合物的具有彼此相关关系的多个物理特性之中与所述一个特征的第一实例相关的至少一个物理特性为
所述混合物的具有彼此相关关系的多个物理特性之中与所述一个特征的第二实例相关的至少一个物理特性。
7.根据权利要求1至6中任一项所述的混合物性能优化装置，其中，所述能量函数公式简化单元将所述一个特征多次并入所述能量函数公式，并且简化所述能量函数公式。
8.根据权利要求1至7中的任一项所述的混合物性能优化装置，还包括性能优化单元，所述性能优化单元通过使由所述能量函数公式简化单元简化的能量函数公式最小化来优化所述混合物的性能。
9.根据权利要求8所述的混合物性能优化装置，其中，所述性能优化单元基于被转换为由以下公式(1)表示的伊辛模型的所述能量函数公式来优化所述混合物的性能：
[数学公式1]
Figure FDA0002872057580000021
其中，在公式(1)中，
E表示所述能量函数公式，
wij表示代表第i位与第j位之间的相互作用的数值，
bi表示代表所述第i位的偏置的数值，
xi表示代表所述第i位具有0或1的二进制变量，以及
xj表示代表所述第j位具有0或1的二进制变量。
10.根据权利要求8或9所述的混合物性能优化装置，其中，所述性能优化单元通过退火方法使所述能量函数公式最小化。
11.根据权利要求1至10中任一项所述的混合物性能优化装置，其中，所述混合物是混合制冷剂。
12.根据权利要求11所述的混合物性能优化装置，其中，所述混合制冷剂包含氟化合物。
13.根据权利要求12所述的混合物性能优化装置，其中，所述氟化合物包含氢氟烯烃。
14.一种计算机可读存储介质，其中存储有混合物性能优化程序，所述混合物性能优化装置程序对多种物质的混合物的性能进行优化，所述混合物性能优化程序使计算机执行能量函数公式简化处理，所述能量函数公式简化处理包括：
在用于对所述混合物中的多个物理特性中的每个物理特性进行加权并执行优化所述混合物的性能的计算的能量函数公式中，
将所述多个物理特性中的具有与一个特征相关的关系的多个物理特性、作为所述一个特征共同并入所述能量函数公式中，并且简化所述能量函数公式。
15.一种混合物性能优化方法，所述混合物性能优化方法对多种物质的混合物的性能进行优化，所述混合物性能优化方法包括：
在用于对所述混合物中的多个物理特性中的每个物理特性进行加权并执行优化所述混合物的性能的计算的能量函数公式中，
将所述多个物理特性中的具有与一个特征相关的关系的多个物理特性、作为所述一个特征共同并入所述能量函数公式中，并且简化所述能量函数公式。
16.一种混合制冷剂，相对于所述混合制冷剂的总量，所述混合制冷剂包含占52％质量的甲氧基全氟庚烯、占11％质量的正戊烷和占37％质量的甲醇。
CN202011619792.2A 2020-02-17 2020-12-30 混合物性能优化装置和方法、记录介质和混合制冷剂 Pending CN113268126A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-024182 2020-02-17
JP2020024182A JP7388230B2 (ja) 2020-02-17 2020-02-17 混合物性能最適化装置、混合物性能最適化プログラム、混合物性能最適化方法、及び混合冷媒

Publications (1)

Publication Number Publication Date
CN113268126A true CN113268126A (zh) 2021-08-17

Family

ID=73835404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011619792.2A Pending CN113268126A (zh) 2020-02-17 2020-12-30 混合物性能优化装置和方法、记录介质和混合制冷剂

Country Status (4)

Country Link
US (1) US11797734B2 (zh)
EP (1) EP3866170A1 (zh)
JP (1) JP7388230B2 (zh)
CN (1) CN113268126A (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4354362A1 (en) * 2021-06-10 2024-04-17 Resonac Corporation Information processing system, material composition searching method, material composition searching device, and program
WO2023095594A1 (ja) * 2021-11-24 2023-06-01 日本電気株式会社 パラメータ生成装置、方法およびプログラム
WO2023167107A1 (ja) * 2022-03-01 2023-09-07 株式会社レゾナック 情報処理装置、情報処理システム、プログラム、及び材料組成探索方法
JP2023184080A (ja) * 2022-06-17 2023-12-28 富士通株式会社 演算プログラム、演算方法、および情報処理装置
WO2024018958A1 (ja) * 2022-07-22 2024-01-25 株式会社レゾナック 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

