JP2017091526A - 新規物質探索方法および装置 - Google Patents

Abstract

【課題】新素材を開発するための新規物質探索方法を提供する。
【解決手段】既知物質に基づいてモデリングされた物質モデルに対して学習を行う段階（Ｓ２０１）と、学習の結果に目標物性を入力して少なくとも１つの候補物質を決定する段階（Ｓ２０２）と、少なくとも１つの候補物質の中から新規物質を決定する段階（２０４）と、により新規物質を探索する。
【選択図】図２

Description

本発明は、新素材を開発するための新規物質探索方法および装置に関する。

第１原理シミュレーション理論などの素材シミュレーション技術および計算能力を向上させるスーパーコンピュータが、かつて実験にのみ頼っていた新素材の開発過程に適用されている。多数の仮想物質を生成し、コンピュータシミュレーションを通して生成された仮想物質の中から新素材候補物質を選び出すことが可能な高速大量スクリーニング（Ｈｉｇｈ Ｔｈｒｏｕｇｈｐｕｔ Ｓｃｒｅｅｎｉｎｇ、ＨＴＳ）が代表的な例である。

ＨＴＳにおいて多数の部分構造の組み合わせにより仮想物質が生成されるので、部分構造の個数や部分構造の組み合わせ方法によって、生成された仮想物質の個数が指数的に増加する。通常、１つの仮想物質に対するシミュレーションに、長くは数時間以上要するため、シミュレーションされる仮想物質の個数が多くなると、シミュレーションだけを活用して全ての仮想物質に対する評価を行うことが困難になる。

したがって、シミュレーションだけで全体仮想物質に対するスクリーニングを行うのではなく、機械学習などの方法を適用して、シミュレーションに先立って可能性のある物質群を選別する方式が研究されている。機械学習は、与えられた問題を解くためのモデルを、既知データに基づいて構成する方法論を意味し、機械学習が適用される場合、すでに既知の物性計算（または測定）データを用いて、機械学習モデルを通してシミュレーションなしにシミュレーション結果を速やかに予測できる。したがって、より多数の候補物質に対する評価が可能になる。

しかし、機械学習をＨＴＳに適用する方法も、新素材候補物質を生成するために多数の仮想物質を生成する必要があるので、良くない特性を有する物質まで大量に生成され得ることから、新素材候補物質の探索において非効率的である。なお、新規物質を探索する手法は下記特許文献１に記載されている。

特開２０１５−１０９０８４

一実施形態は、物質の構造情報および物性情報を変数とする確率関数に基づいて新規物質を探索する新規物質探索方法および装置を提供する。

他の実施形態は、物質の構造情報および物性情報を変数とする確率関数に基づいて特定物質の物性を知る新規物質探索方法および装置を提供する。

一実施形態によれば、新規物質を探索する方法が提供される。前記物質の探索方法は、既知物質に基づいてモデリングされた物質モデルに対して学習を行う段階と、学習の結果に目標物性を入力して少なくとも１つの候補物質を決定する段階と、少なくとも１つの候補物質の中から前記新規物質を決定する段階とを含む。

前記物質の探索方法において、学習を行う段階は、既知物質の構造に関する第１構造情報、既知物質の物性に関する第１物性情報、潜在要因に関する情報と、少なくとも１つの学習パラメータとに基づいて物質モデルをモデリングする段階と、少なくとも１つの学習パラメータをアップデートする段階と、学習パラメータのアップデート結果に基づいて学習の終了の有無を決定する段階とを含むことができる。

前記物質の探索方法において、第１構造情報は、物質の分子構造に含まれている部分構造に関する情報を含むことができる。

前記物質の探索方法において、第１構造情報は、物質の分子構造に含まれている原子に関する情報および原子の結合に関する情報を含むことができる。

前記物質の探索方法において、第１構造情報は、物質の分子構造に関する２次元イメージ情報を含むことができる。

前記物質の探索方法において、学習パラメータは、物質の構造に関する基本値パラメータ、物質の物性に関する基本値パラメータ、潜在要因の基本値パラメータ、物質の構造と潜在要因の間の関係パラメータ、物質の物性と潜在要因の間の関係パラメータのうちの少なくとも１つを含み、前記学習を行う段階は、前記モデリングする段階の前に、前記学習パラメータをランダムな値に初期化する段階をさらに含むことができる。

