JP2020198003A - 生成物推定プログラム及びシステム - Google Patents
生成物推定プログラム及びシステム Download PDFInfo
- Publication number
- JP2020198003A JP2020198003A JP2019104886A JP2019104886A JP2020198003A JP 2020198003 A JP2020198003 A JP 2020198003A JP 2019104886 A JP2019104886 A JP 2019104886A JP 2019104886 A JP2019104886 A JP 2019104886A JP 2020198003 A JP2020198003 A JP 2020198003A
- Authority
- JP
- Japan
- Prior art keywords
- product
- substances
- combination
- input
- association
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000000126 substance Substances 0.000 claims description 141
- 150000002894 organic compounds Chemical class 0.000 claims description 11
- 239000000463 material Substances 0.000 abstract description 22
- 238000013473 artificial intelligence Methods 0.000 description 11
- 238000000034 method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 150000001875 compounds Chemical class 0.000 description 4
- 239000000470 constituent Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- RHQQHZQUAMFINJ-GKWSUJDHSA-N 1-[(3s,5s,8s,9s,10s,11s,13s,14s,17s)-3,11-dihydroxy-10,13-dimethyl-2,3,4,5,6,7,8,9,11,12,14,15,16,17-tetradecahydro-1h-cyclopenta[a]phenanthren-17-yl]-2-hydroxyethanone Chemical compound C1[C@@H](O)CC[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@H](CC4)C(=O)CO)[C@@H]4[C@@H]3CC[C@H]21 RHQQHZQUAMFINJ-GKWSUJDHSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000007334 copolymerization reaction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010494 dissociation reaction Methods 0.000 description 1
- 230000005593 dissociations Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000004773 frontier orbital Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000144 pharmacologic effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
Images
Abstract
【課題】新たに混合しようとする2以上の物質の組み合わせに対して生成し得る生成物を推定する。【解決手段】生成物を推定するための生成物推定プログラムにおいて、新たに混合しようとする2以上の物質の組み合わせが入力される入力ステップと、混合した2以上の物質の組み合わせと、当該組み合わせに対する生成物との3段階以上の連関度を参照し、上記入力ステップを介して入力された2以上の物質の組み合わせに基づき、生成物を推定する推定ステップとをコンピュータに実行させることを特徴とする。【選択図】図3
Description
本発明は、新たに混合しようとする2以上の物質の組み合わせに対して生成し得る生成物を推定するための生成物推定プログラム及びシステムに関する。
従来より、材料の研究開発が広く行われている。この材料の研究開発は、文献的な調査、計算科学やシミュレーション、実験的手法に基づいて行われてきた。しかしながら、これらの手法は何れも時間がかかることから、新素材の発見、新規物質の発見に相当の時間がかかる。今後、この材料開発の開発期間をより短縮化するためには、今まで蓄積された数多くのデータやノウハウ、知見等の情報を有効活用する必要がある。
このような情報に含まれている材料開発に関する手がかりやヒントを研究者に提供するためには、当該情報を分析し、系統立てて整理し、様々な要因との因果関係を定量的に理解する必要がある。従来においても、同様の思想に基づいて新素材を開発するための新規物質探索方法が提案されている(例えば、特許文献1参照。)