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0865890A1 (en) * 1996-08-08 1998-09-23 Bridgestone Corporation Method of designing multicomponent material, optimization analyzer and storage medium on which multicomponent material optimization analysis program is recorded
JP2001192679A (ja) * 1999-11-17 2001-07-17 Ethyl Corp 生産の予測及び最適化方法
CN101615218A (zh) * 2008-06-27 2009-12-30 富士通株式会社 多目标优化设计改进支持设备及其方法和存储介质
JP2012057195A (ja) * 2010-09-06 2012-03-22 Nippon Steel Corp 溶鋼温度管理方法、装置及びプログラム
CN103221945A (zh) * 2011-03-18 2013-07-24 日本电气株式会社 多变量数据混合模型估计装置、混合模型估计方法和混合模型估计程序
WO2014066938A1 (en) * 2012-10-29 2014-05-08 The University Of Sydney A method of determining the thermophysical properties of a working fluid
US20170338532A1 (en) * 2016-05-23 2017-11-23 Borgwarner Inc. Thermal management system and method of making and using the same
CN108416805A (zh) * 2018-03-12 2018-08-17 中山大学 一种基于深度学习的本征图像分解方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1055348A (ja) 1996-08-08 1998-02-24 Bridgestone Corp 多成分系材料最適化解析装置および方法
JP2829322B2 (ja) 1996-11-22 1998-11-25 工業技術院長 含フッ素エーテルを含む共沸及び共沸様組成物
WO2011117655A2 (en) 2010-03-25 2011-09-29 The University Of Manchester Refrigeration process
JP6246889B1 (ja) 2016-12-28 2017-12-13 みずほ第一フィナンシャルテクノロジー株式会社 説明変数を選択する装置、方法及びプログラム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0865890A1 (en) * 1996-08-08 1998-09-23 Bridgestone Corporation Method of designing multicomponent material, optimization analyzer and storage medium on which multicomponent material optimization analysis program is recorded
JP2001192679A (ja) * 1999-11-17 2001-07-17 Ethyl Corp 生産の予測及び最適化方法
CN101615218A (zh) * 2008-06-27 2009-12-30 富士通株式会社 多目标优化设计改进支持设备及其方法和存储介质
JP2012057195A (ja) * 2010-09-06 2012-03-22 Nippon Steel Corp 溶鋼温度管理方法、装置及びプログラム
CN103221945A (zh) * 2011-03-18 2013-07-24 日本电气株式会社 多变量数据混合模型估计装置、混合模型估计方法和混合模型估计程序
WO2014066938A1 (en) * 2012-10-29 2014-05-08 The University Of Sydney A method of determining the thermophysical properties of a working fluid
US20170338532A1 (en) * 2016-05-23 2017-11-23 Borgwarner Inc. Thermal management system and method of making and using the same
CN108416805A (zh) * 2018-03-12 2018-08-17 中山大学 一种基于深度学习的本征图像分解方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TAKESHI SHIOGA ET AL: "Optimization of Thermophysical Properties for Mixed Refrigerants with Digital Annealer", THE PROCEEDINGS OF THE THERMAL ENGINEERING CONFERENCE, vol. 2019, 13 October 2019 (2019-10-13), pages 1 - 5, XP055807171, DOI: 10.1299/jsmeted.2019.0018 *

Also Published As

Publication number Publication date
EP3866170A1 (en) 2021-08-18
JP2021127418A (ja) 2021-09-02
JP7388230B2 (ja) 2023-11-29
US11797734B2 (en) 2023-10-24
US20210256185A1 (en) 2021-08-19

Similar Documents

Publication Publication Date Title
CN113268126A (zh) 混合物性能优化装置和方法、记录介质和混合制冷剂
Sahai et al. Adaptive coarse graining method for energy transfer and dissociation kinetics of polyatomic species
Kostiuchenko et al. Impact of lattice relaxations on phase transitions in a high-entropy alloy studied by machine-learning potentials
Murdock et al. Is domain knowledge necessary for machine learning materials properties?
JP7302297B2 (ja) 材料特性予測装置、材料特性予測方法、及び材料特性予測プログラム
Chen et al. Machine learning and evolutionary prediction of superhard BCN compounds
Bard et al. Consolidated modeling and prediction of heat transfer coefficients for saturated flow boiling in mini/micro-channels using machine learning methods
EP4002376A1 (en) Mixture physical property identification method, mixture physical property identification apparatus, and mixture physical property identification program
Chen et al. Revisiting negative sampling vs. non-sampling in implicit recommendation
Mayhall et al. Increasing spin-flips and decreasing cost: Perturbative corrections for external singles to the complete active space spin flip model for low-lying excited states and strong correlation
Ferkinghoff-Borg Optimized Monte Carlo analysis for generalized ensembles
Otis et al. A hybrid approach to excited-state-specific variational Monte Carlo and doubly excited states
Zanoci et al. Temperature-dependent energy diffusion in chaotic spin chains
Huang et al. Node-wise diffusion for scalable graph learning
Mei et al. Development of the ANN–KIM composed model to predict the nanofluid energetic thermal conductivity via various types of nano-powders dispersed in oil
Huang et al. Pairwise learning to recommend with both users’ and items’ contextual information
Alaal et al. Multicomponent heat-bath configuration interaction with the perturbative correction for the calculation of protonic excited states
Srivastava et al. End-to-end material thermal conductivity prediction through machine learning
Pei et al. Memory disagreement: A pseudo-labeling measure from training dynamics for semi-supervised graph learning
Li et al. Smartquery: An active learning framework for graph neural networks through hybrid uncertainty reduction
Lin et al. Resource-efficient training for large graph convolutional networks with label-centric cumulative sampling
Duan et al. Benchmarking large-scale graph training over effectiveness and efficiency
McClure et al. Use of genetic algorithms and machine learning to explore parametric trends in nucleate boiling heat transfer data
CN113177568A (zh) 相似度计算装置、相似度计算方法和记录程序的记录介质
Hayashi et al. Recommender system for discovery of inorganic compounds

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination