JP2021174402A - 材料の特性値を推定するシステム - Google Patents

Abstract

【課題】機械学習モデルによって材料特性値を高精度かつ効率的に推定する。【解決手段】シミュレーション推定モデルは、材料の記述子から、材料のシミュレーション結果の特性値を推定する。材料特性値推定モデルは、シミュレーション推定モデルの推定結果及び材料の記述子から、材料の特性値を推定する。１以上のプロセッサは、第１材料の記述子をシミュレーション推定モデルに入力して、第１材料の特性値の第１シミュレーション推定結果を取得する。１以上のプロセッサは、第１シミュレーション推定結果と第１材料の記述子とを材料特性値推定モデルに入力して、第１材料の特性推定値を取得する。【選択図】図１

Description

本発明は、材料の特性値を推定するシステムに関する。

実験による材料の特性の評価方法と異なる方法として、数値シミュレーションによる材料特性評価が行われている。材料の数値シミュレーションは、物理法則に基づきシミュレータを構成し、材料の記述子を数値シミュレータに入力することで、材料特性値をシミュレーション結果として得る。また、マテリアルインフォマティクスは、材料の特徴と特性値との間の応答関係のみ考慮する機械学習モデルを使用して、材料の特性値を推定し、実験・数値シミュレーションの対象を選択する。これにより、それらの回数を最適化することを可能とする。

このような状況において、非特許文献１は、材料の数値シミュレーション結果を機械学習の学習データに用いることにより、機械学習モデルによって材料特性推定を行う技術を開示している。そのほか、特許文献１は、画像データから３Ｄモデルを作成し、そのモデルの物理シミュレーションを行って新規の学習画像データを大量生成することにより、機械学習モデルの汎化性能を上げる技術を開示している。

特開２０１７−１８２１２９号公報

G. R. Schleder et al., "From DFT to machine learning: recent approaches to materials science - a review", J. Phys.: Mater. 2 (2019) 032001

材料の数値シミュレーション、特に密度汎関数法等の第一原理計算による数値シミュレーションは、推定対象である材料特性値の良い近似値を与えることができる。しかし、数値シミュレーションの計算コストは極めて高く、数値シミュレーションを実行することができる材料種類の数は限定される。従って、数値シミュレーションを機械学習モデルにより代替し、より少ない計算コストで材料特性値を高精度に推定できる技術が望まれる。

本発明の一態様は、材料の特性値を推定するシステムであって、１以上のプロセッサと、前記１以上のプロセッサが実行する１以上の記憶装置と、を含む。前記１以上の記憶装置は、材料特性推定モデルを格納する。前記材料特性推定モデルは、材料の記述子から、前記材料のシミュレーション結果の特性値を推定する、シミュレーション推定モデルと、前記シミュレーション推定モデルの推定結果及び前記材料の記述子から、前記材料の特性値を推定する、材料特性値推定モデルと、を含む。前記１以上のプロセッサは、第１材料の記述子を前記シミュレーション推定モデルに入力して、前記第１材料の特性値の第１シミュレーション推定結果を取得し、前記第１シミュレーション推定結果と前記第１材料の記述子とを前記材料特性値推定モデルに入力して、前記第１材料の特性推定値を取得する。

本発明の一態様によれば、機械学習モデルによって材料特性値を高精度かつ効率的に推定できる。

本明細書の実施例に係る、数値シミュレータを代替可能な材料特性推定モデルを模式的に示す。 本明細書の実施例に係る材料特性推定装置の論理構成例を模式的に示す。 材料特性推定装置のハードウェア構成例を示す。 実験済み材料データベースの構成例を示す。 未実験材料データベースの構成例を示す。未 記述子計算部が出力する記述子リストの構成例を示す。 材料特性推定装置の全体的な処理の例のフローチャートを示す。 ２次元空間における材料の分布を模式的に示す。 シミュレーション推定モデルの学習の詳細のフローチャートを示す。 材料特性値推定モデルの学習の詳細のフローチャートを示す。 材料特性推定結果表示部がモニタにおいて表示する材料特性推定結果の画像例を示す。

以下においては、便宜上その必要があるときは、複数のセクションまたは実施例に分割して説明するが、特に明示した場合を除き、それらは互いに無関係なものではなく、一方は他方の一部または全部の変形例、詳細、補足説明等の関係にある。また、以下において、要素の数等（個数、数値、量、範囲等を含む）に言及する場合、特に明示した場合及び原理的に明らかに特定の数に限定される場合等を除き、その特定の数に限定されるものではなく、特定の数以上でも以下でもよい。

本システムは、物理的な計算機システム（一つ以上の物理的な計算機）でもよいし、クラウド基盤のような計算リソース群（複数の計算リソース）上に構築されたシステムでもよい。計算機システムあるいは計算リソース群は、１以上のインタフェース装置（例えば通信装置及び入出力装置を含む）、１以上の記憶装置（例えば、メモリ（主記憶）及び補助記憶装置を含む）、及び、１以上のプロセッサを含む。

プログラムがプロセッサによって実行されることで機能が実現される場合、定められた処理が、適宜に記憶装置及び／またはインタフェース装置等を用いながら行われるため、機能はプロセッサの少なくとも一部とされてもよい。機能を主語として説明された処理は、プロセッサあるいはそのプロセッサを有するシステムが行う処理としてもよい。プログラムは、プログラムソースからインストールされてもよい。プログラムソースは、例えば、プログラム配布計算機または計算機が読み取り可能な記憶媒体（例えば計算機読み取り可能な非一過性記憶媒体）であってもよい。各機能の説明は一例であり、複数の機能が一つの機能にまとめられたり、一つの機能が複数の機能に分割されたりしてもよい。

〔概略〕
以下において、材料特性値を効率的かつ高精度に推定することができる技術を開示する。本明細書の実施例は、材料特性の数値シミュレータを、機械学習モデル（材料特性推定モデル）により代替可能とする。図１は、本明細書の実施例における、数値シミュレータ１１を代替可能な材料特性推定モデル２０を模式的に示す。

数値シミュレータ１１は、入力された材料の化学構造式１２から、当該材料の所定の特性値のシミュレーション結果１３を出力する。図１の例において、数値シミュレータ１１は化学構造式を入力として受け付け、１種類の材料特性値を出力するが、他の例において、数値シミュレータ１１は化学構造式の記述子を入力として受け付けてもよく、複数種類の材料特性値を出力してもよい。

材料特性推定モデル２０は、数値シミュレータ１１のシミュレーション結果を推定するシミュレーション推定モデル２１と、材料特性値推定モデル２５と、を含む。シミュレーション推定モデル２１は、材料の記述子２２（ベクトル）を入力として受け付け、数値シミュレータ１１のシミュレーション結果（材料特性値）を推定する。記述子は、材料の特徴を多変量で表現するベクトルである。

記述子は、複数の要素（特徴量）で構成されており、各要素が対応する特徴、例えば、分子量や元素混合比を表す。図１の例においてシミュレーション推定モデル２１は、１種類の材料特性値を出力するが、数値シミュレータ１１のシミュレーション結果が含む複数種類の材料特性値を出力してもよい。シミュレーション推定モデル２１は、数値シミュレータ１１のシミュレーション結果１３とシミュレーション推定モデル２１の推定結果２３との間の誤差により最適化（訓練）される。

材料特性値推定モデル２５は、シミュレーション推定モデル２１が推定する材料特性値と同一の１又は複数種類の材料特性値を推定する。図１の例において、材料特性値推定モデル２５は、特定の１種類の材料特性値を推定する。

材料特性値推定モデル２５は、上記材料の記述子２４と材料特性推定モデル２０のシミュレーション結果推定値２３とを結合したベクトル２６を入力として受け取る。記述子２４は、シミュレーション推定モデル２１に入力される記述子２２と同一又は異なっていてもよい。ベクトル２６は、材料の記述子２２を拡張した記述子である。材料特性値推定モデル２５は、拡張記述子２６から、所定の材料特性値を推定し、その材料特性推定値２７を出力する。材料特性推定値２７が、材料特性推定モデル２０による材料特性の推定値である。

上述のように、数値シミュレータ１１のシミュレーション結果を推定するシミュレーション推定モデル２１の推定結果及び材料の記述子に基づき、材料特性値推定モデル２５は、当該材料の特性値を推定する。これにより、シミュレータより効率的に演算を行うことができる機械学習モデルにより、材料特性値を高精度に推定できる。

なお、シミュレーション推定モデル２１及び材料特性値推定モデル２５それぞれが利用する回帰アルゴリズムは任意であり、これらのアルゴリズムは同一でも異なっていてもよい。例えば、ランダムフォレスト、サポートベクタマシン、ガウス過程回帰、ニューラルネットワークを含む様々な回帰アルゴリズムから、任意のアルゴリズムを選択できる。材料特性推定モデル２０は、有機無機化合物及び無機化合物のいずれにも適用可能である。記述子は化学式、つまり、構造式及び組成式のいずれからも生成することができる。以下において、本明細書の実施例のより具体的な構成を説明する。

図２は、本明細書の実施例に係る材料特性推定装置の論理構成例を模式的に示す。材料特性推定装置１００は、実験済み材料データベース１０２、未実験材料データベース１０３、及びシミュレーション結果データベース１１０を格納している。

材料特性推定装置１００は、記述子計算部１０４、シミュレーション実行対象選択部１０５、材料特性値推定モデル学習部１０６、シミュレーション実行部１０７、シミュレーション推定部１０８、シミュレーション推定モデル学習部１０９、材料特性値推定部１１１、及び材料特性推定結果表示部１１２を格納している。これらは、プログラムであり、材料特性推定装置１００の１以上のプロセッサは、これらプログラムを実行することで、それぞれに対応する機能部として動作することができる。なお、材料特性推定装置１００の任意の機能は任意のプログラムに実装できる。

記述子計算部１０４は、化学式から所定の方法によって記述子を生成する。記述子は、化学式が示す材料の特徴を表す。記述子は、複数の要素（特徴量）で構成されたベクトルで表される。各要素が対応する特徴、例えば、分子量や元素混合比を表す。以下においては、化学構造式で表される有機化合物材料を、推定対象材料の例として説明する。本明細書の実施例は、例えば組成式で表される無機化合物材料にも適用可能である。

シミュレーション実行対象選択部１０５は、材料特性推定モデル２０の学習（訓練）のための学習データを生成するため、数値シミュレータ１１によりシミュレーションを実行する材料を選択する。シミュレーション実行部１０７は、数値シミュレータ１１によるシミュレーションを実行する。

シミュレーション推定モデル学習部１０９は、シミュレーション結果を推定するシミュレーション推定モデル２１の学習（訓練）を行う。シミュレーション推定部１０８は、学習済みのシミュレーション推定モデル２１によって、材料特性のシミュレーション結果推定値を算出する。

材料特性値推定モデル学習部１０６は、材料特性値を推定する材料特性値推定モデル２５の学習（訓練）を行う。材料特性値推定部１１１は、学習済みの材料特性値推定モデル２５によって、材料特性値の推定値を算出する。材料特性推定結果表示部１１２は、材料特性値推定部１１１による材料特性推定結果を、ユーザに提示する。

実験済み材料データベース１０２は、様々な材料の所定材料特性値の実験結果を格納している。未実験材料データベース１０３は、材料特性値の実験が未実行の材料のデータを格納する。シミュレーション結果データベース１１０は、数値シミュレータ１１によるシミュレーション結果を格納する。

図３は、材料特性推定装置１００のハードウェア構成例を示す。材料特性推定装置１００は計算機構成を有し、演算性能を有するプロセッサ１５１と、プロセッサ１５１が実行するプログラム及びデータを格納する揮発性一時記憶領域を与えるＤＲＡＭ１５２と、を含む。材料特性推定装置１００は、さらに、他の装置とデータ通信をおこなう通信装置１５３と、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やフラッシュメモリなどを利用した永続的な情報記憶領域を与える補助記憶装置１５４と、を含む。

例えば、補助記憶装置１５４は、記述子計算部１０４、シミュレーション実行対象選択部１０５、材料特性値推定モデル学習部１０６、シミュレーション実行部１０７、シミュレーション推定部１０８、シミュレーション推定モデル学習部１０９、材料特性値推定部１１１、及び材料特性推定結果表示部１１２等のプログラムを格納する。

補助記憶装置１５４は、さらに、実験済み材料データベース１０２、未実験材料データベース１０３、及びシミュレーション結果データベース１１０等の各種データを格納する。プロセッサ１５１が実行するプログラム及び処理対象のデータは、補助記憶装置１５４からＤＲＡＭ１５２にロードされる。

また、材料特性推定装置１００は、ユーザからの操作を受け付ける入力装置１５５と、各プロセスでの出力結果をユーザに提示するモニタ１５６（出力装置の例）と、を含む。なお、材料特性推定装置１００の機能は、複数の装置に分かれて実装されてもよい。このように、材料特性推定装置１００は、１以上の記憶装置及び１以上のプロセッサを含む。

図４は、実験済み材料データベース１０２の構成例を示す。実験済み材料データベース１０２は、材料と材料の特性値の実験結果とを関連付ける。具体的には、実験済み材料データベース１０２は、番号カラム３０１、構造式（ＳＭＩＬＥＳ）カラム３０２、及び材料特性測定値カラム３０３を含む。

番号カラム３０１は、実験済み材料データベース１０２においてレコードそれぞれを識別する。構造式（ＳＭＩＬＥＳ）カラム３０２は、材料の化学構造式を示す。図４の例において、化学構造式は、ＳＭＩＬＥＳ（Ｓｉｍｐｌｉｆｉｅｄ Ｍｏｌｅｃｕｌａｒ Ｉｎｐｕｔ Ｌｉｎｅ Ｅｎｔｒｙ Ｓｙｓｔｅｍ）記法に従って表現されている。記述子を生成することができる、化学構造式の任意の表現形式を使用することができる。材料特性測定値カラム３０３は、化学構造式それぞれの所定の特性値の実験結果を示す。

図５は、未実験材料データベース１０３の構成例を示す。未実験材料データベース１０３は、材料特性値の実験が行われていない材料の化学構造式を格納する。未実験材料データベース１０３から選択された材料の特性値が、材料特性推定モデル２０により推定される。

図５に示す例において、未実験材料データベース１０３は、番号カラム４０１、及び構造式（ＳＭＩＬＥＳ）カラム４０２を含む。番号カラム４０１は、未実験材料データベース１０３においてレコードそれぞれを識別する。構造式（ＳＭＩＬＥＳ）カラム４０２は、材料の化学構造式のＳＭＩＬＥＳ表現を示す。

図６は、記述子計算部１０４が出力する記述子リスト５００の構成例を示す。記述子計算部１０４は、実験済み材料データベース１０２又は未実験材料データベース１０３から取得したＳＭＩＬＥＳ表現の化学構造式から記述子を生成し、記述子リスト５００を生成する。

記述子リスト５００は、番号カラム５０１と記述子要素それぞれのカラムを含む。図６の例においては、記述子は１０００の記述要素で構成され、四つの記述子要素のカラムが、例として、符号５０２〜５０５で指示されている。番号カラム５０１の値は、記述子リストを生成した化学構造式を取得したデータベースにおける番号カラムの値に対応する。

図７は、材料特性推定装置１００の全体的な処理の例のフローチャートを示す。ステップＳ１０１において、記述子計算部１０４は、実験済み材料データベース１０２と未実験材料データベース１０３から材料の化学構造式を取得し、各材料の記述子を計算する。記述子計算部１０４は、実験済み材料データベース１０２及び未実験材料データベース１０３それぞれの記述子リストを生成する。

ステップＳ１０２において、シミュレーション実行対象選択部１０５は、記述子計算部１０４から二つのデータベース１０２、１０３それぞれの材料の記述子を受け取り、それら記述子に基づいてシミュレーションを実行する材料の選択を行う。シミュレーション結果は、材料特性推定モデル２０の学習に使用される。

数値シミュレーションは多くの計算リソースを必要とする。材料特性推定モデル２０の効率的かつ効果的な学習の観点から、数値シミュレータ１１によりシミュレーションを実行する材料を選択することが重要である。

シミュレーション推定モデル２１の学習の観点において、定性的に異なった多様な種類の材料のシミュレーション結果を用意することで、シミュレーション推定モデル２１の汎化性を向上することができる（要請１）。材料特性値推定モデル２５の学習のためには、実験済み材料に対して数値シミュレーションを実行する必要がある（要請２）。

シミュレーション実行対象選択部１０５は、上記要請１及び要請２を満たすように、数値シミュレーション候補の優先順位を決定し、上位の材料をシミュレーション対象として選択する。

要請１の観点から、シミュレーション実行対象選択部１０５は、材料間の類似度に基づき、シミュレーション実行対象を決定する。材料間の類似度は、例えば、記述子又は記述子から得られるベクトル間の距離から計算することができる。

例えば、シミュレーション実行対象選択部１０５は、候補材料の記述子の次元を削減し、低次元の空間において材料の分布を分析する。次元削減のため、例えば、ｔ−ＳＮＥ（ｔ−ｄｉｓｔｒｉｂｕｔｅｄ Ｓｔｏｃｈａｓｔｉｃ Ｎｅｉｇｈｂｏｒ Ｅｍｂｅｄｄｉｎｇ）のような、次元削減アルゴリズムを使用することができる。記述子の所定要素を抽出して低次元空間を構成してもよい。次元削減によりその後の計算量が削減される。

図８は、２次元空間における材料の分布を模式的に示す。円は未実験材料を示し、星は実験済み材料を示す。シミュレーション実行対象選択部１０５は、材料空間において、類似度による材料のクラスタリングを行う。各クラスタは類似する材料で構成されている。図８の例において、三つのクラスタ６０１〜６０３が構成されている。

上記要請１を満たすには、偏ったクラスタから多くの材料を選択するのではなく、異なったクラスタから不偏的に材料を選択することが好ましい。また、上記要請２を満たすため、実験済み材料を優先的に選択することが好ましい。

従って、シミュレーション実行対象選択部１０５は、例えば、以下の優先順位に従って、シミュレーション実行対象の材料を選択する。（１）実験済みであって、かつクラスタ中心に近い材料、（２）実験済み材料が全く含まれていないクラスタ内の材料、（３）未実験であって、クラスタ中心に近い材料、（４）上記条件から外れる実験済み材料、（５）上記条件から外れる未実験材料。

シミュレーション実行対象選択部１０５は、例えば、上記条件（１）から（５）の順に、条件を満たす材料を探索する。クラスタ中心に近い材料は、例えば、クラスタ中心から所定距離内の材料である。例えば、見つけた材料の総数又は実験済み材料の数が所定数にｓ達すると、シミュレーション実行対象選択部１０５は、探索を終了する。このように、見つけられた材料が、シミュレーション実行対象と決定され、材料リストに含められる。

図７に戻って、ステップＳ１０３において、シミュレーション実行部１０７は、シミュレーション実行対象選択部１０５から材料リストを受け取り、その材料リストの材料のシミュレーションを実行して材料特性値を算出する。材料リストは、例えば、データベース識別子、データベース内の番号、及び記述子を示してもよい。

シミュレーション実行部１０７は、材料リストが示す材料の化学構造式を実験済み材料データベース１０２及び未実験材料データベース１０３から取得し、それらのシミュレーションを実行する。シミュレーションに記述子が必要な場合、シミュレーション実行部１０７は、記述子計算部１０４に記述子の計算を要求する。

ステップＳ１０４において、シミュレーション実行部１０７は、シミュレーション結果データベース１１０に、シミュレーション結果を格納する。シミュレーション結果データベース１１０は、例えば、番号カラム、構造式（ＳＭＩＬＥＳ）カラム、及び材料特性値のシミュレーション結果のカラムを含む。番号カラムは、例えば、シミュレーション結果データベース１１０内のレコードを識別する。シミュレーション結果データベース１１０は、材料の実験結果の有無を示してもよい。

ステップＳ１０５において、シミュレーション推定モデル学習部１０９は、記述子からシミュレーション結果を推定するシミュレーション推定モデル２１の学習を行う。図９は、シミュレーション推定モデル２１の学習（Ｓ１０５）の詳細のフローチャートを示す。

ステップＳ２０１において、シミュレーション推定モデル学習部１０９は、シミュレーション結果データベース１１０からシミュレーション結果を取得する。ステップＳ２０２において、シミュレーション推定モデル学習部１０９は記述子計算部１０４から計算された記述子を受け取る。具体的には、シミュレーション推定モデル学習部１０９は、シミュレーションの化学構造式を記述子計算部１０４に渡し、それらの記述子を取得する。

ステップＳ２０３において、シミュレーション推定モデル学習部１０９は、取得した記述子と、シミュレーション結果が示す材料特性値とにより、シミュレーション推定モデルの学習を行う。シミュレーション推定モデル学習部１０９は、シミュレーション推定モデル２１の初期構成の情報を予め保持しており、その情報に従って、シミュレーション推定モデルを構成する。シミュレーション推定モデル２１として、任意の種類の機械学習モデルが利用できる。

シミュレーション推定モデル学習部１０９は、シミュレーション推定モデル２１に記述子を順次入力し、出力されたシミュレーション結果推定値（材料特性値）を取得する。シミュレーション推定モデル学習部１０９は、シミュレーション結果推定値と上記取得したシミュレーション結果の材料特性値との誤差に基づき、シミュレーション推定モデル２１のパラメータを更新することで、シミュレーション推定モデル２１を最適化する。最後に、ステップＳ２０４において、シミュレーション推定モデル学習部１０９は、学習済みシミュレーション推定モデル２１をシミュレーション推定部１０８に渡す。

図７に戻って、ステップＳ１０６において、シミュレーション推定部１０８は、シミュレーション推定モデル学習部１０９から学習済みシミュレーション推定モデル２１を受け取る。

シミュレーション推定部１０８は、さらに、記述子計算部１０４からシミュレーション未実行の材料の記述子を受け取る。具体的には、シミュレーション推定部１０８は、未実験材料データベース１０３に格納され、シミュレーション結果データベース１１０に格納されていない材料の化学構造式を選択して、記述子計算部１０４に記述子の計算を依頼する。

さらに、シミュレーション推定部１０８は、記述子計算部１０４から取得した記述子を順次学習済みシミュレーション推定モデル２１に入力して、シミュレーション結果の推定値を算出する。

次に、ステップＳ１０７において、材料特性値推定モデル学習部１０６は、材料特性値推定モデル２５の学習を行う。図１０は、材料特性値推定モデル２５の学習（Ｓ１０７）の詳細のフローチャートを示す。

ステップＳ３０１において、材料特性値推定モデル学習部１０６は、シミュレーション結果データベース１１０から、実験済み材料のシミュレーション結果を取得する。材料特性値推定モデル学習部１０６は、例えば、実験済み材料データベース１０２を参照することで、実験済み材料を同定できる。シミュレーション結果データベース１１０が、実験の有無を示してもよい。

ステップＳ３０２において、材料特性値推定モデル学習部１０６は、記述子計算部１０４から計算された記述子を受け取る。具体的には、材料特性値推定モデル学習部１０６は、ステップＳ３０１で取得したシミュレーション結果の化学構造式を記述子計算部１０４に渡し、それらの記述子を取得する。

ステップＳ３０３において、材料特性値推定モデル学習部１０６は、実験済み材料データベース１０２から、材料特性値の実験結果を取得する。具体的には、材料特性値推定モデル学習部１０６は、ステップＳ３０１で取得したシミュレーション結果の材料特性値を実験済み材料データベース１０２から取得する。

ステップＳ３０４において、材料特性値推定モデル学習部１０６は、取得したシミュレーション結果、取得した記述子、及び材料特性値の実験結果により、材料特性値推定モデル２５の学習を行う。シミュレーション推定モデル学習部１０９は、材料特性値推定モデル２５の初期構成の情報を予め保持しており、その情報に従って、材料特性値推定モデル２５を構成する。材料特性値推定モデル２５として、任意の種類の機械学習モデルが利用できる。

材料特性値推定モデル学習部１０６は、材料特性値推定モデル２５に記述子と材料特性値のシミュレーション結果とを結合した拡張記述子（ベクトル）を順次入力し、出力された材料特性推定値を取得する。材料特性値推定モデル学習部１０６は、材料特性推定値と上記取得した実験結果の材料特性値との誤差に基づき、材料特性値推定モデル２５のパラメータを更新することで、材料特性値推定モデル２５を最適化する。最後に、ステップＳ３０４において、材料特性値推定モデル学習部１０６は、学習済み材料特性値推定モデル２５を材料特性値推定部１１１に渡す。

上述のように、材料特性値推定モデル２５の学習は、数値シミュレータによるシミュレーション結果を使用する。これにより、より適切な材料特性値推定モデル２５を構成できる。他の例において、材料特性値推定モデル２５の学習は、学習済みシミュレーション推定モデル２１の推定結果を使用してもよい。

図７に戻って、ステップＳ１０８において、材料特性値推定部１１１は、学習済みの材料特性値推定モデル２５によって、未実験材料の材料特性値の推定値を算出する。具体的には、材料特性値推定部１１１は、学習済みの材料特性値推定モデル２５を、材料特性値推定モデル学習部１０６から受け取る。

材料特性値推定部１１１は、記述子計算部１０４から未実験材料の記述子を受け取る。例えば、材料特性値推定部１１１は、未実験材料データベース１０３から化学構造式を取得して、それらと共に記述子の生成を記述子計算部１０４に要求する。

材料特性値推定部１１１は、シミュレーション推定部１０８から、ステップＳ１０６で算出された未実験材料のシミュレーション結果推定値を受け取る。材料特性値推定部１１１は、シミュレーション結果データベース１１０から、未実験材料のシミュレーション結果を取得する。

材料特性値推定部１１１は、記述子とシミュレーション結果推定値（材料特性値）又はシミュレーション結果（材料特性値）を結合して、材料特性値推定モデル２５に入力する。材料特性値推定モデル２５は、入力された記述子が表す未実験材料の特性値の推定値を算出する。

最後に、ステップＳ１０９において、材料特性推定結果表示部１１２は、材料特性値推定部１１１から、未実験材料の化学構造式と材料特性推定結果とを受け取る。材料特性推定結果表示部１１２は、化学構造式と材料特性推定結果とをユーザに提示する。

図１１は、材料特性推定結果表示部１１２がモニタ１５６において表示する材料特性推定結果の画像例を示す。図１１の例において、画像は、選択された材料の化学構造式と、それらに対応する材料特性値の推定値とを示す。ユーザは、表示された化学構造式及び材料特性値を参考に、実際に実験又はシミュレーションを実行する化学構造式を決定することができる。保存ボタンにより推定結果が保存される。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明したすべての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

また、上記の各構成・機能・処理部等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記録装置、または、ＩＣカード、ＳＤカード等の記録媒体に置くことができる。

また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしもすべての制御線や情報線を示しているとは限らない。実際には殆どすべての構成が相互に接続されていると考えてもよい。

２０ 材料特性推定モデル、２１ シミュレーション推定モデル、２５ 材料特性値推定モデル、１００ 材料特性推定装置、１０２ 実験済み材料データベース、１０３ 未実験材料データベース、１０４ 記述子計算部、１０５ シミュレーション実行対象選択部、１０６ 材料特性値推定モデル学習部、１０７ シミュレーション実行部、１０８ シミュレーション推定部、１０９ シミュレーション推定モデル学習部、１１０ シミュレーション結果データベース、１１１ 材料特性値推定部、１１２ 材料特性推定結果表示部

Claims (10)

1. 材料の特性値を推定するシステムであって、
   １以上のプロセッサと、
   前記１以上のプロセッサが実行する１以上の記憶装置と、を含み、
   前記１以上の記憶装置は、材料特性推定モデルを格納し、
   前記材料特性推定モデルは、
   材料の記述子から、前記材料のシミュレーション結果の特性値を推定する、シミュレーション推定モデルと、
   前記シミュレーション推定モデルの推定結果及び前記材料の記述子から、前記材料の特性値を推定する、材料特性値推定モデルと、を含み、
   前記１以上のプロセッサは、
   第１材料の記述子を前記シミュレーション推定モデルに入力して、前記第１材料の特性値の第１シミュレーション推定結果を取得し、
   前記第１シミュレーション推定結果と前記第１材料の記述子とを前記材料特性値推定モデルに入力して、前記第１材料の特性推定値を取得する、システム。
2. 請求項１に記載のシステムであって、
   前記１以上の記憶装置は、
   シミュレーションにより材料の特性値を推定するシミュレータと、
   特性値の測定値と関連付けられた実験済み材料を示す実験済み材料データベースと、を格納し、
   前記１以上のプロセッサは、
   前記実験済み材料データベースから測定値を取得し、
   前記取得した測定値の材料のシミュレーションを前記シミュレータにより実行して、シミュレーション結果を取得し、
   前記取得した測定値及び前記シミュレーション結果を使用して、前記材料特性推定モデルの学習を行う、システム。
3. 請求項２に記載のシステムであって、
   前記１以上の記憶装置は、未実験材料を示す未実験材料データベースを格納し、
   前記１以上のプロセッサは、前記実験済み材料データベース及び前記未実験材料データベースに格納されている材料の間の類似度に基づいて、前記シミュレーション推定モデル及び前記材料特性値推定モデルの学習データに含めるデータを前記実験済み材料データベース及び前記未実験材料データベースから選択する、システム。
4. 請求項２に記載のシステムであって、
   前記材料特性推定モデルの学習において、前記取得した測定値の材料の記述子と前記シミュレーション結果とが、前記材料特性値推定モデルに入力される、システム。
5. 請求項１に記載のシステムであって、
   前記１以上のプロセッサは、前記第１材料の情報と、前記第１材料の材料特性値推定モデルによる特性推定値とを、モニタに出力する、システム。
6. システムが実行する方法であって、
   前記システムは、
   １以上のプロセッサと、
   前記１以上のプロセッサが実行する１以上の記憶装置と、を含み、
   前記１以上の記憶装置は、材料特性推定モデルを格納し、
   前記材料特性推定モデルは、
   材料の記述子から、前記材料のシミュレーション結果の特性値を推定する、シミュレーション推定モデルと、
   前記シミュレーション推定モデルの推定結果及び前記材料の記述子から、前記材料の特性値を推定する、材料特性値推定モデルと、を含み、
   前記方法は、
   前記１以上のプロセッサが、第１材料の記述子を前記シミュレーション推定モデルに入力して、前記第１材料の特性値の第１シミュレーション推定結果を取得し、
   前記１以上のプロセッサが、前記第１シミュレーション推定結果と前記第１材料の記述子とを前記材料特性値推定モデルに入力して、前記第１材料の特性推定値を取得する、ことを含む方法。
7. 請求項６に記載の方法であって、
   前記１以上の記憶装置は、
   シミュレーションにより材料の特性値を推定するシミュレータと、
   特性値の測定値と関連付けられた実験済み材料を示す実験済み材料データベースと、を格納し、
   前記方法は
   前記１以上のプロセッサが、前記実験済み材料データベースから測定値を取得し、
   前記１以上のプロセッサが、前記取得した測定値の材料のシミュレーションを前記シミュレータにより実行して、シミュレーション結果を取得し、
   前記１以上のプロセッサが、前記取得した測定値及び前記シミュレーション結果を使用して、前記材料特性推定モデルの学習を行う、ことを含む方法。
8. 請求項７に記載の方法であって、
   前記１以上の記憶装置は、未実験材料を示す未実験材料データベースを格納し、
   前記方法は、前記１以上のプロセッサが、前記実験済み材料データベース及び前記未実験材料データベースに格納されている材料の間の類似度に基づいて、前記シミュレーション推定モデル及び前記材料特性値推定モデルの学習データに含めるデータを前記実験済み材料データベース及び前記未実験材料データベースから選択する、ことを含む方法。
9. 請求項７に記載の方法であって、
   前記材料特性推定モデルの学習において、前記取得した測定値の材料の記述子と前記シミュレーション結果とが、前記材料特性値推定モデルに入力される、方法。
10. 請求項６に記載の方法であって、
    前記１以上のプロセッサが、前記第１材料の情報と、前記第１材料の材料特性値推定モデルによる特性推定値とを、モニタに出力する、ことを含む方法。
    

Images