JP2021012501A - 機械学習支援方法及び機械学習支援装置 - Google Patents
機械学習支援方法及び機械学習支援装置 Download PDFInfo
- Publication number
- JP2021012501A JP2021012501A JP2019125841A JP2019125841A JP2021012501A JP 2021012501 A JP2021012501 A JP 2021012501A JP 2019125841 A JP2019125841 A JP 2019125841A JP 2019125841 A JP2019125841 A JP 2019125841A JP 2021012501 A JP2021012501 A JP 2021012501A
- Authority
- JP
- Japan
- Prior art keywords
- machine learning
- physical property
- physical characteristic
- node
- data
- 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.)
- Granted
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 391
- 238000000034 method Methods 0.000 title claims abstract description 104
- 230000000704 physical effect Effects 0.000 claims abstract description 371
- 230000013016 learning Effects 0.000 claims abstract description 291
- 238000012549 training Methods 0.000 claims abstract description 111
- 239000000284 extract Substances 0.000 claims abstract description 4
- 230000014509 gene expression Effects 0.000 claims description 71
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 238000000513 principal component analysis Methods 0.000 claims description 13
- 230000001419 dependent effect Effects 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 7
- 239000013589 supplement Substances 0.000 claims description 7
- 239000000463 material Substances 0.000 abstract description 28
- 238000011160 research Methods 0.000 abstract description 11
- 238000013461 design Methods 0.000 abstract description 9
- 230000008685 targeting Effects 0.000 abstract description 2
- 239000000126 substance Substances 0.000 description 32
- 238000010586 diagram Methods 0.000 description 31
- 230000006870 function Effects 0.000 description 28
- 102000004169 proteins and genes Human genes 0.000 description 12
- 108090000623 proteins and genes Proteins 0.000 description 12
- 150000001875 compounds Chemical class 0.000 description 10
- 230000007423 decrease Effects 0.000 description 9
- 238000005452 bending Methods 0.000 description 8
- 229910052751 metal Inorganic materials 0.000 description 8
- 239000002184 metal Substances 0.000 description 8
- 238000013480 data collection Methods 0.000 description 7
- 230000009467 reduction Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000000956 alloy Substances 0.000 description 4
- 229910045601 alloy Inorganic materials 0.000 description 4
- 230000001364 causal effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 238000010845 search algorithm Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 229910010293 ceramic material Inorganic materials 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 150000002739 metals Chemical class 0.000 description 2
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- -1 for example Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002105 nanoparticle Substances 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 239000013076 target substance Substances 0.000 description 1
