EP4588053A1 - Ermittlung der stabilität von verpackten formulierungen - Google Patents

Ermittlung der stabilität von verpackten formulierungen

Info

Publication number
EP4588053A1
EP4588053A1 EP23765235.9A EP23765235A EP4588053A1 EP 4588053 A1 EP4588053 A1 EP 4588053A1 EP 23765235 A EP23765235 A EP 23765235A EP 4588053 A1 EP4588053 A1 EP 4588053A1
Authority
EP
European Patent Office
Prior art keywords
formulation
numerical representation
machine learning
learning model
determined
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
EP23765235.9A
Other languages
English (en)
French (fr)
Inventor
Sebastian NIEDENFUEHR
Andreas Westphal
Florian HAESE
Mauro STILLGER
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.)
Bayer AG
Original Assignee
Bayer AG
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 Bayer AG filed Critical Bayer AG
Publication of EP4588053A1 publication Critical patent/EP4588053A1/de
Pending legal-status Critical Current

Links

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
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • 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
    • 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

  • Training the machine learning model comprising the following steps: o Entering the numerical representation of the reference formulation into the machine learning model, wherein the machine learning model is configured based on at least one stability feature the numerical representation of the reference formulation and model parameters, o receiving the at least one predicted stability feature from the machine learning model, o quantifying a deviation between the at least one preferably measured stability feature and the at least one predicted stability feature, o modifying the model parameters with regard to a reduction in deviation,
  • a further subject of the present invention is a computer-implemented method for determining at least one stability characteristic of a system comprising a test formulation and at least one material in contact with the test formulation using the trained machine learning model.
  • the procedure includes the steps:
  • the numerical representation of the test formulation being a numerical representation for each determined component Representation of the determined component, wherein the numerical representation of each determined component includes a value for the amount of the component in the test formulation and values for the determined physical and / or chemical properties of the component,
  • control and computing unit is configured to provide a trained machine learning model, o wherein the trained machine learning model is configured and has been trained with the help of training data, at least one stability feature for a system comprising a formulation and at least predict a material in contact with the formulation based on a numerical representation of the formulation, o wherein the training data for each reference formulation of a plurality of reference formulations comprises (i) a numerical representation of the reference formulation and (ii) at least one measured stability feature , wherein the at least one measured stability characteristic is a measure of the stability of a system comprising the reference formulation and at least one material in contact with the reference formulation, o wherein training the machine learning model for each reference formulation comprises:
  • the numerical representation of the test formulation comprising, for each determined component, a numerical representation of the determined component, the numerical representation of each determined component having a value relating to the amount of the component in the test formulation and Values for the determined physical and/or chemical properties of the component include entering the numerical representation of the test formulation into the trained machine learning model, receiving at least one predicted stability feature from the trained machine learning model, causing the output unit to do so output and/or store and/or transmit at least one predicted stability feature to a separate computer system.
  • Another subject of the present invention is a computer-readable storage medium comprising instructions that, when executed by a computer system, cause it to perform the following steps:
  • the trained machine learning model is configured and has been trained using training data, at least one stability feature for a system comprising a formulation and at least one material in contact with the formulation based on a numerical representation to predict the formulation, o wherein the training data for each reference formulation of a plurality of reference formulations comprises (i) a numerical representation of the reference formulation and (ii) at least one measured stability feature, wherein the at least one measured stability feature is a measure of the stability a system comprising the reference formulation and at least one material is in contact with the reference formulation, o wherein training the machine learning model for each reference formulation comprises:
  • the numerical representation of the test formulation for each determined component comprising a numerical representation of the determined component
  • the numerical representation of each determined component includes a value for the amount of the component in the test formulation and values for the determined physical and / or chemical properties of the component
  • the present disclosure describes means for predicting at least one stability characteristic of a system comprising a formulation and at least one material in contact with the formulation using a machine learning model.
  • the formulation is preferably a formulation of one or more plant protection products.
  • plant protection product is understood to mean an agent that serves to protect plants or plant products from harmful organisms or to prevent their effects, to destroy undesirable plants or parts of plants, to inhibit undesirable growth of plants or to prevent such growth, and/or influence the life processes of plants in a way other than nutrients (e.g. growth regulators).
  • Growth regulators are used, for example, to increase the stability of grain by shortening the length of the stalk (stem shortener or, better, intemodia shortener), to improve the rooting of cuttings, to reduce the plant height through compression in horticulture or to prevent the germination of potatoes.
  • Further examples of crop protection products are herbicides, fungicides and pesticides (e.g.
  • the formulation may also include one or more plant nutrients.
  • plant nutrients refers to those inorganic and organic compounds from which plants can obtain the elements from which their bodies are built. These elements themselves are often referred to as nutrients. These are usually simple inorganic compounds such as nitrate (NO, ). Phosphate (PO ) and potassium (K + ).
  • K, S, Ca, Mg, Mo, Cu, Zn, Fe, B, Mn, CI in higher plants, Co, Ni are also essential for life.
  • Different compounds can be present for the individual nutrients, for example nitrogen can be supplied as nitrate, ammonium or amino acid.
  • the at least one material is a material that comes into contact with the formulation during production, packaging, transport, storage and/or use of the formulation.
  • the at least one material is a material which is in contact with the formulation for a period of time greater than an hour, preferably greater than a day, even more preferably greater than a week, most preferably greater than a month. The period can also be more than a year.
  • the at least one material is preferably a material from which a container for a formulation can be produced and/or a material that is part of a container for a formulation and/or a container itself and/or a material for a lid of a container or a lid of a container and/or a material for a seal of a container and/or a seal for a container.
  • the at least one material is preferably a plastic or a composite of several plastics.
  • Materials that are often used for contact with a formulation are, for example, polyethylene (PE), polypropylene (PP), polyvinyl chloride (PVC), polyethylene terephthalate (PET), polyamide (PA), ethylene-vinyl alcohol copolymer (EVOH), coextrudate made of polyethylene and ethylene-vinyl alcohol copolymer (COEX PE/EVOH), coextrudate made of polyethylene and polyamide (COEX PE/PA).
  • Low stability can, for example, be reflected in the fact that at least one property of at least one component of the system is changed after contacting in such a way that the changed property has a negative impact on the intended use of the formulation and/or the at least one material.
  • the at least one material is usually not suitable as a container or lid or sealant or the like for the formulation. If stability is low, the at least one material should not be used as a material in contact with the formulation.
  • stability of the system is understood to mean the resistance of the material to the formulation with which the material is in contact.
  • the formulation can, for example, have an influence on the strength and/or tightness of the material.
  • a high stability of the system can therefore mean that the material in contact with the formulation maintains its tightness to the formulation and/or to moisture from outside and/or to other substances penetrating from outside (e.g. oxygen).
  • a high level of stability System may mean that the material in contact with the formulation maintains its strength and does not soften or become brittle and/or retains its shape.
  • the prediction of the at least one stability feature is carried out using a machine learning model.
  • a “machine learning model” can be understood as a computer-implemented data processing architecture.
  • the model can receive input data and provide output data based on this input data and model parameters.
  • the model can learn a relationship between the input data and the output data through training. During training, the model parameters can be adjusted to provide a desired output for a specific input.
  • An error function can be used to calculate a loss for a given pair of output data and target data.
  • the goal of the training process can be to change (adjust) the parameters of the machine learning model so that the error is reduced to a (defined, desired) minimum for all pairs of the training data set.
  • an element-wise difference metric can be used for higher dimensional outputs, such as two-dimensional, three-dimensional, or higher-dimensional outputs.
  • the output data can be transformed before calculating an error value, for example into a one-dimensional vector.
  • the machine learning model is trained to predict at least one stability characteristic for a system comprising a formulation and at least one material in contact with the formulation.
  • the machine learning model can be trained to predict a single stability feature.
  • multiple machine learning models can be used, each trained to predict a (single) stability feature.
  • a machine learning model may be trained to predict more than one stability feature (e.g. two or three or four or five or six or more than six stability features).
  • multiple of reference formulations means more than 10, preferably more than 100 reference formulations.
  • the at least one material e.g. in the form of a test specimen and/or in the form of an intended consumer item (e.g. as a container, lid, seal and/or the like)
  • a first measurement e.g. in the form of a test specimen and/or in the form of an intended consumer item (e.g. as a container, lid, seal and/or the like)
  • Conditions brought into contact with the reference formulation e.g. as a container, lid, seal and/or the like
  • a second measurement e.g., it is possible that more than two measurements are carried out to determine the at least one stability feature. It is conceivable that no measurement is carried out before the at least one material is brought into contact with the reference formulation. It is also conceivable that one or more measurements are carried out on the formulation before and/or after the formulation is brought into contact with the material, for example in order to identify one or more substances in the formulation that have migrated from the material into the formulation.
  • stability features are: the swelling of the at least one material in contact with the formulation, e.g. measured with the method BAM-GGR 004, BAM-GGR 015, DIN EN ISO 13724 using an analytical balance (e.g. from Mettler Toledo), permeation of components of the formulation in and/or through the at least one material, e.g. measured using the BAM-GGR 015 method using an analytical balance (e.g. from Mettler Toledo),
  • Tensile impact strength of the at least one material after contact with the formulation e.g. measured using the BAM-GGR 015 method using a device for checking the tensile impact hardness using the pendulum impact method (e.g. the HIT5P device from Zwick Roell GmbH),
  • Melt flow rate of the at least one material after contact with the formulation e.g. measured using the BAM-GGR 015 method, DIN EN ISO 13724 using a device for checking the melt indices (e.g. the A4 7ow flow tester from Zwick Roell GmbH),
  • Residual tensile strength of the at least one material after contact with the formulation e.g. measured using the BAM-GGR 004 method, DIN EN ISO 13724 using a device for checking the tensile force (e.g. the Z010 universal testing device from Zwick Roell GmbH).
  • a recipe includes information about the components of a formulation.
  • a recipe indicates which components are contained in a formulation or from which components it is made up.
  • common components are: one or more active ingredients (see e.g. https://www.proplanta.de/Rooenschutzstoff/Wirkstoffe/), natural oils (e.g. sunflower oil optionally dewaxed, mineral oils, silicone oils), fatty acids and fatty acid derivatives (e.g.) , aliphatic solvents (e.g. lactic acid butyl ester, cyclohexanone, dimethyl sulfoxide, , ethanol), aromatic solvents (e.g.
  • toluene Solvesso 100, Solvesso 150, Solvesso 200, Solvarex, Caromax 28 LN, Caromax 20 LN, xylene, Genapol X-060, Genapol XM 060), waxes (e.g. Joncryl Wax 4), other additives (e.g. dyes such as Laicril P-1530).
  • the recipe also states the amounts of the ingredients.
  • the amounts can, for example, be specified in the recipe as relative sizes (e.g. in weight percent, mole percent, volume percent, concentration) or as absolute sizes (e.g. mass, mole, volume).
  • the recipe may include information on how the formulation is prepared, i.e. it may include, for example, information on the order in which the components are put together and/or under what conditions they are put together (e.g. temperature, pressure, stirring speed), how they are put together (e.g. dropwise, with stirring and/or the like) and/or which further steps are taken to produce the formulations (e.g. filtration, sedimentation, distillation, heating, cooling and/or the like).
  • information on how the formulation is prepared i.e. it may include, for example, information on the order in which the components are put together and/or under what conditions they are put together (e.g. temperature, pressure, stirring speed), how they are put together (e.g. dropwise, with stirring and/or the like) and/or which further steps are taken to produce the formulations (e.g. filtration, sedimentation, distillation, heating, cooling and/or the like).
  • the recipe preferably includes information about the type of (reference) formulation.
  • types of (reference) formulations are: emulsion concentrate formulations (EC formulations), suspension concentrate formulations (SC formulations, SC: suspension concentrate), suspoemulsions (SE formulations), oil dispersions (OD formulations), emulsions for Seed treatment (ES formulations), emulsion oil in water (EW formulations), suspension concentrate for seed treatment (FS formulations, FS: flowable concentrate for seed treatment, technical active ingredients (TC formulations, TC: technical concentrate), mixed formulations of CS and SC (ZC formulations).
  • components of the test formulation/reference formulations are determined based on the recipe.
  • the components are specified in the form of a name (e.g. lUPAC name or common name or brand name), a code (e.g. Chemical Abstract Service Registry Number (CAS No.)) and/or a formula (e.g. molecular formula, chemical structural formula).
  • a name e.g. lUPAC name or common name or brand name
  • a code e.g. Chemical Abstract Service Registry Number (CAS No.)
  • a formula e.g. molecular formula, chemical structural formula
  • a main ingredient can, for example, be an ingredient that is contained in the formulation in a minimum amount (e.g. at least 1% or at least 5% or at least 10%, where the percentage can be, for example, weight percent or volume percent or mole percent).
  • Some components of a recipe do not contain a uniform chemical compound, but rather a mixture of different chemical compounds (e.g. sunflower oil).
  • chemical compounds contained in the component are determined.
  • the term “chemical compound” refers to a pure substance that consists of atoms of two or more chemical elements, whereby - in contrast to mixtures - the types of atoms have a fixed stoichiometric ratio to one another.
  • at least those chemical compounds of a component are determined which are present in the component in a minimum amount (for example at least 1%, or at least 5% or at least 10%, where the percentage can be, for example, weight percent or volume percent or mole percent).
  • all chemical compounds contained in each component are determined.
  • all components of the respective formulation(s) are determined.
  • an “ingredient” is mentioned in this description, it preferably means a chemical compound (and not a generic ingredient).
  • the chemical compounds contained can be determined from publicly accessible databases and/or from the literature.
  • the manufacturers of components often provide information about the chemical compounds they contain, for example in the form of a product specification. It is also possible to analyze/have components analyzed for the chemical compounds they contain.
  • Some components may contain impurities. Contaminants are preferably determined for components. Preferably, impurities are determined for at least the main components of the respective formulation(s). Preferably, at least those impurities that occur in a minimum amount in a (main) component are determined. For a large number of components, the impurities contained can be determined from publicly accessible databases and/or from the literature. The manufacturers of components often provide information about the impurities they contain, for example in the form of a product specification. It is also possible to analyze/have components analyzed for the impurities they contain. Existing impurities are preferably taken into account in the form of the respective chemical compound(s).
  • the components determined can be more than one hundred components, especially when the chemical compounds that make up the components and/or impurities are determined.
  • molecular descriptors are determined for preferably all determined components (chemical compounds) of the respective formulation(s), in particular for those components (chemical compounds) for which there are no measured values of physical and/or chemical properties.
  • molecular descriptor is understood to mean a representation of a chemical compound that reflects the chemical structure of the chemical compound at the molecular level or from which the chemical structure at the molecular level can be derived.
  • molecular descriptors examples include lUPAC name (IUPAC: International Union of Pure and Applied Chemistry), SMILES code (SMILES: Simplified Molecular Input Line Entry Specification), InChl code, CML code (CML: Chemical Markup Language), WLN -Code (WLN: Wiswesser Line Notation), molecular graph.
  • Molecular descriptors can be determined, for example, from publicly available databases and/or the literature based on the name of a component or based on a code of the component. The manufacturers of components often also provide molecular descriptors of chemical compounds, for example in the form of a product specification. Molecular descriptors can be generated manually using suitable programs (e.g. ChemDraw, ChemSketch). Molecular descriptors can usually be converted into one another, i.e. a SMILES code can be generated from an lUPAC name and vice versa.
  • molecular descriptors which can be used in computer programs to determine physical and/or chemical properties of chemical compounds based on the structure of the chemical compounds are preferably determined. These are usually SMILES codes and/or molecular graphs. More information about computer programs for determining physical and/or chemical properties is provided later in the description. Preferably, molecular descriptors are determined for at least the main components of a formulation and/or for chemical compounds and/or impurities that are contained at least in a minimum amount in a (main component). Molecular descriptors are preferably determined for all chemical compounds of a formulation, including impurities.
  • Physical and/or chemical properties are determined for components of the test formulation/reference formulations. Examples of physical and/or chemical properties are:
  • Water solubility e.g. in the form of solubility as the substance mass of the compound that can be dissolved in 100 g of water
  • the physical and/or chemical properties can be measured values.
  • the physical and/or chemical properties can be read from one or more databases and/or determined from the literature. Examples of databases that store physical and/or chemical properties are PubChem (https://pubchem.ncbi.nlm.nih.gov/), NIST Chemistry WebBook (https://webbook.nist.gov/chemistry/ ) and CRC Handbook of Chemistry and Physics (https://hbcp.chemnetbase.com/).
  • the physical and/or chemical properties can be determined experimentally.
  • the physical and/or chemical properties may be calculated values.
  • the physical and/or chemical properties can be calculated, for example, based on the molecular structure of a component.
  • QSPR Quantitative Structure Property Relationship
  • There are also commercially and freely available computer programs for calculating physical and/or chemical properties of substances based on their molecular structure e.g.: QSAR-Co: J. Chem. Inf. Model. 2019, 59, 6, 2538-2544; Molgen -QSPR: https://www.researchgate.net/publication/266470632).
  • a method for calculating the melting point is described, for example, in: H. Modarresi et al. : QSPR Correlation of Melting Point for Drug Compounds Based on Different Sources of Molecular Descriptors, J. Chem. Inf. Model. 2006, 46, 2, 930-936.
  • the prediction of the at least one stability feature is based on numerical representations of the components (chemical compounds) of a formulation, which only include information about the amount of the components (chemical compounds) and their physical and/or chemical properties. Further information, such as information about the nature of the components (which can be encoded using categorical variables) or about the chemical structures of the chemical compounds of the components, is not required. This additional information is implicitly contained in the physical and/or chemical properties. In a preferred embodiment, all physical and/or chemical properties are calculated based on the molecular descriptors (representing the chemical structure). It is therefore possible to represent a formulation solely by physical and/or chemical properties of its components and the amounts of the components. Such a representation is sufficient to be able to predict a stability characteristic for a system comprising the formulation and a material in contact with the formulation.
  • a numerical representation of a formulation can consist exclusively of the numerical representations of its (main) components.
  • it can be a matrix in which each row or each column is a numerical representation of a component.
  • the numerical representation of a formulation in the feature space contains information that is relevant for the prediction of at least one stability feature. However, it may also contain other, irrelevant or redundant information.
  • a "compressed numerical representation" is a representation that contains or highlights only the relevant information or in which irrelevant and/or redundant information is suppressed and/or reduced.
  • An autoencoder is usually used to learn efficient data coding in an unsupervised learning process.
  • the goal of an autoencoder is to learn a representation for a data set, typically for dimensionality reduction, by training the machine learning model to identify the relevant data and ignore noise.
  • the encoder compresses the input data into a latent space representation and the decoder attempts to restore the input data from this latent space representation.
  • the latent space representation is the compressed numerical representation of the input data.
  • the numerical representations of formulations can be of different sizes (i.e. have different numbers of dimensions) for different formulations; simply because they can have a different number of components.
  • attention is a technique that mimics cognitive attention in humans.
  • the effect is that some parts of the input data are amplified and other parts are attenuated - the idea is that the machine learning model should pay more attention to an important part of the data than to a less important part.
  • the model learns which parts are important and which are less important in the training phase.
  • model architectures based on convolutional networks can describe arbitrary functions on mathematical sets (see e.g. M. Zaheer et al. '. Deep Sets, arXiv: 1703.06114v3), such architectures can only implicitly model individual interactions between certain formulation components from the same recipe .
  • Neural networks with an attention mechanism are able to explicitly model interactions between formulation components of the same recipe.
  • attention functions link a query vector with pairs of (key, value) vectors to form an output vector.
  • the output vector is calculated from the weighted sum of the value vectors, with the weights being predicted by the network architecture based on the query and value vectors.
  • transformer network it is possible to use a transformer network to generate a numerical representation of a formulation.
  • Such a transformer network can take into account pairwise interactions between the elements of the input.
  • the Transformer network can process sequential inputs, weighting the contributions of each part of the input data differently.
  • the Transformer network is able to process relevant interactions between two or more components of the formulation. Details on transformer networks can be found, for example, in: J. Lee et al. : A Framework for Attention-based Permutation-Invariant Neural Networks, 2019, arXiv: 1810.00825v3; A. Vaswani et al.: Attention is all you need, arXiv: 1706.03762v5.
  • the recipe of a formulation can be encoded in a single vector via a global pooling operation (see e.g.: J. Lee et al.: Set Transformer: A Framework for Attentionbased Permutation-Invariant Neural Networks, arXiv: 1810.00825v3).
  • An example of a global pooling operation is the summation of the representation (or embeddings pre-processed with the attention mechanism) of the individual components.
  • attention pooling A more flexible extension of the summation.
  • a single learnable vector is provided as a query vector, with which a single output vector is created from the representations (or embeddings) of the formulation components as key and value vectors can be generated.
  • representations of formulation components are processed in a weighted sum, but the weights are generated from the representations (or embeddings) of the formulation components.
  • the bundling operation creates a permutation-invariant representation of a formulation. This means that the order in which the components are listed is not important. In other words, for a formulation with the components A, B and C, the same representation is always created, regardless of whether the components of the formulation are in a representation of the formulation in the order A, B, C or A, C, B or B, A, C or B, C, A or C, A, B or C, B, A are listed.
  • the (permutation-invariant) representation of the formulation can be fed to a regression model that is configured to calculate at least one stability feature based on the (permutation-invariant) representation of the formulation and on the basis of trainable (learnable) model parameters.
  • the regression model can be, for example, an artificial neural network or a random forest model or the like. Examples of regression models can be found in a variety of ways in the literature (see e.g.: H. Saleh, J.A. Layous: Machine Learning - Regression, 2022, DOI: 10.13140/RG.2.2.35768.67842).
  • the regression model is an artificial neural network that is trained together with the preceding networks to pool the representations of the formulation components.
  • such a regression network can be a “fully connected network” (also referred to as a “multi layer perceptron”). In this architecture, individual neurons (with one input and one output) are organized into layers so that the totality of the outputs of one layer represents the input of each neuron of the following layer.
  • the at least one predicted stability feature can be compared with the at least one (preferably measured) stability feature of the training data.
  • the deviations between the at least one predicted stability feature and the stability feature of the training data can be quantified using an error fiction.
  • error fictions are “root mean square deviation” (RMSD), “mean absolute deviation” (MAD), “logcosh distances”, “cosine distances”, ..Huber loss”, etc.
  • the model parameters can be modified, for example, in a gradient method or in another optimization method in order to reduce the deviations to a (defined) minimum.
  • the training is continued with further training sets, each comprising a numerical representation of a reference formulation and at least one (preferably measured) stability feature.
  • the machine learning model achieves a desired prediction accuracy, training can be stopped.
  • the trained machine learning model may be stored in a data storage and/or transmitted to a separate computer system.
  • the training data can be divided into two data sets.
  • the first data set can be used for training; the second data set can be used for validation.
  • the machine learning model can be used to predict at least one stability characteristic of a new system comprising a new formulation (test formulation) and at least one material in contact with the new formulation (test formulation).
  • new means that a data set that describes the formulation has not already been used during training.
  • the prediction is analogous to the training. This means that the steps that were carried out with regard to the reference formulations are also carried out for the new formulation (test formulation):
  • a recipe for the test formulation is received.
  • a third step physical and/or chemical properties of the components of the test formulation are determined.
  • a numerical representation of the test formulation is generated.
  • the numerical representation includes a numerical representation for each determined component of the determined component.
  • Each numerical representation of a determined component includes a value for the amount of the component in the test formulation and values for the determined physical and/or chemical properties of the component.
  • the numerical representation of the test formulation is entered into the trained machine learning model.
  • At least one predicted stability feature is received from the trained machine learning model.
  • the at least one predicted stability feature is output (e.g. displayed on a screen and/or printed on a printer) and/or stored in a data storage and/or transmitted to a separate computer system.
  • the at least one predicted stability feature is compared with a reference value or with several reference values.
  • a reference value can, for example, be a minimum value that must be achieved so that the at least one material for which the prediction was made can even be considered as a material for packaging, a container, a seal and/or the like for the test formulation .
  • a predicted stability feature is smaller than the minimum value, it may be that the at least one material is not suitable as packaging material, container material, sealing material and/or the like for the test formulation. A different material must be found for the test formulation.
  • the material is a candidate for consideration. It is conceivable that the predicted stability feature will be verified through an experimental study in a laboratory. In other words: if the at least one predicted stability feature meets predefined requirements, an examination of the at least one material can be initiated in a laboratory, for example by the automated generation and transmission of a message to the laboratory and / or the automated ordering of one or more components of the Test formulation and/or the automated ordering of the test formulation and/or the automated ordering of the at least one material.
  • Fig. 1 shows schematically and by way of example the generation of a numerical representation of a test formulation/reference formulation based on a recipe.
  • the starting point is a recipe R of the respective formulation.
  • components of the formulation are determined based on the recipe R and a first list LI of the determined components is generated.
  • chemical compounds of the components or impurities are determined for components in the first list LI that include more than one chemical compound and/or for components that include impurities.
  • the information on chemical compounds and/or impurities contained in components can be obtained from one or more databases DB1.
  • the identified chemical compounds and/or impurities are included in the first list LI of components, with a second list L2 of components being obtained.
  • a third step (130) physical measurements are made for one or more components of the formulation based on one or more molecular descriptors of the component(s). and/or chemical properties are calculated. The calculation is carried out using one or more QSPR models that relate structural properties to physical and/or chemical properties.
  • a fourth step (140) physical and/or chemical properties are read out from one or more databases DB2 for one or more components of the formulation.
  • a numerical representation RF of the formulation is generated.
  • the numerical representation RF includes, for each determined component of the second list L2, a value for the amount of the component in the formulation and values for the determined (calculated and/or read out) physical and/or chemical properties.
  • the training takes place with the help of training data.
  • the training data is obtained based on information about a variety of reference formulations and preferably measured stability characteristics.
  • the numerical representation RF of the reference formulation can be generated as described in relation to Figure 1.
  • the numerical representation RF includes the numerical representations Rn, R
  • Each reference formulation comprises at least one ingredient, preferably at least ten ingredients and in some cases over 50 ingredients (there is no upper limit on the number of ingredients).
  • the stability characteristic SM is a measure of the stability of a system comprising the reference formulation and at least one material in contact with the reference formulation.
  • the stability feature SM is preferably the result of a metrological investigation.
  • the numerical representation R F of the reference formulation is fed as input data to the MLM machine learning model.
  • the numerical representations Rn, R12 and R13 of the components of the reference formulation are independently subjected to feature extraction FE.
  • a numerical representation R c n is obtained from the numerical representation Rn, which can be compressed (ie includes fewer dimensions than the input representation) but in a preferred implementation is expanded (ie includes more dimensions than the input representation).
  • a numerical representation R c [2 is generated from the numerical representation R12 and a numerical representation R C B is generated from the numerical representation Rß.
  • the feature extraction unit FE is shown three times in order to process the three numerical representations of the three components of the reference representation.
  • the (optionally compressed) numerical representations R c n, R C I 2 and R C B are linked using a bundling operation GP to form a preferably permutation-invariant representation R PI of the reference formulation.
  • This pooling operation may, in a simple implementation of the architecture, be an ordinary reduction operation applied to the processed representations R c n, R c [2 and R C B (e.g. the sum, the mean, the element-wise minimum, the element-wise maximum, etc.).
  • the global pooling operation consists of multi-attention pooling.
  • the global bundling operation is not limited to the options mentioned and can be replaced by other global bundling operations.
  • the preferably permutation-invariant representation R PI of the reference formulation is fed to a regression model RM, which determines (predicts) a stability feature Sp based on the preferably permutation-invariant representation R PI .
  • the predicted stability feature Sp can be compared with the stability feature SM of the training data set.
  • An error function LF is used to quantify the deviations between the predicted stability feature Sp and the stability feature SM of the training data set.
  • the determined error L can be used to modify model parameters with a view to reducing the error L.
  • Model parameters can be in the feature extraction unit FE, in the pooling operation and in the regression model.
  • Fig. 3 shows schematically and by way of example the use of the trained machine learning model for prediction.
  • a numerical representation R F * of a test formulation is entered into the trained machine learning model MLM T.
  • the numerical representation R F * of the test formulation can be obtained from a recipe R * of the test formulation as described in relation to FIG. 1.
  • the numerical representation R F * of the test formulation includes three numerical representations Rn*, Rn* and Rn* of three components of the test formulation. From these numerical representations Rn*, Rn* and Rn*, three optionally compressed numerical representations R c n*, R c i2* and R c i3* are generated by feature extraction FE, analogous to the example in FIG. 2.
  • the optionally compressed numerical representations R c n*, R c i2* and R c if are linked by the bundling operation GP to form a preferably permutation-invariant representation R PI * of the test formulation.
  • the preferably permutation-invariant representation R PI * of the test formulation is fed to the regression model RM, which determines (predicts) a stability feature Sp* for the test formulation.
  • Fig. 4 shows an example and schematically of a computer system according to the invention.
  • a “computer system” is a system for electronic data processing that processes data using programmable calculation rules. Such a system usually includes a “computer”, the unit that includes a processor to perform logical operations, and peripherals.
  • the computer system (1) shown in Fig. 4 comprises an input unit (10), a control and computing unit (20) and an output unit (30).
  • the numerical representation of the test formulation comprising, for each determined component, a numerical representation of the determined component, the numerical representation of each determined component having a value relating to the amount of the component in the test formulation and Values for the determined physical and / or chemical properties of the component include entering the numerical representation of the test formulation into the trained machine learning model, receiving at least one predicted stability feature from the trained machine learning model, the output unit (30). cause the at least one predicted stability feature to be output and/or stored and/or transmitted to a separate computer system.
  • FIG. 5 shows, by way of example and schematically, a further embodiment of the computer system according to the invention.
  • the computer system (1) comprises a processing unit (21) which is connected to a memory (22).
  • the processing unit (21) and the memory (22) form a control and calculation unit, as shown in Fig. 4.
  • the processing unit (21) may comprise one or more processors alone or in combination with one or more memories.
  • the processing unit (21) can be ordinary computer hardware that is capable of processing information such as digital images, computer programs and/or other digital information.
  • the processing unit (21) usually consists of an arrangement of electronic circuits, some of which can be designed as an integrated circuit or as several interconnected integrated circuits (an integrated circuit is sometimes also referred to as a "chip").
  • the processing unit (21) can be configured to execute computer programs that can be stored in a main memory of the processing unit (21) or in the memory (22) of the same or another computer system.
  • the memory (22) may be ordinary computer hardware capable of storing information, data, computer programs and/or other digital information either temporarily and/or permanently.
  • the memory (22) can comprise a volatile and/or non-volatile memory and can be permanently installed or removable. Examples of suitable memories include RAM (Random Access Memory), ROM (Read-Only Memory), a hard drive, flash memory, a removable computer diskette, an optical disc, magnetic tape, or a combination of the above.
  • Optical discs may include read-only compact discs (CD-ROM), read/write compact discs (CD-R/W), DVDs, Blu-ray discs, and the like.
  • the processing unit (21) can also be connected to one or more interfaces (11, 12, 31, 32, 33) in order to display, transmit and/or receive information.
  • the interfaces can include one or more communication interfaces (32, 33) and/or one or more user interfaces (11, 12, 31).
  • the one or more communication interfaces may be configured to send and/or receive information, eg, to and/or from other computer systems, networks, data storage, or the like.
  • the one or more communication interfaces may be configured to transmit and/or receive information over physical (wired) and/or wireless communication links.
  • the one or more communication interfaces may include one or more interfaces for connecting to a network, for example, using technologies such as cellular, Wi-Fi, satellite, cable, DSL, fiber optic, and/or the like.
  • the one or more communication interfaces may be one or more Include short-range communication interfaces configured to connect devices using short-range communication technologies such as NFC, RFID, Bluetooth, Bluetooth LE, ZigBee, infrared (e.g., IrDA), or similar.
  • the user interfaces can include a display (31).
  • a display (31) may be configured to display information to a user. Suitable examples of this are a liquid crystal display (LCD), a light-emitting diode display (LED), a plasma display (PDP) or the like.
  • the user input interface(s) (11, 12) may be wired or wireless and may be configured to receive information from a user into the computer system (1), e.g. for processing, storage and/or display . Suitable examples of user input interfaces include a microphone, an image or video capture device (e.g., a camera), a keyboard or keypad, a joystick, a touch-sensitive surface (separate from or integrated with a touchscreen), or the like.
  • One or more computer programs (40) may be stored in memory (22) and executed by the processing unit (21), which is thereby programmed to perform the functions described in this specification.
  • the retrieval, loading and execution of instructions of the computer program (40) can be done sequentially, so that one command is retrieved, loaded and executed at a time. However, retrieving, loading and/or executing can also take place in parallel.
  • the machine learning model according to the invention can also be stored in the memory (22).
  • the training procedure (200) includes the steps:
  • training for each reference formulation includes the following steps: (251) inputting the numerical representation of the reference formulation into a machine learning model, the machine learning model being configured to predict at least one stability feature based on the numerical representation of the reference formulation and model parameters,
  • (340) Generating a numerical representation of the test formulation, the numerical representation of the test formulation comprising, for each determined component, a numerical representation of the determined component, the numerical representation of each determined component having a value related to the amount of the component in the test Formulation and values for the determined physical and/or chemical properties of the component include,
  • An artificial neural network was used as a machine learning model that converts physical/chemical representations of individual formulation components (based on logD values measured at neutral and acidic pH, water solubility, melting point and molecular mass in combination with information on formulation type) to material-specific ones in an attention mechanism Processes embeddings, bundles them using attention pooling and then predicts the desired stability characteristics via a fully connected neural network.
  • the machine learning model was trained on the basis of recipes for different formulations of crop protection products.
  • the machine learning model was trained to predict the following stability characteristics based on a numerical representation of the respective recipe.
  • the suitability of the materials as packaging materials for the respective formulation can now be assessed.
  • the tensile strength should be 100%.
  • this stability characteristic is below 50%. Such low values should be avoided.
  • a limit value or criterion for evaluating a predicted stability characteristic can be defined based on experience and/or on the basis of stability characteristics of known materials. Measurements can be carried out with materials for which a predicted stability criterion is above the defined limit and/or measurements can be carried out with those materials for which the best prediction results were achieved. Materials for which a predicted stability characteristic is below the defined limit do not need to be subjected to practical storage and/or stability tests as they are obviously not suitable as containers for the respective formulation.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

Die vorliegende Erfindung befasst sich mit der Ermittlung der Stabilität von Systemen umfassend eine Formulierung und mindestens ein Material in Kontakt mit der Formulierung mit Hilfe eines Modells des maschinellen Lernens. Gegenstände der vorliegenden Erfindung sind ein Verfahren zum Trainieren des Modells des maschinellen Lernens, ein computer-implementiertes Verfahren zur Vorhersage mindestens eines Stabilitätsmerkmals des Systems mittels des trainierten Modells sowie ein Computersystem und ein Computerprogrammprodukt zum Ausführen des Vorhersageverfahrens.

Description

Ermittlung der Stabilität von verpackten Formulierungen
Die vorliegende Erfindung befasst sich mit der Ermittlung der Stabilität von Systemen umfassend eine Formulierung und mindestens ein Material in Kontakt mit der Formulierung mit Hilfe eines Modells des maschinellen Lernens. Gegenstände der vorliegenden Erfindung sind ein Verfahren zum Trainieren des Modells des maschinellen Lernens, ein computer-implementiertes Verfahren zur Vorhersage mindestens eines Stabilitätsmerkmals des Systems mittels des trainierten Modells sowie ein Computersystem und ein Computerprogrammprodukt zum Ausfuhren des Vorhersageverfahrens.
Formulierungen sind allgegenwärtig. Sie begegnen uns in Form von kosmetischen Erzeugnissen, Arzneimitteln, Pflanzenschutzmitteln und vielen weiteren Zubereitungen, Hilfsstoffen, Zwischenprodukten und/oder Endprodukten.
Eine Formulierung wird aus definierten Mengen von Substanzen nach einer definierten Rezeptur hergestellt. Eine Formulierung wird in der Regel verwendet, um einen oder mehrere Bestandteile der Formulierung in eine Form zu bringen, die einen bestimmten Zweck erfüllt. Bei Pflanzenschutzmitteln (wie Insektiziden, Fungiziden und/oder Herbiziden) werden in der Regel ein oder mehrere Wirkstoffe mit Formulierungshilfsmitteln in eine Form gebracht, die die biologische Wirkung des/der Wirkstoffe(s) in einem Zielorganismus gegenüber dem/den reinen Wirkstoff(en) verbessert und/oder das Fertigprodukt für einen definierten Zweck (z.B. Ausbringung eines Pflanzenschutzmittels mittels einer bestimmten Applikationstechnik) einsetzbar macht und/oder die chemische Stabilität des/der Wirkstoffe(s) unter definierten Bedingungen gewährleistet. Es gibt weitere Zwecke, für die eine Formulierung erzeugt wird.
Formulierungen werden in verschiedenen Behältnissen gelagert und/oder transportiert und kommen dort mit verschiedenen Materialien in Kontakt. Bei neu entwickelten Formulierungen stellt sich die Frage, welche Materialien für ein Behältnis oder eine Dichtung oder dergleichen für die Formulierung geeignet sind. Es ist denkbar, dass Bestandteile der Formulierung ein Material beschädigen, indem sie beispielsweise in das Material eindringen und es aufquellen lassen. Es ist auch denkbar, dass Stoffe aus einem Material (Behältnis, Dichtung, etc.) in die Formulierung übergehen und die Formulierung verunreinigen und/oder negative Auswirkungen auf die Formulierung haben.
Üblicherweise werden Tests durchgeführt, um die Eignung von Materialien für Formulierungen zu prüfen. Viele Tests laufen nach standardisierten Verfahren ab. Solche Tests können zeitaufwändig und teuer sein. Da es sich bei solchen Tests oft um Lagerstudien handelt, kann auch die Bereitstellung einer ausreichenden Menge an geeigneten Lagermöglichkeiten ein Problem darstellen.
U. Siripatrawan und P. Jantawat offenbaren ein Verfahren zur Vorhersage der Haltbarkeit von verpackten, feuchtigkeitsempfindlichen Mahlzeiten mit Hilfe eines trainierten Modells des maschinellen Lernens (A novel method for shelflife prediction of a packaged moisture sensitive snack using multilayer perceptron neural network, Expert Systems with Applications, 34 (2008) 1562-1567). Die Haltbarkeit wird im Wesentlich durch Eindringen von Feuchtigkeit in die Verpackung beeinflusst. Die Mahlzeiten werden lediglich durch generische Bestandteile wie Aschegehalt, Fettgehalt, Kohlenhydratgehalt und dergleichen repräsentiert; die tatsächlich in den Mahlzeiten vorhandenen chemischen Verbindungen und deren chemischen und/oder physikalischen Eigenschaften werden nicht berücksichtigt. Damit ist das Verfahren zwar geeignet, die Haltbarkeit von bestimmten verpackten, feuchtigkeitsempfindlichen Mahlzeiten vorherzusagen, eine Übertragung der Ergebnisse auf andere Formulierungen ist jedoch nicht möglich. Zum Beispiel ist eine Vorhersage, welchen Einfluss eine Formulierung auf ein Material in Kontakt mit der Formulierung und/oder welchen Einfluss ein Material auf eine Formulierung in Kontakt mit dem Material hat, mit diesem Verfahren nicht möglich.
Diesem und weiteren Problemen widmet sich die vorliegende Erfindung. Die vorliegende Erfindung stellt Mittel bereit, mit denen mindestens ein Stabilitätsmerkmal für ein System umfassend eine Formulierung und mindestens ein Material in Kontakt mit der Formulierung mit Hilfe eines Modells des maschinellen Lernens vorhergesagt werden kann. Ein erster Gegenstand der vorliegenden Erfindung ist ein computer-implementiertes Verfahren zum Trainieren des Modells des maschinellen Lernens. Das Trainingsverfahren umfasst die Schritte:
Bereitstellen und/oder Empfangen von Informationen über eine Vielzahl von Referenz- Formulierungen, wobei die Informationen für jede Referenz -Formulierung (i) eine Rezeptur und (ii) mindestens ein gemessenes Stabilitätsmerkmal umfassen, wobei das Stabilitätsmerkmal ein Maß für die Stabilität eines Systems umfassend die Referenz-Formulierung und mindestens ein Material in Kontakt mit der Referenz -Formulierung ist,
Ermitteln von Bestandteilen der Referenz-Formulierung auf Basis der Rezeptur,
Ermitteln von physikalischen und/oder chemischen Eigenschaften der ermittelten Bestandteile jeder Referenz-Formulierung,
Erzeugen einer numerischen Repräsentation für jede Referenz-Formulierung, wobei die numerische Repräsentation der Referenz-Formulierung für jeden ermittelten Bestandteil eine numerische Repräsentation des ermittelten Bestandteils umfasst, wobei die numerische Repräsentation jedes ermittelten Bestandteils einen Wert zu der Menge des Bestandteils in der Referenz-Formulierung und Werte zu den ermittelten physikalischen und/oder chemischen Eigenschaften des Bestandteils umfasst,
Trainieren des Modells des maschinellen Lernens, wobei das Trainieren für jede Referenz- Formulierung die folgenden Schritte umfasst: o Eingeben der numerischen Repräsentation der Referenz-Formulierung in das Modell des maschinellen Lernens, wobei das Modell des maschinellen Lernens konfiguriert ist, mindestens ein Stabilitätsmerkmal auf Basis der numerischen Repräsentation der Referenz- Formulierung und Modellparametem vorherzusagen, o Empfangen des mindestens einen vorhergesagten Stabilitätsmerkmals von dem Modell des maschinellen Lernens, o Quantifizieren einer Abweichung zwischen dem mindestens einen vorzugsweise gemessenen Stabilitätsmerkmal und dem mindestens einen vorhergesagten Stabilitätsmerkmal, o Modifizieren der Modellparameter im Hinblick auf eine Reduzierung der Abweichung,
Speichern und/oder Ausgeben des trainierten Modells des maschinellen Lernens und/oder Übermitteln des trainierten Modells des maschinellen Lernens an ein separates Computersystem und/oder Verwenden des trainierten Modells des maschinellen Lernens zur Vorhersage mindestens eines Stabilitätsmerkmals eines neuen Systems umfassend eine Formulierung und mindestens ein Material in Kontakt mit der Formulierung.
Ein weiterer Gegenstand der vorliegenden Erfindung ist ein computer-implementiertes Verfahren zur Ermittlung mindestens eines Stabilitätsmerkmals eines Systems umfassend eine Test-Formulierung und mindestens ein Material in Kontakt mit der Test-Formulierung mittels des trainierten Modells des maschinellen Lernens. Das Verfahren umfasst die Schritte:
Empfangen einer Rezeptur der Test-Formulierung,
Ermitteln von Bestandteilen der Test-Formulierung auf Basis der Rezeptur der Test- Formulierung,
Ermitteln von physikalischen und/oder chemischen Eigenschaften der ermittelten Bestandteile,
Erzeugen einer numerischen Repräsentation der Test-Formulierung, wobei die numerische Repräsentation der Test-Formulierung für jeden ermittelten Bestandteil eine numerische Repräsentation des ermittelten Bestandteils umfasst, wobei die numerische Repräsentation jedes ermittelten Bestandteils einen Wert zu der Menge des Bestandteils in der Test-Formulierung und Werte zu den ermittelten physikalischen und/oder chemischen Eigenschaften des Bestandteils umfasst,
Eingeben der numerischen Repräsentation der Test-Formulierung in das trainierte Modell des maschinellen Lernens,
Empfangen mindestens eines vorhergesagten Stabilitätsmerkmals von dem trainierten Modell des maschinellen Lernens,
Ausgeben und/oder Speichern des mindestens einen vorhergesagten Stabilitätsmerkmals und/oder Übermitteln des mindestens einen vorhergesagten Stabilitätsmerkmals an ein separates Computersystem .
Ein weiterer Gegenstand der vorliegenden Erfindung ist ein Computersystem umfassend
• eine Eingabeeinheit,
• eine Steuer- und Recheneinheit und
• eine Ausgabeeinheit, wobei die Steuer- und Recheneinheit konfiguriert ist ein trainiertes Modell des maschinellen Lernens bereitzustellen, o wobei das trainierte Modell des maschinellen Lernens konfiguriert ist und mit Hilfe von Trainingsdaten trainiert worden ist, mindestens ein Stabilitätsmerkmal für ein System umfassend eine Formulierung und mindestens ein Material in Kontakt mit der Formulierung auf Basis einer numerischen Repräsentation der Formulierung vorherzusagen, o wobei die Trainingsdaten für jede Referenz -Formulierung einer Vielzahl an Referenz- Formulierungen (i) eine numerische Repräsentation der Referenz-Formulierung und (ii) mindestens ein gemessenes Stabilitätsmerkmal umfassen, wobei das mindestens eine gemessene Stabilitätsmerkmal ein Maß für die Stabilität eines Systems umfassend die Referenz-Formulierung und mindestens ein Material in Kontakt mit der Referenz- Formulierung ist, o wobei das Trainieren des Modells des maschinellen Lernens für jede Referenz- Formulierung umfasst:
■ Eingeben der numerischen Repräsentation der Referenz-Formulierung in das Modell des maschinellen Lernens,
■ Empfangen mindestens eines vorhergesagten Stabilitätsmerkmals von dem Modell des maschinellen Lernens,
■ Quantifizieren einer Abweichung zwischen dem mindestens einen gemessenen Stabilitätsmerkmal und dem mindestens einen vorhergesagten Stabilitätsmerkmal,
■ Modifizieren der Modellparameter im Hinblick auf eine Reduzierung der Abweichung, die Eingabeeinheit zu veranlassen, eine Rezeptur einer Test-Formulierung zu empfangen,
Bestandteile der Test-Formulierung auf Basis der Rezeptur zu ermitteln, physikalische und/oder chemische Eigenschaften der ermittelten Bestandteile zu ermitteln, eine numerische Repräsentation der Test-Formulierung zu erzeugen, wobei die numerische Repräsentation der Test-Formulierung für jeden ermittelten Bestandteil eine numerische Repräsentation des ermittelten Bestandteils umfasst, wobei die numerische Repräsentation jedes ermittelten Bestandteils einen Wert zu der Menge des Bestandteils in der Test-Formulierung und Werte zu den ermittelten physikalischen und/oder chemischen Eigenschaften des Bestandteils umfasst, die numerische Repräsentation der Test-Formulierung in das trainierte Modell des maschinellen Lernens einzugeben, mindestens ein vorhergesagtes Stabilitätsmerkmal von dem trainierten Modell des maschinellen Lernens zu empfangen, die Ausgabeeinheit zu veranlassen, das mindesten eine vorhergesagte Stabilitätsmerkmals auszugeben und/oder zu speichern und/oder an ein separates Computersystem zu übermitteln.
Ein weiterer Gegenstand der vorliegenden Erfindung ist ein computerlesbares Speichermedium, umfassend Befehle, die bei einer Ausführung durch ein Computersystem dieses veranlassen, die folgenden Schritte auszuführen:
Bereitstellen eines trainierten Modells des maschinellen Lernens, o wobei das trainierte Modell des maschinellen Lernens konfiguriert ist und mit Hilfe von Trainingsdaten trainiert worden ist, mindestens ein Stabilitätsmerkmal für ein System umfassend eine Formulierung und mindestens ein Material in Kontakt mit der Formulierung auf Basis einer numerischen Repräsentation der Formulierung vorherzusagen, o wobei die Trainingsdaten für jede Referenz-Formulierung einer Vielzahl an Referenz- Formulierungen (i) eine numerische Repräsentation der Referenz-Formulierung und (ii) mindestens ein gemessenes Stabilitätsmerkmal umfassen, wobei das mindestens eine gemessene Stabilitätsmerkmal ein Maß für die Stabilität eines Systems umfassend die Referenz-Formulierung und mindestens ein Material in Kontakt mit der Referenz- Formulierung ist, o wobei das Trainieren des Modells des maschinellen Lernens für jede Referenz- Formulierung umfasst:
■ Eingeben der numerischen Repräsentation der Referenz -Formulierung in das Modell des maschinellen Lernens,
■ Empfangen mindestens eines vorhergesagten Stabilitätsmerkmals von dem Modell des maschinellen Lernens,
■ Quantifizieren einer Abweichung zwischen dem mindestens einen gemessenen Stabilitätsmerkmal und dem mindestens einen vorhergesagten Stabilitätsmerkmal,
■ Modifizieren der Modellparameter im Hinblick auf eine Reduzierung der Abweichung,
Empfangen einer Rezeptur einer Test-Formulierung,
Ermitteln von Bestandteilen der Test-Formulierung auf Basis der Rezeptur,
Ermitteln von physikalischen und/oder chemischen Eigenschaften der ermittelten Bestandteile,
Erzeugen einer numerischen Repräsentation der Test-Formulierung, wobei die numerische Repräsentation der Test-Formulierung für jeden ermittelten Bestandteil eine numerische Repräsentation des ermittelten Bestandteils umfasst, wobei die numerische Repräsentation jedes ermitelten Bestandteils einen Wert zu der Menge des Bestandteils in der Test-Formulierung und Werte zu den ermitelten physikalischen und/oder chemischen Eigenschaften des Bestandteils umfasst,
Eingeben der numerischen Repräsentation der Test-Formulierung in das trainierte Modell des maschinellen Lernens,
Empfangen mindestens eines vorhergesagten Stabilitätsmerkmals von dem trainierten Modell des maschinellen Lernens,
Ausgeben und/oder Speichern des mindestens einen vorhergesagten Stabilitätsmerkmals und/oder Übermiteln des mindestens einen vorhergesagten Stabilitätsmerkmals an ein separates Computersystem .
Weitere Gegenstände der vorliegenden Erfindung sowie bevorzugte Ausfiihrungsformen finden sich in den abhängigen Patentansprüchen, der vorliegenden Beschreibung sowie in den Zeichnungen.
Die Erfindung wird nachstehend näher erläutert, ohne zwischen den Erfmdungsgegenständen (Trainingsverfahren, Vorhersageverfahren, Computersystem, computerlesbares Speichermedium) zu unterscheiden. Die nachfolgenden Erläuterungen sollen vielmehr für alle Erfindungsgegenstände in analoger Weise gelten, unabhängig davon, in welchem Kontext (Trainingsverfahren, Vorhersageverfahren, Computersystem, computerlesbares Speichermedium) sie beschrieben werden.
Wenn in der vorliegenden Beschreibung oder in den Patentansprüchen Schrite in einer Reihenfolge genannt sind, bedeutet dies nicht zwingend, dass die Erfindung auf die genannte Reihenfolge beschränkt ist. Vielmehr ist es möglich, dass die Schrite auch in einer anderen Reihenfolge oder auch parallel zueinander ausgeführt werden; es sei denn, ein Schrit baut auf einem anderen Schrit auf, was zwingend erforderlich macht, dass der aufbauende Schrit nachfolgend ausgeführt wird (was im Einzelfall aber deutlich wird). Die genannten Reihenfolgen stellen damit bevorzugte Ausführungsformen der Erfindung dar.
Die Erfindung wird an einigen Stellen in Bezug auf Zeichnungen näher erläutert. Dabei sind in den Zeichnungen konkrete Ausführungsformen mit konkreten Merkmalen und Merkmalskombinationen dargestellt, die in erster Linie der Veranschaulichung dienen; die Erfindung soll nicht so verstanden werden, dass sie auf die in den Zeichnungen dargestellten Merkmale und Merkmalskombinationen beschränkt ist. Ferner sollen Aussagen, die bei der Beschreibung der Zeichnungen in Bezug auf Merkmale und Merkmalskombinationen getroffen werden, allgemein gelten, das heißt auch auf andere Ausführungsformen übertragbar und nicht auf die gezeigten Ausführungsformen beschränkt sein.
Die vorliegende Offenbarung beschreibt Mitel zur Vorhersage mindestens eines Stabilitätsmerkmals eines Systems umfassend eine Formulierung und mindestens ein Material in Kontakt mit der Formulierung mit Hilfe eines Modells des maschinellen Lernens.
Bei der Formulierung handelt es sich vorzugsweise um eine Formulierung eines oder mehrerer Pflanzenschutzmitel. Unter dem Begriff „Pflanzenschutzmitel“ wird ein Mitel verstanden, das dazu dient, Pflanzen oder Pflanzenerzeugnisse vor Schadorganismen zu schützen oder deren Einwirkung vorzubeugen, unerwünschte Pflanzen oder Pflanzenteile zu vernichten, ein unerwünschtes Wachstum von Pflanzen zu hemmen oder einem solchen Wachstum vorzubeugen, und/oder in einer anderen Weise als Nährstoffe die Lebensvorgänge von Pflanzen zu beeinflussen (z.B. Wachstumsregler). Wachstumsregler dienen zum Beispiel der Erhöhung der Standfestigkeit bei Getreide durch Verkürzung der Halmlänge (Halmverkürzer oder besser Intemodienverkürzer), Verbesserung der Bewurzelung von Stecklingen, Verringerung der Pflanzenhöhe durch Stauchung im Gartenbau oder der Verhinderung der Keimung von Kartoffeln. Weitere Beispiele für Pflanzenschutzmitel sind Herbizide, Fungizide und Pestizide (z.B. Insektizide). Die Formulierung kann auch einen oder mehrere Nährstoffe für Pflanzen umfassen. Unter dem Begriff „Nährstoffe“ werden diejenigen anorganischen und organischen Verbindungen verstanden, denen Pflanzen die Elemente entnehmen können, aus denen ihre Körper aufgebaut sind. Als Nährstoffe werden oft auch diese Elemente selbst bezeichnet. Dabei handelt es sich meistens um einfache anorganische Verbindungen wie Nitrat (NO, ). Phosphat (PO ) und Kalium (K+). Lebensnotwendig sind neben den Kemelementen der organischen Substanz (C, O, H, N und P) noch K, S, Ca, Mg, Mo, Cu, Zn, Fe, B, Mn, CI bei höheren Pflanzen, Co, Ni. Für die einzelnen Nährstoffe können verschiedene Verbindungen vorliegen, so kann beispielsweise Stickstoff als Nitrat, Ammonium oder Aminosäure zugeführt werden.
Das mindestens eine Material ist ein Material, das bei der Herstellung, der Konfektionierung, dem Transport, der Lagerung und/oder der Verwendung der Formulierung mit der Formulierung in Kontakt kommt. Vorzugsweise ist das mindestens eine Material ein Material, das für eine Zeitspanne, die größer als eine Stunde, vorzugsweise größer als ein Tag, noch mehr bevorzugt größer als eine Woche ist, am meisten bevorzugt größer als einen Monat mit der Formulierung in Kontakt ist. Die Zeitspanne kann auch mehr als ein Jahr betragen.
Das mindestens eine Material ist vorzugsweise ein Material, aus dem ein Behältnis für eine Formulierung erzeugt werden kann und/oder ein Material, das Bestandteil eines Behältnisses für eine Formulierung ist und/oder ein Behältnis selbst und/oder ein Material für einen Deckel eines Behältnisses oder ein Deckel eines Behältnisses und/oder ein Material für eine Dichtung eines Behältnisses und/oder eine Dichtung für ein Behältnis.
Vorzugsweise handelt es sich bei dem mindestens einen Material um einen Kunststoff oder einen Verbund aus mehreren Kunststoffen. Materialien, die häufig für einen Kontakt mit einer Formulierung eingesetzt werden, sind beispielsweise Polyethylen (PE), Polypropylen (PP), Polyvinylchlorid (PVC), Polyethylenterephthalat (PET), Polyamid (PA), Ethylen-Vinylalkohol-Copolymer (EVOH), Koextrudat aus Polyethylen und Ethylen-Vinylalkohol -Copolymer (COEX PE/EVOH), Koextrudat aus Polyehylen und Polyamid (COEX PE/PA).
Das mindestens eine Stabilitätsmerkmal ist ein Maß für die Stabilität des Systems umfassend die Formulierung und das mindestens eine Material in Kontakt mit der Formulierung. Unter Stabilität wird die Eigenschaft verstanden, dass mindestens eine der Komponenten des Systems, d.h. die Formulierung oder das mindestens eine Material, oder beide Komponenten des Systems in einem Kontakt zueinander ihre Eigenschaften (einschließlich ihrer chemischen Zusammensetzung), die sie vor dem Kontakt hatten, beibehalten. Eine hohe Stabilität kann sich beispielsweise darin zeigen, dass beide Komponenten des Systems nach dem Inkontaktbringen ihre Eigenschaften beibehalten oder in einem Ausmaß ändern, das für die vorgesehene Verwendung der Formulierung und/oder das mindestens eine Material ohne Bedeutung ist (keine Qualitätseinbußen).
Eine niedrige Stabilität kann sich beispielsweise darin zeigen, dass mindestens eine Eigenschaft mindestens einer Komponente des Systems nach dem Inkontaktbringen so verändert ist, dass die veränderte Eigenschaft eine negative Auswirkung auf die vorgesehene Verwendung der Formulierung und/oder das mindestens eine Material hat.
Bei einer niedrigen Stabilität ist das mindestens eine Material üblicherweise nicht als Behältnis oder Deckel oder Dichtmittel oder dergleichen für die Formulierung geeignet. Bei einer niedrigen Stabilität sollte das mindestens eine Material nicht als ein Material eingesetzt werden, das in Kontakt mit der Formulierung steht.
In einer Ausführungsform wird unter Stabilität des Systems die Standhaftigkeit des Materials gegenüber der Formulierung, mit der das Material in Kontakt ist, verstanden. Die Formulierung kann beispielsweise Einfluss auf die Festigkeit und/oder die Dichtheit des Materials haben. Eine hohe Stabilität des Systems kann daher bedeuten, dass das Material in Kontakt mit der Formulierung seine Dichtheit gegenüber der Formulierung und/oder gegenüber Feuchtigkeit von außen und/oder gegenüber anderen von außen eindringenden Substanzen (z.B. Sauerstoff) beibehält. Eine hohe Stabilität des Systems kann bedeuten, dass das Material in Kontakt mit der Formulierung seine Festigkeit beibehält und nicht aufweicht oder spröde wird und/oder seine Form beibehält.
Beispiele für weitere Stabilitätsmerkmale sind weiter hinten in der Beschreibung aufgeführt.
Die Vorhersage des mindestens einen Stabilitätsmerkmals erfolgt mit Hilfe eines Modells des maschinellen Lernens.
Ein „Modell des maschinellen Lernens“ kann als eine computerimplementierte Datenverarbeitungsarchitektur verstanden werden. Das Modell kann Eingabedaten empfangen und Ausgabedaten auf der Grundlage dieser Eingabedaten und Modellparametem liefern. Das Modell kann durch Training eine Beziehung zwischen den Eingabedaten und den Ausgabedaten erlernen. Beim Training können die Modellparameter angepasst werden, um eine gewünschte Ausgabe für eine bestimmte Eingabe zu liefern.
Beim Trainieren eines solchen Modells werden dem Modell Trainingsdaten präsentiert, aus denen es lernen kann. Das trainierte Modell des maschinellen Lernens ist das Ergebnis des Trainingsprozesses. Die Trainingsdaten umfassen neben Eingabedaten die korrekten Ausgabedaten (Zieldaten), die das Modell auf Basis der Eingabedaten erzeugen soll. Beim Trainieren werden Muster erkannt, die die Eingabedaten auf die Zieldaten abbilden.
Im Trainingsprozess werden die Eingabedaten der Trainingsdaten in das Modell eingegeben, und das Modell erzeugt Ausgabedaten. Die Ausgabedaten werden mit den Zieldaten verglichen. Modellparameter werden so verändert, dass die Abweichungen zwischen den Ausgabedaten und den Zieldaten auf ein (definiertes) Minimum reduziert werden.
Im Training kann eine Fehlerfünktion (engl.: loss function) verwendet werden, um den Trainingsprozess zu steuern und die Vorhersagequalität des Modells zu bewerten. Die Fehlerfünktion kann so gewählt werden, dass sie niedrige Werte für eine erwünschte Beziehung zwischen Ausgabedaten und Zieldaten annimmt und/oder hohe Werte im Fall einer unerwünschten Beziehung zwischen Ausgabedaten und Zieldaten annimmt. Eine solche Beziehung kann z.B. eine Ähnlichkeit, eine Unähnlichkeit oder eine andere Beziehung sein.
Eine Fehlerfünktion kann verwendet werden, um einen Fehler (engl.: loss) für ein gegebenes Paar aus Ausgabedaten und Zieldaten zu berechnen. Das Ziel des Trainingsprozesses kann darin bestehen, die Parameter des maschinellen Lemmodells so zu verändern (anzupassen), dass der Fehler für alle Paare des Trainingsdatensatzes auf ein (definiertes, gewünschtes) Minimum reduziert wird.
Eine Fehlerfünktion kann z.B. die Abweichung zwischen den Ausgabedaten des Modells für bestimmte Eingabedaten und den Zieldaten quantifizieren. Handelt es sich bei den Ausgabedaten und den Zieldaten beispielsweise um Zahlen, kann die Fehlerfünktion die absolute Differenz zwischen diesen Zahlen sein. In diesem Fall kann ein hoher absoluter Wert der Fehlerfünktion bedeuten, dass ein oder mehrere Modellparameter in hohem Maße geändert werden müssen.
Bei Ausgabedaten in Form von Vektoren können beispielsweise Differenzmetriken zwischen Vektoren wie der mittlere quadratische Fehler, ein Kosinusabstand, eine Norm des Differenzvektors wie ein euklidischer Abstand, ein Tschebyscheff-Abstand, eine Lp-Norm eines Differenzvektors, eine gewichtete Norm oder jede andere Art von Differenzmetrik zweier Vektoren als Fehlerfünktion gewählt werden.
Bei höherdimensionalen Ausgaben, wie z.B. zweidimensionalen, dreidimensionalen oder höherdimensionalen Ausgaben, kann z.B. eine elementweise Differenzmetrik verwendet werden. Alternativ oder zusätzlich können die Ausgabedaten vor der Berechnung eines Fehlerwertes transformiert werden, z.B. in einen eindimensionalen Vektor. Im vorliegenden Fall wird das Modell des maschinellen Lernens trainiert, mindestens ein Stabilitätsmerkmal für ein System umfassend eine Formulierung und mindestens ein Material in Kontakt mit der Formulierung vorherzusagen.
Das Modell des maschinellen Lernens kann trainiert werden, ein einzelnes Stabilitätsmerkmal vorherzusagen. Zur Vorhersage von mehreren Stabilitätsmerkmalen können mehrere Modelle des maschinellen Lernens verwendet werden, die jeweils trainiert werden, ein (einziges) Stabilitätsmerkmal vorherzusagen.
Es ist aber auch möglich, dass ein Modell des maschinellen Lernens trainiert wird, mehr als ein Stabilitätsmerkmal (z.B. zwei oder drei oder vier oder fünf oder sechs oder mehr als sechs Stabilitätsmerkmale) vorherzusagen.
Das Modell des maschinellen Lernens kann trainiert werden, ein oder mehrere Stabilitätsmerkmale für ein definiertes Material vorherzusagen. Um ein oder mehrere Stabilitätsmerkmale für mehrere Materialien vorherzusagen, können mehrere Modelle des maschinellen Lernens unabhängig voneinander trainiert werden, jeweils ein oder mehrere Stabilitätsmerkmale für ein definiertes Material vorherzusagen. Es ist aber auch möglich, ein Modell des maschinellen Lernens zu trainieren, ein oder mehrere Stabilitätsmerkmale für mehrere Materialien vorherzusagen.
Das Trainieren des Modells des maschinellen Lernens erfolgt mit Trainingsdaten. Die Trainingsdaten umfassen, für eine Vielzahl von Referenz-Formulierungen, eine Rezeptur und mindestens ein vorzugsweise gemessenes Stabilitätsmerkmal. In dieser Beschreibung wird zur Unterscheidung von Trainingsdaten und Daten, die zur Vorhersage verwendet werden, der Zusatz „Referenz-“ für diejenigen Formulierungen verwendet, zu denen Informationen zum Trainieren des Modells des maschinellen Lernens verwendet werden. Diejenige Formulierung, für die mindestens ein Stabilitätsmerkmal mit Hilfe des trainierten Modells des maschinellen Lernens vorhergesagt wird, wird in dieser Beschreibung auch als „Test-Formulierung“ bezeichnet. Die Begriffe Referenz-Formulierung und Test-Formulierung dienen also lediglich der Unterscheidung zwischen der Trainingsphase und der Vorhersagephase. Der Zusatz „Referenz-“ und der Zusatz „Test-“ haben ansonsten keinerlei (einschränkende) Bedeutungen. Aussagen, die in dieser Beschreibungen für Formulierungen getätigt werden, gelten sowohl für Test- Formulierungen als auch für Referenz-Formulierungen. An einigen Stellen wird auch der Begriff „Test- Formuliemng/Referenz-Formulierung“ verwendet, um deutlich zu machen, dass die jeweilige Aussage sowohl für Test-Formulierungen als auch für Referenz-Formulierung gilt.
Der Begriff „Vielzahl von Referenz-Formulierungen“ bedeutet mehr als 10, vorzugsweise mehr als 100 Referenz-Formulierungen.
Neben einer Rezeptur und mindestens einem vorzugsweise gemessenen Stabilitätsmerkmal können die Trainingsdaten noch weiteren Daten umfassen, beispielsweise Informationen zum verwendeten Material (z.B. welches Material in Kontakt mit der Formulierung steht), Daten zu den Bedingungen unter denen das mindestens eine vorzugsweise gemessene Stabilitätsmerkmal ermittelt, z.B. gemessen wurde. Das mindestens eine Stabilitätsmerkmal kann beispielsweise eine Eigenschaft des Materials und/oder der Formulierung nach einer Lagerung unter definierten Bedingungen sein. Weitere Trainingsdaten können beispielsweise die Lagerdauer und/oder Daten zu den definierten Bedingungen (Temperatur, Druck, Stärke einer mechanische Belastung und/oder dergleichen) sein. Aus der Rezeptur und ggf. weiteren Daten können Eingabedaten zum Trainieren des Modells des maschinellen Lernens erzeugt werden; Daten zu dem mindestens einen Stabilitätsmerkmal fungieren als Zieldaten beim Trainieren des Modells des maschinellen Lernens.
Das mindestens eine Stabilitätsmerkmal ist im Fall der Trainingsdaten vorzugsweise gemessen worden, d.h. es ist vorzugsweise das Ergebnis einer messtechnischen Untersuchung jeder Referenz- Formulierung und/oder des mindestens einen Materials. Vorzugsweise ist das mindestens eine Stabilitätsmerkmal in einem standardisierten Untersuchungsverfahren ermittelt worden (z.B. in einem Messverfahren, das durch eine Norm (DIN oder ISO) geregelt wird). Ein Beispiel für eine Norm zur Ermittlung von Stabilitätsmerkmalen ist die EN ISO 13274 in ihrer jeweils geltenden Version.
Üblicherweise wird in einem solchen Untersuchungsverfahren das mindestens eine Material (z.B. in Form eines Prüfkörpers und/oder in Form eines bestimmungsgemäßen Gebrauchsgegenstand (z.B. als Behältnis, Deckel, Dichtung und/oder dergleichen)) einer ersten Messung unterzogen, dann für einen definierten Zeitraum unter definierten Bedingungen in Kontakt mit der Referenz -Formulierung gebracht und dann einer zweiten Messung unterzogen. Es ist möglich, dass mehr als zwei Messungen durchgeführt werden, um das mindestens eine Stabilitätsmerkmal zu ermitteln. Es ist denkbar, dass vor dem Inkontaktbringen des mindestens einen Materials mit der Referenz-Formulierung keine Messung durchgeführt wird. Es ist auch denkbar, dass eine oder mehrere Messungen an der Formulierung vor und/oder nach dem Inkontaktbringen der Formulierung mit dem Material durchgeführt werden, beispielsweise um einen oder mehrere Stoffe in der Formulierung zu identifizieren, die aus dem Material in die Formulierung übergegangen sind.
Es ist möglich, dass zu einer oder mehreren Referenz-Formulierungen kein gemessenes Stabilitätsmerkmal vorliegt oder nur einige der Stabilitätsmerkmale gemessen sind. Es ist möglich, dass ein oder mehrere Stabilitätsmerkmale der Trainingsdaten das Ergebnis einer Berechnung sind.
Beispiele für Stabilitätsmerkmale sind: die Quellung des mindestens einen Materials in Kontakt mit der Formulierung, z.B. gemessen mit der Methode BAM-GGR 004, BAM-GGR 015, DIN EN ISO 13724 mit Hilfe einer Analysenwaage (z.B. der Firma Mettler Toledo), die Permeation von Bestandteilen der Formulierung in und/oder durch das mindestens eine Material, z.B. gemessen mit der Methode BAM-GGR 015 mit Hilfe einer Analysenwaage (z.B. der Firma Mettler Toledo),
Schlagzugfestigkeit des mindestens einen Materials nach Kontakt mit der Formulierung, z.B. gemessen mit der Methode BAM-GGR 015 mit Hilfe eines Geräts zur Überprüfung der Schlagzughärte mittels Pendeleinschlagverfahren (z.B. das Gerät HIT5P der Firma Zwick Roell GmbH),
Schmelzflussrate des mindestens einen Materials nach Kontakt mit der Formulierung, z.B. gemessen mit der Methode BAM-GGR 015, DIN EN ISO 13724 mit Hilfe eines Geräts zur Überprüfung des Schmelzindizes (z.B. das Fließprüfgerät A4 7ow der Firma Zwick Roell GmbH),
Restzugfestigkeit des mindestens einen Materials nach Kontakt mit der Formulierung, z.B. gemessen mit der Methode BAM-GGR 004, DIN EN ISO 13724 mit Hilfe eines Geräts zur Überprüfung der Zugkraft (z.B. das Gerät Universalprüfgerät Z010 der Firma Zwick Roell GmbH).
B AM-GGR004 : https ://tes .bam .de/TES/Content/DE/Downloads/ggr-004
B AM-GGR015 : https ://tes .bam .de/TES/Content/DE/Downloads/ggr-015
Neben dem mindestens einen Stabilitätsmerkmal umfassen die Trainingsdaten für jede Referenz- Formulierung eine Rezeptur.
Eine Rezeptur umfasst Informationen über die Bestandteile einer Formulierung. Eine Rezeptur gibt an, welche Bestandteile in einer Formulierung enthalten sind bzw. aus welchen Bestandteilen sie aufgebaut ist.
Im Falle einer Pflanzenschutzmittelformulierung sind übliche Bestandteile: ein oder mehrere Wirkstoffe (siehe z.B. https://www.proplanta.de/Pflanzenschutzmittel/Wirkstoffe/), natürliche Öle (z.B. Sonnenblumenöl optional entwachst, Mineralöle, Silikonöle), Fettsäuren und Fettsäurederivate (z.B.), aliphatische Lösemittel (z.B. Milchsäurebutylester, Cyclohexanon, Dimethylsulfoxid, , Ethanol), aromatische Lösemittel (z.B. Toluene, Solvesso 100, Solvesso 150, Solvesso 200, Solvarex, Caromax 28 LN, Caromax 20 LN, Xylol, Xylene,), Tenside (z.B. ATLOX 3467, Enviomet EM 5665. Enviomet WT 8519, Rhodacal 60-BE, Genapol X-060, Genapol XM 060), Wachse (z.B. Joncryl Wax 4), weitere Zusatzstoffe (z.B. Farbstoffe wie Laicril P-1530).
Die Rezeptur gibt ferner die Mengen der Bestandteile an. Die Mengen können beispielsweise als relative Größen (z.B. in Gewichtsprozent, Molprozent, Volumenprozent, Konzentration) oder als absolute Größen (z.B. Masse, Mol, Volumen) in der Rezeptur angegeben sein.
Die Rezeptur kann Informationen umfassen, wie die Formulierung hergestellt wird, d.h. sie kann beispielsweise Informationen umfassen, in welcher Reihenfolge die Bestandteile zusammengefügt werden, und/oder unter welchen Bedingungen sie zusammengefügt werden (z.B. Temperatur, Druck, Rührgeschwindigkeit), wie sie zusammengefügt werden (z.B. tropfenweise, unter Rühren und/oder dergleichen) und/oder welche weiteren Schritte zur Erzeugung der Formulierungen unternommen werden (z.B. Filtrieren, Sedimentieren, Destillieren, Erhitzen, Kühlen und/oder dergleichen).
Vorzugsweise umfasst die Rezeptur Informationen über die Art der (Referenz-)Formulierung. Beispiele für Arten von (Referenz)-Formulierungen sind: Emulsionskonzentrat-Formulierungen (EC- Formuliemngen), Suspensionskonzentrat-Formulierungen (SC-Formulierungen, SC: suspension concentrate), Suspoemulsionen (SE-Formulierungen), Öldispersionen (OD-Formulierungen), Emulsionen zur Saatgutbehandlung (ES-Formulierungen), Emulsion Öl in Wasser (EW- Formuliemngen), Suspensionskonzentrat zur Saatgutbehandlung (FS-Formulierungen, FS: flowable concentrate for seed treatment, Wirkstoffe technisch (TC-Formulierungen, TC: technical concentrate), Mischformulierungen aus CS und SC (ZC-Formulierungen).
Weitere Beispiele sind unter anderem zu finden unter https://www.bvl.bund.de/EN/Tasks/04_Plant_protection_products/01_ppp_tasks/08_ProductChemistr y/01_ppp_coformulants_formulationChemistry/01_ppp_formulation_types/ppp_formulation_types_no de .html.
In einem ersten Schritt des Trainingsverfahrens und des Vorhersageverfahrens werden Bestandteile der Test-Formulierung/Referenz-Formulierungen auf Basis der Rezeptur ermittelt. Üblicherweise sind die Bestandteile in Form eines Namens (z.B. lUPAC-Name oder gebräuchlicher Name oder Markenname), eines Codes (z.B. Chemical Abstract Service Registry Number (CAS-Nr.)) und/oder einer Formel (z.B. Summenformel, chemische Strukturformel) angegeben.
Vorzugsweise werden zumindest die Hauptbestandteile der jeweiligen Formulierung(en) ermittelt. Ein Hauptbestandteil kann beispielsweise ein Bestandteil sein, der in einer Mindestmenge (z.B. mindestens 1 % oder mindestens 5 % oder mindestens 10 %, wobei die Prozentangabe z.B. Gewichtsprozent oder Volumenprozent oder Molprozent sein kann) in der Formulierung enthalten ist.
Hinter manchen Bestandteilen einer Rezeptur verbirgt sich keine einheitliche chemische Verbindung, sondern ein Gemisch aus verschiedenen chemischen Verbindungen (z.B. Sonnenblumenöl). Vorzugsweise werden für Bestandteile einer Formulierung, die aus mehr als einer chemischen Verbindung bestehen, chemische Verbindungen ermittelt, die in dem Bestandteil enthalten sind. Unter dem Begriff „chemische Verbindung“ wird ein Reinstoff verstanden, der aus Atomen von zwei oder mehreren chemischen Elementen besteht, wobei - im Gegensatz zu Gemischen - die Atomarten zueinander in einem festen stöchiometrischen Verhältnis stehen. Vorzugsweise werden zumindest diejenigen chemischen Verbindungen eines Bestandteils ermittelt, die in einer Mindestmenge (z.B. mindestens 1 %, oder mindestens 5 % oder mindestens 10 %, wobei die Prozentangabe z.B. Gewichtsprozent oder Volumenprozent oder Molprozent sein kann) in dem Bestandteil vorliegen. Vorzugsweise werden alle chemischen Verbindungen, die jeweils in einem Bestandteil enthalten sind, ermittelt. Vorzugsweise werden alle Bestandteile der jeweiligen Formulierung(en) ermittelt. Vorzugsweise wird für jeden Bestandteil ermittelt, um welche chemische Verbindung(en) es sich handelt. Mit anderen Worten: wenn in dieser Beschreibung von einem „Bestandteil“ die Rede ist, ist damit vorzugsweise eine chemische Verbindung (und kein generischer Bestandteil) gemeint.
Für eine Vielzahl von Bestandteilen mit mehr als einer enthaltenen chemischen Verbindung können die enthaltenen chemischen Verbindungen aus öffentlich zugänglichen Datenbanken und/oder aus der Literatur ermittelt werden. Oftmals geben die Hersteller von Bestandteilen Informationen über die enthaltenen chemischen Verbindungen, z.B. in Form einer Produktspezifikation, an. Es ist auch möglich, Bestandteile auf die enthaltenen chemischen Verbindungen zu analysieren / analysieren zu lassen.
Manche Bestandteile können Verunreinigungen enthalten. Vorzugsweise werden für Bestandteile Verunreinigungen ermittelt. Vorzugsweise werden zumindest für die Hauptbestandteile der jeweiligen Formulierung(en) Verunreinigungen ermittelt. Vorzugsweise werden zumindest diejenigen Verunreinigungen, die in einer Mindestmenge in einem (Haupt-)Bestandteil auftreten, ermittelt. Für eine Vielzahl von Bestandteilen können die enthaltenen Verunreinigungen aus öffentlich zugänglichen Datenbanken und/oder aus der Literatur ermittelt werden. Oftmals geben die Hersteller von Bestandteilen Informationen über die enthaltenen Verunreinigungen, z.B. in Form einer Produktspezifikation, an. Es ist auch möglich, Bestandteile auf die enthaltenen Verunreinigungen zu analysieren / analysieren zu lassen. Vorhandene Verunreinigungen werden vorzugsweise in Form der jeweiligen chemischen Verbindung(en) berücksichtigt.
Je nach Formulierung können die ermittelten Bestandteile mehr als einhundert Bestandteile sein, insbesondere, wenn die chemischen Verbindungen, aus denen sich die Bestandteile und/oder Verunreinigungen zusammensetzen, ermittelt werden.
Vorzugsweise werden molekulare Deskriptoren für vorzugsweise alle ermittelten Bestandteile (chemischen Verbindungen) der jeweiligen Formulierung(en) ermittelt, insbesondere für diejenigen Bestandteile (chemischen Verbindungen), für die keine gemessenen Werte von physikalischen und/oder chemischen Eigenschaften vorliegen.
Unter dem Begriff „molekularer Deskriptor“ wird eine Repräsentation einer chemischen Verbindung verstanden, die die chemische Struktur der chemischen Verbindung auf molekularer Ebene widerspiegelt oder aus der sich die chemische Struktur auf molekularer Ebene ableiten lässt.
Beispiele für molekulare Deskriptoren sind lUPAC-Name (IUPAC: International Union of Pure and Applied Chemistry), SMILES-Code (SMILES: Simplified Molecular Input Line Entry Specification), InChl-Code, CML-Code (CML: Chemical Markup Language), WLN-Code (WLN: Wiswesser Line Notation), molekularer Graph.
Molekulare Deskriptoren können beispielsweise aus öffentlich zugänglichen Datenbanken und/oder der Literatur anhand des Namens eines Bestandteils oder anhand eines Codes des Bestandteils ermittelt werden. Oftmals geben die Hersteller von Bestandteilen auch molekulare Deskriptoren von chemischen Verbindungen, z.B. in Form einer Produktspezifikation, an. Molekulare Deskriptoren können mittels geeigneter Programme (z.B. ChemDraw, ChemSketch) manuell erzeugt werden. Molekulare Deskriptoren lassen sich üblicherweise ineinander umwandeln, d.h. aus einem lUPAC-Namen lässt sich beispielsweise ein SMILES-Code erzeugen und umgekehrt.
Vorzugsweise werden solche molekularen Deskriptoren ermittelt, die in Computerprogrammen zur Ermittlung von physikalischen und/oder chemischen Eigenschaften von chemischen Verbindungen auf Basis der Struktur der chemischen Verbindungen verwendet werden können. Dies sind üblicherweise SMILES-Codes und/oder molekulare Graphen. Mehr zu Computerprogrammen zur Ermittlung von physikalischen und/oder chemischen Eigenschaften ist weiter hinten in der Beschreibung angeführt. Vorzugsweise werden zumindest für die Hauptbestandteile einer Formulierung und/oder für chemische Verbindungen und/oder Verunreinigungen, die zumindest in einer Mindestmenge in einem (Hauptbestandteil enthalten sind, molekulare Deskriptoren ermittelt. Vorzugsweise werden für alle chemischen Verbindungen einer Formulierung inklusive Verunreinigungen molekulare Deskriptoren ermittelt.
Für Bestandteile der Test-Formulierung/Referenz-Formulierungen werden physikalische und/oder chemische Eigenschaften ermittelt. Beispiele für physikalische und/oder chemische Eigenschaften sind:
Molekulargewicht,
Verteilungskoeffizient, z.B. für w-Octanol/Wasscr. oder eine abgeleitete Größe wie beispielsweise der dekadische Logarithmus des Verteilungskoeffizienten logD z.B. bei pH=7 und/oder pH=2,3 und/oder der logP-Wert
Schmelzpunkt (z.B. unter Normalbedingungen),
Wasserlöslichkeit, z.B. in Form der Löslichkeit als Substanzmasse der Verbindung, die sich in 100 g Wasser lösen lassen,
Anteil polarer/apolarer funktioneller Gruppen eines oder mehrerer enthaltenen Moleküle pKa/pKb Werte eines oder mehrerer enthaltenen Moleküle,
Ladungen im Molekül bei entsprechendem pH-Wert, pH-Wert der Formulierung.
Die physikalischen und/oder chemischen Eigenschaften können gemessene Werte sein. Die physikalischen und/oder chemischen Eigenschaften können aus einer oder mehreren Datenbanken ausgelesen und/oder aus der Literatur ermittelt werden. Beispiele für Datenbanken, in denen physikalische und/oder chemische Eigenschaften gespeichert sind, sind PubChem (https://pubchem.ncbi.nlm.nih.gov/), NIST Chemistry WebBook (https://webbook.nist.gov/chemistry/) und CRC Handbook of Chemistry and Physics (https://hbcp.chemnetbase.com/). Die physikalischen und/oder chemischen Eigenschaften können experimentell ermittelt werden.
Die physikalischen und/oder chemischen Eigenschaften können berechnete Werte sein. Die physikalischen und/oder chemischen Eigenschaften können beispielsweise auf Basis der molekularen Struktur eines Bestandteils berechnet werden. Es gibt zahlreiche Methoden zur Berechnung physikalischer und/oder chemischer Eigenschaften auf Basis der molekularen Struktur. Diese findet man in der Literatur unter anderem unter der Bezeichnung QSPR (Quantitative Structure Property Relationship). Es gibt auch kommerziell und frei verfügbare Computerprogramme zur Berechnung von physikalischen und/oder chemischen Eigenschaften von Substanzen auf Basis ihrer molekularen Struktur (z.B.: QSAR-Co: J. Chem. Inf. Model. 2019, 59, 6, 2538-2544; Molgen-QSPR: https://www.researchgate.net/publication/266470632).
Ein Verfahren zum Berechnen des dekadischen Logarithmus des Verteilungskoeffizients für n- Octanol/Wasser ist beispielsweise beschrieben in: A. J. Leo: Calculating logPoct from structures, Chem. Rev. 1993, 93, 4, 1281-1306.
Ein Verfahren zum Berechnen des Schmelzpunkts ist beispielsweise beschrieben in: H. Modarresi et al. : QSPR Correlation of Melting Point for Drug Compounds Based on Different Sources of Molecular Descriptors, J. Chem. Inf. Model. 2006, 46, 2, 930-936.
Ein Verfahren zum Berechnen der Wasserlöslichkeit ist beispielsweise beschrieben in: N. Meftahi et al. : Predicting aqueous solubility by QSPR modeling, Journal of Molecular Graphics and Modelling, Volume 106, July 2021, 107901. Weitere Verfahren zum Berechnen physikalischer und/oder chemischer Eigenschaften sind zu finden in: A.R. Katritzky et al.: QSPR as a means of predicting and understanding chemical and physical properties in terms of structure, Pure and Applied Chemistry 69(2):245-248).
Vorzugsweise werden für alle Bestandteile (chemischen Verbindungen) einer Formulierung, für die ein molekularer Deskriptor ermittelt wurde, physikalische und/oder chemische Eigenschaften der Bestandteile auf Basis des jeweiligen molekularen Deskriptors berechnet.
In einem weiteren Schritt wird eine numerische Repräsentation für jede Formulierung erzeugt.
Viele Modelle des maschinellen Lernens benötigen numerische Werte als Eingabedaten. Die Eingabedaten, die eine Formulierung repräsentieren, umfassen für jeden ermittelten Bestandteil (jede chemische Verbindung) der Formulierung jeweils eine numerische Repräsentation des jeweiligen Bestandteils (der jeweiligen chemischen Verbindung). Es ist möglich, dass für jeden Bestandteil (jede chemische Verbindung) der Formulierung eine numerische Repräsentation vorliegt. Es ist möglich, dass nur für Hauptbestandteile der Formulierung eine numerische Repräsentation vorliegt.
Eine numerische Repräsentation eines Bestandteils (einer chemischen Verbindung) umfasst die Menge des Bestandteils (der chemischen Verbindung) in der Formulierung und Werte der ermittelten physikalischen und/oder chemischen Eigenschaften des Bestandteils (der chemischen Verbindung). Vorzugsweise besteht die numerische Repräsentation ausschließlich aus der Menge des Bestandteils (der chemischen Verbindung) in der Formulierung und Werten der ermittelten physikalischen und/oder chemischen Eigenschaften des Bestandteils (der chemischen Verbindung). Vorzugsweise umfasst die numerische Repräsentation eines Bestandteils (einer chemischen Verbindung) keine kategorischen Variablen. Die Menge des Bestandteils (der chemischen Verbindung) und die Werte der ermittelten physikalischen und/oder chemischen Eigenschaften des Bestandteils (der chemischen Verbindung) können beispielsweise in Form eines Vektors vorliegen.
Mit anderen Worten: die Vorhersage des mindestens einen Stabilitätsmerkmals basiert in einer bevorzugten Ausführungsform auf numerischen Repräsentationen der Bestandteile (chemischen Verbindungen) einer Formulierung, die lediglich Informationen über die Menge der Bestandteile (chemischen Verbindungen) und ihre physikalischen und/oder chemischen Eigenschaften umfassen. Weitere Informationen wie beispielsweise Informationen über die Art der Bestandteile (die mit kategorischen Variablen kodiert werden können) oder über die chemischen Strukturen der chemischen Verbindungen der Bestandteile werden nicht benötigt. Diese weiteren Informationen sind implizit in den physikalischen und/oder chemischen Eigenschaften enthalten. In einer bevorzugten Ausführungsform werden alle physikalischen und/oder chemischen Eigenschaften auf Basis der molekularen Deskriptoren (die die chemische Struktur repräsentieren) berechnet. Es ist also möglich, eine Formulierung einzig durch physikalische und/oder chemische Eigenschaften ihrer Bestandteile und die Mengen der Bestandteile zu repräsentieren. Eine solche Repräsentation ist ausreichend, um ein Stabilitätsmerkmal für ein System umfassend die Formulierung und ein Material in Kontakt mit der Formulierung Vorhersagen zu können.
Eine numerische Repräsentation einer Formulierung kann ausschließlich aus den numerischen Repräsentationen ihrer (Haupt) -Be standteile bestehen. Sie kann beispielsweise eine Matrix sein, in der jede Zeile oder jede Spalte eine numerische Repräsentation eines Bestandteils ist.
Vorzugsweise umfasst die numerische Repräsentation jeder Formulierung neben numerischen Repräsentationen von Bestandteilen der Repräsentation vorzugsweise nur eine oder mehrere kategorische Variable(n), die die Art der Formulierung spezifiziert/spezifizieren. So kann beispielsweise eine SC-Formulierung durch eine 1 repräsentiert werden, eine SE-Formulierung durch eine 2 und andere Formulierungen durch andere Ziffern. Die Art der Formulierung kann auch durch einen 1-aus-n-Code (engl. one-hot-encoding) repräsentiert werden. Beim Trainieren des Modells des maschinellen Lernens werden Eingabedaten, die eine Referenz- Formulierung repräsentieren, in das Modell des maschinellen Lernens eingegeben. Das Modell des maschinellen Lernens kann konfiguriert sein, die numerischen Repräsentationen der Bestandteile unabhängig voneinander einer Merkmalsextraktion zu unterziehen, bei der von jeder numerischen Repräsentation eines Bestandteils eine optional komprimierte numerische Repräsentation des Bestandteils erzeugt wird. Jede numerische Repräsentation eines Bestandteils kann beispielsweise einem künstlichen neuronalen Netzwerk zugeführt werden, das konfiguriert ist, eine optional komprimierte numerische Repräsentation auf Basis der zugeführten numerischen Repräsentation und auf Basis von trainierbaren (lernbaren) Modellparametem zu erzeugen. Das künstliche neuronale Netzwerk kann beispielsweise ein Faltungsnetzwerk (engl. convolutional neural network, Abkürzung: CNN) sein.
Die numerische Repräsentation einer Formulierung im Merkmalsraum enthält Informationen, die für die Vorhersage des mindestens einen Stabilitätsmerkmals relevant sind. Sie kann jedoch auch andere, irrelevante oder redundante Informationen enthalten. Eine "komprimierte numerische Repräsentation" ist eine Darstellung, die nur die relevanten Informationen enthält oder hervorhebt oder in der irrelevante und/oder redundante Informationen unterdrückt und/oder reduziert sind.
Eine komprimierte numerische Repräsentation kann z.B. durch einen Encoder eines Autoencoders erzeugt werden.
Ein Autoencoder wird in der Regel verwendet, um effiziente Datenkodierungen in einem unbeaufsichtigtem Lemverfahren (engl.: unsupervised learning) zu lernen. Im Allgemeinen besteht das Ziel eines Autoencoders darin, eine Repräsentation für einen Datensatz zu erlernen, typischerweise zur Dimensionalitätsreduktion, indem das maschinelle Lemmodell darauf trainiert wird, die relevanten Daten zu identifizieren und Rauschen zu ignorieren.
Der Encoder komprimiert die Eingabedaten in eine Repräsentation im latenten Raum und der Dekodierer versucht, die Eingabedaten aus dieser Repräsentation im latenten Raum wiederherzustellen. Die Repräsentation im latenten Raum ist die komprimierte numerische Repräsentation der Eingabedaten.
Ein Hauptmerkmal eines Autoencoders ist ein Informationsengpass zwischen dem Encoder und dem Decoder. Dieser Engpass, ein kontinuierlicher Vektor fester Länge, veranlasst das maschinelle Lemmodell, eine komprimierte Darstellung zu lernen, die die statistisch relevantesten Informationen in den Daten erfasst.
Weitere Einzelheiten über Autoencoder und die Erzeugung komprimierter Repräsentation sind in verschiedenen Veröffentlichungen zu finden (siehe z.B. D. Bank et al. '. Autoencoders, arXiv:2003.05991).
Die numerischen Repräsentationen von Formulierungen können für verschiedene Formulierungen unterschiedlich groß sein (d.h. unterschiedlich viele Dimensionen aufweisen); allein schon deswegen, weil sie eine unterschiedliche Zahl an Bestandteilen aufweisen können.
Daher kann in einem ersten Schritt für jeden ermittelten Bestandteil einer Formulierung auf Basis der numerischen Repräsentation des Bestandteils eine optional komprimierte numerische Repräsentation des Bestandteils erzeugt werden. In einem zweiten Schritt können die optional komprimierten numerischen Repräsentationen aller ermittelten Bestandteile einer Formulierung mittels einer Bündelungsoperation (engl.: pooling) in einer numerischen Repräsentation der Formulierung zusammengefasst werden. Das Ergebnis kann eine Repräsentation (ein Vektor) sein, der für alle Formulierungen die gleiche Größe (die gleiche Dimension) hat.
Es ist möglich, einen Aufmerksamkeitsmechanismus (engl.: attention mechanism) zu verwenden, um numerische Repräsentationen von Bestandteilen zusammenzufassen. Beim maschinellen Lernen ist die Aufmerksamkeit eine Technik, die die kognitive Aufmerksamkeit beim Menschen nachahmt. Der Effekt besteht darin, dass einige Teile der Eingabedaten verstärkt und andere Teile abgeschwächt werden - der Gedanke dahinter ist, dass das maschinelle Lemmodell einem wichtigen Teil der Daten mehr Aufmerksamkeit widmen soll als einem weniger wichtigen. Welche Teile wichtig und welche weniger wichtig sind, lernt das Modell in der Trainingsphase.
Zwar können Modellarchitekturen auf der Basis von Faltungsnetzwerken beliebige Funktionen auf mathematischen Mengen beschreiben (siehe z.B. M. Zaheer et al. '. Deep Sets, arXiv: 1703.06114v3), jedoch können derartige Architekturen einzelne Interaktionen zwischen bestimmten Formulierungsbestandteilen aus der gleichen Rezeptur nur implizit modellieren. Neuronale Netzwerke mit einem Aufmerksamkeitsmechanismus sind hingegen in der Lage, Interaktionen zwischen Formulierungsbestandteilen der gleichen Rezeptur explizit zu modellieren. Aufmerksamkeits- Funktionen verknüpfen ganz allgemein gesehen einen Query-Vektor mit Paaren von (Key, Value)- Vektoren zu einem Output-Vektor. Der Output-Vektor wiederum wird aus der gewichteten Summe der Value -Vektoren berechnet, wobei die Gewichte durch die Netzwerkarchitektur auf Basis der Query- und ÄTi’-Vcktorcn prädiziert werden. Indem physikalisch/chemische Eigenschaften von Formulierungsbestandteilen aus einer Rezeptur als Query-, Key- und Value-Vektoren bereitgestellt werden, können Interaktionen zwischen Formulierungsbestandteilen der gleichen Rezeptur direkt verarbeitet werden. Es wurde gefunden, dass der Aufmerksamkeitsmechanismus die Prädiktionsgenauigkeit der trainierten Modelle gegenüber Faltungsnetzwerken verbessern kann.
Es ist möglich, ein Transformer-Netzwerk zu verwenden, um eine numerische Repräsentation einer Formulierung zu erzeugen. Ein solches Transformer-Netzwerk kann paarweise Wechselwirkungen zwischen den Elementen der Eingabe berücksichtigen. Das Transformer-Netzwerk kann sequentielle Eingaben verarbeiten und dabei die Beiträge der einzelnen Teile der Eingabedaten unterschiedlich gewichten. Durch die Verwendung mehrerer Self-Attention-Einheiten ist das Transformer-Netzwerk in der Lage, relevante Wechselwirkungen zwischen zwei oder mehr Bestandteilen der Formulierung zu verarbeiten. Einzelheiten zu Transformer-Netzwerken sind beispielsweise zu finden in: J. Lee et al. : A Framework for Attention-based Permutation-Invariant Neural Networks, 2019, arXiv: 1810.00825v3; A. Vaswani et al.: Attention is all you need, arXiv: 1706.03762v5.
Weitere Details zu Aufmerksamkeitsmechanismen sind in wissenschaftlichen Artikeln und Patenten / Patentanmeldungen beschrieben (siehe z.B.: A. Vaswani et al:. Attention Is All You Need, arXiv: 1706.03762v5, EP3166049A1, US20170262996, WO2020/222985).
Schlussendlich kann die Rezeptur einer Formulierung über eine Global-Pooling-Operation in einem einzelnen Vektor kodiert werden (siehe z.B.: J. Lee et al.: Set Transformer: A Framework for Attentionbased Permutation-Invariant Neural Networks, arXiv: 1810.00825v3). Ein Beispiel für eine Global- Pooling-Operation ist die Summierung der Repräsentation (bzw. mit dem Aufmerksamkeitsmechanismus vorprozessierten Embeddings) der einzelnen Bestandteile. Eine flexiblere Erweiterung der Summierung stellt das Attention Pooling dar. Inspiriert vom Aufmerksamkeitsmechanismus wird ein einzelner lernbarer Vektor als Query-Vektor bereitgestellt, mit dem aus den Repräsentationen (bzw. Embeddings) der Formulierungsbestandteilen als Key- und Value- Vektoren ein einzelner Output-V ektor erzeugt werden kann. Auch hier werden Repräsentationen von Formulierungsbestandteilen in einer gewichteten Summe verarbeitet, jedoch werden die Gewichte aus den Repräsentationen (bzw. Embeddings) der Formulierungsbestandteilen erzeugt.
Durch die Bündelungsoperation entsteht eine permutationsinvariante Repräsentation einer Formulierung. Das bedeutet, dass es auf die Reihenfolge, in der Bestandteile aufgeführt sind, nicht ankommt. Mit anderen Worten, für eine Formulierung mit den Bestandteilen A, B und C wird stets die gleiche Repräsentation erzeugt, unabhängig davon, ob die Bestandteile der Formulierung in einer Repräsentation der Formulierung in der Reihenfolge A, B, C oder A, C, B oder B, A, C oder B, C, A oder C, A, B oder C, B, A aufgeführt sind. Die (permutationsinvariante) Repräsentation der Formulierung kann einem Regressionsmodell zugeführt werden, das konfiguriert ist, auf Basis der (permutationsinvarianten) Repräsentation der Formulierung und auf Basis von trainierbaren (lernbaren) Modellparametem mindestens ein Stabilitätsmerkmal zu berechnen.
Das Regressionsmodell kann beispielsweise ein künstliches neuronales Netz oder ein Random-Forest- Modell oder dergleichen sein. Beispiele für Regressionsmodelle sind vielfältig in der Literatur zu finden (siehe z.B.: H. Saleh, J.A. Layous: Machine Learning - Regression, 2022, DOI: 10.13140/RG.2.2.35768.67842). In einer Ausführungsform ist das Regressionsmodell ein künstliches neuronales Netzwerk, das zusammen mit den vorangeschalteten Netzwerken zum Bündeln der Repräsentationen der Formulierungsbestandteile trainiert wird. Hinsichtlich der Architektur kann ein solches Regressionsnetzwerk ein , fully Connected Network“ (auch als „Multi Layer Perceptron“ bezeichnet) sein. In dieser Architektur sind einzelne Neuronen (mit einem Input und einem Output) in Schichten (layers) organisiert, sodass die Gesamtheit der Outputs einer Schicht den Input jedes Neurons der folgenden Schicht darstellt.
Das mindestens eine vorhergesagte Stabilitätsmerkmal kann mit dem mindestens einen (vorzugsweise gemessenen) Stabilitätsmerkmal der Trainingsdaten verglichen werden. Die Abweichungen zwischen dem mindestens einen vorhergesagten Stabilitätsmerkmal und dem Stabilitätsmerkmal der Trainingsdaten können mit Hilfe einer Fehlerfimktion quantifiziert werden. Beispiele für Fehlerfimktionen sind „root mean square deviation“ (RMSD), „mean absolute deviation“ (MAD), „logcosh distances“, „cosine distances“, ..Huber loss“, etc.
Die Modellparameter können zum Beispiel in einem Gradientenverfahren oder in einem anderen Optimierungsverfahren modifiziert werden, um die Abweichungen auf ein (definiertes) Minimum zu reduzieren.
Das Training wird mit weiteren Trainingssets umfassend jeweils eine numerische Repräsentation einer Referenz-Formulierung und mindestens ein (vorzugsweise gemessenes) Stabilitätsmerkmal fortgesetzt.
Erreicht das Modell des maschinellen Lernens eine gewünschte Vorhersagegenauigkeit, kann das Training beendet werden. Das trainierte Modell des maschinellen Lernens kann in einem Datenspeicher gespeichert und/oder an ein separates Computersystem übermittelt werden.
Zur Validierung des Modells können die Trainingsdaten in zwei Datensätze geteilt werden. Der erste Datensatz kann zum Trainieren verwendet werden; der zweite Datensatz kann zur Validierung verwendet werden.
Ist das Modell des maschinellen Lernens trainiert, kann es zur Vorhersage von mindestens einem Stabilitätsmerkmal eines neuen Systems umfassend eine neue Formulierung (Test-Formulierung) und mindestens ein Material in Kontakt mit der neuen Formulierung (Test-Formulierung) verwendet werden. Dabei bedeutet der Begriff „neu“, dass ein Datensatz, der die Formulierung beschreibt, nicht bereits beim Trainieren verwendet worden ist.
Die Vorhersage verläuft analog zum Training. Das bedeutet, dass die Schritte, die in Bezug auf die Referenz-Formulierungen durchgeführt wurden, auch für die neue Formulierung (Test-Formulierung) durchgeführt werden:
In einem ersten Schritt wird eine Rezeptur der Test-Formulierung empfangen.
In einem zweiten Schritt werden Bestandteile der Test-Formulierung auf Basis der Rezeptur ermittelt.
In einem dritten Schritt werden physikalische und/oder chemische Eigenschaften der Bestandteile der Test-Formulierung ermittelt.
In einem vierten Schritt wird eine numerische Repräsentation der Test-Formulierung erzeugt. Die numerische Repräsentation umfasst für jeden ermittelten Bestandteil eine numerische Repräsentation des ermitelten Bestandteils. Jede numerische Repräsentation eines ermitelten Bestandteils umfasst einen Wert zu der Menge des Bestandteils in der Test-Formulierung und Werte zu den ermitelten physikalischen und/oder chemischen Eigenschaften des Bestandteils.
In einem fünften Schrit wird die numerische Repräsentation der Test-Formulierung in das trainierte Modell des maschinellen Lernens eingegeben.
In einem sechsten Schrit wird mindestens ein vorhergesagtes Stabilitätsmerkmals von dem trainierten Modell des maschinellen Lernens empfangen.
In einem siebten Schrit wird das mindestens eine vorhergesagte Stabilitätsmerkmal ausgegeben (z.B. auf einem Bildschirm angezeigt und/oder auf einem Drucker ausgedruckt) und/oder in einem Datenspeicher gespeichert und/oder an ein separates Computersystem übermitelt.
In einem weiteren Schrit kann die Vorhersage experimentell verifiziert werden. Es ist möglich, dass mitels einer Messung überprüft wird, ob das mindestens eine vorhergesagte Stabilitätsmerkmal korrekt vorhergesagt worden ist.
Es ist möglich, dass nicht jedes vorhergesagte Stabilitätskriterium experimentell überprüft wird. Es ist möglich, dass (zunächst) geprüft wird, ob das mindestens eine vorhergesagte Stabilitätsmerkmal vordefmierte Anforderungen erfüllt. Es ist möglich, dass das mindestens eine vorhergesagte Stabilitätsmerkmal mit einem Referenzwert oder mit mehreren Referenzwerten verglichen wird. Ein solcher Referenzwert kann beispielsweise ein Mindestwert sein, der erreicht sein muss, damit das mindestens eine Material, für das die Vorhersage durchgeführt wurde, überhaupt als Material für eine Verpackung, ein Behältnis eine Dichtung und/oder dergleichen für die Test-Formulierung in Betracht kommt. Ist ein vorhergesagtes Stabilitätsmerkmal beispielsweise kleiner als der Mindestwert, kann es sein, dass das mindestens eine Material nicht als Verpackungsmaterial, Behältermaterial, Dichtungsmaterial und/oder dergleichen für die Test-Formulierung in Frage kommt. Für die Test- Formulierung muss ein anderes Material gefunden werden. Ist ein vorhergesagtes Stabilitätsmerkmal größer oder gleich dem Mindestwert, ist das Material ein Kandidat, der in Betracht kommt. Es ist denkbar, dass das vorhergesagte Stabilitätsmerkmal durch eine experimentelle Untersuchung in einem Labor verifiziert wird. Mit anderen Worten: erfüllt das mindestens eine vorhergesagte Stabilitätsmerkmal vordefmierte Anforderungen, kann eine Untersuchung des mindestens einen Materials in einem Labor initiiert werden, beispielsweise durch das automatisierte Erzeugen und Übermiteln einer Miteilung an das Labor und/oder die automatisierte Bestellung von einem oder mehreren Bestandteilen der Test-Formulierung und/oder die automatisierte Bestellung der Test- Formulierung und/oder die automatisierte Bestellung des mindestens einen Materials.
Die Erfindung wird nachfolgend anhand von Zeichnungen näher erläutert, ohne die Erfindung auf die in den Zeichnungen gezeigten Merkmale und Merkmalskombination beschränken zu wollen.
Fig. 1 zeigt schematisch und beispielhaft die Erzeugung einer numerischen Repräsentation einer Test- Formulierung/Referenz -Formulierung auf Basis einer Rezeptur.
Ausgangspunkt ist eine Rezeptur R der jeweiligen Formulierung. In einem ersten Schrit (110) werden Bestandteile der Formulierung auf Basis der Rezeptur R ermitelt und eine erste Liste LI der ermitelten Bestandteile erzeugt. In einem zweiten Schrit (120) werden für Bestandteile in der ersten Liste LI, die mehr als eine chemische Verbindung umfassen, und/oder für Bestandteile, die Verunreinigungen umfassen, chemische Verbindungen der Bestandteile bzw. Verunreinigungen ermitelt. Die Informationen zu chemischen Verbindungen und/oder Verunreinigungen, die in Bestandteilen enthalten sind, können aus einer oder mehreren Datenbanken DB1 gewonnen werden. Die ermitelten chemischen Verbindungen und/oder Verunreinigungen werden in die erste Liste LI der Bestandteile aufgenommen, wobei eine zweite Liste L2 an Bestandteilen gewonnen wird.
In einem driten Schrit (130) werden für einen oder mehrere Bestandteile der Formulierung auf Basis eines bzw. mehrerer molekularer Deskriptoren des Bestandteils / der Bestandteile physikalische und/oder chemische Eigenschaften berechnet. Die Berechnung erfolgt mit Hilfe eines oder mehrerer Modelle QSPR, die strukturelle Eigenschaften mit physikalischen und/oder chemischen Eigenschaften in Beziehung setzen. In Ergänzung zu oder anstelle der Berechnung physikalischer und/oder chemischer Eigenschaften werden in einem vierten Schritt (140) fiir einen oder mehrere Bestandteile der Formulierung physikalische und/oder chemische Eigenschaften aus einer oder mehreren Datenbanken DB2 ausgelesen.
In einem fünften Schritt (150) wird eine numerische Repräsentation RF der Formulierung erzeugt. Die numerische Repräsentation RF umfasst für jeden ermittelten Bestandteil der zweiten Liste L2 einen Wert zu der Menge des Bestandteils in der Formulierung und Werte zu den ermittelten (berechneten und/oder ausgelesenen) physikalischen und/oder chemischen Eigenschaften.
Fig. 2 zeigt schematisch und beispielhaft eine Ausführungsform für das Training des Modells des maschinellen Lernens. Das Training erfolgt mit Hilfe von Trainingsdaten. Die Trainingsdaten werden auf Basis von Informationen zu einer Vielzahl von Referenz-Formulierungen und vorzugsweise gemessenen Stabilitätsmerkmalen gewonnen. In dem in Fig. 2 gezeigten Beispiel ist nur ein Trainingsdatensatz TD gezeigt, der eine numerische Repräsentation RF einer Referenz-Formulierung und ein Stabilitätsmerkmal SM umfasst. Die numerische Repräsentation RF der Referenz -Formulierung kann wie in Bezug zu Fig. 1 beschrieben erzeugt werden. Die numerische Repräsentation RF umfasst die numerischen Repräsentationen Rn, R|2 und Rn von drei Bestandteilen der Referenz -Formulierung. Die Anzahl der Bestandteile ist jedoch nicht auf drei beschränkt. Jede Referenz -Formulierung umfasst mindestens einen Bestandteil, vorzugsweise mindestens zehn Bestandteile und in einigen Fällen auch über 50 Bestandteile (die Anzahl der Bestandteile ist nach oben unbeschränkt). Das Stabilitätsmerkmal SM ist ein Maß für die Stabilität eines Systems umfassend die Referenz-Formulierung und mindestens ein Material in Kontakt mit der Referenz -Formulierung. Das Stabilitätsmerkmal SM ist vorzugsweise das Ergebnis einer messtechnischen Untersuchung.
Die numerische Repräsentation RF der Referenz-Formulierung wird als Eingabedaten dem Modell MLM des maschinellen Lernens zugeführt.
In der in Fig. 2 gezeigten Architektur des Modells des maschinellen Lernens (Faltungsnetzwerk) werden die numerischen Repräsentationen Rn, R12 und R13 der Bestandteile der Referenz-Formulierung unabhängig voneinander einer Merkmalsextraktion FE unterzogen. Bei der Merkmalsextraktion FE wird aus der numerischen Repräsentation Rn eine numerische Repräsentation Rcn gewonnen, die komprimiert sein kann (d.h. weniger Dimensionen umfasst als die Eingangsrepräsentation) aber in einer präferierten Implementierung expandiert ist (d.h. mehr Dimensionen umfasst als die Eingangsrepräsentation). Gleichfalls wird aus der numerischen Repräsentation R12 eine numerische Repräsentation Rc [2 und aus der numerischen Repräsentation Rß eine numerische Repräsentation RCB erzeugt. In Fig. 2 ist die Einheit zur Merkmalsextraktion FE dreimal dargestellt, um die drei numerischen Repräsentationen der drei Bestandteile der Referenz-Repräsentation zu verarbeiten. Das bedeutet jedoch nicht, dass das Modell des maschinellen Lernens über je eine Einheit zur Merkmalsextraktion pro Bestandteil einer Formulierung verfügt. Dies wäre unpraktisch, da verschiedene Formulierungen üblicherweise eine unterschiedliche Zahl an Bestandteilen aufweisen. Es ist daher möglich, dass nur eine Einheit zur Merkmalsextraktion vorhanden ist, die nacheinander die numerischen Repräsentationen der Bestandteile einer Formulierung verarbeitet.
Die (optional komprimierten) numerischen Repräsentationen Rcn, RC I2 und RCB werden mit einer Bündelungsoperation GP zu einer vorzugsweise permutationsinvarianten Repräsentation RPI der Referenz-Formulierung verknüpft. Diese Bündelungsoperation kann in einer einfachen Implementierung der Architektur eine gewöhnliche Reduktionsoperation angewendet auf die prozessierten Repräsentationen Rcn, Rc [2 und RCB sein (z.B. die Summe, der Mittelwert, das elementweise Minimum, das elementweise Maximum, etc.). In einer präferierten Implementierung der beschriebenen Architektur besteht die globale Bündelungsoperation aus einem Multi-Attention Pooling. Die globale Bündelungsoperation ist nicht auf die genannten Optionen beschränkt und kann durch weitere globale Bündelungsoperationen ersetzt werden.
Die vorzugsweise permutationsinvariante Repräsentation RPI der Referenz-Formulierung wird einem Regressionsmodell RM zugeführt, das auf Basis der vorzugsweise permutationsinvarianten Repräsentation RPI ein Stabilitätsmerkmal Sp ermittelt (vorhersagt). Das vorhergesagte Stabilitätsmerkmal Sp kann mit dem Stabilitätsmerkmal SM des Trainingsdatensatzes verglichen werden. Eine Fehlerfunktion LF wird verwendet, um die Abweichungen zwischen dem vorhergesagten Stabilitätsmerkmal Sp und dem Stabilitätsmerkmal SM des Trainingsdatensatzes zu quantifizieren. Der ermittelte Fehler L kann verwendet werden, um Modellparameter im Hinblick auf eine Reduzierung des Fehlers L zu modifizieren. Modellparameter können in der Einheit zur Merkmalsextraktion FE, in der Bündelungsoperation und in dem Regressionsmodell stecken.
Fig. 3 zeigt schematisch und beispielhaft die Verwendung des trainierten Modells des maschinellen Lernens zur Vorhersage. Im vorliegenden Beispiel wird eine numerische Repräsentation RF* einer Test- Formulierung in das trainierte Modell MLMT des maschinellen Lernens eingegeben. Die numerische Repräsentation RF* der Test-Formulierung kann wie in Bezug zur Fig. 1 beschrieben aus einer Rezeptur R* der Test-Formulierung gewonnen werden. Die numerische Repräsentation RF* der Test-Formulierung umfasst wie im Beispiel von Fig. 2 drei numerische Repräsentationen Rn*, Rn* und Rn* von drei Bestandteilen der Test-Formulierung. Aus diesen numerischen Repräsentationen Rn*, Rn* und Rn* werden analog zum Beispiel von Fig. 2 drei optional komprimierte numerische Repräsentationen Rcn*, Rci2* und Rci3* durch Merkmalsextraktion FE erzeugt. Die optional komprimierten numerischen Repräsentationen Rcn*, Rci2* und Rcif werden durch die Bündelungsoperation GP zu einer vorzugsweise permutationsinvarianten Repräsentation RPI* der Test-Formulierung verknüpft. Die vorzugsweise permutationsinvariante Repräsentation RPI* der Test-Formulierung wird dem Regressionsmodell RM zugeführt, das ein Stabilitätsmerkmal Sp* für die Test-Formulierung ermittelt (vorhersagt).
Fig. 4 zeigt beispielhaft und schematisch ein erfindungsgemäßes Computersystem.
Ein "Computersystem" ist ein System zur elektronischen Datenverarbeitung, das mittels programmierbarer Rechenvorschriften Daten verarbeitet. Ein solches System umfasst üblicherweise einen "Computer", diejenige Einheit, die einen Prozessor zur Durchführung logischer Operationen umfasst, sowie eine Peripherie.
Als "Peripherie" bezeichnet man in der Computertechnik alle Geräte, die an den Computer angeschlossen sind, und zur Steuerung des Computers und/oder als Ein- und Ausgabegeräte dienen. Beispiele hierfür sind Monitor (Bildschirm), Drucker, Scanner, Maus, Tastatur, Laufwerke, Kamera, Mikrofon, Lautsprecher etc. Auch interne Anschlüsse und Erweiterungskarten gelten in der Computertechnik als Peripherie.
Das in Fig. 4 gezeigte Computersystem (1) umfasst eine Eingabeeinheit (10), eine Steuer- und Recheneinheit (20) und eine Ausgabeeinheit (30).
Die Steuer- und Recheneinheit (20) dient der Steuerung des Computersystems (1), der Koordinierung der Datenflüsse zwischen den Einheiten des Computersystems (1) und der Durchführung von Berechnungen.
Die Steuer- und Recheneinheit (20) ist konfiguriert das trainierte Modell des maschinellen Lernens bereitzustellen, die Eingabeeinheit (10) zu veranlassen, eine Rezeptur einer Test-Formulierung zu empfangen,
Bestandteile der Test-Formulierung auf Basis der Rezeptur zu ermitteln, physikalische und/oder chemische Eigenschaften der ermittelten Bestandteile zu ermitteln, eine numerische Repräsentation der Test-Formulierung zu erzeugen, wobei die numerische Repräsentation der Test-Formulierung für jeden ermittelten Bestandteil eine numerische Repräsentation des ermittelten Bestandteils umfasst, wobei die numerische Repräsentation jedes ermittelten Bestandteils einen Wert zu der Menge des Bestandteils in der Test-Formulierung und Werte zu den ermittelten physikalischen und/oder chemischen Eigenschaften des Bestandteils umfasst, die numerische Repräsentation der Test-Formulierung in das trainierte Modell des maschinellen Lernens einzugeben, mindestens ein vorhergesagtes Stabilitätsmerkmal von dem trainierten Modell des maschinellen Lernens zu empfangen, die Ausgabeeinheit (30) zu veranlassen, das mindestens eine vorhergesagte Stabilitätsmerkmals auszugeben und/oder zu speichern und/oder an ein separates Computersystem zu übermitteln.
Fig. 5 zeigt beispielhaft und schematisch eine weitere Ausführungsform des erfmdungsgemäßen Computersystems .
Das Computersystem (1) umfasst eine Verarbeitungseinheit (21), die mit einem Speicher (22) verbunden ist. Die Verarbeitungseinheit (21) und der Speicher (22) bilden eine Steuer- und Berechnungseinheit, wie sie in Fig. 4 gezeigt ist.
Die Verarbeitungseinheit (21) (engl.: processing unit) kann einen oder mehrere Prozessoren allein oder in Kombination mit einem oder mehreren Speichern umfassen. Bei der Verarbeitungseinheit (21) kann es sich um gewöhnliche Computerhardware handeln, die in der Lage ist, Informationen wie z.B. digitale Bildaufhahmen, Computerprogramme und/oder andere digitale Informationen zu verarbeiten. Die Verarbeitungseinheit (21) besteht üblicherweise aus einer Anordnung elektronischer Schaltungen, von denen einige als integrierter Schaltkreis oder als mehrere miteinander verbundene integrierte Schaltkreise (ein integrierter Schaltkreis wird manchmal auch als "Chip" bezeichnet) ausgeführt sein können. Die Verarbeitungseinheit (21) kann konfiguriert sein, Computerprogramme auszuführen, die in einem Arbeitsspeicher der Verarbeitungseinheit (21) oder im Speicher (22) desselben oder eines anderen Computersystems gespeichert sein können.
Der Speicher (22) kann eine gewöhnliche Computerhardware sein, die in der Lage ist, Informationen, Daten, Computerprogramme und/oder andere digitale Informationen entweder vorübergehend und/oder dauerhaft zu speichern. Der Speicher (22) kann einen flüchtigen und/oder nichtflüchtigen Speicher umfassen und kann fest eingebaut oder entfembar sein. Beispiele für geeignete Speicher sind RAM (Random Access Memory), ROM (Read-Only Memory), eine Festplatte, ein Flash-Speicher, eine austauschbare Computerdiskette, eine optische Disc, ein Magnetband oder eine Kombination der oben genannten. Zu den optischen Discs können Compact Discs mit Nur-Lese-Speicher (CD-ROM), Compact Discs mit Lese-/Schreibfünktion (CD-R/W), DVDs, Blu-ray-Discs und ähnliche gehören.
Zusätzlich zum Speicher (22) kann die Verarbeitungseinheit (21) auch mit einer oder mehreren Schnittstellen (11, 12, 31, 32, 33) verbunden sein, um Informationen anzuzeigen, zu übertragen und/oder zu empfangen. Die Schnittstellen können eine oder mehrere Kommunikationsschnittstellen (32, 33) und/oder eine oder mehrere Benutzerschnittstellen (11, 12, 31) umfassen. Die eine oder mehrere Kommunikationsschnittstellen können so konfiguriert sein, dass sie Informationen senden und/oder empfangen, z.B. zu und/oder von anderen Computersystemen, Netzwerken, Datenspeichern oder dergleichen. Die eine oder mehrere Kommunikationsschnittstellen können so konfiguriert sein, dass sie Informationen über physische (verdrahtete) und/oder drahtlose Kommunikationsverbindungen übertragen und/oder empfangen. Die eine oder die mehreren Kommunikationsschnittstellen können eine oder mehrere Schnittstellen für die Verbindung mit einem Netzwerk enthalten, z.B. unter Verwendung von Technologien wie Mobiltelefon, Wi-Fi, Satellit, Kabel, DSL, Glasfaser und/oder dergleichen. In einigen Beispielen können die eine oder die mehreren Kommunikationsschnittstellen eine oder mehrere Nahbereichskommunikationsschnitstellen umfassen, die so konfiguriert sind, dass sie Geräte mit Nahbereichskommunikationstechnologien wie NFC, RFID, Bluetooth, Bluetooth LE, ZigBee, Infrarot (z. B. IrDA) oder Ähnlichem verbinden.
Die Benutzerschnitstellen können eine Anzeige (31) umfassen. Eine Anzeige (31) kann so konfiguriert sein, dass sie einem Benutzer Informationen anzeigt. Geeignete Beispiele hierfür sind eine Flüssigkristallanzeige (LCD), eine Leuchtdiodenanzeige (LED), ein Plasmabildschirm (PDP) oder Ähnliches. Die Benutzereingabeschnitstelle(n) (11, 12) kann/können verdrahtet oder drahtlos sein und kann/können so konfiguriert sein, dass sie Informationen von einem Benutzer in das Computersystem (1) empfängt/ empfangen, z.B. zur Verarbeitung, Speicherung und/oder Anzeige. Geeignete Beispiele für Benutzereingabeschnitstellen sind ein Mikrofon, ein Bild- oder Videoaufhahmegerät (z.B. eine Kamera), eine Tastatur oder ein Tastenfeld, ein Joystick, eine berührungsempfindliche Oberfläche (getrennt von einem Touchscreen oder darin integriert) oder ähnliches. In einigen Beispielen können die Benutzerschnitstellen eine automatische Identifikations- und Datenerfassungstechnologie (AIDC) für maschinenlesbare Informationen enthalten. Dazu können Barcodes, Radiofrequenz-Identifikation (RFID), Magnetstreifen, optische Zeichenerkennung (OCR), Karten mit integrierten Schaltkreisen (ICC) und ähnliches gehören. Die Benutzerschnitstellen können ferner eine oder mehrere Schnitstellen für die Kommunikation mit Peripheriegeräten wie Druckern und dergleichen umfassen.
Ein oder mehrere Computerprogramme (40) können im Speicher (22) gespeichert sein und von der Verarbeitungseinheit (21) ausgeführt werden, die dadurch programmiert wird, die in dieser Beschreibung beschriebenen Funktionen zu erfüllen. Das Abrufen, Laden und Ausführen von Anweisungen des Computerprogramms (40) kann sequenziell erfolgen, so dass jeweils ein Befehl abgerufen, geladen und ausgeführt wird. Das Abrufen, Laden und/oder Ausführen kann aber auch parallel erfolgen.
In dem Speicher (22) kann auch das erfmdungsgemäße Modell des maschinellen Lernens gespeichert sein.
Das erfmdungsgemäße Computersystem kann als Laptop, Notebook, Netbook und/der Tablet-PC ausgeführt sein.
Fig. 6 zeigt schematisch in Form eines Ablaufdiagramms eine Ausführungsform des Verfahrens zum Trainieren des Modells des maschinellen Lernens. Das Trainingsverfahren (200) umfasst die Schrite:
(210) Bereitstellen und/oder Empfangen von Informationen über eine Vielzahl von Referenz - Formulierungen, wobei die Informationen für jede Referenz-Formulierung eine Rezeptur und mindestens ein vorzugsweise gemessenes Stabilitätsmerkmal umfassen, wobei das Stabilitätsmerkmal ein Maß für die Stabilität des Systems umfassend die Referenz- Formulierung und mindestens ein Material in Kontakt mit der Referenz-Formulierung ist,
(220) Ermiteln von Bestandteilen der Referenz -Formulierung auf Basis der Rezeptur,
(230) Ermiteln von physikalischen und/oder chemischen Eigenschaften der ermitelten Bestandteile jeder Referenz-Formulierung,
(240) Erzeugen einer numerischen Repräsentation für jede Referenz-Formulierung, wobei die numerische Repräsentation der Referenz-Formulierung für jeden ermitelten Bestandteil eine numerische Repräsentation des ermitelten Bestandteils umfasst, wobei die numerische Repräsentation jedes ermitelten Bestandteils einen Wert zu der Menge des Bestandteils in der Referenz-Formulierung und Werte zu den ermitelten physikalischen und/oder chemischen Eigenschaften des Bestandteils umfasst,
(250) Trainieren des Modells des maschinellen Lernens, wobei das Trainieren für jede Referenz- Formulierung die folgenden Schrite umfasst: (251) Eingeben der numerischen Repräsentation der Referenz-Formulierung in ein Modell des maschinellen Lernens, wobei das Modell des maschinellen Lernens konfiguriert ist, mindestens ein Stabilitätsmerkmal auf Basis der numerischen Repräsentation der Referenz-Formulierung und Modellparametem vorherzusagen,
(252) Empfangen des mindestens einen vorhergesagten Stabilitätsmerkmals von dem Modell des maschinellen Lernens,
(253) Quantifizieren einer Abweichung zwischen dem mindestens einen vorzugsweise gemessenen Stabilitätsmerkmal und dem mindestens einen vorhergesagten Stabilitätsmerkmal,
(254) Modifizieren der Modellparameter im Hinblick auf eine Reduzierung der Abweichung,
(260) Speichern und/oder Ausgeben des trainierten Modells des maschinellen Lernens und/oder Übermitteln des trainierten Modells des maschinellen Lernens an ein separates Computersystem und/oder Verwenden des trainierten Modells des maschinellen Lernens zur Vorhersage mindestens eines Stabilitätsmerkmals eines neuen Systems umfassend eine Formulierung und mindestens ein Material in Kontakt mit der Formulierung.
Fig. 7 zeigt schematisch in Form eines Ablaufdiagramms eine Ausfiihrungsform des Verfahrens zur Vorhersage mindestens eines Stabilitätsmerkmals eines Systems umfassend eine Test-Formulierung und mindestens ein Material in Kontakt mit der Test-Formulierung mittels des trainierten Modells des maschinellen Lernens. Das Vorhersageverfahren (300) umfasst die Schritte:
(310) Empfangen einer Rezeptur der Test-Formulierung,
(320) Ermitteln von Bestandteilen der Test-Formulierung auf Basis der Rezeptur,
(330) Ermitteln von physikalischen und/oder chemischen Eigenschaften der ermittelten Bestandteile,
(340) Erzeugen einer numerischen Repräsentation der Test-Formulierung, wobei die numerische Repräsentation der Test-Formulierung für jeden ermittelten Bestandteil eine numerische Repräsentation des ermittelten Bestandteils umfasst, wobei die numerische Repräsentation jedes ermittelten Bestandteils einen Wert zu der Menge des Bestandteils in der Test-Formulierung und Werte zu den ermittelten physikalischen und/oder chemischen Eigenschaften des Bestandteils umfasst,
(350) Eingeben der numerischen Repräsentation der Test-Formulierung das trainierte Modell des maschinellen Lernens,
(360) Empfangen mindestens eines vorhergesagten Stabilitätsmerkmals von dem trainierten Modell des maschinellen Lernens,
(370) Ausgeben und/oder Speichern des mindestens einen vorhergesagten Stabilitätsmerkmals und/oder Übermitteln des mindestens einen vorhergesagten Stabilitätsmerkmals an ein separates Computersystem .
Beispiel
Nachfolgend ist ein Beispiel zur Ausführung der vorliegenden Erfindung beschrieben. Als Modell des maschinellen Lernens wurde ein künstliches neuronales Netz verwendet, das physikalisch/chemische Repräsentationen einzelner Formulierungsbestandteile (basierend auf logD-Werten gemessen bei neutralem und acidem pH, Wasserlöslichkeit, Schmelzpunkt und molekularer Masse in Kombination mit Informationen zum Formuliertyp) in einem Aufmerksamkeitsmechanismus zu materialspezifischen Embeddings verarbeitet, diese mittels eines Attention Poolings bündelt und dann über ein Fully Connected Neural Network die gewünschten Stabilitätsmerkmale vorhersagt. Das Modell des maschinellen Lernens wurde auf Basis von Rezepturen verschiedener Formulierungen von Pflanzenschutzmitteln trainiert. Das Modell des maschinellen Lernens wurde trainiert, die folgenden Stabilitätsmerkmale auf Basis einer numerischen Repräsentation der jeweiligen Rezeptur vorherzusagen.
Fig. 8 zeigt eine Gegenüberstellung von gemessenen und vorhergesagten Stabilitätsmerkmalen. Es wurden für drei verschiedene Verpackungsmaterialien (GF 4750: Polyethylen, PEEVOH: COEX PE/EVOH, PEPA: COEX PE/PA) insgesamt sieben verschiedene Stabilitätsmerkmale (Restzufest: Restzugfestigkeit, Masseaend: Masseänderung, Perm: Permeation, Schlagzugf: Schlagzugestigkeit, Stabw: Standardabweichung der Messung der Schlagzugfestigkeit) vorhergesagt.
Die eigentlichen Messungen („measurements“) und Vorhersagen („predictions“) liegen nahe der eingezeichneten Diagonalen und zeigen damit eine gute Übereinstimmung.
Aufgrund dieser vorhergesagten Stabilitätsmerkmale können nun die Eignungen der Materialien als Verpackungsmaterialen für die jeweilige Formulierung eingeschätzt werden. Beispielsweise sollte die Zugfestigkeit bei 100% liegen. Für diverse Materialien liegt dieses Stabilitätsmerkmal jedoch unter 50%. Solche niedrigen Werte sollten vermieden werden.
Für bestimmte Stabilitätsmerkmale (z.B. Schlagzugfestigkeit) ist nicht nur der absolute Wert, sondern auch die Streuungsbreite der Messungen („Standardabweichung“) wichtig, um eine Aussage zur Eignung treffen zu können. Eine Vorhersage der Streuungsbreite ist mit dem Modell des maschinellen Lernens ebenso möglich.
Anhand der entsprechenden vorhergesagten Stabilitätsmerkmale können Tests zur Verifikation der Vorhersagen priorisiert durchgeführt werden. Dazu kann ein Grenzwert oder Kriterium zur Bewertung eines vorhergesagten Stabilitätsmerkmals anhand von Erfahrungen und/oder anhand von Stabilitätsmerkmalen bekannter Materialien definiert werden. Es können Messungen mit solchen Materialien durchgeführt werden, für die ein vorhergesagtes Stabilitätskriterium oberhalb des definierten Grenzwerts liegt und/oder es können Messungen mit denjenigen Materialien durchgeführt werden, für die die besten Vorhersageergebnisse erzielt wurden. Materialien, bei denen ein vorhergesagtes Stabilitätsmerkmal unterhalb des definierten Grenzwerts liegt, brauchen keine praktischen Lagerungs- und/oder Stabilitätsversuche durchgeführt werden, da sie augenscheinlich nicht als Behälter für die jeweilige Formulierung geeignet sind.

Claims

Patentansprüche
1. Computer-implementiertes Verfahren umfassend:
Bereitstellen eines trainierten Modells (MLMT) des maschinellen Lernens, o wobei das trainierte Modell (MLMT) des maschinellen Lernens konfiguriert ist und mit Hilfe von Trainingsdaten trainiert worden ist, mindestens ein Stabilitätsmerkmal (Sp, Sp*) für ein System umfassend eine Formulierung und mindestens ein Material in Kontakt mit der Formulierung auf Basis einer numerischen Repräsentation (RF, RF*) der Formulierung vorherzusagen, o wobei die Trainingsdaten für jede Referenz-Formulierung einer Vielzahl an Referenz- Formulierungen (i) eine numerische Repräsentation (RF) der Referenz-Formulierung und (ii) mindestens ein gemessenes Stabilitätsmerkmal (SM) umfassen, wobei das mindestens eine gemessene Stabilitätsmerkmal (SM) ein Maß für die Stabilität eines Systems umfassend die Referenz-Formulierung und mindestens ein Material in Kontakt mit der Referenz-Formulierung ist, o wobei das Trainieren des Modells (MLM) des maschinellen Lernens für jede Referenz- Formulierung umfasst:
■ Eingeben der numerischen Repräsentation (RF) der Referenz-Formulierung in das Modell (MLM) des maschinellen Lernens,
■ Empfangen mindestens eines vorhergesagten Stabilitätsmerkmals (Sp) von dem Modell (MLM) des maschinellen Lernens,
■ Quantifizieren einer Abweichung zwischen dem mindestens einen gemessenen Stabilitätsmerkmal (SM) und dem mindestens einen vorhergesagten Stabilitätsmerkmal (Sp),
■ Reduzieren der Abweichung durch Modifizieren der Modellparameter,
Empfangen einer Rezeptur (R*) einer Test-Formulierung,
Ermitteln von Bestandteilen der Test-Formulierung auf Basis der Rezeptur (R*),
Ermitteln von physikalischen und/oder chemischen Eigenschaften der ermittelten Bestandteile,
Erzeugen einer numerischen Repräsentation (RF*) der Test-Formulierung, wobei die numerische Repräsentation (RF*) der Test-Formulierung für jeden ermittelten Bestandteil eine numerische Repräsentation (Rn*, Rn*, R13*) des ermittelten Bestandteils umfasst, wobei die numerische Repräsentation (Rn*, R12*, R13*) jedes ermittelten Bestandteils einen Wert zu der Menge des Bestandteils in der Test-Formulierung und Werte zu den ermittelten physikalischen und/oder chemischen Eigenschaften des Bestandteils umfasst,
Eingeben der numerischen Repräsentation (RF*) der Test-Formulierung in das trainierte Modell (MLMT) des maschinellen Lernens,
Empfangen mindestens eines vorhergesagten Stabilitätsmerkmals (Sp*) von dem trainierten Modell (MLMT) des maschinellen Lernens,
Ausgeben und/oder Speichern des mindestens einen vorhergesagten Stabilitätsmerkmals (Sp*) und/oder Übermitteln des mindestens einen vorhergesagten Stabilitätsmerkmals (Sp*) an ein separates Computersystem.
2. Verfahren gemäß Anspruch 1, wobei das Trainieren des Modells (MLM) des maschinellen Lernens umfasst: Bereitstellen und/oder Empfangen von Informationen über die Vielzahl von Referenz- Formulierungen, wobei die Informationen für jede Referenz-Formulierung (i) eine Rezeptur (R) und (ii) das mindestens eine gemessene Stabilitätsmerkmal (SM) umfassen,
Ermiteln von Bestandteilen der Referenz-Formulierung auf Basis der Rezeptur (R) der Referenz -Formulierung,
Ermiteln von physikalischen und/oder chemischen Eigenschaften der ermitelten Bestandteile jeder Referenz-Formulierung,
Erzeugen einer numerischen Repräsentation (RF) für jede Referenz-Formulierung, wobei die numerische Repräsentation (Ri ) der Referenz-Formulierung für jeden ermitelten Bestandteil eine numerische Repräsentation (Rn, R[2, Ru) des ermitelten Bestandteils umfasst, wobei die numerische Repräsentation (Rn, R[2, Rn) jedes ermitelten Bestandteils einen Wert zu der Menge des Bestandteils in der Referenz-Formulierung und Werte zu den ermitelten physikalischen und/oder chemischen Eigenschaften des Bestandteils umfasst.
3. Verfahren gemäß Anspruch 1 oder 2, wobei die Test-Formulierung und jede Referenz -Formulierung eine Formulierung eines Pflanzenschutzmitels ist.
4. Verfahren gemäß einem der Ansprüche 1 bis 3, wobei das mindestens eine Material ein Material eines Behältnisses für eine Formulierung, ein Material eines Deckels eines Behältnisses für eine Formulierung und/oder ein Material einer Dichtung eines Behältnisses für eine Formulierung ist.
5. Verfahren gemäß einem der Ansprüche 1 bis 4, wobei das mindestens eine Material ein Kunststoff oder ein Verbund aus mehreren Kunststoffen ist.
6. Verfahren gemäß einem der Ansprüche 1 bis 5, wobei das mindestens Material für alle Referenz- Formulierungen und die Test-Formulierung das gleiche Materials ist oder mehrere gleiche Materialien sind.
7. Verfahren gemäß einem der Ansprüche 1 bis 6, wobei das mindestens eine gemessene Stabilitätsmerkmal (SM) und das mindestens eine vorhergesagte Stabilitätsmerkmal (Sp. Sp*) eines oder mehrere der folgenden Stabilitätsmerkmale umfasst:
Quellung des mindestens einen Materials in Kontakt mit der Referenz-Formulierung/Test- Formulierung,
Permeation von Bestandteilen der Referenz-Formulierung/Test-Formulierung in und/oder durch das mindestens eine Material,
Schlagzugfestigkeit des mindestens einen Materials nach Kontakt mit der Referenz- F ormulierung/Te st-F ormulierung,
Schmelzflussrate des mindestens einen Materials nach Kontakt mit der Referenz-
F ormulierung/Te st-F ormulierung,
Restzugfestigkeit des mindestens einen Materials nach Kontakt mit der Referenz-
F ormulierung/Te st-F ormulierung .
8. Verfahren gemäß einem der Ansprüche 1 bis 7, wobei die Rezeptur (R*, R) der Test-Formulierung und/oder Referenz -Formulierung Informationen über die Art der Test-Formulierung und/oder Referenz- Formulierung umfasst.
9. Verfahren gemäß einem der Ansprüche 1 bis 8, wobei das Ermiteln von Bestandteilen der Test- Formulierung und/oder Referenz-Formulierung auf Basis der Rezeptur (R*, R) umfasst: Ermiteln von Verunreinigungen von Bestandteilen.
10. Verfahren gemäß einem der Ansprüche 1 bis 9, wobei das Ermiteln von Bestandteilen der Test- Formulierung und/oder Referenz-Formulierung auf Basis der Rezeptur (R*, R) umfasst: für Bestandteile der Test-Formulierung und/oder Referenz-Formulierung, die aus mehr als einer chemischen Verbindung bestehen, Ermiteln von chemischen Verbindungen, die in dem Bestandteil enthalten sind.
11. Verfahren gemäß einem der Ansprüche 1 bis 10, ferner umfassend:
Ermiteln aller chemischen Verbindungen aller Bestandteile der Test-Formulierung/Referenz- Formulierungen mit einem Mindestgehalt,
Ermiteln eines molekularen Deskriptors für jede der ermitelten chemischen Verbindungen, wobei das Ermiteln von physikalischen und/oder chemischen Eigenschaften der ermitelten Bestandteile umfasst:
Berechnen von physikalischen und/oder chemischen Eigenschaften der ermitelten chemischen Verbindungen auf Basis der molekularen Deskriptoren.
12. Verfahren gemäß einem der Ansprüche 1 bis 11, wobei die ermitelten physikalischen und/oder chemischen Eigenschaften einen oder mehrere der folgenden Eigenschaften umfassen:
Molekulargewicht,
Verteilungskoeffizient für w-Octanol/Wasscr oder eine daraus abgeleitete Größe,
Schmelzpunkt,
Wasserlöslichkeit.
13. Verfahren gemäß einem der Ansprüche 1 bis 12, wobei das Modell des maschinellen Lernens (MLM, MLMT) konfiguriert ist, für jede numerische Repräsentation (Rn, R12- R13, Rn*, R12*, R13*) jedes ermitelten Bestandteils eine optional komprimierte numerische Repräsentation (Rcn, Rci2, Rci3, Rcn*, Rci2*, Rci3*) ZU erzeugen und die optional komprimierten numerischen Repräsentationen (Rcn, Rci2, Rci3, Rcn*, Rci2*, Rci3*) der Bestandteile zu einer gemeinsamen vorzugsweise permutationsinvarianten Repräsentation (RPI, RPI*) der jeweiligen Referenz-Formulierung/Test-Formulierung zusammenzufassen.
14. Computersystem (1) umfassend
• eine Eingabeeinheit (10),
• eine Steuer- und Recheneinheit (20) und
• eine Ausgabeeinheit (30), wobei die Steuer- und Recheneinheit (20) konfiguriert ist, ein trainiertes Modell (MLMT) des maschinellen Lernens bereitzustellen, wobei das trainierte Modell (MLMT) des maschinellen Lernens konfiguriert ist und mit Hilfe von Trainingsdaten trainiert worden ist, mindestens ein Stabilitätsmerkmal (Sp, Sp*) für ein System umfassend eine Formulierung und mindestens ein Material in Kontakt mit der Formulierung auf Basis einer numerischen Repräsentation (RF, RF*) der Formulierung vorherzusagen, o wobei die Trainingsdaten für jede Referenz -Formulierung einer Vielzahl an Referenz- Formulierungen (i) eine numerische Repräsentation (RF) der Referenz-Formulierung und (ii) mindestens ein gemessenes Stabilitätsmerkmal (SM) umfassen, wobei das mindestens eine gemessene Stabilitätsmerkmal (SM) ein Maß für die Stabilität eines Systems umfassend die Referenz -Formulierung und mindestens ein Material in Kontakt mit der Referenz-Formulierung ist, o wobei das Trainieren des Modells (MLM) des maschinellen Lernens für jede Referenz- Formulierung umfasst:
■ Eingeben der numerischen Repräsentation (RF) der Referenz-Formulierung in das Modell (MLM) des maschinellen Lernens,
■ Empfangen mindestens eines vorhergesagten Stabilitätsmerkmals (Sp) von dem Modell (MLM) des maschinellen Lernens,
■ Quantifizieren einer Abweichung zwischen dem mindestens einen gemessenen Stabilitätsmerkmal (SM) und dem mindestens einen vorhergesagten Stabilitätsmerkmal (Sp),
■ Reduzieren der Abweichung durch Modifizieren der Modellparameter, die Eingabeeinheit (10) zu veranlassen, eine Rezeptur (R*) einer Test-Formulierung zu empfangen,
Bestandteile der Test-Formulierung auf Basis der Rezeptur (R*) zu ermitteln, physikalische und/oder chemische Eigenschaften der ermittelten Bestandteile zu ermitteln, eine numerische Repräsentation (RF*) der Test-Formulierung zu erzeugen, wobei die numerische Repräsentation (RF*) der Test-Formulierung für jeden ermittelten Bestandteil eine numerische Repräsentation (Rn*, Rn*, R13*) des ermittelten Bestandteils umfasst, wobei die numerische Repräsentation (Rn*, R12*, R13*) jedes ermittelten Bestandteils einen Wert zu der Menge des Bestandteils in der Test-Formulierung und Werte zu den ermittelten physikalischen und/oder chemischen Eigenschaften des Bestandteils umfasst, die numerische Repräsentation (RF*) der Test-Formulierung in das trainierte Modell (MLMT) des maschinellen Lernens einzugeben, mindestens ein vorhergesagtes Stabilitätsmerkmal (Sp*) von dem trainierten Modell (MLMT) des maschinellen Lernens zu empfangen, die Ausgabeeinheit (30) zu veranlassen, das mindesten eine vorhergesagte Stabilitätsmerkmals (Sp*) auszugeben und/oder zu speichern und/oder an ein separates Computersystem zu übermitteln.
15. Computerlesbares Speichermedium, umfassend Befehle, die bei einer Ausführung durch ein Computersystem (1) dieses veranlassen, die folgenden Schritte auszuführen:
Bereitstellen eines trainierten Modells (MLMT) des maschinellen Lernens, o wobei das trainierte Modell (MLMT) des maschinellen Lernens konfiguriert ist und mit Hilfe von Trainingsdaten trainiert worden ist, mindestens ein Stabilitätsmerkmal (Sp, Sp*) für ein System umfassend eine Formulierung und mindestens ein Material in Kontakt mit der Formulierung auf Basis einer numerischen Repräsentation (RF, RF*) der Formulierung vorherzusagen, o wobei die Trainingsdaten für jede Referenz-Formulierung einer Vielzahl an Referenz- Formulierungen (i) eine numerische Repräsentation (RF) der Referenz-Formulierung und (ii) mindestens ein gemessenes Stabilitätsmerkmal (SM) umfassen, wobei das mindestens eine gemessene Stabilitätsmerkmal (SM) ein Maß für die Stabilität eines Systems umfassend die Referenz-Formulierung und mindestens ein Material in Kontakt mit der Referenz-Formulierung ist, o wobei das Trainieren des Modells (MLM) des maschinellen Lernens für jede Referenz- Formulierung umfasst: Eingeben der numerischen Repräsentation (RF) der Referenz-Formulierung in das Modell (MLM) des maschinellen Lernens,
■ Empfangen mindestens eines vorhergesagten Stabilitätsmerkmals (Sp) von dem Modell (MLM) des maschinellen Lernens,
■ Quantifizieren einer Abweichung zwischen dem mindestens einen gemessenen Stabilitätsmerkmal (SM) und dem mindestens einen vorhergesagten Stabilitätsmerkmal (Sp),
■ Modifizieren der Modellparameter im Hinblick auf eine Reduzierung der Abweichung,
Empfangen einer Rezeptur (R*) einer Test-Formulierung,
Ermitteln von Bestandteilen der Test-Formulierung auf Basis der Rezeptur (R*),
Ermitteln von physikalischen und/oder chemischen Eigenschaften der ermittelten Bestandteile,
Erzeugen einer numerischen Repräsentation (RF*) der Test-Formulierung, wobei die numerische Repräsentation (RF*) der Test-Formulierung für jeden ermittelten Bestandteil eine numerische Repräsentation (Rn*, Rn*, R13*) des ermittelten Bestandteils umfasst, wobei die numerische Repräsentation (Rn*, R12*, R13*) jedes ermittelten Bestandteils einen Wert zu der Menge des Bestandteils in der Test-Formulierung und Werte zu den ermittelten physikalischen und/oder chemischen Eigenschaften des Bestandteils umfasst,
Eingeben der numerischen Repräsentation (RF*) der Test-Formulierung in das trainierte Modell (MLMT) des maschinellen Lernens,
Empfangen mindestens eines vorhergesagten Stabilitätsmerkmals (Sp*) von dem trainierten Modell (MLMT) des maschinellen Lernens,
Ausgeben und/oder Speichern des mindestens einen vorhergesagten Stabilitätsmerkmals (Sp*) und/oder Übermitteln des mindestens einen vorhergesagten Stabilitätsmerkmals (Sp*) an ein separates Computersystem.
EP23765235.9A 2022-09-14 2023-09-05 Ermittlung der stabilität von verpackten formulierungen Pending EP4588053A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP22195615 2022-09-14
PCT/EP2023/074224 WO2024056439A1 (de) 2022-09-14 2023-09-05 Ermittlung der stabilität von verpackten formulierungen

Publications (1)

Publication Number Publication Date
EP4588053A1 true EP4588053A1 (de) 2025-07-23

Family

ID=83318732

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23765235.9A Pending EP4588053A1 (de) 2022-09-14 2023-09-05 Ermittlung der stabilität von verpackten formulierungen

Country Status (2)

Country Link
EP (1) EP4588053A1 (de)
WO (1) WO2024056439A1 (de)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9965705B2 (en) 2015-11-03 2018-05-08 Baidu Usa Llc Systems and methods for attention-based configurable convolutional neural networks (ABC-CNN) for visual question answering
US20170262996A1 (en) 2016-03-11 2017-09-14 Qualcomm Incorporated Action localization in sequential data with attention proposals from a recurrent network
WO2020222985A1 (en) 2019-04-30 2020-11-05 The Trustees Of Dartmouth College System and method for attention-based classification of high-resolution microscopy images
US20230100584A1 (en) * 2020-02-19 2023-03-30 Bayer Aktiengesellschaft Predicting formulation properties

Also Published As

Publication number Publication date
WO2024056439A1 (de) 2024-03-21

Similar Documents

Publication Publication Date Title
DE69217047T2 (de) Verbesserungen in neuronalnetzen
DE112016001796T5 (de) Feinkörnige bildklassifizierung durch erforschen von etiketten von einem bipartiten graphen
DE112018002950B4 (de) System und Verfahren zum Aufbauen von synaptischen Gewichten für künstliche neuronale Netze aus mit Vorzeichen versehenen analogen Leitwertpaaren unterschiedlicher Wertigkeit
DE102007014650B3 (de) Verfahren zur rechnergestützten Verarbeitung von in einem Sensornetzwerk erfassten Messwerten
Swapno et al. ViT-SENet-Tom: machine learning-based novel hybrid squeeze–excitation network and vision transformer framework for tomato fruits classification
DE102012106132A1 (de) Verfahren und System zur Identifizierung und Diskriminierung von heterogenen Materialien zur Verarbeitung in einer Vorrichtung zur Produktbearbeitung
DE112021006643T5 (de) Datengesteuerte multikriterielle optimierung von chemischen formulierungen
Watts et al. Using artificial neural networks to determine the relative contribution of abiotic factors influencing the establishment of insect pest species
DE102004025876B4 (de) Vorrichtung und Verfahren zur Stapeleigenschaftsschätzung
WO2025040481A1 (de) Auswertung von optischen spektraldaten mittels künstlicher intelligenz
DE112019004873T5 (de) Korrektur der Variation zwischen Instrumenten
DE102019206049A1 (de) Erkennung und Behebung von Rauschen in Labels von Lern-Daten für trainierbare Module
EP4588053A1 (de) Ermittlung der stabilität von verpackten formulierungen
WO2024104648A1 (de) Technischer entwurf eines analysegerätes zur spektralen analyse
WO2012016596A1 (de) Vorrichtung und verfahren zum bearbeiten einer prozesssimulationsdatenbasis eines prozesses
EP3605404B1 (de) Verfahren und vorrichtung zum trainieren einer maschinellen lernroutine zum steuern eines technischen systems
WO2025108801A1 (de) Verfahren zum bestimmen einer bauteilstückliste zum herstellen eines produkts mittels einer elektronischen recheneinrichtung, computerprogrammprodukt, computerlesbares speichermedium sowie elektronische recheneinrichtung
EP3748574A1 (de) Adaptive bereinigung von messdaten um unterschiedliche arten von störungen
DE112016007312T5 (de) Netzwerk-bildungsvorrichtung und netzwerk-bildungsverfahren
WO2024104731A1 (de) Technischer entwurf eines analysegerätes zur spektralen analyse sowie maschinelles lernsystem
DE102022208388A1 (de) Verfahren und Vorrichtung zum Optimieren einer Menge von Tests hinsichtlich einer Gesamttestzeit
Romero et al. Implementation of an intelligent model based on Convolutional Neural Network for the detection of diseases in citrus crops caused by bird pests using an intelligent drone
DE19549300C1 (de) Verfahren zur rechnergestützten Ermittlung einer Bewertungsvariablen eines Bayesianischen Netzwerkgraphen
DE10233022B4 (de) Verfahren zur Lösung von Aufgaben der adaptiven Chemie
DE102019220453A1 (de) Verfahren und Vorrichtung zum Erstellen einer Sicherheitsfunktion für das Vermessen eines Fertigungssystems

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20250414

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)