しかしながら、膨大な情報を分析、処理して材料開発をアシストするためには人工知能の活用が不可欠であるが、上述した特許文献1の開示技術は人工知能を活用することに特化した技術ではない。
そこで、本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、今まで蓄積された数多くのデータやノウハウ、知見等の情報を生かすために人工知能を活用し、新たに混合しようとする2以上の物質の組み合わせに対して生成し得る生成物を推定する生成物推定プログラム及びシステムを提供することにある。
上述した課題を解決するために、本発明を適用した生成物推定プログラムは、生成物を推定するための生成物推定プログラムにおいて、新たに混合しようとする2以上の物質の組み合わせが入力される入力ステップと、混合した2以上の物質の組み合わせと、当該組み合わせに対する生成物との3段階以上の連関度を参照し、上記入力ステップを介して入力された2以上の物質の組み合わせに基づき、生成物を推定する推定ステップとをコンピュータに実行させることを特徴とする。
上述した課題を解決するために、本発明を適用した生成物推定プログラムは、生成物を推定するための生成物推定プログラムにおいて、新たに混合しようとする2以上の物質の組み合わせが入力される入力ステップと、混合した2以上の物質の組み合わせと、当該組み合わせに対する生成物の収率との3段階以上の連関度を参照し、上記入力ステップを介して入力された2以上の物質の組み合わせに基づき、生成物の収率を推定する推定ステップとをコンピュータに実行させることを特徴とする。
上述した課題を解決するために、本発明を適用した生成物推定システムは、生成物を推定するための生成物推定システムにおいて、新たに混合しようとする2以上の物質の組み合わせが入力される入力手段と、混合した2以上の物質の組み合わせと、当該組み合わせに対する生成物との3段階以上の連関度を参照し、上記入力ステップを介して入力された2以上の物質の組み合わせに基づき、生成物を推定する推定手段とを備えることを特徴とする。
上述した課題を解決するために、本発明を適用した生成物推定システムは、生成物を推定するための生成物推定システムにおいて、新たに混合しようとする2以上の物質の組み合わせが入力される入力手段と、混合した2以上の物質の組み合わせと、当該組み合わせに対する生成物の収率との3段階以上の連関度を参照し、上記入力ステップを介して入力された2以上の物質の組み合わせに基づき、生成物の収率を推定する推定手段とを備えることを特徴とする。
上述した構成からなる本発明によれば、今まで蓄積された数多くのデータやノウハウ、知見等の情報を生かすために人工知能を活用し、材料開発を行う上で必要な知見やヒントを研究者に提供することが可能となる。更に、上述した連関度を人工知能で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。
以下、本発明を適用した生成物推定プログラムついて、図面を参照しながら詳細に説明をする。
図1は、本発明を適用した生成物推定プログラムが実装される生成物推定システム1の全体構成を示すブロック図である。生成物推定システム1は、ユーザインターフェース9と、ユーザインターフェース9に接続された推定装置2と、推定装置2に接続されたデータベース3とを備えている。
ユーザインターフェース9は、材料開発を行うユーザが各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。ユーザインターフェース9は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。またユーザインターフェース9は、後述する推定装置2と一体化されていてもよい。ユーザインターフェース9は、検知した情報を推定装置2へと出力する。
データベース3は、材料を構成する物質に関する情報、物性に関する情報、製造方法に関する情報、生成機構、生成物に関する情報、生成物の収率に関する情報、物質の混合比率に関する情報、設計コンセプトに関する情報等が蓄積されている。このデータベースは、インターネット上において取得可能な公開情報が記憶されていることが前提となる。しかし、これに限定されるものではなく、必要に応じて自社内の実験や解析を通じて生み出された社内情報を記憶させるようにしてもよい。またデータベース3は、推定装置2からの要求に基づいて、この蓄積した情報を推定装置2へと送信する。
推定装置2は、例えば、パーソナルコンピュータ(PC)等を始めとした電子機器で構成されているが、PC以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この推定装置2による探索解としての、生成物やその収率の推定結果を得ることにより、新たに混合しようとする2以上の物質の組み合わせからいかなる生成物が生成され、また生成物の収率がいかなるものになるのかを判別することが可能となる。そして、設計しようとする生成物やその収率に達していない場合には、材料の設計変更を行うこととなる。
図2は、推定装置2の具体的な構成例を示している。この推定装置2は、推定装置2全体を制御するための制御部24と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部25と、有線通信又は無線通信を行うための通信部26と、探索解の推定を行う推定部27と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部28とが内部バス21にそれぞれ接続されている。さらに、この内部バス21には、実際に情報を表示するモニタとしての表示部23が接続されている。