- 229910052723 transition metal Inorganic materials 0.000 description 1
- 150000003624 transition metals Chemical class 0.000 description 1
- 238000005230 valence electron density Methods 0.000 description 1
- 229910052727 yttrium Inorganic materials 0.000 description 1
Abstract
Description
先ず、本願において開示される代表的な実施の形態について概要を説明する。代表的な実施の形態についての概要説明で括弧を付して参照する図面中の参照符号はそれが付された構成要素の概念に含まれるものを例示するに過ぎない。
本願において開示される代表的な実施の形態は、計算機上で動作するソフトウェアによって実装され、物性探索ステップ(S1〜S3)と機械学習ステップ(S5)とを含む機械学習支援方法であって、以下のように構成される(図1)。
〔1〕項の機械学習支援方法において、前記物性関係性グラフは、複数の前記物性パラメータが依存性をもつ影響因子に対応するノード(b,d,T)、及び、当該ノード(b,d,T)と当該物性パラメータに対応するノードとの間のエッジ(25)とを有する(図6)。
〔1〕項の機械学習支援方法において、前記物性関係性グラフの前記物性パラメータ対を構成する2つの物性パラメータ間の関係式が対応するエッジに紐づけて記憶されており(図7)、前記部分グラフに含まれるエッジに関係式が紐づけられているときに、当該エッジに接続されるノードに対応する物性パラメータは前記ターゲット物性を求める関係式に含まれる形式で、前記学習データに説明変数として含まれる(図8)。
〔1〕項の機械学習支援方法において、前記学習データは複数のレコード(試料名)によって構成され、前記複数のレコードのそれぞれは教師データと対応する複数の説明変数の値とによって構成されており(図4)、前記複数のレコードのうち、一部の説明変数の値が欠けたレコードがある場合(S12)には、欠けている説明変数をターゲット物性とする物性探索と機械学習と予測の各ステップ(S10)によって欠けている値を補完する(S13)動作を再帰的に繰り返す。即ち、欠けている説明変数をターゲット物性とし、当該ターゲット物性を予測するための機械学習に適する学習データを特定する物性探索ステップと、当該物性探索ステップの結果に基づく学習データによる機械学習を行う機械学習ステップとを実行することによって得られたパラメータリストを用いて、前記一部の説明変数の値が欠けたレコードにおける欠けた説明変数の値を予測して補った上で、上位階層の機械学習ステップを実行する各ステップを再帰的に実行する(図9)。
〔1〕項において、前記機械学習支援方法は、前記パラメータリストに含まれる重み付け係数と前記物性関係性グラフにおける経路とを照合するパラメータリスト照合ステップ(S14)をさらに含む(図10)。ここで、照合される前記経路は、前記パラメータリストに含まれる前記重み付け係数に対応する説明変数に対応するノードと前記ターゲット物性に対応するノードとの間の経路である。
〔5〕項において、前記機械学習支援方法はそれぞれが異なる機械学習アルゴリズムを採用し、それぞれがパラメータリストを出力(S6−1〜S6−n)する、複数の機械学習ステップ(S5−1〜S5−n)を有する(図11)。
〔6〕項の機械学習支援方法において、前記パラメータリスト照合ステップは、前記パラメータリストに含まれる重み付け係数の絶対値と、前記物性関係性グラフにおける当該重み付け係数に対応する説明変数に対応するノードと前記ターゲット物性に対応するノードとの間の経路の長さの一致度を算出し、算出した一致度が最大であることを、前記判断基準とする。
〔6〕項の機械学習支援方法において、前記物性関係性グラフを構成するエッジの長さが対応する物性パラメータ対の関係性における依存の強度に基づいて規定され、前記パラメータリスト照合ステップは、前記経路の長さとして算出される依存の強度と、前記重み付け係数との一致度を算出し、算出した一致度が最大であることを、前記判断基準とする。
〔6〕項の機械学習支援方法において前記物性関係性グラフを構成するエッジには対応する物性パラメータ対の相関の極性が紐づけられており、前記パラメータリスト照合ステップは、前記パラメータリストに含まれる重み付け係数の極性と、前記物性関係性グラフにおける当該重み付け係数に対応する説明変数に対応するノードと前記ターゲット物性に対応するノードとの間のエッジに紐づけられた相関の極性との一致度を算出し、算出した一致度が最大であることを、前記判断基準とする。
本願において開示される代表的な実施の形態は、ターゲット物性を予測するパラメータリストを生成する機械学習支援装置(10)であって、以下のように構成される(図12)。
〔10〕項において、前記機械学習支援装置は影響因子データベース(20)をさらに備える(図13)。前記影響因子データベースは、前記物性関係性グラフを構成するノードに対応する物性パラメータと、当該物性パラメータが依存性をもつ影響因子とを対応付けて記憶する。
〔10〕項の機械学習支援装置において、前記物性関係性グラフの前記物性パラメータ対を構成する2つの物性パラメータ間の関係式が対応するエッジに紐づけて記憶されており(図7)、前記部分グラフに含まれるエッジに関係式が紐づけられているときに、当該エッジに接続されるノードに対応する物性パラメータは前記ターゲット物性を求める関係式に含まれる形式で、前記学習データに説明変数として含まれる(図8)。
〔10〕項において、前記機械学習支援装置は予測部(7)をさらに備える(図13)。前記学習データは複数のレコードによって構成され、前記複数のレコードのそれぞれは教師データと対応する複数の説明変数の値によって構成される。
前記予測部は、前記新たなパラメータリストを用い、前記一部の説明変数の値が欠けた前記レコードに含まれる他の説明変数の値から、前記欠けている説明変数の予測値を算出し、前記一部の説明変数の値が欠けた前記レコードを補って前記学習データの内容を更新する。
〔10〕項において、前記機械学習支援装置はパラメータリスト照合部(9)をさらに含む(図13)。
〔14〕項の機械学習支援装置において、前記機械学習部は、それぞれが異なる機械学習アルゴリズムを採用する複数の機械学習を行って(S5−1〜S5−n)、それぞれに対応する複数のパラメータリストを生成し(S6−1〜S6−n)、前記パラメータリスト照合部は、前記複数のパラメータリストのそれぞれと、前記物性関係性グラフにおける前記経路との照合を行い、所定の判断基準に基づいて1つのパラメータリスト(S6a)を選択して出力する(図11参照)。
〔15〕項の機械学習支援装置において、前記パラメータリスト照合部は、前記複数のパラメータリストそれぞれについて、当該パラメータリストに含まれる重み付け係数の絶対値と、前記物性関係性グラフにおける当該重み付け係数に対応する説明変数に対応するノードと前記ターゲット物性に対応するノードとの間の経路の長さの一致度を算出し、算出した一致度が最大であることを、前記判断基準とする。
〔15〕項の機械学習支援装置において、前記物性関係性グラフを構成するエッジの長さが対応する物性パラメータ対の関係性における依存の強度に基づいて規定され、前記パラメータリスト照合部は、前記複数のパラメータリストそれぞれについて、前記経路の長さとして算出される依存の強度と、当該パラメータリストに含まれる重み付け係数との一致度を算出し、算出した一致度が最大であることを、前記判断基準とする。
〔15〕項の機械学習支援装置において、前記物性関係性グラフを構成するエッジには対応する物性パラメータ対の相関の極性が対応付けられており、前記パラメータリスト照合部は、前記複数のパラメータリストそれぞれについて、当該パラメータリストに含まれる重み付け係数の極性と、前記物性関係性グラフにおける当該重み付け係数に対応する説明変数に対応するノードと前記ターゲット物性に対応するノードとの間のエッジに対応付けられた相関の極性との一致度を算出し、算出した一致度が最大であることを、前記判断基準とする。
本願において開示される代表的な実施の形態は、計算機上で動作するソフトウェアによって実装され、物性探索ステップ(S1〜S3)と機械学習ステップ(S25)とを含む機械学習支援方法であって、以下のように構成される(図24)。
〔19〕項の機械学習支援方法において、前記物性関係性グラフは、複数の前記物性パラメータが依存性をもつ影響因子に対応するノード(b,d,T)、及び、当該ノード(b,d,T)と当該物性パラメータに対応するノードとの間のエッジ(25)とを有する(図6、図25)。
〔19〕項の機械学習支援方法(図25)において、前記物性関係性グラフの前記物性パラメータ対を構成する2つの物性パラメータ間の関係式が対応するエッジに紐づけて記憶されており(図7)、前記部分グラフに含まれるエッジに関係式が紐づけられているときに、当該エッジに接続されるノードに対応する物性パラメータは前記ターゲット物性を求める関係式に含まれる形式で、前記学習データに説明変数として含まれる。
〔19〕項から〔21〕項のうちのいずれか1項の機械学習支援方法において、前記教師なし学習はクラスタリングであり、前記特徴情報はクラスタの中心、重心、形状のうちの少なくとも1つである。
〔19〕項から〔21〕項のうちのいずれか1項の機械学習支援方法において、前記教師なし学習は主成分分析であり、前記特徴情報は前記学習データを構成する複数の物性パラメータの寄与率である。
本願において開示される代表的な実施の形態は、ターゲット物性を予測するパラメータリストを生成する機械学習支援装置(10)であって、以下のように構成される(図26、図27)。
〔24〕項において、前記機械学習支援装置は影響因子データベース(20)をさらに備える(図27)。
〔24〕項の機械学習支援装置(図27)において、前記物性関係性グラフの前記物性パラメータ対を構成する2つの物性パラメータ間の関係式が対応するエッジに紐づけて記憶されており(図7)、前記部分グラフに含まれるエッジに関係式が紐づけられているときに、当該エッジに接続されるノードに対応する物性パラメータは前記ターゲット物性を求める関係式に含まれる形式で、前記学習データに説明変数として含まれる。
〔24〕項から〔26〕項のうちのいずれか1項の機械学習支援装置において、前記教師なし学習はクラスタリングであり、前記特徴情報はクラスタの中心、重心、形状のうちの少なくとも1つである。
〔24〕項から〔26〕項のうちのいずれか1項の機械学習支援装置において、前記教師なし学習は主成分分析であり、前記特徴情報は前記学習データを構成する複数の物性パラメータの寄与率である。
実施の形態について更に詳述する。
図1は、本発明の実施形態1に係る機械学習支援方法の構成例を示すフローチャートである。
本実施形態1の機械学習支援方法を実行するハードウェアは、機械学習支援装置と呼ぶことができ、記憶装置、演算処理部、入出力インターフェース、ネットワークインターフェース等からなるコンピュータに、機械学習支援方法がソフトウェアとしてインストールされることによって実装されると好適である。
機械学習支援方法及び機械学習支援装置10の動作について、より具体的に説明する。
物性関係性グラフ1は、物性パラメータに対応するノードと影響因子に対応するノードとが含まれ、関係性を有する物性パラメータ間だけではなく、何らかの影響因子に依存性をもつ物性パラメータは、対応するノードと依存する影響因子に対応するノードとの間にもエッジをもつように構成されるとより好適である。上述したように、物性探索においては、物質・材料が置かれた環境によって物性間の関係性の強弱が変化し、また、物質・材料の形態やサイズによって探索すべき物性の重要度が変化する場合があるため、物性パラメータではないが、物性に影響を与える因子(影響因子)が存在するからである。
本実施形態3の機械学習支援方法においては、物性関係性グラフ1に含まれる複数のエッジの少なくとも一部のエッジに、そのエッジの両端のノードに対応する物性物性パラメータ対の関係性を表す関係式が紐づけられているときに、当該エッジ(関係式が紐づけられているエッジ)に接続されるノードに対応する物性パラメータは、前記ターゲット物性を求める関係式に含まれる形式で、前記学習データの説明変数として含まれるとよい。
本実施形態3に係る、機械学習支援方法及び機械学習支援装置10の動作について、より具体的に説明する。電気伝導率をターゲット物性とする機械学習の例である。
図4に例示したように、学習データは、複数のレコードによって構成され、各レコードは教師データと対応する複数の説明変数の値によって構成されている。ここで、マテリアルズインフォマティクスにおける各レコードは、異なる物質、例えば組成の異なる物質、製造条件の異なる物質等から、説明変数と教師データに相当するデータを集めて構成される場合が多い。この時のデータは、種々の文献等から収集されるため、一部の物性パラメータ値や影響因子の値が欠けているレコードが少なからず存在する場合がある。基本的には、機械学習では学習データはすべてのレコードですべてのデータが揃っている必要があるため、一部であってもデータの欠けたレコードは学習データとしては不適切である。
本実施形態4に係る、機械学習支援方法及び機械学習支援装置10の動作について、より具体的に説明する。曲げ強度をターゲット物性とする機械学習の例である。エンジンなど高温になる箇所の近くで使用されるメカの制御用センサー回路を保護するカバーに適切なセラミック材料の特定するために、母材となる酸化物に添加するのに適切な元素の種類と量を特定することを目標とする設計である。このときより具体的には、ある程度以上の曲げ強度を持ち、温度上昇をある温度以下に抑えられる材料の特定が目標となる。
機械学習の結果であるパラメータリストは、被説明変数であるターゲット物性に予測値を算出するための説明変数それぞれの重み付け係数であるから、説明変数である物性パラメータとターゲット物性との関係性に対応する。したがって、パラメータリストを構成する重み付け係数と、対応する物性物性パラメータ対(一方はターゲット物性、他方が重み付け係数に対応する説明変数である物性パラメータ)の関係性とを照合することによって、相互の信頼性を検証し、さらには不整合がある場合にそれを対策することによって信頼度を向上することができるものと期待される。
機械学習には種々のアルゴリズムが提案されているが、どのアルゴリズムが最も適切かはケースバイケースであって、その判断はユーザーの知識や経験、さらには試行錯誤を含む比較検討の詳細さに依存するところが大きい。
ここまでは、教師あり学習を行う形態で本発明の実施をする場合について説明してきたが、教師なし学習を行う形態でも本発明の実施をすることができる。
本実施形態7の機械学習支援方法において、教師なし学習(S25)としてクラスタリングを行い、クラスタの中心、重心、形状のうちの少なくとも1つを特徴情報として出力することができる。
本実施形態7の機械学習支援方法において、教師なし学習(S25)として主成分分析を行い、学習データを構成する複数の物性パラメータの寄与率を、特徴情報として出力することができる。主成分分析の代表的な目的は次元削減である。学習データは、n個の説明変数の値よりなるk個のレコードによって構成されているので、そのn個の説明変数を基底とするn次元空間に存在するk個の点による特性空間として把握される。この特性空間において、より独立性が高く、より次元数の少ないm(m<n)次元空間を規定する、別の基底を求める(n,m,kは自然数)。即ち、k個の点の数を変えることなく、存在する空間を規定する軸をより独立性の高い変数によって再定義する。学習データを変換後の変数で構成することによって、機械学習の対象となるデータの量を削減できるばかりでなく、学習データの説明変数が独立性の高い変数で構成されることとなるので、教師あり学習へ移行したときの予測精度を向上することが期待される。
本実施形態7の機械学習支援方法を実行するハードウェアも、実施形態1と同様に、機械学習支援装置と呼ぶことができ、記憶装置、演算処理部、入出力インターフェース、ネットワークインターフェース等からなるコンピュータに、機械学習支援方法がソフトウェアとしてインストールされることによって実装されると好適である。
2 グラフ探索部
3 探索範囲指定部
4 学習データ収集部
5 機械学習部
6 パラメータリスト
7 予測部
8 グラフ生成部
9 パラメータリスト照合部
10 機械学習支援装置
11 物性関係性データベース
16 特徴情報
19 特徴照合部
20 影響因子データベース
21 環境型影響因子
22 形態型影響因子
23 サイズ型影響因子
24 物性パラメータ間の関係性グラフ
25 物性パラメータと影響因子の関係性に対応するエッジ
29 物性関係性データベースと影響因子データベースの入力フォーム
30 物性データ
Claims (28)
- 計算機上で動作するソフトウェアによって実装され、物性探索ステップと機械学習ステップとを含む機械学習支援方法であって、
前記物性探索ステップは、互いに関係性を有する複数の物性パラメータ対に含まれる物性パラメータをノードとし前記物性パラメータ対に対応するノード間をエッジとする物性関係性グラフを対象として、与えられるターゲット物性に対応するノードと、当該ノードから所定の範囲内で接続されるノードからなる部分グラフを抽出し、
前記機械学習ステップは、前記ターゲット物性を教師データとし、前記部分グラフに含まれる他のノードに対応する物性パラメータを説明変数とする複数のデータを学習データとして機械学習を行って、前記ターゲット物性の予測値を算出するための前記説明変数それぞれの重み付け係数からなるパラメータリストを出力する、
機械学習支援方法。 - 請求項1において、前記物性関係性グラフは、複数の前記物性パラメータが依存性をもつ影響因子に対応するノード、及び、当該ノードと当該物性パラメータに対応するノードとの間のエッジとを有し、
前記物性探索ステップは、前記ターゲット物性に対応するノードから前記所定の範囲内で接続されるノードに影響因子に対応するノードが含まれる場合に、前記部分グラフに当該ノードを包含し、前記機械学習ステップにおける前記学習データに、当該影響因子が含まれる、
機械学習支援方法。 - 請求項1において、前記物性関係性グラフの前記物性パラメータ対を構成する2つの物性パラメータ間の関係式が対応するエッジに紐づけて記憶されており、
前記部分グラフに含まれるエッジに関係式が紐づけられているときに、当該エッジに接続されるノードに対応する物性パラメータは前記ターゲット物性を求める関係式に含まれる形式で、前記学習データに説明変数として含まれる、
機械学習支援方法。 - 請求項1において、前記学習データは複数のレコードによって構成され、前記複数のレコードのそれぞれは教師データと対応する複数の説明変数の値とによって構成され、
前記複数のレコードのうち、一部の説明変数の値が欠けたレコードがある場合には、欠けている説明変数をターゲット物性として当該ターゲット物性を予測するための機械学習に適する学習データを特定する物性探索ステップと、当該物性探索ステップの結果に基づく学習データによる機械学習を行う機械学習ステップと実行することによって得られたパラメータリストを用いて、前記一部の説明変数の値が欠けたレコードにおける欠けた説明変数の値を予測して補った上で、上位階層の機械学習ステップを実行する各ステップを再帰的に実行する、
機械学習支援方法。 - 請求項1において、前記機械学習支援方法はパラメータリスト照合ステップをさらに含み、
前記パラメータリスト照合ステップでは、前記パラメータリストに含まれる重み付け係数と、前記物性関係性グラフにおける当該重み付け係数に対応する説明変数に対応するノードと前記ターゲット物性に対応するノードとの間の経路とを照合する、
機械学習支援方法。 - 請求項5において、前記機械学習支援方法はそれぞれが異なる機械学習アルゴリズムを採用し、それぞれがパラメータリストを出力する、複数の機械学習ステップを有し、
前記パラメータリスト照合ステップは、前記複数の機械学習ステップから出力されるパラメータリストのそれぞれと、前記物性関係性グラフにおける前記経路との照合を行い、所定の判断基準に基づいて最適な機械学習アルゴリズムを採用する機械学習ステップから出力されたパラメータリストを選択して出力する、
