CN117836861A - 特性预测装置、特性预测方法和程序 - Google Patents
特性预测装置、特性预测方法和程序 Download PDFInfo
- Publication number
- CN117836861A CN117836861A CN202280057085.XA CN202280057085A CN117836861A CN 117836861 A CN117836861 A CN 117836861A CN 202280057085 A CN202280057085 A CN 202280057085A CN 117836861 A CN117836861 A CN 117836861A
- Authority
- CN
- China
- Prior art keywords
- raw material
- prediction
- classification
- composite material
- characteristic
- 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
Links
- 238000000034 method Methods 0.000 title claims description 22
- 239000002994 raw material Substances 0.000 claims abstract description 201
- 239000000463 material Substances 0.000 claims abstract description 152
- 239000002131 composite material Substances 0.000 claims abstract description 57
- 238000002156 mixing Methods 0.000 claims abstract description 21
- 239000000654 additive Substances 0.000 claims description 80
- 239000000805 composite resin Substances 0.000 claims description 65
- 230000000996 additive effect Effects 0.000 claims description 62
- 238000013461 design Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 17
- 239000003795 chemical substances by application Substances 0.000 claims description 8
- 239000003054 catalyst Substances 0.000 claims description 7
- 229920000642 polymer Polymers 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 239000003431 cross linking reagent Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 239000000945 filler Substances 0.000 claims description 4
- 239000003112 inhibitor Substances 0.000 claims description 4
- 239000000178 monomer Substances 0.000 claims description 4
- 239000003505 polymerization initiator Substances 0.000 claims description 4
- 238000006116 polymerization reaction Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 30
- 230000010365 information processing Effects 0.000 description 24
- 238000003860 storage Methods 0.000 description 19
- 238000002474 experimental method Methods 0.000 description 11
- 230000000704 physical effect Effects 0.000 description 10
- 230000004044 response Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 108091005942 ECFP Proteins 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 239000004643 cyanate ester Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 239000011347 resin Substances 0.000 description 3
- 229920005989 resin Polymers 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000011342 resin composition Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 125000003277 amino group Chemical group 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004770 highest occupied molecular orbital Methods 0.000 description 1
- 125000002887 hydroxy group Chemical group [H]O* 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004768 lowest unoccupied molecular orbital Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种特性预测装置，其预测由多个原料分类构成的复合材料的特性，包括：预测模型生成部，生成预测模型，预测模型使用作为包含第1原料分类的材料种类和第2原料分类的材料种类的构成的复合材料的学习用数据集，对作为目的变量的复合材料的特性、与作为说明变量的第1原料分类的材料种类的配合量和第2原料分类的材料种类的加权特征量之间的对应关系进行了机械学习；以及预测部，将根据要预测特性的复合材料的预测用数据而生成的第1原料分类的材料种类的配合量和第2原料分类的材料种类的加权特征量，作为说明变量输入到预测模型，来预测与预测用数据对应的复合材料的特性。
Description
技术领域
本发明涉及一种特性预测装置、特性预测方法和程序。
背景技术
近年来，树脂复合材料等复合材料的特性预测可以通过使用计算机的机械学习来进行。
在专利文献1中记载了一种方法，其中，通过使用包含组成数据和特性数据的学习数据，对响应于目标特性数据的输入而输出推荐组成数据的模型进行学习处理，并向该模型输入目标特性，来输出用于生成目标特性的感光性树脂组合物的组成。
例如，在专利文献1中记载了：由组成数据所表示的组成可以是有无能够生成感光性树脂组合物的原材料，也可以是原材料中所含的化合物(例如以一般名称表示的原材料中所含的具体化合物的名称或结构式)，还可以是原材料中所含的化合物的含有比率。
此外，在专利文献2中记载了一种方法，其中，使用聚合物的物性的实验值和聚合物的部分结构的数密度，来构建预测物性值的回归模型，并使用该回归模型，来预测与输入的聚合物结构对应的物性值。
专利文献1：日本特开2020-77346号公报
专利文献2：日本专利第6633820号公报
发明内容
<本发明要解决的问题>
在对由多个原料分类构成的复合材料的特性进行预测的特性预测装置中，例如在探索添加剂等特定的原料分类的新的原料的情况下等，要求高精度地预测特定的原料分类对复合材料的特性施加的影响的技术。
本发明的目的在于提供一种能够高精度地预测特定的原料分类对由多个原料分类构成的复合材料的特性所施加的影响的特性预测装置、特性预测方法和程序。
<用于解决问题的方法>
本公开包括如下所示的结构。
[1]一种特性预测装置，其预测由多个原料分类构成的复合材料的特性，包括：
预测模型生成部，生成预测模型，所述预测模型使用作为包含第1原料分类的材料种类和第2原料分类的材料种类的构成的复合材料的学习用数据集，对作为目的变量的所述复合材料的特性、与作为说明变量的所述第1原料分类的材料种类的配合量和第2原料分类的材料种类的加权特征量之间的对应关系进行了机械学习；以及
预测部，将根据要预测特性的复合材料的预测用数据而生成的所述第1原料分类的材料种类的配合量和所述第2原料分类的材料种类的加权特征量，作为说明变量输入到所述预测模型，来预测与所述预测用数据对应的所述复合材料的特性。
[2]根据[1]所述的特性预测装置，其中，
所述说明变量包含所述第1原料分类的材料种类所包含的1个以上的原料的配合量的信息、以及所述第2原料分类的材料种类所包含的1个以上的原料的所述加权特征量的信息，所述加权特征量是所述第2原料分类的材料种类所包含的1个以上的原料的各自的特征量与所述原料的配合量的乘积。
[3]根据[1]或[2]所述的特性预测装置，其中，
所述预测模型生成部将构成所述复合材料的多个原料分类中为了优化而探索的原料的原料分类作为所述第2原料分类，将所述探索的原料的原料分类以外的原料分类作为所述第1原料分类。
[4]根据[3]所述的特性预测装置，其中，
所述预测部一边进行对要优化的所述第2原料分类的材料种类所包含的1个以上的原料的组合的探索、以及对所述组合所包含的1个以上的原料的配合量的变更，一边预测所述复合材料的特性，并确定所预测出的所述特性与对应于所述预测用数据的所述复合材料的目标特性近似的、所述原料的组合以及所述组合所包含的1个以上的原料的配合量。
[5]根据根据[1]至[4]中任一项所述的特性预测装置，其中，
所述预测模型生成部具有：
目的变量确定部，根据所述学习用数据集，确定所述复合材料的特性，以作为目的变量；
设计条件确定部，根据所述学习用数据集，确定所述复合材料的设计条件；
特征量生成部，根据所述设计条件，对所述第2原料分类的材料种类所包含的1个以上的原料的每一个，生成特征量；
说明变量生成部，生成所述第1原料分类的材料种类所包含的1个以上的原料的配合量、以及所述第2原料分类的材料种类所包含的1个以上的原料的各自的所述加权特征量，以作为说明变量；以及
学习处理部，对所述目的变量与所述说明变量之间的对应关系进行机械学习来生成预测模型。
[6]根据[1]至[5]中任一项所述的特性预测装置，其中，
所述复合材料是含有作为所述第1原料分类的材料种类的主原料、以及配合量比所述主原料小的作为所述第2原料分类的材料种类的添加剂的树脂复合材料。
[7]根据[1]至[6]中任一项所述的特性预测装置，其中，
所述原料分类为单体、低聚物、聚合物、填料、催化剂、聚合引发剂、阻聚剂、交联剂或固化剂。
[8]根据[1]至[7]中任一项所述的特性预测装置，其中，
所述特征量是将分子的结构特征数值化的信息、或者是将分子的化学特征数值化的信息。
[9]根据[1]至[7]中任一项所述的特性预测装置，其中，
所述特征量是通过用“0”和“1”表示的虚拟变量来记述所述第2原料分类的材料种类的品牌或型号的信息。
[10]一种特性预测方法，其是由计算机预测由多个原料分类构成的复合材料的特性的特性预测方法，包括下述步骤：
生成预测模型，所述预测模型使用作为包含第1原料分类的材料种类和第2原料分类的材料种类的构成的复合材料的学习用数据集，对作为目的变量的所述复合材料的特性、与作为说明变量的所述第1原料分类的材料种类的配合量和第2原料分类的材料种类的加权特征量之间的对应关系进行了机械学习；以及
将根据要预测特性的复合材料的预测用数据而生成的所述第1原料分类的材料种类的配合量和所述第2原料分类的材料种类的加权特征量，作为说明变量输入到所述预测模型，来预测与所述预测用数据对应的所述复合材料的特性。
[11]一种程序，其使预测由多个原料分类构成的复合材料的特性的计算机执行下述步骤：
生成预测模型，所述预测模型使用作为包含第1原料分类的材料种类和第2原料分类的材料种类的构成的复合材料的学习用数据集，对作为目的变量的所述复合材料的特性、与作为说明变量的所述第1原料分类的材料种类的配合量和第2原料分类的材料种类的加权特征量之间的对应关系进行了机械学习；以及
将根据要预测特性的复合材料的预测用数据而生成的所述第1原料分类的材料种类的配合量和所述第2原料分类的材料种类的加权特征量，作为说明变量输入到所述预测模型，来预测与所述预测用数据对应的所述复合材料的特性。
<发明的效果>
根据本公开，能够高精度地预测特定的原料分类对由多个原料分类构成的复合材料的特性施加的影响。
附图说明
图1是本实施方式的信息处理系统的一例的结构图。
图2是本实施方式的计算机的一例的硬件结构图。
图3是本实施方式的信息处理系统的一例的功能结构图。
图4是树脂复合材料的设计条件的一例的结构图。
图5A是树脂复合材料的加权特征量的一例的结构图。
图5B是树脂复合材料的加权特征量的一例的结构图。
图5C是树脂复合材料的加权特征量的一例的结构图。
图6A是树脂复合材料的主原料的配合量和添加剂的加权特征量的一例的结构图。
图6B是树脂复合材料的主原料的配合量和添加剂的加权特征量的一例的结构图。
图6C是树脂复合材料的主原料的配合量和添加剂的加权特征量的一例的结构图。
图7是示出本实施方式的信息处理系统的特性预测方法的概要的一例的说明图。
图8是设计条件的一例的结构图。
图9A是生成添加剂的加权特征量的处理的一例的说明图。
图9B是生成添加剂的加权特征量的处理的一例的说明图。
图10是生成的说明变量的一例的说明图。
图11是本实施方式的信息处理系统的学习阶段的处理的一例的流程图。
图12是选择要探索的材料的画面的一例的示意图。
图13是说明变量的一例的结构图。
图14是示出本实施方式的信息处理系统的预测阶段的处理的一例的流程图。
具体实施方式
接下来，将详细说明本发明的实施方式。注意，本发明并不限于以下的实施方式。在本实施方式中，作为由多个原料分类构成的复合材料的一例，对树脂复合材料进行说明。多个原料分类是单体、低聚物、聚合物、填料、催化剂、聚合引发剂、阻聚剂、交联剂和固化剂等。单体，低聚物和聚合物是主原料的一例。填料、催化剂、聚合引发剂、阻聚剂、交联剂和固化剂是添加剂的一例。
[第1实施方式]
<系统结构>
图1是本实施方式的信息处理系统的一例的结构图。图1的信息处理系统1包括特性预测装置10和用户终端12。特性预测装置10及用户终端12经由局域网(LAN)或因特网等通信网络18可数据通信地连接。
用户终端12是用户操作的PC、平板终端、智能手机等的信息处理终端。用户终端12从用户接受由多个原料分类构成的树脂复合材料的特性的预测所需的信息的输入，使特性预测装置10预测树脂复合材料的特性。此外，用户终端12接收特性预测装置10预测出的树脂复合材料的特性等信息，例如显示在显示装置上，使用户确认。
特性预测装置10是对树脂复合材料的特性进行预测的PC、工作站等信息处理装置。特性预测装置10通过使用学习用数据集如后所述进行机械学习，来生成预测模型。特性预测装置10在从用户终端12接收到树脂复合材料的特性的预测所需的信息时，使用预测模型预测树脂复合材料的特性。特性预测装置10将预测出的树脂复合材料的特性等信息发送到用户终端12。
注意，图1的信息处理系统1是一例，当然根据用途和目的存在各种系统构成例。例如，特性预测装置10可以通过多台计算机来实现，也可以作为云计算的服务来实现。此外，图1的信息处理系统1也可以通过独立的计算机来实现。
<硬件结构>
图1的特性预测装置10和用户终端12例如通过图2所示的硬件结构的计算机500来实现。
图2是本实施方式的计算机的一例的硬件结构图。图2的计算机500包括输入装置501、显示装置502、外部I/F 503、RAM 504、ROM 505、CPU 506、通信I/F 507、以及HDD 508等，分别通过总线B相互连接。注意，输入装置501和显示装置502也可以是连接利用的方式。
输入装置501是用户用于输入各种信号的触摸面板、操作键或按钮、键盘或鼠标等。显示装置502由显示画面的液晶或有机EL等显示器、输出语音或声音等声音数据的扬声器等构成。通信I/F 507是用于计算机500进行数据通信的接口。
此外，HDD 508是存储程序和数据的非易失性存储装置的一例。在所存储的程序或数据中，存在作为控制计算机500整体的基本软件的OS、以及在OS上提供各种功能的应用程序等。注意，计算机500可以利用使用闪存作为存储介质的驱动器装置(例如，固态驱动器：SSD等)来代替HDD 508。
外部I/F 503是与外部装置的接口。外部装置包括记录介质503a等。由此，计算机500能够经由外部I/F 503进行对记录介质503a的读取和/或写入。记录介质503a包括软盘、CD、DVD、SD存储卡、USB存储器等。
ROM 505是即使切断电源也能够保持程序或数据的非易失性半导体存储器(存储装置)的一例。在ROM 505中存储有计算机500起动时执行的BIOS、OS设定、以及网络设定等程序和数据。RAM 504是暂时保持程序和数据的易失性半导体存储器(存储装置)的一例。
CPU 506是通过从ROM 505或HDD 508等存储装置将程序或数据读出到RAM 504上并执行处理来实现计算机500整体的控制或功能的运算装置。本实施方式的计算机500通过执行程序，能够实现后述的特性预测装置10和用户终端12的各种功能。程序也可以从存储有程序的记录介质503a经由外部I/F503读取并执行。
<功能结构>
将说明本实施方式的信息处理系统1的结构。图3是本实施方式的信息处理系统的一例的功能结构图。注意，图3的结构图对于本实施方式的说明中不需要的部分适当省略。
图3所示的信息处理系统1的特性预测装置10具有预测模型生成部30、预测部32、输出部34、学习用数据集存储部40以及预测模型存储部42。此外，用户终端12具有信息显示部20、操作接受部22、请求发送部24以及响应接收部26的结构。
用户终端12的信息显示部20将使用户确认的信息显示在显示装置502上。操作接受部22从用户接受树脂复合材料的特性的预测所需的信息的输入等各种操作。请求发送部24向特性预测装置10发送树脂复合材料的特性的预测等处理的请求。此外，响应接收部26接收对请求发送部24发送的树脂复合材料的特性的预测等处理的请求的响应。
特性预测装置10的学习用数据集存储部40存储后述那样的树脂复合材料的学习用数据集。预测模型生成部30通过使用了学习用数据集存储部40所存储的学习用数据集的后述的机械学习，生成预测模型。预测模型存储部42存储所生成的预测模型。
预测部32如后述那样使用作为从用户终端12接收到的树脂复合材料的特性的预测所需的信息的后述的预测用数据和存储在预测模型存储部42中的预测模型，预测与预测用数据对应的树脂复合材料的特性。输出部34将预测部32预测出的树脂复合材料的特性，作为对来自用户终端12的树脂复合材料的特性的预测的请求的响应而发送。
图3的预测模型生成部30具有目的变量确定部50、设计条件确定部52、特征量生成部54、说明变量生成部56以及学习处理部58。目的变量确定部50根据学习用数据集存储部40所存储的学习用数据集，确定树脂复合材料的特性，以作为目的变量。设计条件确定部52根据学习用数据集存储部40所存储的学习用数据集，确定树脂复合材料的设计条件。
特征量生成部54根据树脂复合材料的设计条件，确定添加剂的信息，生成添加剂的特征量。注意，特征量是将分子的结构特征数值化的信息、或者是将分子的化学特征数值化的信息。作为添加剂的特征量，也可以通过用“0”和“1”表示的虚拟变量来记述添加剂的品牌或型号等，以作为特征量。
作为将分子结构特征数值化的方法的一例，有扩展环形指纹(Extended CircularFingerPrints，以下称为ECFP)。ECFP通过提取所有部分结构的类型和数量并将其表现为矢量(列：类型，值：数量)来将分子的结构特征数值化。注意，部分结构可以用简化分子线性输入规范(Simplified Molecular Input Line Entry System，以下称为SMILES)标记法等标记方法表示。在ECFP中，例如通过将用SMILES标记法表示的添加剂的信息输入到现有库中，可以计算分子的结构特征。此外，作为将分子的结构特征数值化的方法的另一例，有图卷积神经网络。在图卷积神经网络中，例如，通过将用SMILES记述法表示的添加剂的信息输入到现有库中，可以计算分子的结构特征。
此外，例如作为将分子的化学特征数值化的方法的一例，通过提取分子的物性信息并将其表现为矢量(列：物性信息，值：数值)来将分子的化学特征数值化。在将分子的化学特征数值化的方法中，例如通过将用SMILES标记法表示的添加剂的信息输入到现有库中，可以计算分子的化学特征。分子的物性信息例如为分子量、价电子数、部分电荷、氨基基数、羟基基数等。此外，分子的物性信息也可以是通过HOMO、LUMO、电荷、折射率、或振动数等通过量子化学计算软件能够计算的物性值、熔点、粘度、或比表面积等通过实验能够测定的物性值。
说明变量生成部56根据树脂复合材料的设计条件，确定主原料的信息，针对每个主原料确定配合量。此外，说明变量生成部56针对每个由特征量生成部54生成的添加剂的特征量，计算与该添加剂的配合量的乘积。添加剂的特征量与配合量的乘积是加权特征量的一例。说明变量生成部56将每个主原料的配合量与添加剂的加权特征量结合来生成说明变量。
此外，学习处理部58通过对目的变量和说明变量之间的对应关系进行机械学习，来生成预测模型。学习处理部58将生成的预测模型存储在预测模型存储部42中。
预测部32根据从用户终端12接收到的树脂复合材料的特性的预测所需的信息即后述的预测用数据，确定树脂复合材料的设计条件。此外，预测部32与说明变量生成部56同样，通过根据确定的树脂复合材料的设计条件生成说明变量，并将该说明变量输入预测模型，来预测与预测用数据对应的树脂复合材料的特性。
然后，输出部34发送由预测部32预测的与预测用数据对应的树脂复合材料的特性，作为对来自用户终端12的树脂复合材料的特性的预测的要求的响应。注意，图3的结构图是一例。本实施方式的信息处理系统1的各种结构可以考虑各种结构。
<关于预测树脂复合材料的特性的方法的讨论>
对于由多个原料分类构成的树脂复合材料的特性，例如可以根据主原料和添加剂的名称及其有无，来预测树脂复合材料的特性。图4是树脂复合材料的设计条件的一例的结构图。如图4所示，对于设计条件，针对树脂复合材料的材料种类中所含的“树脂1”、“树脂2”、“树脂3”、“催化剂1”及“添加物1”等各原料，设定配合量。图4的设计条件的“添加剂α”～“添加剂ε”设为未学习的添加剂。也可以用不直接表示物理化学特性的信息，例如用“0”和“1”表示主原料和添加剂的品牌和型号等的虚拟变量，来记述主要原料和添加剂的名称及其有无。
在图4的设计条件的情况下，由于“添加物1”以外的设计条件相同，因此即使将添加剂的名称变更为“添加物α”～“添加物ε”，也难以在预测值中表现出差异，无法高精度地预测添加剂对树脂复合材料的特性施加的影响。
此外，对于由多个原料分类构成的树脂复合材料的特性，可以根据主原料及添加剂的加权特征量，进行树脂复合材料的特性的预测。图5A至图5C是树脂复合材料的加权特征量的一例的结构图。加权特征量是对主原料及添加剂的特征量分别以配合量(或配合比率)加权而得到的信息。配合比率的整体(100％)为所配合的原料的总量。树脂复合材料的特征量根据所有原料的加权特征量的总和来计算。
在图5A至图5C的一例中，添加剂(Z)的配合量小于主原料(A)的配合量，且添加剂(Z)的加权特征量也小于主原料(A)的加权特征量。这样，由于添加剂(Z)的加权特征量比主原料(A)的加权特征量小，所以在主原料(A)和添加剂(Z)的部分结构的一部分相同的情况下，添加剂(Z)的加权特征量的变化就被掩盖了。因此，添加剂(Z)的加权特征量的变化难以反映在树脂复合材料的特征量中，无法高精度地预测添加剂(Z)对树脂复合材料的特性施加的影响。
因此，在本实施方式中，根据主原料的配合量和添加剂的加权特征量，预测由多个原料分类构成的树脂复合材料的特性。图6A至图6C是树脂复合材料的主原料的配合量和添加剂的加权特征量的一例的结构图。在图6A至图6C的例子中，不使用主原料的特征量而使用配合量。
因此，在图6A至图6C的例子中，即使在主原料(A)和添加剂(Z)的部分结构的一部分相同的情况下，添加剂(Z)的加权特征量的变化也不会被主原料(A)的加权特征量所掩盖。因此，添加剂(Z)的加权特征量的变化容易反映在树脂复合材料的特征量中，能够高精度地预测添加剂(Z)对树脂复合材料的特性施加的影响。
<处理>
以下，对本实施方式的信息处理系统1预测由多个原料分类构成的树脂复合材料的特性的处理的详细情况进行说明。
图7是示出本实施方式的信息处理系统的特性预测方法的概要的一例的说明图。在图7中，表示将作为主原料的原料分类A的N种原料的名称作为变量的列(N维)、与作为添加剂的原料分类Z的加权特征量的列(W维)结合，来生成用于预测由多个原料分类构成的树脂复合材料的特性的说明变量的例子。
图7是探索原料分类(Z)的添加剂时的说明变量的一例。图7也可以认为是不探索原料分类A的主原料时的说明变量。图7表示根据作为主原料的原料分类A的N种原料的配合量和作为添加物的原料分类Z的W种加权特征量(各特征量的值×配合量)生成的说明变量。配合量可以用摩尔比表示，也可以用重量比表示。
在本实施方式中，利用如图7所示那样生成的说明变量，通过使用学习用数据集对作为目的变量的树脂复合材料的特性和如图7所示那样的说明变量之间的对应关系进行机械学习，来生成能够预测树脂复合材料的特性的预测模型。
图8是设计条件的一例的结构图。图8的例子是作为信息包含作为主原料的N种原料的配合量和作为添加剂的“原料O”～“原料T”的配合量的设计条件的一例。关于主原料，如下式(1)所示，配合量成为说明变量的要素。
(数1)
xi,j:配合量…(1)
i:实验编号
j:原料的编号，1≤j≤N
关于添加剂，如下式(2)所示计算出的加权特征量为说明变量的要素。
(数2)
i:实验编号
j:原料的编号，O≤j≤T
w:特征量的编号，1≤w≤W
图9A及图9B是生成添加剂的加权特征量的处理的一例的说明图。如图9A所示，特征量可以通过j(添加剂的种类)×w(特征量的种类)的矩阵按照每个实验编号i来表示。根据作为添加剂的“原料O”～“原料T”的图8所示的配合量和图9A所示的“特征量1”～“特征量W”，可以如图9B所示由式(2)计算加权特征量。
例如图9B是根据实验编号“1”的“实验1”的设计条件计算出添加剂的加权特征量的一例。在图9B的例子中，计算“特征量1”～“特征量W”的加权特征量。图9B的“实验1的特征量1”是通过图8的“实验1”的“原料O”～“原料T”的配合量“0.1”～“0.5”与图9A的“原料O”～“原料T”的特征量“3”～“1”的乘积即加权特征量的总和算出的。
此外，图9B的“实验1的特征量2”～“实验1的特征量W”也以与“实验1的特征量1”相同的方式计算。注意，虽然省略了图示，但对于图8的实验编号“2”以后的设计条件，也与实验编号“1”的设计条件同样地计算添加剂的加权特征量。
通过将上述的主原料(N维)的配合量的列与添加剂的加权特征量(W维)的列结合，能够生成图10所示的说明变量。图10是生成的说明变量的一例的说明图。如图10所示，说明变量的维数为N+W维。
图11是本实施方式的信息处理系统的学习阶段的处理的一例的流程图。在步骤S10中，特性预测装置10的预测模型生成部30接受学习用数据集的设定。步骤S10的学习用数据集的设定也可以从学习用数据集存储部40所存储的1个以上的学习用数据集中选择来设定。此外，步骤S10的学习用数据集的设定也可以是将从用户接受了设定的1个学习用数据集存储在学习用数据集存储部40中的处理。
在步骤S12中，预测模型生成部30的目的变量确定部50根据在步骤S10中接受了设定的学习用数据集，确定作为预测对象的特性(目的变量)的列。此外，设计条件确定部52根据在步骤S10中接受了设定的学习用数据集，确定例如图8所示那样的设计条件(说明变量)的列。
在步骤S14中，说明变量生成部56根据在步骤S12中确定的设计条件的列，确定主原料的列。此外，特征量生成部54根据在步骤S12中确定的设计条件的列，确定添加剂的列。在步骤S16中，特征量生成部54针对在步骤S14中确定的添加剂的列，生成例如图9A所示那样的特征量。
在步骤S18中，说明变量生成部56根据在步骤S16中由特征量生成部54生成的图9A所示的添加剂的特征量、与图8所示的添加剂的配合量的乘积，计算图9B所示的添加剂的加权特征量。
在步骤S20中，说明变量生成部56将在步骤S14中确定的主原料的配合量的列，与在步骤S18中计算出的添加剂的加权特征量的列结合，来生成图10所示那样的说明变量。
在步骤S22中，学习处理部58对在步骤S12中确定的目的变量与在步骤S20中生成的说明变量之间的对应关系进行机器学习，生成预测模型。生成的预测模型存储在预测模型存储部42中。
注意，上述说明了探索添加剂的一例，但例如也可以从图12所示的画面1000选择探索的原料。图12是选择要探索的材料的画面的一例的示意图。
图12的画面1000示出了从由多个原料分类构成的树脂复合材料中选择想要探索的原料分类作为想要优化的原料的分类的GUI(图形用户界面)。用户从画面1000所显示的醇原料、氰酸酯原料、交联剂、固化剂及催化剂等原料分类中选择想要优化的原料分类。例如在图12中示出了选择“固化剂”作为想要优化的原料分类的例子。当在图12的状态下按下“预测”按钮时，特性预测装置10的预测模型生成部30按照图11的流程图的步骤，例如能够生成图13所示那样的说明变量。
图13是说明变量的一例的结构图。图13的说明变量是将图12的画面1000中被选择作为想要优化的原料分类的“固化剂”的加权特征量、与未被选择作为想要优化的原料分类的原料分类的配合量结合而生成的。如图13所示，本实施方式的信息处理系统1生成将未被选择作为想要优化的原料分类的原料以配合量表示的要素、与被选择作为想要优化的原料分类的原料以加权特征量表示的要素结合而成的说明变量，能够用于机械学习。
在本实施方式中，说明了想要优化的原料分类是添加剂的一例，但也可以如图12的画面1000所示，想要优化的原料分类是主原料。例如，在图12的画面1000中，选择“氰酸酯原料”作为想要优化的原料分类的情况下，生成将“氰酸酯原料”的加权特征量与醇原料、交联剂、固化剂及催化剂的配合量结合而成的说明变量。此外，在图12的画面1000中示出了选择1个想要优化的原料分类的例子，但也可以选择多个。
图14是本实施方式的信息处理系统的预测阶段的处理的一例的流程图。在步骤S30中，特性预测装置10的预测部32接受预测用数据的设定。在步骤S32中，预测部32根据在步骤S30中接受了设定的预测用数据，确定例如图8所示那样的设计条件的列。
在步骤S34中，预测部32根据在步骤S32中确定的设计条件的列，确定主原料的列和添加剂的列。在步骤S36中，预测部32针对在步骤S34中确定的添加剂的列，生成例如图9A所示那样的特征量。
在步骤S38中，预测部32根据在步骤S36中生成的图9A那样的添加剂的特征量、与图8所示那样的添加剂的配合量的乘积，计算图9B所示那样的添加剂的加权特征量。
在步骤S40中，预测部32将在步骤S34中确定的主原料的配合量的列与在步骤S38中计算出的添加剂的加权特征量的列结合，生成图10所示那样的说明变量。在步骤S42中，预测部32通过将在步骤S40中生成的说明变量输入到预测模型中，预测与预测用数据对应的树脂复合材料的特性。
图14的流程图的处理是一边进行添加物的原料的组合的探索和该组合所包含的原料的配合量的变更，一边被反复进行，直到预测出的树脂复合材料的特性达到树脂复合材料的目标特性或结束设定的计算次数(例如1万次)为止。预测部32将添加物的原料的组合和该组合中所含的原料的配合量作为网罗探索点，预测树脂复合材料的特性。
网罗探索点可以通过例如在规定的范围随机或以规定的步幅生成组合中包含的原料的配合量来生成。根据预测出的树脂复合材料的特性与目标特性近似的网罗探索点，预测部32能够确定与树脂复合材料的目标特性近似的添加物的原料的组合和该组合中所含的原料的配合量。
[其他实施方式]
本实施方式的特性预测装置10预测出的树脂复合材料的特性可以应用于例如由多个原料分类构成的复合材料的配合设计装置或配合设计辅助装置、实现该配合设计装置或配合设计辅助装置的程序等。此外，本实施方式的特性预测装置10也可以通过将预测出的特性接近目标特性的设计条件提供给树脂复合材料的制造装置，在制造装置中生成树脂复合材料。
以上，根据本实施方式的信息处理系统1，通过对于由多个原料分类构成的复合材料，根据特定的原料分类的原料计算加权特征量，并将其与其他的原料分类的原料的配合量结合来生成说明变量，能够减轻其他的原料分类的影响，高精度地预测特定的原料分类对复合材料的特性施加的影响。
例如，根据本实施方式的信息处理系统1，能够高精度地预测在改变了配合量比主原料小的添加剂(添加物)的分子结构时的复合材料的特性的变化。此外，能够对为了满足所希望的特性而要使用的添加剂进行筛选等。根据本实施方式的信息处理系统1在添加剂和主原料的部分结构的一部分相同的情况下尤其有效。
以上，对本实施方式进行了说明，但可以理解，在不脱离权利要求的主旨及范围的情况下，可以进行形式及细节的各种变更。以上，基于实施方式对本发明进行了说明，但本发明并不限于上述实施方式，在权利要求书所记载的范围内可以进行各种变形。本申请主张2021年8月31日向日本专利厅提交的基础申请2021-140833号的优先权，通过参照将其全部内容引用于此。
附图标记说明
1 信息处理系统
10 特性预测装置
12 用户终端
18 通信网络
20 信息显示部
22 操作接受部
24 请求发送部
26 响应接收部
30 预测模型生成部
32 预测部
34 输出部
40 学习用数据集存储部
42 预测模型存储部
50 目的变量确定部
52 设计条件确定部
54 特征量生成部
56 说明变量生成部
58 学习处理部。
Claims (11)
1.一种特性预测装置，其预测由多个原料分类构成的复合材料的特性，包括：
预测模型生成部，生成预测模型，所述预测模型使用作为包含第1原料分类的材料种类和第2原料分类的材料种类的构成的复合材料的学习用数据集，对作为目的变量的所述复合材料的特性、与作为说明变量的所述第1原料分类的材料种类的配合量和第2原料分类的材料种类的加权特征量之间的对应关系进行了机械学习；以及
预测部，将根据要预测特性的复合材料的预测用数据而生成的所述第1原料分类的材料种类的配合量和所述第2原料分类的材料种类的加权特征量，作为说明变量输入到所述预测模型，来预测与所述预测用数据对应的所述复合材料的特性。
2.根据权利要求1所述的特性预测装置，其中，
所述说明变量包含所述第1原料分类的材料种类所包含的1个以上的原料的配合量的信息、以及所述第2原料分类的材料种类所包含的1个以上的原料的所述加权特征量的信息，所述加权特征量是所述第2原料分类的材料种类所包含的1个以上的原料的各自的特征量与所述原料的配合量的乘积。
3.根据权利要求1或2所述的特性预测装置，其中，
所述预测模型生成部将构成所述复合材料的多个原料分类中为了优化而探索的原料的原料分类作为所述第2原料分类，将所述探索的原料的原料分类以外的原料分类作为所述第1原料分类。
4.根据权利要求3所述的特性预测装置，其中，
所述预测部一边进行对要优化的所述第2原料分类的材料种类所包含的1个以上的原料的组合的探索、以及对所述组合所包含的1个以上的原料的配合量的变更，一边预测所述复合材料的特性，并确定所预测出的所述特性与对应于所述预测用数据的所述复合材料的目标特性近似的、所述原料的组合以及所述组合所包含的1个以上的原料的配合量。
5.根据权利要求1至4中任一项所述的特性预测装置，其中，
所述预测模型生成部具有：
目的变量确定部，根据所述学习用数据集，确定所述复合材料的特性，以作为目的变量；
设计条件确定部，根据所述学习用数据集，确定所述复合材料的设计条件；
特征量生成部，根据所述设计条件，对所述第2原料分类的材料种类所包含的1个以上的原料的每一个，生成特征量；
说明变量生成部，生成所述第1原料分类的材料种类所包含的1个以上的原料的配合量、以及所述第2原料分类的材料种类所包含的1个以上的原料的各自的所述加权特征量，以作为说明变量；以及
学习处理部，对所述目的变量与所述说明变量之间的对应关系进行机械学习来生成预测模型。
6.根据权利要求1至5中任一项所述的特性预测装置，其中，
所述复合材料是含有作为所述第1原料分类的材料种类的主原料、以及配合量比所述主原料小的作为所述第2原料分类的材料种类的添加剂的树脂复合材料。
7.根据权利要求1至6中任一项所述的特性预测装置，其中，
所述原料分类为单体、低聚物、聚合物、填料、催化剂、聚合引发剂、阻聚剂、交联剂或固化剂。
8.根据权利要求1至7中任一项所述的特性预测装置，其中，
所述特征量是将分子的结构特征数值化的信息、或者是将分子的化学特征数值化的信息。
9.根据权利要求1至7中任一项所述的特性预测装置，其中，
所述特征量是通过用“0”和“1”表示的虚拟变量来记述所述第2原料分类的材料种类的品牌或型号的信息。
10.一种特性预测方法，其是由计算机预测由多个原料分类构成的复合材料的特性的特性预测方法，包括下述步骤：
生成预测模型，所述预测模型使用作为包含第1原料分类的材料种类和第2原料分类的材料种类的构成的复合材料的学习用数据集，对作为目的变量的所述复合材料的特性、与作为说明变量的所述第1原料分类的材料种类的配合量和第2原料分类的材料种类的加权特征量之间的对应关系进行了机械学习；以及
将根据要预测特性的复合材料的预测用数据而生成的所述第1原料分类的材料种类的配合量和所述第2原料分类的材料种类的加权特征量，作为说明变量输入到所述预测模型，来预测与所述预测用数据对应的所述复合材料的特性。
11.一种程序，其使预测由多个原料分类构成的复合材料的特性的计算机执行下述步骤：
生成预测模型，所述预测模型使用作为包含第1原料分类的材料种类和第2原料分类的材料种类的构成的复合材料的学习用数据集，对作为目的变量的所述复合材料的特性、与作为说明变量的所述第1原料分类的材料种类的配合量和第2原料分类的材料种类的加权特征量之间的对应关系进行了机械学习；以及
将根据要预测特性的复合材料的预测用数据而生成的所述第1原料分类的材料种类的配合量和所述第2原料分类的材料种类的加权特征量，作为说明变量输入到所述预测模型，来预测与所述预测用数据对应的所述复合材料的特性。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021-140833 | 2021-08-31 | ||
| JP2021140833 | 2021-08-31 | ||
| PCT/JP2022/032048 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117836861A true CN117836861A (zh) | 2024-04-05 |
Family
ID=85412668
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280057085.XA Pending CN117836861A (zh) | 2021-08-31 | 2022-08-25 | 特性预测装置、特性预测方法和程序 |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JPWO2023032809A1 (zh) |
| CN (1) | CN117836861A (zh) |
| WO (1) | WO2023032809A1 (zh) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6958141B2 (ja) | 2017-09-05 | 2021-11-02 | 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、および、プログラム |
| EP3764252A4 (en) | 2018-03-09 | 2021-12-01 | Showa Denko K.K. | DEVICE FOR PREDICTING THE PHYSICAL PROPERTIES OF POLYMER, STORAGE MEDIUM, AND METHOD OF PREDICTING THE PHYSICAL PROPERTIES OF POLYMER |
| JP7174599B2 (ja) | 2018-11-09 | 2022-11-17 | 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 |
-
2022
- 2022-08-25 CN CN202280057085.XA patent/CN117836861A/zh active Pending
- 2022-08-25 WO PCT/JP2022/032048 patent/WO2023032809A1/ja active Application Filing
- 2022-08-25 JP JP2023545511A patent/JPWO2023032809A1/ja active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023032809A1 (ja) | 2023-03-09 |
| JPWO2023032809A1 (zh) | 2023-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | DeepDist: real-value inter-residue distance prediction with deep residual convolutional network | |
| Yu et al. | L 2-norm multiple kernel learning and its application to biomedical data fusion | |
| Huynh-Thu et al. | Inferring regulatory networks from expression data using tree-based methods | |
| Kim et al. | Protein secondary structure prediction based on an improved support vector machines approach | |
| CN104205235A (zh) | 用于处理从非易失性存储器阵列检索的状态置信度数据的方法和设备 | |
| EP3869362A1 (en) | Information processing method, information processing system, and program | |
| US11468287B2 (en) | Information processing system, information processing apparatus, and information processing method | |
| 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 | |
| Shapovalov et al. | Multifaceted analysis of training and testing convolutional neural networks for protein secondary structure prediction | |
| EP4044063A1 (en) | Information processing system, information processing method, and information processing 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 | |
| Conrad et al. | Benchmarking AutoML for regression tasks on small tabular data in materials design | |
| Wang et al. | Multiple surrogates and offspring-assisted differential evolution for high-dimensional expensive problems | |
| JP2016139336A (ja) | 予測装置、予測方法および予測プログラム | |
| CN117836861A (zh) | 特性预测装置、特性预测方法和程序 | |
| WO2021220775A1 (ja) | 材料の特性値を推定するシステム | |
| WO2024062837A1 (ja) | 設計支援装置、設計支援方法、プログラム及び情報処理システム | |
| CN117561574A (zh) | 物性预测装置、物性预测方法及程序 | |
| JP2021068410A (ja) | 化合物生成装置、化合物生成方法、学習装置、学習方法及びプログラム | |
| US11531694B1 (en) | Machine learning based improvements in estimation techniques | |
| Clark et al. | Vector quantization kernels for the classification of protein sequences and structures | |
| CN112885315A (zh) | 模型的生成方法、音乐合成的方法、系统、设备及介质 | |
| US20230060812A1 (en) | Information processing system, information processing method, and storage medium | |
| Kari et al. | Deepromclass: Delineator for eukaryotic core promoters employing deep neural networks | |
| WO2023167107A1 (ja) | 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 |
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 |