前記物質の探索方法において、モデリングする段階は、第１構造情報、第１物性情報、および学習パラメータに基づいてエネルギー関数をモデリングする段階と、エネルギー関数に基づいて導出された物質モデルの確率関数に基づいて、新規物質の構造に関する第２構造情報および新規物質の物性に関する第２物性情報を生成する段階とを含むことができる。

前記物質の探索方法において、アップデートする段階は、確率関数およびエネルギー関数に基づいて導出された物質モデルの自由エネルギー関数に基づいて、学習パラメータをアップデートする段階を含むことができる。

前記物質の探索方法において、確率関数および自由エネルギー関数に基づいて、学習パラメータをアップデートする段階は、学習パラメータと、自由エネルギー関数で表現された目的関数との差を用いて学習パラメータをアップデートする段階を含むことができる。

前記物質の探索方法において、目的関数は、確率関数の微分表現から導出された関数であるとよい。

前記物質の探索方法において、少なくとも１つの候補物質の中から新規物質を決定する段階は、少なくとも１つの候補物質の物理的妥当性、化学的安定性、または合成容易性のうちの少なくとも１つを検証する段階と、少なくとも１つの候補物質の中から検証が完了した候補物質を新規物質として決定する段階とを含むことができる。

他の実施形態によれば、新規物質を探索する物質の探索装置が提供される。前記物質の探索装置は、既知物質に基づいてモデリングされた物質モデルに対して学習を行う学習実行部と、学習の結果に目標物性を入力して少なくとも１つの候補物質を決定し、少なくとも１つの候補物質の中から新規物質を決定する新規物質決定部とを含む。

前記物質の探索装置において、学習実行部は、既知物質の構造に関する第１構造情報、既知物質の物性に関する第１物性情報、潜在要因に関する情報と、少なくとも１つの学習パラメータとに基づいて物質モデルをモデリングする物質モデリング部と、少なくとも１つの学習パラメータをアップデートするパラメータアップデータと、学習パラメータのアップデート結果に基づいて学習の終了の有無を決定する学習実行終了部とを含むことができる。

前記物質の探索装置において、第１構造情報は、物質の分子構造に含まれている部分構造に関する情報を含むことができる。

前記物質の探索装置において、第１構造情報は、物質の分子構造に含まれている原子に関する情報および原子の結合に関する情報を含むことができる。

前記物質の探索装置において、第１構造情報は、物質の分子構造に関する２次元イメージ情報を含むことができる。

前記物質の探索装置において、学習パラメータは、物質の構造に関する基本値パラメータ、物質の物性に関する基本値パラメータ、潜在要因の基本値パラメータ、物質の構造と潜在要因の間の関係パラメータ、物質の物性と潜在要因の間の関係パラメータのうちの少なくとも１つを含み、前記物質モデリング部は、前記モデリングの前に、前記学習パラメータをランダムな値に初期化することができる。

前記物質の探索装置において、物質モデリング部は、第１構造情報、第１物性情報、および学習パラメータに基づいてエネルギー関数をモデリングし、エネルギー関数に基づいて導出された物質モデルの確率関数に基づいて、新規物質の構造に関する第２構造情報および新規物質の物性に関する第２物性情報を生成することができる。

前記物質の探索装置において、パラメータアップデータは、確率関数およびエネルギー関数に基づいて導出された物質モデルの自由エネルギー関数に基づいて、学習パラメータをアップデートすることができる。

前記物質の探索装置において、パラメータアップデータは、学習パラメータと、自由エネルギー関数で表現された目的関数との差を用いて学習パラメータをアップデートすることができる。

前記物質の探索装置において、目的関数は、確率関数の微分表現から導出された関数であるとよい。

前記物質の探索装置において、新規物質決定部は、少なくとも１つの候補物質の物理的妥当性、化学的安定性、または合成容易性のうちの少なくとも１つを検証し、少なくとも１つの候補物質の中から検証が完了した候補物質を新規物質として決定することができる。

物質の構造情報および物性情報を関連づけられる物質モデルをモデリングし、物質モデルを機械学習を通して学習した後、学習された物質モデルを用いて、目標物性情報から新規物質の構造を探索し、または特定物質の構造情報から特定物質の物性情報を知ることができる。

一実施形態に係る物質の探索装置を示すブロック図である。 一実施形態に係る物質の探索方法を示すフローチャートである。 一実施形態に係る既知の有機物質の構造図である。 一実施形態に係る物質モデルに対する学習方法を示すフローチャートである。 一実施形態に係る物質の探索結果を示すグラフである。 他の実施形態に係る物質の探索装置を示すブロック図である。

以下、添付した図面を参照して、本記載の実施形態について、本発明の属する技術分野における通常の知識を有する者が容易に実施できるように詳細に説明する。しかし、本記載は種々の異なる形態で実現可能であり、ここで説明する実施形態に限定されない。そして、図面において、本記載を明確に説明するために説明上不必要な部分は省略し、明細書全体にわたって類似の部分については類似の図面符号を付した。

図１は、一実施形態に係る物質の探索装置（新規物質探索装置）を示すブロック図である。

図１を参照すれば、一実施形態に係る物質の探索装置１００は、物質モデルに対する機械学習を行う学習実行部１１０と、目標物性に対応する新規物質を決定する新規物質決定部１２０とを含む。そして、学習実行部１１０は、物質モデルをモデリングする物質モデリング部１１１と、物質モデルのモデリングに用いられる学習パラメータをアップデートするパラメータアップデータ１１２と、学習パラメータのアップデート結果に基づいて学習の終了の有無を決定する学習実行終了部１１３とを含む。

学習実行部１１０は、物質モデルに対する学習を行い、この時、物質モデルは、既知物質の構造に関する構造情報ｘ（第１構造情報）、既知の各物質の物性に関する物性情報ｙ（第１物性情報）、および潜在要因を示す潜在変数ｈと、学習パラメータとに基づいて物質モデリング部１１１によってモデリングされる。一実施形態において、構造情報は、物質の分子構造に関する２次元イメージ情報を含むことができる。一実施形態において、構造情報は、物質の分子構造内の原子に関する情報と、原子の組み合わせに関する情報を含むことができる。このような実施形態において、物質モデリング部１１１は、物質の構造情報、物質の物性情報、および潜在要因が学習パラメータを通して関連づけられたエネルギー関数を、物質モデルとしてモデリングすることができる。この時、既知物質の構造情報および物性情報はデータベースに保存されているとよい。

パラメータアップデータ１１２は、物質モデルの自由エネルギー関数の変化量を計算することによって、物質モデルのモデリングに用いられた学習パラメータをアップデートする。

学習実行終了部１１３は、物質モデルに対する学習がある程度進行した後、学習の終了を決定する。

新規物質決定部１２０は、学習された物質モデルに目標物性を代入して新規物質を決定する。あるいは、新規物質決定部は、学習された物質モデルに特定物質の構造に関する構造情報を代入して特定物質の物性情報を知ることができる。

以下、図２〜図４に基づいて、本記載の物質の探索装置が新規物質を探索する方法を詳細に説明する。

図２は、一実施形態に係る物質の探索方法（新規物質探索方法）を示すフローチャートであり、図３は、一実施形態に係る既知の有機物質の構造図であり、図４は、一実施形態に係る物質モデルに対する学習方法を示すフローチャートである。

図２を参照すれば、まず、物質の探索装置は、物質モデルに対して学習を行う（Ｓ２０１）。一実施形態によれば、物質の探索装置は、以下に記載の方法により物質モデルに対する学習を行うことができる。以下、図４を参照して、一実施形態に係る物質モデルに対する学習方法を詳細に説明する。

まず、物質の探索装置は、物質モデルをモデリングする。一実施形態に係る物質の探索装置は、物質モデルをモデリングするために、データベースから既知の物質の構造に関する構造情報ｘおよび各物質の物性に関する物性情報ｙを読み込む。

一実施形態において、物質の探索装置は、約５０，０００個の有機物質のための物質モデルに対して学習を行うことができる。物質の探索装置は、データベースから、既知の５０，０００個の有機物質の構造に関する構造情報ｘおよび各有機物質の物性情報に関する物性情報ｙを読み込む。

一実施形態において、構造情報ｘは、部分構造の存在／不存在を指示する数字のシーケンスで表現される。部分構造は、既知物質の構造の一部分である。例えば、部分構造グループは、単一六角環（ｓｉｎｇｌｅ ｈｅｘａｇｏｎａｌ ｒｉｎｇ）、二重六角環（ｄｏｕｂｌｅ ｈｅｘａｇｏｎａｌ ｒｉｎｇ）、三重六角環（ｔｒｉｐｌｅ ｈｅｘａｇｏｎａｌ ｒｉｎｇ）などを含むことができる。部分構造の数字シーケンスは、２進シーケンス（ｂｉｎａｒｙ ｓｅｑｕｅｎｃｅ）であるとよい。そのため、図３に示された既知の有機物質は［１，１，０］で表現される。例えば、部分構造は、循環指紋方法（ｃｉｒｃｕｌａｒ ｆｉｎｇｅｒｐｒｉｎｔ ｍｅｔｈｏｄ）を行うソフトウェアまたはハードウェアによって取得される。

一実施形態において、物性情報ｙは、コンピュータシミュレーションによって取得される。例えば、約５０，０００個の有機物質に対応する５０，０００個の受光強度／発光強度情報がコンピュータシミュレーションによって計算される。計算正確度は、物性情報の次元をログスケール（ｌｏｇ ｓｃａｌｅ）に変換することによって増加できるが、これは、大部分の有機物質に対する特定物性値がほぼ０で計算され得るからである。

そして、物質の探索装置は、構造情報および物性情報に基づいて物質モデルをモデリングするのに用いられる学習パラメータをランダムな値に初期化する。この時、学習パラメータは、物質の構造に関する基本値パラメータａ、物質の物性に関する基本値パラメータｂ、潜在要因の基本値パラメータｃ、構造−潜在要因の間の関係パラメータＵ、そして物性−潜在要因の間の関係パラメータｖを含む。つまり、学習パラメータθは、下記数式１のように表現される。

以降、物質の探索装置は、物質の構造情報を示す変数ｘ、物質の物性情報を示す変数ｙ、および潜在要因を示す潜在変数ｈと、学習パラメータとに基づいてエネルギー関数を模写することによって、物質モデルを生成する（Ｓ４０１）。一実施形態によれば、ｘ、ｙ、およびｈを変数として有するエネルギー関数は、数式２のように表現される。

数式２において、ｘとｈはベクトルであり、ｙは実数である。そして、数式２において、Ｅ（ｘ，ｈ）は関係パラメータＵによって定義された変数ｘおよび潜在変数ｈにより決定されたエネルギーを示し、Ｅ（ｙ，ｈ）は関係パラメータｖによって定義された変数ｙおよび潜在変数ｈにより決定されたエネルギーを示す。この時、λは指定パラメータであって、物質モデルに対する学習正確度および学習速度に関連づけられている。そして、Ｅ（ｘ）はパラメータａによって定義された変数ｘにより決定されたエネルギー、Ｅ（ｙ）はパラメータｂによって定義された変数ｙにより決定されたエネルギー、Ｅ（ｃ）はパラメータｃによって定義された変数ｈにより決定されたエネルギーを示す。

例えば、データベースに物質の構造情報として物質の分子構造情報が保存されており、物質の物性情報として物質のエネルギーバンドギャップ（ｅｎｅｒｇｙ ｂａｎｄ−ｇａｐ）に関する情報が保存されているとする時、分子構造情報が変数ｘとして活用され、エネルギーバンドギャップ情報が変数ｙとして活用される。この時、物質の分子構造に含まれている特定部分構造の位置が変数ｘ内で、１で表現される方式が使用される。

この時、物質モデルのエネルギー関数から、物質モデルの確率関数および物質モデルの自由エネルギー関数が導出される。下記数式３は、一実施形態に係る物質モデルの確率関数である。

そして、数式３の確率関数において、潜在要因に関する変数ｈは観測されない変数を示すので、変数ｈが数式３で適切に無視されると（ｍａｒｇｉｎａｌｉｚｅｄ ｏｕｔ）、すでに既知のｘおよびｙに対する物質モデルの確率関数は、下記数式４のように表現される。

数式４において、「ｓｏｆｔｐｌｕｓ」関数は、下記数式５のとおりである。

数式６において、「ｓｉｇｍ」関数は、ｓｉｇｍｏｉｄ関数を意味し、下記数式７のとおりである。

数式１０には、一実施形態に係る物質モデルの自由エネルギーの変化量を調べるための目的関数が示されている。

したがって、物質モデルの自由エネルギー関数および物質モデルの確率関数の間の関係は、下記数式１２のように表現される。

そして、一実施形態に係る目的関数は、物質モデルの確率関数の微分表現から導出される。一実施形態において、物質モデルに対する学習は、与えられたデータ（ｘおよびｙ）に対する可能性（ｌｉｋｅｌｉｈｏｏｄ）を最大化できるように行われる。この時、確率関数にネガティブログ（−ｌｏｇ）が取られ、ネガティブログが取られた関数の微分表現でネガティブログが取られた関数に対する最小値が決定されることによって、可能性を最大化できるように学習パラメータがアップデートされる。つまり、ネガティブログが取られた確率関数の学習パラメータに対する微分表現が、自由エネルギーの学習パラメータに対する変化量を計算するための目的関数として用いられる。

一実施形態において、物質モデルの確率関数に基づいて導出された一般目的関数（ｇｅｎｅｒａｔｉｖｅ ｏｂｊｅｃｔｉｖｅ ｆｕｎｃｔｉｏｎ）は、下記数式１３のとおりである。

他の実施形態において、物質モデルの条件付き確率関数に基づいて導出された特異目的関数（ｄｉｓｃｒｉｍｉｎａｔｉｖｅ ｏｂｊｅｃｔｉｖｅ ｆｕｎｃｔｉｏｎ）は、下記数式１４のとおりである。

そして、数式１０の目的関数は、一般目的関数および特異目的関数の線形結合であるハイブリッド目的関数であるとよい。つまり、数式１４の特異目的関数に数式１３の一般目的関数が重みを示す指定パラメータαを通して線形結合することによって、数式１０のハイブリッド目的関数が導出される。

以降、物質の探索装置は、数式１５により学習パラメータをアップデートする（Ｓ４０３）。
つまり、

数式１５において、εは物質モデルに対する学習速度に関連する指定パラメータである。

以降、物質の探索装置は、学習パラメータに対するアップデート結果に基づいて物質モデルに対する学習の終了の有無を決定する（Ｓ４０４）。一実施形態によれば、予め決定された回数だけ学習パラメータのアップデートが行われ、物質モデルの自由エネルギーの変化量が予め決定された大きさより大きくなくなると（または小さくなると）、物質の探索装置は、物質モデルに対する学習を終了することができる。

上記で説明されたように、物質モデルに対する学習が終了すると、物質の探索装置は、学習された物質モデルに目標物性を代入することによって、少なくとも１つの候補物質を決定する（Ｓ２０２）。

一実施形態によれば、目標物性ｙに対する、下記数式１６による条件付き確率が計算される。

そして、数式１６の条件付き確率関数を通して潜在変数ｈをランダムに生成する。以降、生成された潜在変数ｈを用いて、数式１７のように新規物質の候補物質の構造に関する確率関数を計算する。

以降、数式１７のような、候補物質の構造に関する確率関数に基づいて少なくとも１つの候補物質が決定される。この時、一実施形態に係る物質の探索装置は、少なくとも１つの候補物質の物理的妥当性、化学的安定性、および合成容易性などを検証することができる（Ｓ２０３）。最後に、一実施形態に係る物質の探索装置は、少なくとも１つの候補物質の中から検証が完了した候補物質を新規物質として決定する（Ｓ２０４）。

一方、他の実施形態において、物質の探索装置は、特定物質の構造情報を知っている場合、特定物質の既知の構造情報を学習された物質モデルに代入することによって、特定物質の物性を知ることができる。

図５は、一実施形態に係る物質の探索結果を示すグラフである。

一実施形態において、物質モデルの学習が、分子構造および５０、０００振動子強度データ（oscillator strength data）（すなわち、物理的特性データである）を表す５１２個のモーガン指紋データに基づいて実行される。図５のグラフにおいて、縦軸は目標振動子強度値を示し、横軸は一実施形態により決定された新規物質の振動子強度値を示す。図５を参照すれば、目標物性と新規物質の物性の間の関係が互いにほぼ一致していることが分かる。つまり、実施形態に係る物質の探索方法により、新規物質を探索するために物質の探索装置に入力した目標物性とほぼ同一の物性を有する新規物質が探索されたことが分かる。

図６は、他の実施形態に係る物質の探索装置を示すブロック図である。

物質の探索装置６００は、プロセッサ（ｐｒｏｃｅｓｓｏｒ）６１０と、メモリ（ｍｅｍｏｒｙ）６２０とを含む。物質の探索装置６００は、他の装置と有無線通信を行うための通信部（ｃｏｍｍｕｎｉｃａｔｉｏｎ ｕｎｉｔ）６３０を含むことができる。メモリ６２０は、プロセッサ６１０に連結され、プロセッサ６１０を駆動するための多様な情報、またはプロセッサ６１０によって実行される少なくとも１つのプログラムを保存することができる。通信部６３０は、プロセッサ６１０に連結され、無線信号を送受信することができる。プロセッサ６１０は、本記載の実施形態で提案した機能、過程、または方法を実現することができる。一実施形態に係る物質の探索装置６００の動作はプロセッサ６１０によって実現される。

本記載の実施形態において、メモリは、プロセッサの内部または外部に位置することができ、メモリは、すでに既知の多様な手段を介してプロセッサに連結される。メモリは、多様な形態の揮発性または不揮発性記憶媒体であり、例えば、メモリは、読取専用メモリ（ｒｅａｄ−ｏｎｌｙ ｍｅｍｏｒｙ、ＲＯＭ）またはランダムアクセスメモリ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ、ＲＡＭ）を含むことができる。

以上、本発明の実施形態について詳細に説明したが、本発明の権利範囲はこれに限定されるものではなく、以下の請求の範囲で定義している本発明の基本概念を利用した当業者の様々な変形および改良形態も本発明の権利範囲に属する。

１００ 物質の探索装置、
１１０ 学習実行部、
１１１ 物質モデリング部、
１１２ パラメータアップデータ、
１１３ 学習実行終了部、
１２０ 新規物質決定部、
６００ 物質の探索装置、
６１０ プロセッサ、
６２０ メモリ、
６３０ 通信部。

Claims (22)

1. 新規物質を探索する方法であって、
   既知物質に基づいてモデリングされた物質モデルに対して学習を行う段階と、
   前記学習の結果に目標物性を入力して少なくとも１つの候補物質を決定する段階と、
   前記少なくとも１つの候補物質の中から前記新規物質を決定する段階と、
   を含む新規物質探索方法。
2. 前記学習を行う段階は、
   前記既知物質の構造に関する第１構造情報、前記既知物質の物性に関する第１物性情報、潜在要因に関する情報と、少なくとも１つの学習パラメータと、に基づいて前記物質モデルをモデリングする段階と、
   前記少なくとも１つの学習パラメータをアップデートする段階と、
   前記学習パラメータのアップデートの結果に基づいて前記学習の終了の有無を決定する段階と、
   を含む、請求項１に記載の新規物質探索方法。
3. 前記第１構造情報は、前記物質の分子構造に含まれている部分構造に関する情報を含む、請求項２に記載の新規物質探索方法。
4. 前記第１構造情報は、前記物質の分子構造に含まれている原子に関する情報および前記原子の結合に関する情報を含む、請求項２に記載の新規物質探索方法。
5. 前記第１構造情報は、前記物質の分子構造に関する２次元イメージ情報を含む、請求項２に記載の新規物質探索方法。
6. 前記学習パラメータは、前記物質の構造に関する基本値パラメータ、前記物質の物性に関する基本値パラメータ、前記潜在要因の基本値パラメータ、前記物質の構造と前記潜在要因との間の関係パラメータ、前記物質の物性と前記潜在要因との間の関係パラメータのうちの少なくとも１つを含み、
   前記学習を行う段階は、
   前記モデリングする段階の前に、前記学習パラメータをランダムな値に初期化する段階をさらに含む、請求項２に記載の新規物質探索方法。
7. 前記モデリングする段階は、
   前記第１構造情報、前記第１物性情報、および前記学習パラメータに基づいてエネルギー関数をモデリングする段階と、
   前記エネルギー関数に基づいて導出された前記物質モデルの確率関数に基づいて、前記新規物質の構造に関する第２構造情報および前記新規物質の物性に関する第２物性情報を生成する段階と、
   を含む、請求項２に記載の新規物質探索方法。
8. 前記アップデートする段階は、
   前記確率関数および前記エネルギー関数に基づいて導出された前記物質モデルの自由エネルギー関数に基づいて、前記学習パラメータをアップデートする段階を含む、請求項７に記載の新規物質探索方法。
9. 前記自由エネルギー関数に基づいて、前記学習パラメータをアップデートする段階は、
   前記学習パラメータと、前記自由エネルギー関数で表現された目的関数との差を用いて前記学習パラメータをアップデートする段階を含む、請求項８に記載の新規物質探索方法。
10. 前記目的関数は、前記確率関数の微分表現から導出された関数である、請求項９に記載の新規物質探索方法。
11. 前記少なくとも１つの候補物質の中から前記新規物質を決定する段階は、
    前記少なくとも１つの候補物質の物理的妥当性、化学的安定性、または合成容易性のうちの少なくとも１つを検証する段階と、
    前記少なくとも１つの候補物質の中から前記検証が完了した候補物質を前記新規物質として決定する段階と、
    を含む、請求項１に記載の新規物質探索方法。
12. 新規物質を探索する物質の探索装置であって、
    既知物質に基づいてモデリングされた物質モデルに対して学習を行う学習実行部と、
    前記学習の結果に目標物性を入力して少なくとも１つの候補物質を決定し、前記少なくとも１つの候補物質の中から前記新規物質を決定する新規物質決定部と、
    を含む新規物質探索装置。
13. 前記学習実行部は、
    前記既知物質の構造に関する第１構造情報、前記既知物質の物性に関する第１物性情報、潜在要因に関する情報と、少なくとも１つの学習パラメータと、に基づいて前記物質モデルをモデリングする物質モデリング部と、
    前記少なくとも１つの学習パラメータをアップデートするパラメータアップデータと、
    前記学習パラメータのアップデートの結果に基づいて前記学習の終了の有無を決定する学習実行終了部と、
    を含む、請求項１２に記載の新規物質探索装置。
14. 前記第１構造情報は、前記物質の分子構造に含まれている部分構造に関する情報を含む、請求項１３に記載の新規物質探索装置。
15. 前記第１構造情報は、前記物質の分子構造に含まれている原子に関する情報および前記原子の結合に関する情報を含む、請求項１３に記載の新規物質探索装置。
16. 前記第１構造情報は、前記物質の分子構造に関する２次元イメージ情報を含む、請求項１３に記載の新規物質探索装置。
17. 前記学習パラメータは、前記物質の構造に関する基本値パラメータ、前記物質の物性に関する基本値パラメータ、前記潜在要因の基本値パラメータ、前記物質の構造と前記潜在要因との間の関係パラメータ、前記物質の物性と前記潜在要因との間の関係パラメータのうちの少なくとも１つを含み、
    前記物質モデリング部は、前記モデリングの前に、前記学習パラメータをランダムな値に初期化する、請求項１３に記載の新規物質探索装置。
18. 前記物質モデリング部は、
    前記第１構造情報、前記第１物性情報、および前記学習パラメータに基づいてエネルギー関数をモデリングし、前記エネルギー関数に基づいて導出された前記物質モデルの確率関数に基づいて、前記新規物質の構造に関する第２構造情報および前記新規物質の物性に関する第２物性情報を生成する、請求項１３に記載の新規物質探索装置。
19. 前記パラメータアップデータは、
    前記確率関数および前記エネルギー関数に基づいて導出された前記物質モデルの自由エネルギー関数に基づいて、前記学習パラメータをアップデートする、請求項１８に記載の新規物質探索装置。
20. 前記パラメータアップデータは、
    前記学習パラメータと、前記自由エネルギー関数で表現された目的関数との差を用いて前記学習パラメータをアップデートする、請求項１９に記載の新規物質探索装置。
21. 前記目的関数は、前記確率関数の微分表現から導出された関数である、請求項２０に記載の新規物質探索装置。
22. 前記新規物質決定部は、
    前記少なくとも１つの候補物質の物理的妥当性、化学的安定性、または合成容易性のうちの少なくとも１つを検証し、前記少なくとも１つの候補物質の中から前記検証が完了した候補物質を前記新規物質として決定する、請求項１２に記載の新規物質探索装置。