機械学習支援方法。 - 請求項6において、前記パラメータリスト照合ステップは、前記パラメータリストに含まれる重み付け係数の絶対値と、前記物性関係性グラフにおける当該重み付け係数に対応する説明変数に対応するノードと前記ターゲット物性に対応するノードとの間の経路の長さの一致度を算出し、算出した一致度が最大であることを、前記判断基準とする、
機械学習支援方法。 - 請求項6において、前記物性関係性グラフを構成するエッジの長さが対応する物性パラメータ対の関係性における依存の強度に基づいて規定され、前記パラメータリスト照合ステップは、前記経路の長さとして算出される依存の強度と、前記重み付け係数との一致度を算出し、算出した一致度が最大であることを、前記判断基準とする、
機械学習支援方法。 - 請求項6において、前記物性関係性グラフを構成するエッジには対応する物性パラメータ対の相関の極性が紐づけられており、前記パラメータリスト照合ステップは、前記パラメータリストに含まれる重み付け係数の極性と、前記物性関係性グラフにおける当該重み付け係数に対応する説明変数に対応するノードと前記ターゲット物性に対応するノードとの間のエッジに紐づけられた相関の極性との一致度を算出し、算出した一致度が最大であることを、前記判断基準とする、
機械学習支援方法。 - ターゲット物性を予測するパラメータリストを生成する機械学習支援装置であって、
物性関係性グラフとグラフ探索部と探索範囲指定部と学習データ入力部と機械学習部とを備え、
前記物性関係性グラフは、互いに関係性を有する複数の物性パラメータ対に含まれる物性パラメータをノードとし前記物性パラメータ対に対応するノード間をエッジとするグラフであり、
前記探索範囲指定部は、与えられる前記ターゲット物性に対応する、前記物性関係性グラフのノードを終点ノードとし、合わせて探索範囲を指定し、
前記グラフ探索部は、前記物性関係性グラフを対象とする探索を行って、前記終点ノードから前記探索範囲内にあるノードよりなる部分グラフを出力し、
前記学習データ入力部は、前記ターゲット物性を教師データとし、前記部分グラフに含まれる他のノードに対応する物性パラメータを説明変数とする収集条件を指定し、前記収集条件に合致する複数のレコードを学習データとして前記機械学習部に供給し、
前記機械学習部は、前記学習データを入力とする機械学習を行って、前記ターゲット物性の予測値を算出するための前記説明変数それぞれの重み付け係数を、前記パラメータリストとして出力する、
機械学習支援装置。 - 請求項10において、前記機械学習支援装置は影響因子データベースをさらに備え、
前記影響因子データベースは、前記物性関係性グラフを構成するノードに対応する物性パラメータと、当該物性パラメータが依存性をもつ影響因子とを対応付けて記憶し、
前記物性関係性グラフは、複数の前記物性パラメータが依存性をもつ影響因子に対応するノードと、当該ノードと当該物性パラメータに対応するノードとの間のエッジとを有し、
前記グラフ探索部は、前記ターゲット物性に対応するノードから前記探索範囲内で接続されるノードに影響因子に対応するノードが含まれる場合に、前記部分グラフに当該ノードを包含し、
前記学習データ入力部が指定する前記収集条件に、前記説明変数として前記部分グラフに含まれるノードに対応する影響因子が含まれる、
機械学習支援装置。 - 請求項10において、前記物性関係性グラフの前記物性パラメータ対を構成する2つの物性パラメータ間の関係式が対応するエッジに紐づけて記憶されており、
前記部分グラフに含まれるエッジに関係式が紐づけられているときに、当該エッジに接続されるノードに対応する物性パラメータは前記ターゲット物性を求める関係式に含まれる形式で、前記学習データに説明変数として含まれる、
機械学習支援装置。 - 請求項10において、前記機械学習支援装置は予測部をさらに備え、
前記学習データは複数のレコードによって構成され、前記複数のレコードのそれぞれは教師データと対応する複数の説明変数の値によって構成され、
前記探索範囲指定部は、前記複数のレコードのうち一部の説明変数の値が欠けたレコードがある場合に、欠けている説明変数を新たなターゲット物性とし、前記新たなターゲット物性に対応する、前記物性関係性グラフのノードを新たな終点ノードとし、合わせて新たな探索範囲を指定して、前記グラフ探索部に供給し、
前記グラフ探索部は、前記物性関係性グラフを対象とする探索を行って、前記新たな終点ノードから前記新たな探索範囲内にあるノードよりなる新たな部分グラフを出力し、
前記学習データ入力部は、前記新たなターゲット物性を新たな教師データとし、前記新たな部分グラフに含まれる他のノードに対応する物性パラメータを説明変数とする新たな収集条件を指定し、前記新たな収集条件に合致する複数のレコードを新たな学習データとして前記機械学習部に供給し、
前記機械学習部は、前記新たな学習データを入力とする機械学習を行って、前記新たなターゲット物性の予測値を算出するための前記説明変数それぞれの重み付け係数を、前記新たなパラメータリストとして出力し、
前記予測部は、前記新たなパラメータリストを用い、前記一部の説明変数の値が欠けた前記レコードに含まれる他の説明変数の値から、前記欠けている説明変数の予測値を算出し、前記一部の説明変数の値が欠けた前記レコードを補って前記学習データの内容を更新し、
前記機械学習部は、更新された前記学習データを入力とする機械学習を行って、前記ターゲット物性の予測値を算出するための前記説明変数それぞれの重み付け係数を、前記パラメータリストとして出力する、
機械学習支援装置。 - 請求項10において、前記機械学習支援装置はパラメータリスト照合部をさらに含み、
前記パラメータリスト照合部は、前記パラメータリストに含まれる重み付け係数と、前記物性関係性グラフにおける当該重み付け係数に対応する説明変数に対応するノードと前記ターゲット物性に対応するノードとの間の経路とを照合する、
機械学習支援装置。 - 請求項14において、
前記機械学習部は、それぞれが異なる機械学習アルゴリズムを採用する複数の機械学習を行って、それぞれに対応する複数のパラメータリストを生成し、
前記パラメータリスト照合部は、前記複数のパラメータリストのそれぞれと、前記物性関係性グラフにおける前記経路との照合を行い、所定の判断基準に基づいて1つのパラメータリストを選択して出力する、
機械学習支援装置。 - 請求項15において、
前記パラメータリスト照合部は、前記複数のパラメータリストそれぞれについて、当該パラメータリストに含まれる重み付け係数の絶対値と、前記物性関係性グラフにおける当該重み付け係数に対応する説明変数に対応するノードと前記ターゲット物性に対応するノードとの間の経路の長さの一致度を算出し、算出した一致度が最大であることを、前記判断基準とする、