制御部24は、内部バス21を介して制御信号を送信することにより、推定装置2内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部24は、操作部25を介した操作に応じて各種制御用の指令を内部バス21を介して伝達する。
操作部25は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部25は、上記実行命令がユーザから入力された場合には、これを制御部24に通知する。この通知を受けた制御部24は、推定部27を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部25は、前述したユーザインターフェース9として具現化されるものであってもよい。
推定部27は、これから新たに混合しようとする2以上の物質の組み合わせに対して生成し得る生成物を推定する。この推定部27は、推定動作を実行するに当たり、必要な情報として記憶部28に記憶されている各種情報や、データベース3に記憶されている各種情報を読み出す。この推定部27は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。
表示部23は、制御部24による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部23は、例えば、液晶ディスプレイ(LCD)等によって実現される。
記憶部28は、ハードディスクで構成される場合において、制御部24による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部28には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部24により読み出されて実行されることになる。
上述した構成からなる生成物推定システム1における動作について説明をする。
生成物推定システム1では、例えば図3に示すように、物質情報A、B、・・・からなる入力パラメータに基づいて、これらを混合することにより生成される生成物を出力解として探索する。この探索を行う前において、データベース3は、参照用の入力パラメータ(以下、参照用入力パラメータという。)と、出力解としての生成物との判別結果との3段階以上の連関度を予め取得しておく。
ここでいう物質情報とは、これから設計しようとする材料の構成成分を特定するためのあらゆる情報をいう。この物質情報としては、化合物名又は化学構造等のように物質を特定できればよい。ちなみにこの物質は、化合物、元素、分子、有機化合物、合金、金属、セラミックス等、あらゆる有体物の構成材料を含む概念である。
また物質情報はこれに加えて、その物質の性質に関する情報を含むものであってもよい。物質の性質に関する情報の例としては、結晶構造データ、NISTの熱力学データ、状態図データ、C,N.O,Sの組み合わせからなる7原子の分子の基底状態構造と原子価エネルギー、バンド構造、機械的特性(強度、破壊靭性、弾性率、疲労強度、クリープ強度等)、フロンティア軌道のエネルギー、双極子モーメント、励起エネルギー、振動子強度、薬理活性、触媒活性、粘度、酸解離定数pKa、発光強度、原子半径、格子欠陥(点欠陥、転位)の位置や状態、共重合組成、分子量、立体規則性、分子鎖、架橋状態、結晶状態、構成元素の原子位置、量子力学的な計算結果、電気陰性度、空孔濃度、スピン量子数、密度、硬度、表面粗さ、熱膨張係数、誘電率、腐食量、融点、比熱、熱伝導率、外観特性(きめ、外観、感触)、応力ーひずみ曲線データ等である。
図3は、これから新たに設計しようとする材料について、群αにある物質に対して、群βの物質、群γの物質の何れか1以上を混合することで生成する場合における、その生成物を予測する例を示している。
群αにおける物質情報A〜Cと、群βにおける物質情報D〜Eと、群γにおける物質情報F〜Gの何れか1以上との組み合わせと当該組み合わせに対する生成物の推定結果との3段階以上の連関度が設定されている例を示している。
群βにおける物質情報D〜Eも同様に化合物名の例が列記されている。群γにおける物質情報F〜Gも同様に化合物名が列記されている。なお化学構造や物性に関する情報もこれらに追記されていてもよい。
かかる場合において、連関度は、図3に示すように、群αの物質情報と、群βの物質情報、群γの物質情報の何れか1以上の組み合わせの集合がいわゆる隠れ層のノード61a〜61eとして表現されることとなる。各ノード61a〜61eは、参照用入力パラメータに対する重み付けと、出力解に対する重み付けがそれぞれ設定されている。この重み付けが3段階以上の連関度である。これら各ノード61は、ニューラルネットワークのノードとして構成されるものであってもよい。例えば、ノード61aは、物質情報Aが連関度80%で、また群γにおける物質情報Fが連関度80%で連関している。またノード61cは、物質情報Bが連関度60%で、群βにおける物質情報Eが連関度60%、群γにおける物質情報Gが連関度40%で連関している。
またノード61aは、生成物Oに対して連関度70%で、また生成物Pに対しては連関度30%で連関している。ノード61bは、生成物Qに対して連関度60%で、また生成物Sに対して連関度40%で連関している。またノード61dは、生成物Qに対して連関度90%で、また生成物Rに対して連関度30%で連関している。
ちなみに、入力パラメータと各ノード61との連関度、又は各ノード61と出力パラメータとの連関度の何れか一方は、省略してもよい。つまり、入力パラメータと各ノード61との連関度、又は各ノード61と出力パラメータとの連関度の何れか一方は、連関度の重み付けがなく一律に同一の連関度とされていてもよい。
このような連関度が設定されている場合も同様に、学習済みモデルとして記録しておき、2以上の物質(群αの物質に加え、群β、群γの何れか1以上の物質)を混合することで新たに材料を設計する場合に、ユーザは、各2以上の物質(群αの物質に加え、群β、群γの何れか1以上の物質)に関する物質情報をそれぞれ入力する。推定部27は、ユーザから入力された群αの物質情報に加え、群β、群γの何れか1以上の物質情報の連関度に応じた出力解を探索する。推定プログラムは、入力パラメータに基づいて、出力解の中から最適解を1又は2以上に亘り選択する作業を行う。この最適解を選択する上で、予め取得した図3に示す連関度を参照する。例えば、入力パラメータが、物質情報Aであり、かつ物質情報Dである場合、連関度を介してノード61bが関連付けられており、このノード61bは、生成物Qが連関度60%、生成物Sが連関度40%で関連付けられている。探索プログラムは、この探索結果に基づいて同様に解を出力することになる。
その結果、ユーザは、群αから物質Aを、群βから物質Dを混合したとき、得られる生成物としてはは、生成物Qが連関度60%、生成物Sが連関度40%の割合で確からしいことを確認することができる。
なお、本発明によれば、図4に示すように特に有機化合物からなる2以上の物質を混合することで新たに生成される生成物を表示する代わりに、生成物の収率を表示するようにしてもよい。この収率は有機化合物からなる2以上の物質を混合させる際の収率を意味するものである。かかる場合には、入力パラメータとして有機化合物としての物質の組み合わせと、出力解としての生成物の収率との3段階以上の連関度を予め取得する。このような連関度からなる学習データを予め取得しておき、新たに混合させるべき有機化合物からなる2以上の物質の組み合わせを入力する。推定プログラムは、入力パラメータに基づいて、出力解の中から最適解を1又は2以上に亘り選択する作業を行う。この最適解を選択する上で、予め取得した図4に示す連関度を参照する。例えば、入力パラメータが、物質情報Aであり、かつ物質情報Dである場合、連関度を介してノード61bが関連付けられており、このノード61bは、生成物Qの収率52%が連関度60%、生成物Sの収率70%が連関度40%で関連付けられている。探索プログラムは、この探索結果に基づいて同様に解を出力することになる。
図5の例では、2以上の物質の混合比率に基づいて分類された上記組み合わせと、当該組み合わせに対する生成物との3段階以上の連関度を形成する例を示している。この例では物質情報Aから特定される物質と、物質情報Gから特定される物質とを混合して新たに材料を開発する場合においてその混合比率に基づいてノード61を分類している。図中における物質情報からノード61につながるパーセントの表記は、何れも混合比率を示している。ノード61aは、物質情報Aから特定される物質が重量比で80%、物質情報Gから特定される物質が重量比で20%であり、ノード61bは、同じく物質情報Aが重量比で70%、物質情報Gが重量比で30%であり、ノード61cは、同じく物質情報Aが重量比で60%、物質情報Gが重量比で40%であり、ノード61dは、同じく物質情報Aが重量比で50%、物質情報Gが重量比で50%であり、ノード61eは、同じく物質情報Aが重量比で40%、物質情報Gが重量比で60%である。各ノード61は、更に出力解としての生成物と3段階以上の連関度を通じて関連付けられていることは上述と同様である。
このような連関度が設定されている場合も同様に、学習済みモデルとして記録しておき、2以上の物質として物質情報Aの物質、物質情報Gの物質を混合することで新たに材料を設計する場合に、ユーザは、これら物質情報A,Gに加え、これらの混合比率も入力する。推定部27は、ユーザから入力された物質情報A,Gに加え、その混合比率に基づいて、出力解の中から最適解を1又は2以上に亘り選択する作業を行う。この最適解を選択する上で、予め取得した図5に示す連関度を参照する。例えば、入力パラメータが、物質情報A、Gであり、かつ物質情報Aの重量比が50%、物質情報Gが重量比で50%である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、生成物Qが連関度90%、生成物Rが連関度30%で関連付けられている。探索プログラムは、この探索結果に基づいて同様に解を出力することになる。
また図6に示すように、出力解としては、生成される生成物を表示する代わりに、生成物の収率を表示するようにしてもよい。かかる場合には、入力パラメータとして有機化合物としての物質の混合比率と、出力解としての生成物の収率との3段階以上の連関度を予め取得する。このような連関度からなる学習データを予め取得しておき、新たに混合させるべき有機化合物からなる2以上の物質の混合比率を入力する。推定プログラムは、入力パラメータに基づいて、出力解の中から最適解を1又は2以上に亘り選択する作業を行う。この最適解を選択する上で、予め取得した図6に示す連関度を参照して行うことは上述と同様である。
図7は、更に2以上の物質(群αの物質に加え、群βの物質)を混合するとともに、これと製造方法とを組み合わせ、これに対する生成物との3段階以上の連関度を示している。かかる場合も同様に、例えば、入力パラメータが、物質情報B及び物質情報Eであり、かつ製造方法が圧力条件として200kg/cm2の場合には、ノード61eが選択され、当該ノード61eは、生成物Rが連関度50%で、生成物Sが連関度20%で確からしいことを確認することができる。
このような、更に2以上の物質(群αの物質に加え、群βの物質)を混合するとともに、これと製造方法とを組み合わせた場合における3段階以上の連関度を取得する場合においても同様に、出力解として生成物の収率との3段階以上の連関度を取得しておくことで、生成物の収率を推定することが可能となる。
また、図3〜図7における入力パラメータ(物質情報等)から各連関度のノード61につながるパーセンテージは、各入力パラメータから各ノード61につながる重みづけを示すものであるが、これについて重みづけを設けることなく、何れも同一の重みづけ(例えば全て50%にする等)としてもよい。
なお、上述した図3〜図7の例では、入力パラメータにとして物質情報を入力し、探索解として生成物、又はその収率を出力する場合を例にとり説明をしたが、これに限定されるものではない。同じ連関度(ニューラルネットワーク)を形成しておくことにより、入力パラメータとして生成物を入力し、探索解として2以上の物質情報の組み合わせを出力するものであってもよい。つまり連関度61を中心にして逆方向から探索解を探索させるようにしてもよい。
なお、出力解の選択方法は、上述した方法に限定されるものではなく、連関度を参照するものであればいかなる方法に基づいて実行するようにしてもよい。また、この探索解の探索動作では、人工知能を利用して行うようにしてもよい。また上述した生成機構の探索も上述した推定部27が実行することとなる。
本発明によれば、生成物やその収率の推定を、特段の熟練を要することなく容易に行うことが可能となる。また本発明によれば、生成物やその収率の推定をより高精度に行うことが可能となる。更に、上述した連関度を人工知能で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。
また、本発明によれば、3段階以上に設定されている連関度を介して最適な生成物やその収率の探索を行う点に特徴がある。連関度は、例えば0〜100%までの数値で記述することができるが、これに限定されるものではなく3段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。
このような3段階以上の数値で表される連関度に基づいて探索することで、複数の生成物やその収率が解の候補として選ばれる状況下において、当該連関度の高い順に探索して表示することも可能となる。このように連関度の高い順にユーザに表示できれば、より可能性の高い生成物やその収率を優先的に選択することを促すこともできる。一方、連関度の低い生成物やその収率の判別結果であってもセカンドオピニオンという意味で表示することができ、ファーストオピニオンで上手く分析ができない場合において有用性を発揮することができる。
これに加えて、本発明によれば、連関度が1%のような極めて低い生成物やその収率の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、生成物やその収率の判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。
更に本発明によれば、このような3段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が1%のものであっても漏れなく拾うことができる反面、生成物やその収率の推定結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な生成物やその収率の判別結果を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。
更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。公衆通信網から取得可能なサイト情報や書き込み等を通じて、入力パラメータと、出力解(生成物やその収率の判別結果)との関係性について新たな知見が発見された場合には、当該知見に応じて連関度を上昇させ、或いは下降させる。
この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。
1 生成物推定システム
2 推定装置
3 データベース
9 ユーザインターフェース
21 内部バス
23 表示部
24 制御部
25 操作部
26 通信部
27 推定部
28 記憶部
61 ノード
2 推定装置
3 データベース
9 ユーザインターフェース
21 内部バス
23 表示部
24 制御部
25 操作部
26 通信部
27 推定部
28 記憶部
61 ノード
Claims (10)
- 生成物を推定するための生成物推定プログラムにおいて、
新たに混合しようとする2以上の物質の組み合わせが入力される入力ステップと、
混合した2以上の物質の組み合わせと、当該組み合わせに対する生成物との3段階以上の連関度を参照し、上記入力ステップを介して入力された2以上の物質の組み合わせに基づき、生成物を推定する推定ステップとをコンピュータに実行させること
を特徴とする生成物推定プログラム。 - 上記入力ステップでは、新たに混合しようとする2以上の物質の混合比率が入力され、
上記推定ステップでは、上記2以上の物質の混合比率に基づいて分類されてなる各2以上の物質の組み合わせと、当該組み合わせに対する生成物との3段階以上の連関度を参照し、上記入力ステップを介して入力された2以上の物質の混合比率に基づき、生成物を推定すること
を特徴とする請求項1記載の生成物推定プログラム。 - 上記入力ステップでは、更に新たに混合しようとする2以上の物質の混合条件が入力され、
上記推定ステップでは、2以上の物質を混合する条件が規定される参照用混合条件と、上記2以上の物質との組み合わせと、当該組み合わせに対する生成物との3段階以上の連関度を参照し、上記入力手段を介して入力された混合条件に基づき、生成物を推定すること
を特徴とする請求項1記載の生成物推定プログラム。 - 上記入力ステップでは、有機化合物からなる2以上の物質の組み合わせが入力され、
上記推定ステップでは、有機化合物からなる2以上の物質の組み合わせと、当該組み合わせに対する生成物との3段階以上の連関度を参照すること
を特徴とする請求項1記載の生成物推定プログラム。 - 生成物を推定するための生成物推定プログラムにおいて、
新たに混合しようとする2以上の物質の組み合わせが入力される入力ステップと、
混合した2以上の物質の組み合わせと、当該組み合わせに対する生成物の収率との3段階以上の連関度を参照し、上記入力ステップを介して入力された2以上の物質の組み合わせに基づき、生成物の収率を推定する推定ステップとをコンピュータに実行させること
を特徴とする生成物推定プログラム。 - 上記入力ステップでは、新たに混合しようとする2以上の物質の混合比率が入力され、
上記推定ステップでは、上記2以上の物質の混合比率に基づいて分類されてなる各2以上の物質の組み合わせと、当該組み合わせに対する生成物の収率との3段階以上の連関度を参照し、上記入力ステップを介して入力された2以上の物質の混合比率に基づき、生成物の収率を推定すること
を特徴とする請求項5記載の生成物推定プログラム。 - 上記入力ステップでは、更に新たに混合しようとする2以上の物質の混合条件が入力され、
上記推定ステップでは、2以上の物質を混合する条件が規定される参照用混合条件と、上記2以上の物質との組み合わせと、当該組み合わせに対する生成物の収率との3段階以上の連関度を参照し、上記入力手段を介して入力された混合条件に基づき、生成物の収率を推定すること
を特徴とする請求項5記載の生成物推定プログラム。 - 上記入力ステップでは、有機化合物からなる2以上の物質の組み合わせが入力され、
上記推定ステップでは、有機化合物からなる2以上の物質の組み合わせと、当該組み合わせに対する生成物の収率との3段階以上の連関度を参照すること
を特徴とする請求項5記載の生成物推定プログラム。 - 生成物を推定するための生成物推定システムにおいて、
新たに混合しようとする2以上の物質の組み合わせが入力される入力手段と、
混合した2以上の物質の組み合わせと、当該組み合わせに対する生成物との3段階以上の連関度を参照し、上記入力ステップを介して入力された2以上の物質の組み合わせに基づき、生成物を推定する推定手段とを備えること
を特徴とする生成物推定システム。 - 生成物を推定するための生成物推定システムにおいて、
新たに混合しようとする2以上の物質の組み合わせが入力される入力手段と、
混合した2以上の物質の組み合わせと、当該組み合わせに対する生成物の収率との3段階以上の連関度を参照し、上記入力ステップを介して入力された2以上の物質の組み合わせに基づき、生成物の収率を推定する推定手段とを備えること
を特徴とする生成物推定システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019104886A JP2020198003A (ja) | 2019-06-04 | 2019-06-04 | 生成物推定プログラム及びシステム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019104886A JP2020198003A (ja) | 2019-06-04 | 2019-06-04 | 生成物推定プログラム及びシステム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020198003A true JP2020198003A (ja) | 2020-12-10 |
Family
ID=73649187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019104886A Pending JP2020198003A (ja) | 2019-06-04 | 2019-06-04 | 生成物推定プログラム及びシステム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2020198003A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023171775A1 (ja) * | 2022-03-10 | 2023-09-14 | 日本碍子株式会社 | 材料創出を支援するシステム及び方法、プログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010009257A (ja) * | 2008-06-25 | 2010-01-14 | Yamaguchi Univ | 合成経路評価システムとその方法とそのプログラム |
JP2014511148A (ja) * | 2011-02-14 | 2014-05-12 | カーネギー メロン ユニバーシティ | 対象物に対する化合物の効果を予測するための学習 |
JP2018190375A (ja) * | 2017-05-09 | 2018-11-29 | ジャパンモード株式会社 | サービス提供システム |
WO2019186195A2 (en) * | 2018-03-29 | 2019-10-03 | Benevolentai Technology Limited | Shortlist selection model for active learning |
WO2021015134A1 (ja) * | 2019-07-23 | 2021-01-28 | 昭和電工株式会社 | 材料設計システム、材料設計方法、及び材料設計プログラム |
-
2019
- 2019-06-04 JP JP2019104886A patent/JP2020198003A/ja active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010009257A (ja) * | 2008-06-25 | 2010-01-14 | Yamaguchi Univ | 合成経路評価システムとその方法とそのプログラム |
JP2014511148A (ja) * | 2011-02-14 | 2014-05-12 | カーネギー メロン ユニバーシティ | 対象物に対する化合物の効果を予測するための学習 |
JP2018190375A (ja) * | 2017-05-09 | 2018-11-29 | ジャパンモード株式会社 | サービス提供システム |
WO2019186195A2 (en) * | 2018-03-29 | 2019-10-03 | Benevolentai Technology Limited | Shortlist selection model for active learning |
WO2021015134A1 (ja) * | 2019-07-23 | 2021-01-28 | 昭和電工株式会社 | 材料設計システム、材料設計方法、及び材料設計プログラム |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023171775A1 (ja) * | 2022-03-10 | 2023-09-14 | 日本碍子株式会社 | 材料創出を支援するシステム及び方法、プログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Toward artificial intelligence in catalysis | |
JP6624533B1 (ja) | 材料物性推定プログラム、材料生成機構推定プログラム | |
CN102272701B (zh) | 用于提供个性化用户接口的方法、装置和计算机程序 | |
Kalidindi et al. | Digital twins for materials | |
Zavlanos et al. | Inferring stable genetic networks from steady-state data | |
CN109032078A (zh) | 机器学习装置、控制装置以及计算机可读介质 | |
KR20090046739A (ko) | 스케줄링 서비스의 사용자-지정 구성 | |
CN107942956A (zh) | 信息处理装置、信息处理方法、信息处理程序及记录介质 | |
JP4790464B2 (ja) | 業務分析システム | |
JP6955811B1 (ja) | 試験評価システム、プログラムおよび試験評価方法 | |
JP6514276B2 (ja) | 情報処理装置および情報処理システム | |
JPWO2018079225A1 (ja) | 自動予測システム、自動予測方法および自動予測プログラム | |
Klöpper et al. | Defining software architectures for big data enabled operator support systems | |
Kalidindi et al. | Data infrastructure elements in support of accelerated materials innovation: ELA, PyMKS, and MATIN | |
Elhishi et al. | Unboxing machine learning models for concrete strength prediction using XAI | |
JP2020198003A (ja) | 生成物推定プログラム及びシステム | |
JPWO2012144140A1 (ja) | UI(UserInterface)作成支援装置、UI作成支援方法及びプログラム | |
JP2020060955A (ja) | 予測管理システム、予測管理方法、データ構造、予測管理装置及び予測実行装置 | |
JP2010049392A (ja) | Pidコントローラのチューニング装置、pidコントローラのチューニング用プログラムおよびpidコントローラのチューニング方法 | |
JP7400064B1 (ja) | 学習装置、学習方法及び学習プログラム | |
Trittenbach et al. | Towards simulation-data science–a case study on material failures | |
Bożejko et al. | Robust single machine scheduling with random blocks in an uncertain environment | |
JP2010152748A (ja) | グラフ変換支援システム、グラフ変換支援方法、及びプログラム | |
JP7483827B1 (ja) | 学習装置、学習方法及び学習プログラム | |
JP7443609B1 (ja) | 学習装置、学習方法及び学習プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220324 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230530 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20231121 |