機械学習支援装置。 - 請求項15において、前記物性関係性グラフを構成するエッジの長さが対応する物性パラメータ対の関係性における依存の強度に基づいて規定され、
前記パラメータリスト照合部は、前記複数のパラメータリストそれぞれについて、前記経路の長さとして算出される依存の強度と、当該パラメータリストに含まれる重み付け係数との一致度を算出し、算出した一致度が最大であることを、前記判断基準とする、
機械学習支援装置。 - 請求項15において、前記物性関係性グラフを構成するエッジには対応する物性パラメータ対の相関の極性が対応付けられており、
前記パラメータリスト照合部は、前記複数のパラメータリストそれぞれについて、当該パラメータリストに含まれる重み付け係数の極性と、前記物性関係性グラフにおける当該重み付け係数に対応する説明変数に対応するノードと前記ターゲット物性に対応するノードとの間のエッジに対応付けられた相関の極性との一致度を算出し、算出した一致度が最大であることを、前記判断基準とする、
機械学習支援装置。 - 計算機上で動作するソフトウェアによって実装され、物性探索ステップと機械学習ステップとを含む機械学習支援方法であって、
前記物性探索ステップは、互いに関係性を有する複数の物性パラメータ対に含まれる物性パラメータをノードとし前記物性パラメータ対に対応するノード間をエッジとする物性関係性グラフを対象として、与えられるターゲット物性に対応するノードと、当該ノードから所定の範囲内で接続されるノードからなる部分グラフを抽出し、
前記機械学習ステップは、前記部分グラフに含まれるノードに対応する物性パラメータを説明変数とする複数のデータを学習データとして教師なし学習を行って、特徴情報を出力する、
機械学習支援方法。 - 請求項19において、前記物性関係性グラフは、複数の前記物性パラメータが依存性をもつ影響因子に対応するノード、及び、当該ノードと当該物性パラメータに対応するノードとの間のエッジとを有し、
前記物性探索ステップは、前記ターゲット物性に対応するノードから前記所定の範囲内で接続されるノードに影響因子に対応するノードが含まれる場合に、前記部分グラフに当該ノードを包含し、
前記機械学習ステップにおける前記学習データに、前記部分グラフに包含された前記ノードに対応する影響因子が含まれる、
機械学習支援方法。 - 請求項19において、前記物性関係性グラフの前記物性パラメータ対を構成する2つの物性パラメータ間の関係式が対応するエッジに紐づけて記憶されており、
前記部分グラフに含まれるエッジに関係式が紐づけられているときに、当該エッジに接続されるノードに対応する物性パラメータは前記ターゲット物性を求める関係式に含まれる形式で、前記学習データに説明変数として含まれる、
機械学習支援方法。 - 請求項19から請求項21のうちのいずれか1項において、
前記教師なし学習はクラスタリングであり、前記特徴情報はクラスタの中心、重心、形状のうちの少なくとも1つである、
機械学習支援方法。 - 請求項19から請求項21のうちのいずれか1項において、
前記教師なし学習は主成分分析であり、前記特徴情報は前記学習データを構成する複数の物性パラメータの寄与率である、
機械学習支援方法。 - ターゲット物性を予測するパラメータリストを生成する機械学習支援装置であって、
物性関係性グラフとグラフ探索部と探索範囲指定部と学習データ入力部と機械学習部とを備え、
前記物性関係性グラフは、互いに関係性を有する複数の物性パラメータ対に含まれる物性パラメータをノードとし前記物性パラメータ対に対応するノード間をエッジとするグラフであり、
前記探索範囲指定部は、与えられる前記ターゲット物性に対応する、前記物性関係性グラフのノードを終点ノードとし、合わせて探索範囲を指定し、
前記グラフ探索部は、前記物性関係性グラフを対象とする探索を行って、前記終点ノードから前記探索範囲内にあるノードよりなる部分グラフを出力し、
前記学習データ入力部は、前記部分グラフに含まれるノードに対応する複数の物性パラメータを説明変数とする収集条件を指定し、前記収集条件に合致する複数のレコードを学習データとして前記機械学習部に供給し、
前記機械学習部は、前記学習データを入力とする教師なし学習を行って、特徴情報を出力する、
機械学習支援装置。 - 請求項24において、前記機械学習支援装置は影響因子データベースをさらに備え、
前記影響因子データベースは、前記物性関係性グラフを構成するノードに対応する物性パラメータと、当該物性パラメータが依存性をもつ影響因子とを対応付けて記憶し、
前記物性関係性グラフは、複数の前記物性パラメータが依存性をもつ影響因子に対応するノードと、当該ノードと当該物性パラメータに対応するノードとの間のエッジとを有し、
前記グラフ探索部は、前記ターゲット物性に対応するノードから前記探索範囲内で接続されるノードに影響因子に対応するノードが含まれる場合に、前記部分グラフに当該ノードを包含し、
前記学習データ入力部が指定する前記収集条件に、前記説明変数として前記部分グラフに含まれるノードに対応する影響因子が含まれる、
機械学習支援装置。 - 請求項24において、前記物性関係性グラフの前記物性パラメータ対を構成する2つの物性パラメータ間の関係式が対応するエッジに紐づけて記憶されており、
前記部分グラフに含まれるエッジに関係式が紐づけられているときに、当該エッジに接続されるノードに対応する物性パラメータは前記ターゲット物性を求める関係式に含まれる形式で、前記学習データに説明変数として含まれる、
機械学習支援装置。 - 請求項24から請求項26のうちのいずれか1項において、
前記教師なし学習はクラスタリングであり、前記特徴情報はクラスタの中心、重心、形状のうちの少なくとも1つである、
機械学習支援装置。 - 請求項24から請求項26のうちのいずれか1項において、
前記教師なし学習は主成分分析であり、前記特徴情報は前記学習データを構成する複数の物性パラメータの寄与率である、
機械学習支援装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019125841A JP7411977B2 (ja) | 2019-07-05 | 2019-07-05 | 機械学習支援方法及び機械学習支援装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019125841A JP7411977B2 (ja) | 2019-07-05 | 2019-07-05 | 機械学習支援方法及び機械学習支援装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021012501A true JP2021012501A (ja) | 2021-02-04 |
JP7411977B2 JP7411977B2 (ja) | 2024-01-12 |
Family
ID=74226103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019125841A Active JP7411977B2 (ja) | 2019-07-05 | 2019-07-05 | 機械学習支援方法及び機械学習支援装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7411977B2 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220156389A (ko) * | 2021-05-18 | 2022-11-25 | 한전케이디엔주식회사 | 인공지능 처리 결과 분석 장치 및 그 방법 |
KR20230057130A (ko) * | 2021-10-21 | 2023-04-28 | 울산과학기술원 | 인공지능을 이용하여 솔라 셀을 설계하는 방법 및 장치 |
WO2023166763A1 (ja) * | 2022-03-01 | 2023-09-07 | 株式会社日立製作所 | ドメイン知識活用システム、ドメイン知識活用方法及びドメイン知識活用プログラム |
WO2024038716A1 (ja) * | 2022-08-17 | 2024-02-22 | 株式会社レゾナック | 材料設計装置、材料設計方法及びプログラム |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014048795A (ja) * | 2012-08-30 | 2014-03-17 | Nippon Telegr & Teleph Corp <Ntt> | 対人感情推定装置、対人感情推定方法及び対人感情推定プログラム |
WO2016002133A1 (ja) * | 2014-06-30 | 2016-01-07 | 日本電気株式会社 | 予測システムおよび予測方法 |
WO2016067483A1 (ja) * | 2014-10-28 | 2016-05-06 | 日本電気株式会社 | 推定結果表示システム、推定結果表示方法および推定結果表示プログラム |
JP2017529590A (ja) * | 2014-07-30 | 2017-10-05 | サイオス テクノロジー コーポレーションSios Technology Corporation | グラフ理論を用いたアプリケーション、仮想化およびクラウド・インフラストラクチャ・リソースの集中型分析 |
WO2017221444A1 (ja) * | 2016-06-21 | 2017-12-28 | 国立研究開発法人物質・材料研究機構 | 探索システム、探索方法および物性データベース管理装置 |
JP2018045266A (ja) * | 2016-09-12 | 2018-03-22 | 株式会社日立製作所 | 設計支援装置 |
WO2018159237A1 (ja) * | 2017-02-28 | 2018-09-07 | 国立研究開発法人物質・材料研究機構 | 探索方法、探索装置および探索システム |
JP2019056960A (ja) * | 2017-09-19 | 2019-04-11 | 富士通株式会社 | 探索方法、探索プログラムおよび探索装置 |
-
2019
- 2019-07-05 JP JP2019125841A patent/JP7411977B2/ja active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014048795A (ja) * | 2012-08-30 | 2014-03-17 | Nippon Telegr & Teleph Corp <Ntt> | 対人感情推定装置、対人感情推定方法及び対人感情推定プログラム |
WO2016002133A1 (ja) * | 2014-06-30 | 2016-01-07 | 日本電気株式会社 | 予測システムおよび予測方法 |
JP2017529590A (ja) * | 2014-07-30 | 2017-10-05 | サイオス テクノロジー コーポレーションSios Technology Corporation | グラフ理論を用いたアプリケーション、仮想化およびクラウド・インフラストラクチャ・リソースの集中型分析 |
WO2016067483A1 (ja) * | 2014-10-28 | 2016-05-06 | 日本電気株式会社 | 推定結果表示システム、推定結果表示方法および推定結果表示プログラム |
WO2017221444A1 (ja) * | 2016-06-21 | 2017-12-28 | 国立研究開発法人物質・材料研究機構 | 探索システム、探索方法および物性データベース管理装置 |
JP2018045266A (ja) * | 2016-09-12 | 2018-03-22 | 株式会社日立製作所 | 設計支援装置 |
WO2018159237A1 (ja) * | 2017-02-28 | 2018-09-07 | 国立研究開発法人物質・材料研究機構 | 探索方法、探索装置および探索システム |
JP2019056960A (ja) * | 2017-09-19 | 2019-04-11 | 富士通株式会社 | 探索方法、探索プログラムおよび探索装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220156389A (ko) * | 2021-05-18 | 2022-11-25 | 한전케이디엔주식회사 | 인공지능 처리 결과 분석 장치 및 그 방법 |
KR102512552B1 (ko) | 2021-05-18 | 2023-03-20 | 한전케이디엔주식회사 | 인공지능 처리 결과 분석 장치 및 그 방법 |
KR20230057130A (ko) * | 2021-10-21 | 2023-04-28 | 울산과학기술원 | 인공지능을 이용하여 솔라 셀을 설계하는 방법 및 장치 |
KR102627885B1 (ko) | 2021-10-21 | 2024-01-23 | 울산과학기술원 | 인공지능을 이용하여 솔라 셀을 설계하는 방법 및 장치 |
WO2023166763A1 (ja) * | 2022-03-01 | 2023-09-07 | 株式会社日立製作所 | ドメイン知識活用システム、ドメイン知識活用方法及びドメイン知識活用プログラム |
WO2024038716A1 (ja) * | 2022-08-17 | 2024-02-22 | 株式会社レゾナック | 材料設計装置、材料設計方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP7411977B2 (ja) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021012501A (ja) | 機械学習支援方法及び機械学習支援装置 | |
Gazalba et al. | Comparative analysis of k-nearest neighbor and modified k-nearest neighbor algorithm for data classification | |
Bhargava et al. | Decision tree analysis on j48 algorithm for data mining | |
JP4780554B2 (ja) | 新規材料の構成物質情報探索方法、及び新規材料の構成物質情報探索システム | |
Srinivasan et al. | Evolutionary multi objective optimization for rule mining: a review | |
Aledo et al. | Tackling the rank aggregation problem with evolutionary algorithms | |
Kumar et al. | Algorithms for storytelling | |
Lee et al. | Technology opportunity analysis based on recombinant search: patent landscape analysis for idea generation | |
Zhang et al. | Feature selection considering uncertainty change ratio of the class label | |
Wolcott et al. | Modeling time-dependent and-independent indicators to facilitate identification of breakthrough research papers | |
Weise et al. | Automatically discovering clusters of algorithm and problem instance behaviors as well as their causes from experimental data, algorithm setups, and instance features | |
El handri et al. | Comparative study of Topk based on Fagin's algorithm using correlation metrics in cloud computing QoS | |
Li et al. | Multi-objective particle swarm optimization for key quality feature selection in complex manufacturing processes | |
CN109390032B (zh) | 一种基于进化算法在全基因组关联分析的数据中探索与疾病相关的snp组合的方法 | |
Lee et al. | Decision tree algorithm considering distances between classes | |
Sreenivasula Reddy et al. | Intuitionistic fuzzy rough sets and fruit fly algorithm for association rule mining | |
Pei et al. | A “seed-refine” algorithm for detecting protein complexes from protein interaction data | |
Ahlawat et al. | Improving classification in data mining using hybrid algorithm | |
JP5716966B2 (ja) | データ分析装置、データ分析方法及びプログラム | |
JP2018147351A (ja) | 知識モデル構築システム及び知識モデル構築方法 | |
Sorooshian et al. | Weighted aggregated sum product assessment | |
de Sá et al. | Towards a method for automatically evolving bayesian network classifiers | |
CN115148307A (zh) | 一种材料性能自动预测系统 | |
Sadeghi et al. | Relational Pattern Benchmarking on the Knowledge Graph Link Prediction Task | |
Salama et al. | A Novel Feature Selection Measure Partnership-Gain. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220404 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230317 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230508 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230629 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231010 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231031 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231206 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231214 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231219 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7411977 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |