JP2022127316A - Physical property predictor and program - Google Patents
Physical property predictor and program Download PDFInfo
- Publication number
- JP2022127316A JP2022127316A JP2021025390A JP2021025390A JP2022127316A JP 2022127316 A JP2022127316 A JP 2022127316A JP 2021025390 A JP2021025390 A JP 2021025390A JP 2021025390 A JP2021025390 A JP 2021025390A JP 2022127316 A JP2022127316 A JP 2022127316A
- Authority
- JP
- Japan
- Prior art keywords
- data
- physical property
- learning
- condition
- similarity
- 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
- 230000000704 physical effect Effects 0.000 title claims abstract description 163
- 238000010801 machine learning Methods 0.000 claims abstract description 45
- 239000000126 substance Substances 0.000 claims abstract description 35
- 238000013500 data storage Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 26
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 239000002994 raw material Substances 0.000 description 67
- 238000000034 method Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000010365 information processing Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002861 polymer material Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
特許法第30条第2項適用申請有り 令和3年2月15日、https://www.y-yokohama.com、https://www.y-yokohama.com/release/、https://www.y-yokohama.com/release/?id=3517、https://www.y-yokohama.com/release/pdf/2021021515tr001.pdf
本発明は物性予測装置及びプログラムに関する。 The present invention relates to a physical property prediction device and program.
下記特許文献1には、化合物である未知のサンプルの物性(毒性などの安全性)を予測するために、入力された未知のサンプルとの類似度が規定値以上のサンプル(複数の既知のサンプル)を検索し、検索されたサンプルからサブサンプルセットを作成し、このサブサンプルセットに対してデータ解析を行うことが記載されている。また、下記特許文献2には、未知サンプルのデータである未知入力ベクトルに近しい代表ベクトルに関するベースモデルと補正モデル(ベースモデルの残差の反数を予測するモデル)とを検索し、ベースモデル及び補正モデルの予測値に基づく物性予測値を算出するとともに、物性予測値に対するリスク値を、補正モデルの予測値に基づいて算出することが記載されている。
In
物性予測の確からしさは、予測ごとに異なる。確からしさの程度が予測ごとに知ることができれば、ユーザはどの予測を頼りに試作をするかの判断に役立てることができる。 The certainty of physical property prediction differs for each prediction. If it is possible to know the degree of certainty for each prediction, the user can use it to determine which prediction to rely on when making a prototype.
本開示の目的は、物性予測の確からしさの程度を予測ごとに知ることができる物性予測装置及びプログラムを提供することにある。 An object of the present disclosure is to provide a physical property prediction device and a program capable of knowing the degree of certainty of physical property prediction for each prediction.
本開示に係る物性予測装置は、物質の生成条件をそれぞれ示す複数の学習用条件データを記憶する学習用条件データ記憶手段と、前記複数の学習用条件データにより学習され、所与の入力条件データを入力する場合に該入力条件データが示す生成条件により生成される物質の性質を示す予測物性データを出力する機械学習モデルのパラメータを記憶するパラメータ記憶手段と、前記複数の学習用条件データのそれぞれと、前記入力条件データと、の類似性を判定する類似性判定手段と、前記予測物性データを出力するとともに、該予測物性データの確度として前記類似性のいずれかに基づく情報を出力する出力手段と、を含む。これによれば、物性予測の確からしさの程度を予測ごとに知ることができる。 A physical property prediction apparatus according to the present disclosure includes learning condition data storage means for storing a plurality of learning condition data respectively indicating substance production conditions; parameter storage means for storing parameters of a machine learning model for outputting predicted physical property data indicating properties of a substance produced under the production conditions indicated by the input condition data when inputting a and the input condition data, similarity determination means for determining similarity between the input condition data and output means for outputting the predicted physical property data and outputting information based on any of the similarities as the accuracy of the predicted physical property data and including. According to this, the degree of certainty of physical property prediction can be known for each prediction.
本開示に係るプログラムは、物質の生成条件をそれぞれ示す複数の学習用条件データを記憶する学習用条件データ記憶手段、前記複数の学習用条件データにより学習され、所与の入力条件データを入力する場合に該入力条件データが示す生成条件により生成される物質の性質を示す予測物性データを出力する機械学習モデルのパラメータを記憶するパラメータ記憶手段、前記複数の学習用条件データのそれぞれと、前記入力条件データと、の類似性を判定する類似性判定手段、及び、前記予測物性データを出力するとともに、該予測物性データの確度として前記類似性を出力する出力手段、としてコンピュータを機能させるためのプログラムである。これによれば、コンピュータを用いて、物性予測の確からしさの程度を予測ごとに知ることができる。 A program according to the present disclosure includes learning condition data storage means for storing a plurality of learning condition data respectively indicating substance production conditions, learning by the plurality of learning condition data, and input of given input condition data. parameter storage means for storing parameters of a machine learning model for outputting predicted physical property data indicating properties of a substance produced under the production conditions indicated by the input condition data, each of the plurality of learning condition data, and the input A program for causing a computer to function as similarity determination means for determining similarity between condition data and output means for outputting the predicted physical property data and outputting the similarity as the accuracy of the predicted physical property data is. According to this, a computer can be used to know the degree of certainty of physical property prediction for each prediction.
以下、本開示の実施形態について図面を参照しながら説明する。本実施形態では、物質の生成及び入力の条件(原料、生成プロセス、及び物性の計測などに関する条件)を示す入力データを、学習済みの機械学習モデルに入力することにより、生成される物質の性質を示す予測物性データを出力するとともに、その予測物性データの確度に関する情報を出力する。以下では、物質が複数の原料及び生成プロセスによって生成される混合物(例えば、タイヤの素材)である場合の例を説明するが、物質は複数の原料の混合物に限らず、所定の条件に基づいて生成されるものであればよい。 Hereinafter, embodiments of the present disclosure will be described with reference to the drawings. In the present embodiment, by inputting input data indicating conditions for material generation and input (conditions related to raw materials, generation process, physical property measurement, etc.) into a trained machine learning model, the properties of the material to be generated along with outputting predicted physical property data indicating the accuracy of the predicted physical property data. Below, an example in which the substance is a mixture (for example, a tire material) produced by a plurality of raw materials and a production process will be described, but the substance is not limited to a mixture of a plurality of raw materials, and Anything that can be generated is acceptable.
[1.ハードウェア構成]
図1は、本開示の実施形態の一例である物性予測装置10の構成を示す図である。本実施形態に係る物性予測装置10は、パーソナルコンピュータや汎用コンピュータ、携帯情報端末などのコンピュータであり、図1に示すように、プロセッサ11、記憶部12、通信部13、表示部14、操作部15を含んでいる。なお、物性予測装置10は、光ディスクを読み取る光ディスクドライブや、USB(Universal Serial Bus)ポートなどを含んでいてもよい。
[1. Hardware configuration]
FIG. 1 is a diagram showing the configuration of a physical
プロセッサ11は、例えばコンピュータである物性予測装置10にインストールされたプログラムに従って動作するCPU(Central Processing Unit)などのプログラム制御デバイスである。記憶部12は、ROM(Read Only Memory)やRAM(Random Access Memory)などの記憶素子やハードディスクドライブなどである。記憶部12には、プロセッサ11によって実行されるプログラムなどのデータが記憶される。通信部13は、例えばネットワークボードなどの通信インタフェースである。表示部14は、液晶ディスプレイ等の表示デバイスであって、プロセッサ11の指示に従って各種の画像を表示する。操作部15は、キーボードやマウスなどのユーザインタフェースであって、ユーザの操作入力を受け付けて、その内容を示す信号をプロセッサ11に出力する。
The
[2.機能ブロック]
物性予測装置10は、例えば、混合物である物質の性質について予測される性能(例えば、物質の硬さ、タイヤとして使用する場合の耐久性や転がり抵抗など)を示す予測物性データを出力するとともに、その予測物性データの確度に関する情報を出力する。以下では、物性予測装置10による予測物性データ及び確度に関する情報の出力について説明する。
[2. Function block]
The physical
図2は、物性予測装置10で実装される機能の一例を示す機能ブロック図である。図2に示すように、物性予測装置10は、機能的には、学習用データ記憶部20(学習用条件データ記憶部)と、入力データ取得部30(入力条件データ取得部)と、機械学習モデル40と、類似性判定部50と、予測物性データ出力部60と、項目名出力部70とを含む。なお、物性予測装置10において、図2に示す機能のすべてが実装されなくてもよく、図2に示す機能以外の機能が実装されていてもよい。
FIG. 2 is a functional block diagram showing an example of functions implemented in the physical
[2-1.学習用データ記憶部]
学習用データ記憶部20は、複数の学習用条件データを記憶する。「学習用条件データ」とは、物質の生成及び計測の条件を示すデータであり、後述する機械学習モデル40の学習に用いられる教師データである。以下では、学習用条件データを単に「学習用データ」とも称する。なお、学習用データ記憶部20は、記憶部12を主として実現されてよいが、これに限らず、物性予測装置10に有線又は無線で接続される外部記憶装置やNAS(Network Attached Storage)などの他の記憶装置により実現されてもよい。
[2-1. Learning data storage unit]
The learning
図3は、学習用データ記憶部20に記憶される複数の学習用データの一例を示す図である。図3に示す例では、個々のID(1,2,Nなど)により特定されるデータ(表における1行分のデータ)が、1つの学習用データに相当する。
FIG. 3 is a diagram showing an example of a plurality of learning data stored in the learning
学習用データは、物質の生成及び計測の条件を示す複数の項目ごとのデータとして、複数の条件項目データを含んでいる。各条件項目データは、物質の生成条件又は計測条件に関する項目のデータである。図3に示す例では、学習用データは、複数の条件項目データとして、複数の原料(原料1~原料R)の値と、複数のプロセス条件(プロセス1~プロセス条件S)の値と、複数の計測条件(計測条件1~計測条件T)の値をと含んでいる。
The learning data includes a plurality of condition item data as data for each of a plurality of items indicating conditions for generating and measuring substances. Each condition item data is data of an item relating to the conditions for generating a substance or the conditions for measurement. In the example shown in FIG. 3, the learning data includes, as multiple condition item data, values of multiple raw materials (
「原料」とは、混合物である物質に含有される原料であり、「原料のデータ」とは、物質に含まれる原料の度合い(質量や重量、配合率など)を示す値などデータである。例えば、IDが「1」で特定される学習用データでは、原料1(1番目の原料)の値が「44」であり、原料2(2番目の原料)の値が「10」であり、原料P(P番目の原料)の値が「7」であり、原料P+1(P+1番目の原料)の値が「3」であり、原料Q(Q番目の原料)の値が「1」であり、原料Q+1(Q+1番目の原料)の値が「2」であり、原料R(R番目の原料)の値が「3」であることが示されている。また、IDが「2」で特定される学習用データでは、原料1の値が「43」であり、原料2の値が「10」であり、原料Pの値が「6」であり、原料P+1の値が「3」であり、原料Qの値が「1」であり、原料Q+1の値が「2」であり、原料Rの値が「0」であることが示されている。
"Raw material" is a raw material contained in a substance that is a mixture, and "raw material data" is data such as a value indicating the degree of raw material contained in a substance (mass, weight, blending ratio, etc.). For example, in the learning data identified by ID "1", the value of raw material 1 (first raw material) is "44", the value of raw material 2 (second raw material) is "10", The value of raw material P (P-th raw material) is "7", the value of raw material P+1 (P+1-th raw material) is "3", and the value of raw material Q (Q-th raw material) is "1". , raw material Q+1 (Q+1st raw material) has a value of "2", and raw material R (Rth raw material) has a value of "3". Further, in the learning data identified by the ID of "2", the value of
「プロセス条件」とは、原料から物質を生成する際の処理(加工など)の条件であり、「プロセス条件のデータ」とは、物質を処理する際の条件(例えば、加熱や冷却を行う際の温度及び時間)を示すデータである。例えば、IDが「1」で特定される学習用データでは、プロセス条件1(1番目のプロセス条件)の値が「148」であり、プロセス条件S(S番目のプロセス条件)の値が「189」であることが示されている。また、IDが「2」で特定される学習用データでは、プロセス条件1の値が「147」であり、プロセス条件Sの値が「178」であることが示されている。
"Process conditions" are the conditions for processing (processing, etc.) when producing substances from raw materials, and "data of process conditions" are the conditions for processing substances (for example, when heating or cooling). (temperature and time). For example, in the learning data identified by ID "1", the value of process condition 1 (first process condition) is "148" and the value of process condition S (Sth process condition) is "189". ” is shown. Further, in the learning data identified by ID "2", the value of
「計測条件」とは、生成された物質の物性を計測する際の条件であり、「計測条件のデータ」とは、物質を計測する際の条件(例えば、計測方法や計測時間)を示すデータである。例えば、IDが「1」で特定される学習用データでは、計測条件1(1番目の計測条件)の値が「2」であり、計測条件2(2番目の計測条件)の値が「3」であることが示されている。また、IDが「2」で特定される学習用データにおいても、計測条件1の値が「2」であり、計測条件2の値が「3」であることが示されている。
"Measurement conditions" are the conditions for measuring the physical properties of the generated substance, and "measurement condition data" are the data indicating the conditions for measuring the substance (e.g. measurement method and measurement time). is. For example, in learning data identified by an ID of "1", the value of measurement condition 1 (first measurement condition) is "2", and the value of measurement condition 2 (second measurement condition) is "3". ” is shown. Also, in the learning data identified by ID "2", the value of
なお、学習用データの条件項目データに計測条件のデータが含まれているのは、生成された物質の計測条件が異なることによって、物性として計測されるデータ(図3では物性値)も異なるためである。 The reason why the measurement condition data is included in the condition item data of the learning data is that the data measured as physical properties (physical property values in FIG. 3) are different as the measurement conditions of the generated substances are different. is.
本実施形態では、学習用データの各条件項目データには、複数の属性のいずれかが割り当てられる。図3に示す例では、学習用データに5つの属性が割り当てられている。より具体的には、学習用データに含まれる複数の条件項目データのうち、原料1~原料Pには「属性1」が割り当てられ、原料1及び原料P+1~原料Qには「属性2」が割り当てられ、原料Q+1~原料Rには「属性3」が割り当てられ、プロセス条件1~プロセス条件Sには「属性4」が割り当てられ、計測条件1~計測条件Tには「属性5」が割り当てられている。図3に示す例では、原料の条件項目データ(原料1~原料R)の種別(例えば、高分子材料であるか、充填剤であるか、それ以外であるか、などの種別)に応じて、属性1~属性3までのうちのいずれかが割り当てられている。なお、図3に示す例では複数の原料のデータに属性1~3のいずれかが割り当てられているが、原料のデータに割り当てられる属性は、属性1の1つのみとしてよいし、属性1~3以外の他の属性であってもよい。
In this embodiment, one of a plurality of attributes is assigned to each condition item data of the learning data. In the example shown in FIG. 3, five attributes are assigned to the learning data. More specifically, among the plurality of condition item data included in the learning data, "
また、学習用データには、これに含まれる複数の条件(複数の条件項目データにより示される条件)で生成される物質の物性(硬さなど)を示す物性データを含んでいる。図3に示す例では、物性データは物性値とし、数値で示されている。例えば、IDが「1」で特定される学習用データでは物性値が「1.2」であり、IDが「2」で特定される学習用データでは物性値が「1.3」であることが示されている。なお、物性データは物性値などの数値に限らず、物性を識別できるものであればよい。物性データは数列で示されてもよいし、記号や文字(硬い、柔らかいなど)で示されてもよい。 The learning data also includes physical property data indicating the physical properties (hardness, etc.) of substances generated under a plurality of conditions (conditions indicated by a plurality of condition item data) included in the learning data. In the example shown in FIG. 3, the physical property data are physical property values and indicated by numerical values. For example, learning data identified by an ID of "1" has a physical property value of "1.2", and learning data identified by an ID of "2" has a physical property value of "1.3". It is shown. It should be noted that the physical property data is not limited to numerical values such as physical property values, and may be anything as long as the physical property can be identified. The physical property data may be represented by a sequence of numbers, or may be represented by symbols or characters (hard, soft, etc.).
図3に示すように、複数の学習用データのそれぞれに含まれる複数の条件項目データは、各学習用データ間で互いに異なっている。このため、各学習用データ間の物性値も基本的には互いに相違するが、物性値の端数切捨てなどの丸め処理により、複数の学習用データ間で物性値が一致する場合もある。 As shown in FIG. 3, the plurality of condition item data included in each of the plurality of learning data are different among the learning data. For this reason, the physical property values of the learning data are basically different from each other, but there are cases where the physical property values of a plurality of learning data match due to rounding processing such as rounding off the physical property values.
[2-2.入力データ取得部]
入力データ取得部30は、後述する機械学習モデル40に入力する入力条件データを取得する。「入力条件データ」とは、物質の生成及び計測の条件を示すデータであって、当該条件で生成及び計測される物質の物性(硬さなど)を予測するために、ユーザが作成するデータである。以下では、入力条件データを単に「入力データ」とも称する。なお、入力データ取得部30は、物性予測装置10のプロセッサ11を主として実現されてよいし、物性予測装置10にネットワークを介して接続される他の情報処理装置のプロセッサなどにより実現されてもよい。
[2-2. Input data acquisition unit]
The input
図4は、ユーザにより作成される複数の入力データの一例を示す図である。図4に示す例でも、図3と同様に、個々のID(1,2,Mなど)により特定されるデータ(表における1行分のデータ)が、1つの入力データに相当する。 FIG. 4 is a diagram showing an example of a plurality of input data created by a user. In the example shown in FIG. 4, as in FIG. 3, data specified by individual IDs (1, 2, M, etc.) (one row of data in the table) corresponds to one piece of input data.
入力データも学習用データと同様に、物質の生成及び計測の条件を示す複数の項目ごとのデータとして、複数の条件項目データを含んでいる。図4に示す例でも、図3と同様に、入力データは、複数の条件項目データとして、複数の原料(原料1~原料R)のデータと、複数のプロセス条件(プロセス1~プロセス条件S)のデータと、複数の計測条件(計測条件1~計測条件T)のデータをと含んでいる。各条件項目データの内容は、学習用データと同様であるため説明を省略する。ユーザは、例えば、物性予測装置10の操作部15を用いて条件項目データの値を入力することにより、入力データを作成できる。
As with the learning data, the input data also includes a plurality of condition item data as data for each of a plurality of items indicating conditions for generating and measuring substances. In the example shown in FIG. 4, as in FIG. 3, the input data includes data of a plurality of raw materials (
また、学習用データに含まれる条件項目データと同様に、入力データの各条件項目データにも、複数の属性のいずれかが割り当てられる。各条件項目データに割り当てられる属性の内容も、学習用データと同様であるため、説明を省略する。 Also, like the condition item data included in the learning data, each condition item data of the input data is assigned one of a plurality of attributes. Since the content of the attribute assigned to each condition item data is also the same as that of the learning data, the description is omitted.
先述したように、入力データは、これに含まれる条件項目データで生成及び計測される物質の物性(硬さなど)を予測するためのものである。このため、入力データは、学習用データと異なり、物性値などの物性データを含んでいない。複数の生成又は/及び条件を含む入力データを作成して後述する機械学習モデル40に入力することで、ユーザは、機械学習モデル40(より具体的には、予測部43)により予測される物性の情報を知ることができる。
As described above, the input data is for predicting the physical properties (hardness, etc.) of the substance generated and measured by the condition item data included therein. Therefore, unlike the learning data, the input data does not include physical property data such as physical property values. By creating input data including a plurality of generations and/or conditions and inputting them to the
[2-3.機械学習モデル]
機械学習モデル40は、学習用データ記憶部20に記憶される複数の学習用データにより学習されるモデルであり、所与の入力データが入力される場合に、後述する予測物性データを出力するモデルである。図3に示すように、機械学習モデル40は、パラメータ記憶部41と、学習部42と、予測部43とを含んでいる。機械学習モデル40は、例えば、DNN(Deep Neural Network)やCNN(Convolutional Neural Network)などといった所与のニューラルネットワークにより機械学習されるモデルである。他にも例えば、機械学習モデル40は、所与の統計的手法や線型回帰などにより機械学習されるモデルであってもよい。
[2-3. machine learning model]
The
[2-3-1.パラメータ記憶部]
パラメータ記憶部41は、機械学習モデル40のパラメータを記憶する。より具体的には、パラメータ記憶部41は、所与の入力データを機械学習モデル40に入力する場合に、後述する予測物性データを出力する機械学習モデル40のパラメータを記憶するものである。なお、パラメータ記憶部41は、物性予測装置10の記憶部12を主として実現されてよいし、他の記憶装置などにより実現されてもよい。
[2-3-1. Parameter storage section]
The
機械学習モデル40がニューラルネットワークにより実現される場合、パラメータ記憶部41は、ニューラルネットワークを構成する複数のノードと各ノードの重みづけ、レイヤの数、各レイヤに使用されるノード数などを、機械学習モデル40のパラメータとして記憶してよい。他にも例えば、パラメータ記憶部41は、複数の条件項目データから物性値を求めるための計算式や計算式の係数を、機械学習モデル40のパラメータとして記憶してもよい。
When the
[2-3-2.学習部]
学習部42は、学習用データ記憶部20に記憶される複数の学習用データを用いて機械学習を行うことにより、パラメータ記憶部41に記憶されている機械学習モデル40のパラメータを更新する。すなわち、パラメータ記憶部41に記憶されている機械学習モデル40のパラメータは、複数の学習用データにより学習(更新)される。学習部42は、物性予測装置10のプロセッサ11を主として実現されてよいし、物性予測装置10にネットワークを介して接続される他の情報処理装置のプロセッサなどにより実現されてもよい。
[2-3-2. Learning department]
The
図5は、学習部42が行う機械学習の一例を示す図である。本実施形態では、図5に示すように、機械学習モデル40は、複数の属性(例えば、図3に示した属性1~属性5)ごとに学習される複数の機械学習モデルにより構成されている。別の言い方をすると、パラメータ記憶部41は、複数の属性ごとに、機械学習モデルのパラメータを記憶している。
FIG. 5 is a diagram showing an example of machine learning performed by the
図5に示すように、学習部42は、学習用データに含まれる複数の条件項目データのうちの属性1が割り当てられた条件項目データ(図3に示した原料1~原料Pのデータ)を用いて属性1に属する機械学習モデルの学習を行う。すなわち、パラメータ記憶部41に記憶されている複数のパラメータのうち、属性1が割り当てられた機械学習モデルのパラメータは、学習用データにおいて、属性1に区分される条件項目データにより更新される。これと同様に、属性2~5に属する機械学習モデルも、学習用データにおいて、対応する属性が割り当てられた条件項目データによりそれぞれ学習される。すなわち、属性2~5が割り当てられた機械学習モデルのパラメータも、学習用データにおいて、対応する属性に区分される条件項目データにより更新される。
As shown in FIG. 5, the
[2-3-3.予測部]
予測部43は、機械学習モデル40に所与の入力データ(図4を参照)を入力する場合に、その入力データについての予測物性データを出力する。「予測物性データ」とは、入力データが示す条件(より具体的には、入力データに含まれる複数の条件項目データ)により生成及び計測される物質の性質についての予測を示すデータである。本実施形態では、図7に示す「予測物性値」が、予測物性データに相当する。
[2-3-3. Predictor]
When given input data (see FIG. 4) is input to the
図6は、予測部43が行う機械学習モデルを用いた予測の一例を示す図である。先述したように、本実施形態では、機械学習モデル40は、複数の属性(例えば、属性1~属性5)ごとに学習された複数の機械学習モデルにより構成されている。このため、予測部43は、入力データ取得部30が取得した入力データに含まれる複数の条件項目データを、複数の属性(属性1~属性5)に区分する。そして、属性ごとに区分した入力データの条件項目データを、対応する属性の機械学習モデルに入力することによって、当該入力データに対する予測物性データを算出する。
FIG. 6 is a diagram showing an example of prediction using a machine learning model performed by the
図7は、入力データに対する予測結果の一例を示す図である。図7に示すように、予測部43は、複数の入力データのそれぞれに対する予測物性データとして、物質の性質を示す数値である予測物性値を算出する。図7に示す例では、IDが「1」で特定される入力データの予測物性値が「1.2」であり、IDが「2」で特定される入力データの予測物性値が「1.2」であることが示されている。なお、予測物性データは予測物性値などの数値に限らず、予測された物性を識別できるものであればよい。例えば、予測物性データは数列で示されてもよいし、記号や文字などで示されてもよい。
FIG. 7 is a diagram showing an example of prediction results for input data. As shown in FIG. 7, the
[2-4.類似性判定部、予測物性データ出力部]
類似性判定部50は、学習用データと入力データとの類似性(類否や類似性の度合いなど)を判定する。予測物性データ出力部60は、機械学習モデル40の予測部43により予測された予測物性データを出力するとともに、その予測物性データの確度として、類似性判定部50により判定される類似性に基づく情報を出力する。予測物性データ出力部60は、例えば図7に示すように、予測物性値と、この予測物性値の確度とを表示部14などの表示装置に出力する。なお、類似性判定部50及び予測物性データ出力部60は、物性予測装置10のプロセッサ11を主として実現されてよいし、物性予測装置10にネットワークを介して接続される他の情報処理装置のプロセッサなどにより実現されてもよい。
[2-4. Similarity determination unit, predicted physical property data output unit]
The
より具体的には、類似性判定部50は、複数の学習用データのそれぞれと、入力データとの類似性を判定する。類似性判定部50は、例えば、図3においてIDが「1」「2」・・・「N」で特定される複数の学習用データのそれぞれと、図4においてIDが「1」で特定される入力データとの類似性を判定する。そして、予測物性データ出力部60は、予測物性データを出力するとともに、その予測物性データの確度として、類似性判定部50により判定される複数の類似性のいずれかに基づく情報を出力する。予測物性データ出力部60は、例えば、図4においてIDが「1」で特定される入力データについて、機械学習モデル40の予測部43により予測された予測物性データを出力する。また、その入力データと図3においてIDが「1」「2」・・・「N」で特定される複数の学習用データのそれぞれとの類似性について、類似性判定部50により判定された複数の類似性のいずれかに基づく情報を出力する。
More specifically, the
本実施形態では、類似性判定部50は、学習用データに含まれる条件項目データと、入力データに含まれる、学習用データの条件項目データと対応する条件項目データとの類否を判定する。そして、条件項目データの類否に基づいて、複数の学習用データのそれぞれと、入力データとの類似性を判定する。
In this embodiment, the
図3及び図4に示す例では、学習用データと入力データの双方に、複数の条件項目として、原料1、原料2などの複数の項目の値が含まれている。類似性判定部50は、複数の項目ごとに、学習用データの値と入力データの値の類否を判定する。類似性判定部50は、ある項目(原料1など)について学習用データの値と入力データの値の差が所定の数値範囲内にある場合(換言すると、差の絶対値が閾値以下である場合)に、その項目では類似すると判定し、当該差が所定の数値範囲内にない場合(換言すると、差の絶対値が閾値を超える場合)に、その項目では類似しないと判定する。この他にも、類似性判定部50は、複数の項目ごとの類否について、一致、類似、不一致の3段階で判定してもよいし、3段階以上の複数の類否判定として、類似度に応じたスコアの算出を行ってもよい。
In the examples shown in FIGS. 3 and 4, both the learning data and the input data include values of multiple items such as
予測物性データ出力部60は、入力データに最も類似する複数の学習用データの1つについて判定された類似性に基づく情報を、当該入力データについて予測された予測物性データの確度として出力する。予測物性データ出力部60は、例えば、複数の学習用データのうち、類似すると判定された項目が最も多い学習用データとの類似性に基づく情報を出力する。他にも例えば、類似性判定部50が複数の項目で類似度に応じたスコアを算出する場合、予測物性データ出力部60は、算出されたスコアの合計値が最も高い学習用データとの類似性に基づく情報を出力してもよい。
The predicted physical property
図4においてIDが「1」で特定される入力データに含まれる複数の条件項目データは、図3においてIDが「1」で特定される学習用データに含まれる複数の条件項目データとの比較において、原料1、原料2、原料P、原料P+1、原料Q、原料Q+1、原料R、プロセス条件1、プロセス条件S、計測条件1(計測条件T以外の項目)で一致しており、他の学習用データに比べて一致(類似)する条件項目データは最多である。このため、予測物性データ出力部60は、IDが「1」で特定される入力データに最も類似する学習量データとして、IDが「1」で特定される学習用データとの類似性に基づく情報を出力する。
The plurality of condition item data included in the input data identified by ID "1" in FIG. 4 are compared with the plurality of condition item data included in the learning data identified by ID "1" in FIG. ,
予測物性データ出力部60は、予測物性データの確度として、類似性判定部50により類似すると判定された条件項目データの数に基づく情報を出力してよい。この場合、予測物性データ出力部60は、例えば、類似すると判定された条件項目データの数が所定数以上の場合に「〇(まる)」を出力し、類似すると判定された条件項目データの数が所定数を満たない場合に「×(ばつ)」を出力する。これに限らず、予測物性データ出力部60は、類似すると判定された条件項目データの数を出力してもよいし、複数の条件項目データの各々で算出されたスコアの合計値を出力してもよい。
The predicted physical property
図8は、学習用データと入力データとの類似性の判定方法の一例を示す図である。先述したように、学習用データと入力データのそれぞれで、条件項目データには複数の属性(属性1~属性5)のいずれかが割り当てられる。この場合、類似性判定部50は、複数の属性(属性1~属性5)ごとに、学習用データに含まれる条件項目データと、入力データに含まれる、対応する条件項目データ(学習用データの条件項目データと項目名が対応(一致)する条件項目データ)と、の類否を判定し、その類否に基づいて、属性ごとの学習用データと入力データとの類似性を判定してもよい。
FIG. 8 is a diagram showing an example of a similarity determination method between learning data and input data. As described above, one of a plurality of attributes (
また、予測物性データ出力部60は、複数の属性(属性1~属性5)ごとに、類似性判定部50により類似すると判定された条件項目データの数やスコアの合計値に基づく情報を出力してもよい。図7に示す例では、IDが「1」で特定される入力用データに対し、予測物性データ出力部60は、予測物性値の確度として「〇,〇,〇,〇,×」といった情報を出力している。これは、属性1~属性4のそれぞれで類似すると判定された条件項目データの数(又は、スコアの合計値)は、対応する各属性で規定される閾値以上であり、かつ、属性5で類似すると判定された条件項目データの数(又は、スコアの合計値)は、属性5で規定される閾値未満であることを示している。すなわち、属性1~属性4はいずれも類似しているが、属性5については類似していないことを示している。また、IDが「2」で特定される入力用データに対し、予測物性データ出力部60は、予測物性値の確度として「〇,〇,×,×,×」といった情報を出力している。これは、属性1と属性2のそれぞれで類似すると判定された条件項目データの数(又は、スコアの合計値)が、対応する各属性の閾値以上であり、かつ、属性3~属性5のそれぞれで類似すると判定された条件項目データの数(又は、スコアの合計値)が、対応する各属性の閾値未満であることを示している。
In addition, the predicted physical property
図9は、入力データに対する予測結果の他の一例を示す図である。図9に示すように、予測物性データ出力部60は、複数の属性(属性1~属性5)のそれぞれで類似すると判定された条件項目データの数が閾値以上であった属性の数を、予測物性値の確度として出力してもよい。例えば、IDが「1」で特定される入力用データでは、属性1~属性4の4つの属性で条件項目データの数(又は、スコアの合計値)が閾値以上であるため、当該入力用データの確度として「4」が出力されている。IDが「2」で特定される入力用データでは、属性1~属性2の2つの属性で条件項目データの数が閾値以上であるため、当該入力用データの確度として「2」が出力されている。
FIG. 9 is a diagram showing another example of prediction results for input data. As shown in FIG. 9, the predicted physical property
入力データに含まれる複数の条件項目データに基づく物性予測の確からしさは、入力データごとに(すなわち、予測ごとに)異なる。この点、類似性判定部50及び予測物性データ出力部60によれば、学習用データと入力データとの類似性を予測物性値の確度として出力するため、ユーザは、予測ごとの予測物性値の確からしさを知ることができる。
The certainty of physical property prediction based on multiple condition item data included in input data differs for each input data (that is, for each prediction). In this regard, according to the
[2-5.項目名出力部]
項目名出力部70は、学習用データに含まれる条件項目データと、入力データに含まれる、対応する条件項目データ(学習用データの条件項目データと項目名が対応(一致)する条件項目データ)と、が類似しないと判定される場合に、該条件項目データの項目名を出力する。なお、項目名出力部70は、物性予測装置10のプロセッサ11を主として実現されてよいし、物性予測装置10にネットワークを介して接続される他の情報処理装置のプロセッサなどにより実現されてもよい。
[2-5. Item name output section]
The item
項目名出力部70は、図9に示すように入力データと学習用データとの類似性を阻害する原因として、類似しないと判定された条件項目データの項目名を出力する。例えば、図3に示したうちのIDが「1」で特定される入力用データと、図4に示したうち、当該入力用データと最も類似するIDが「1」で特定される学習用データとは、項目名が「計測条件T」の条件項目データの値の差の絶対値は「3」であり、所定の閾値(例えば「1」)よりも大きい。このため、項目名出力部70は、IDが「1」で特定される入力用データに対し、「計測条件T」の項目名を出力する。また、IDが「2」で特定される入力用データと、当該入力用データと最も類似するIDが「1」で特定される学習用データとは、「原料Q」「プロセス条件1」「計測条件T」の項目名での値の差が所定の数値範囲内にない。このため、項目名出力部70は、IDが「2」で特定される入力用データに対し、「原料Q」「プロセス条件1」「計測条件T」の項目名を出力する。
As shown in FIG. 9, the item
このように、項目名出力部70は、入力データと学習用データとの類似性を阻害する原因として、類似しないと判定された条件項目データの項目名を出力するため、ユーザは、入力データがどの項目で既知のデータである学習用データと類似しないかを知ることができる。ユーザはこの情報を基に、物質を試作するかの判断や、入力データの作成(再設計)に役立てることができる。
As described above, the item
[3.フローチャート]
図10は、物性予測装置10で行われる予測処理の流れの一例を示す図である。まず、入力データ取得部30が、複数の条件項目データを含む入力データを取得する(ステップS101)ステップS101において取得される入力データの数は、図4に示したように複数であってもよいし、1つであってもよい。
[3. flowchart]
FIG. 10 is a diagram showing an example of the flow of prediction processing performed by the physical
次に、予測部43は、属性ごとの機械学習モデル(より具体的には、学習用データ記憶部20に記憶されている学習用データに基づいて、属性1~属性5ごとに学習された機械学習モデルのパラメータ)に基づいて、入力データの予測物性値を算出する(ステップS102)。この際、予測部43は、ステップS101において取得した入力データに含まれる複数の条件項目データを複数の属性(属性1~5)に区分して、属性ごとに区分された条件項目データを対応する属性の機械学習モデルに入力してよい。これにより、入力データに対する予測物性値が算出される。ステップS101において複数の入力データを取得した場合、ステップS102では複数の入力データのそれぞれに対して予測物性値を算出する。
Next, the
次に、類似性判定部50は、ステップS101で取得した入力データと、学習用データ記憶部20に記憶されている学習用データとの属性ごとの類似性を判定する(ステップS103)。類似性判定部50は、入力データと、学習用データ記憶部20に記憶されている複数の学習用データの学習用データのそれぞれとの類似性を判定する。より具体的には、学習用データに含まれる条件項目データと、対応する入力データに含まれる条件項目データ(学習用データの条件項目データと項目名が対応(一致)する条件項目データ)と、の類否を判定し、その類否に基づいて入力データと学習用データとの類似性を判定する。
Next, the
類似性判定部50は、例えば、複数の属性(属性1~5)ごとに、入力データと学習用データとに含まれる条件項目データの類否を判定し、その類否に基づいて入力データと学習用データとの属性ごとの類似性(類否や類似性の度合いなど)を判定する。
The
次に、予測物性データ出力部60は、ステップS102で算出された予測物性値と、ステップS103で判定された類似度に基づく情報を出力し(ステップS104)、処理を終了する。予測物性データ出力部60は、学習用データ記憶部20に記憶されている複数の学習用データのうち、入力データに最も類似する学習用データについて判定された類似性に基づく情報を、予測物性値の確度として出力する。予測物性データ出力部60は、例えば、複数の属性(属性1~5)ごとに判定された類似性を示す情報を出力する。予測物性データ出力部60は、例えば、図7に示した「〇」「×」を含む文字を出力してもよいし、類似すると判定された条件項目データの数が閾値以上であった属性の数を出力してもよい。
Next, the predicted physical property
予測物性値の算出は、属性ごとに機械学習された機械学習モデルに基づいて行われる(ステップS102)。このため、入力データと学習用データとの属性ごとの類似性を判定し(ステップS103)、判定された属性ごとの類似性を確度として出力する(ステップS104)ことにより、予測物性値の確からしさを示す確度の尤度を高めることができる。 Calculation of predicted physical property values is performed based on machine learning models machine-learned for each attribute (step S102). For this reason, the similarity for each attribute between the input data and the learning data is determined (step S103), and the determined similarity for each attribute is output as the probability (step S104). can increase the likelihood of the probability of indicating
ステップS104において、項目名出力部70は、学習用データに含まれる条件項目データと、入力データに含まれる、対応する条件項目データ(学習用データの条件項目データと項目名が対応(一致)する条件項目データ)と、が類似しないと判断判定される場合に、その条件項目データの項目名を出力してもよい。項目名出力部70は、例えば、図9に示したように、入力データと学習用データとの類似性を阻害する原因として、類似しないと判定された条件項目データの項目名を出力してもよい。このようにすることで、ユーザは、入力データがどの項目で既知のデータである学習用データと類似しないかを知ることができる。
In step S104, the item
[4.まとめ]
以上のように、本実施形態では、類似性判定部50は、複数の学習用データのそれぞれと、入力データとの類似性を判定する。予測物性データ出力部60は、入力データが示す生成条件により生成される物質の性質を示す予測物性データを出力するとともに、その予測物性データの確度として、類似性判定部50により判定された類似性のいずれかに基づく情報を出力する。このようにすることで、学習用データと入力データとの類似性が予測物性値の確度として出力されるため、ユーザは、入力データごと(すなわち、予測ごと)の予測物性値の確からしさを知ることができる。ユーザは、どの予測を頼りに実際の物質を試作するかの判断に役立てることができる。
[4. summary]
As described above, in the present embodiment, the
[5.変形例]
本発明は、以上の実施形態に限定されるものではない。
[5. Modification]
The present invention is not limited to the above embodiments.
実施形態では、類似性判定部50は、属性ごとに、学習用データに含まれる条件項目データと、入力データに含まれる条件項目データ(学習用データの条件項目データと項目名が対応(一致)する条件項目データ)との類否を判定し、その類否に基づいて類似性を判定する例について説明した。これに限らず、類似性判定部50は、種々の方法で学習用データと入力データとの類似性を判定してもよい。
In the embodiment, the
類似性判定部50は、例えば、学習用データ及び入力データについて、複数の属性ごとに、各属性が割り当てられた条件項目データに基づく属性データを生成し、学習用データに係る属性データと、入力データに係る属性データとの類否を判定し、その類否に基づいて学習用データと入力データとの類似性を判定してもよい。属性データとは、属性ごと(例えば、属性1~属性5の複数の属性ごと)に設けられるものであり、少なくとも1つの要素を含むデータである。各属性の属性データに含まれる要素は、対応する属性の条件項目データの内容と異なってもよいし、一致してもよい。
For example, the
図11A~図11Cは、属性1~属性3(原料のデータに割り当てられる属性)のそれぞれについて生成される属性データの一例を示す図である。図11Aに示す例では、属性1について生成される属性データを示しており、複数の要素が含まれている。図11Aに示す例では、「原料1」と同じ要素である「要素1」と、「原料2」と同じ要素である「要素2」と、「原料P」と同じ要素である「要素X」が含まれている。すなわち、属性1の属性データに含まれる複数の要素は、図3及び図4に示した属性1が割り当てられる複数の条件項目データと一致している。
11A to 11C are diagrams showing an example of attribute data generated for each of
図11Bに示す例では、属性2について生成される属性データを示しており、「原料1」と同じ要素である「要素X+1」と、「原料P+1」と同じ要素である「要素X+2」と、「原料Q」と同じ要素である「要素Y」が含まれている。ここで、「原料1」は、属性2の要素のみならず、属性1の要素にも含まれている。このように、類似性判定部50は、特定の条件項目データを含む2つの属性データを生成してもよい。
The example shown in FIG. 11B shows the attribute data generated for
図11Cに示す例では、属性3について生成される属性データを示しており、「原料1」と「原料2」とを合わせた要素である「要素Y+1」と、「原料Q+1」と同じ要素である「要素Y+2」と、「原料R」と同じ要素である「要素Z」が含まれている。図4に示したように、IDが「1」で特定される入力データでは、原料1の値が「44」であり、原料2の値が「10」であるため、類似性判定部50は、入力データに係る「原料1」と「原料2」とを合わせた要素である「要素Y+1」に、「44」と「10」の合計値である「54」を設定している。これと同様に、類似性判定部50は、学習用データに係る「要素Y+1」にも「54」を設定している。
In the example shown in FIG. 11C, attribute data generated for
このように、類似性判定部50は、属性1~属性3について、学習用データに係る属性データと入力データに係る属性データとを生成してよい。そして、学習用データに係る属性データと、入力データに係る属性データとの類否(より具体的には、項目名が同じ要素間での類否)を判定し、その類否に基づいて学習用データと入力データとの類似性を判定してもよい。なお、類似性判定部50は、他の属性である属性4(プロセス条件のデータに割り当てられる属性)と属性5(計測条件について割り当てられる属性)について、属性1~3と同様に属性データを生成して類否を判定してもよいし、実施形態で説明した通りに、属性4、属性5が割り当てられた条件項目データの類否を判定してもよい。
In this manner, the
類似性判定部50は、学習用データ記憶部20に記憶されている複数の学習用データのそれぞれに係る複数の条件項目データと、入力データに係る複数の条件項目データとの類否を判定するため、学習用データと入力データとのそれぞれに含まれる複数の条件項目データの数が膨大である場合に処理時間が長くなる。この点、類似性判定部50が、例えば図11Cに示したように、複数の条件項目データを合わせた要素を含む属性データを生成することにより、属性データに含まれる要素数を、学習用データと入力データとに含まれる複数の条件項目データの数よりも少なくすることができる。そして、学習用データ及び入力データのそれぞれに係る属性データの類否を判定することにより、学習用データと入力データとに含まれる複数の条件項目データを直接比較するよりも、処理時間を短くすることができる。
The
予測物性データ出力部60は、このように判定された学習用データと入力データとの類似性を、予測物性値の確度として出力する。このようにすることでも、ユーザは、入力データごとの予測物性値の確からしさを知ることができる。
The predicted physical property
10 物性予測装置、11 プロセッサ、12 記憶部、13 通信部、14 表示部、15 操作部、20 学習用データ記憶部、30 入力データ取得部、40 機械学習モデル、41 パラメータ記憶部、42 学習部、43 予測部、50 類似性判定部、60 予測物性データ出力部、70 項目名出力部。
10 physical
Claims (8)
前記複数の学習用条件データにより学習され、所与の入力条件データを入力する場合に該入力条件データが示す生成条件により生成される物質の性質を示す予測物性データを出力する機械学習モデルのパラメータを記憶するパラメータ記憶手段と、
前記複数の学習用条件データのそれぞれと、前記入力条件データと、の類似性を判定する類似性判定手段と、
前記予測物性データを出力するとともに、該予測物性データの確度として前記類似性のいずれかに基づく情報を出力する出力手段と、
を含むことを特徴とする物性予測装置。 learning condition data storage means for storing a plurality of learning condition data respectively indicating substance production conditions;
A parameter of a machine learning model that is learned using the plurality of learning condition data and that outputs predicted physical property data indicating the properties of a substance produced under the production conditions indicated by the input condition data when given input condition data is input. a parameter storage means for storing
similarity determination means for determining similarity between each of the plurality of learning condition data and the input condition data;
output means for outputting the predicted physical property data and outputting information based on any of the similarities as the accuracy of the predicted physical property data;
A physical property prediction device comprising:
前記出力手段は、前記入力条件データに最も類似する前記複数の学習用条件データの1つについて判定された前記類似性に基づく情報を前記確度として出力する、
ことを特徴とする物性予測装置。 In the physical property prediction device according to claim 1,
The output means outputs, as the accuracy, information based on the similarity determined for one of the plurality of learning condition data most similar to the input condition data.
A physical property prediction device characterized by:
前記学習用条件データ及び前記入力条件データは、いずれも複数の条件項目データを含み、
前記類似性判定手段は、前記学習用条件データに含まれる前記条件項目データと、前記入力条件データに含まれる、対応する前記条件項目データと、の類否を判定し、該類否に基づいて前記類似性を判定する、
ことを特徴とする物性予測装置。 In the physical property prediction device according to claim 1 or 2,
both the learning condition data and the input condition data include a plurality of condition item data;
The similarity determination means determines similarity between the condition item data included in the learning condition data and the corresponding condition item data included in the input condition data, and based on the similarity, determining the similarity;
A physical property prediction device characterized by:
前記学習用条件データに含まれる前記条件項目データと、前記入力条件データに含まれる、対応する前記条件項目データと、が類似しないと判定される場合に、該条件項目データの項目名を出力する項目名出力手段をさらに含む、
ことを特徴とする物性予測装置。 In the physical property prediction device according to claim 3,
When it is determined that the condition item data included in the learning condition data and the corresponding condition item data included in the input condition data are not similar, the item name of the condition item data is output. further comprising an item name output means;
A physical property prediction device characterized by:
前記各条件項目データには複数の属性のいずれかが割り当てられ、
前記類似性判定手段は、属性ごとに、前記学習用条件データに含まれる前記条件項目データと、前記入力条件データに含まれる、対応する前記条件項目データと、の類否を判定し、該類否に基づいて前記類似性を判定する、
ことを特徴とする物性予測装置。 In the physical property prediction device according to claim 3 or 4,
Each condition item data is assigned one of a plurality of attributes,
The similarity determination means determines similarity between the condition item data included in the learning condition data and the corresponding condition item data included in the input condition data for each attribute. determining the similarity based on no;
A physical property prediction device characterized by:
前記学習用条件データ及び前記入力条件データは、いずれも複数の条件項目データを含み、
前記各条件項目データには複数の属性のいずれかが割り当てられ、
前記類似性判定手段は、前記学習用条件データ及び前記入力条件データについて、属性ごとに、該属性が割り当てられた前記条件項目データに基づく属性データを生成し、前記学習用条件データに係る属性データと、前記入力条件データに係る属性データと、の類否を判定し、該類否に基づいて前記類似性を判定する、
ことを特徴とする物性予測装置。 In the physical property prediction device according to claim 1 or 2,
both the learning condition data and the input condition data include a plurality of condition item data;
Each condition item data is assigned one of a plurality of attributes,
The similarity determination means generates attribute data based on the condition item data to which the attribute is assigned for each attribute of the learning condition data and the input condition data, and generates attribute data related to the learning condition data. and attribute data related to the input condition data, and determining the similarity based on the similarity;
A physical property prediction device characterized by:
前記学習用条件データ及び前記入力条件データは、更に物質の計測条件を示すデータであり、
前記予測物性データは、更に前記入力条件データが示す計測条件により計測される物質の性質を示すデータである、
ことを特徴とする物性予測装置。 In the physical property prediction device according to any one of claims 1 to 6,
The learning condition data and the input condition data are further data indicating measurement conditions of substances,
The predicted physical property data is further data indicating properties of the substance measured under the measurement conditions indicated by the input condition data.
A physical property prediction device characterized by:
前記複数の学習用条件データにより学習され、所与の入力条件データを入力する場合に該入力条件データが示す生成条件により生成される物質の性質を示す予測物性データを出力する機械学習モデルのパラメータを記憶するパラメータ記憶手段、
前記複数の学習用条件データのそれぞれと、前記入力条件データと、の類似性を判定する類似性判定手段、及び
前記予測物性データを出力するとともに、該予測物性データの確度として前記類似性を出力する出力手段、
としてコンピュータを機能させるためのプログラム。
learning condition data storage means for storing a plurality of learning condition data each indicating a substance production condition;
A parameter of a machine learning model that is learned using the plurality of learning condition data and that outputs predicted physical property data indicating the properties of a substance produced under the production conditions indicated by the input condition data when given input condition data is input. parameter storage means for storing
Similarity determining means for determining similarity between each of the plurality of learning condition data and the input condition data; and outputting the predicted physical property data and outputting the similarity as accuracy of the predicted physical property data. output means to
A program that allows a computer to function as a
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021025390A JP2022127316A (en) | 2021-02-19 | 2021-02-19 | Physical property predictor and program |
PCT/JP2021/042457 WO2022176293A1 (en) | 2021-02-19 | 2021-11-18 | Physical property prediction device and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021025390A JP2022127316A (en) | 2021-02-19 | 2021-02-19 | Physical property predictor and program |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022127316A true JP2022127316A (en) | 2022-08-31 |
Family
ID=82931352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021025390A Pending JP2022127316A (en) | 2021-02-19 | 2021-02-19 | Physical property predictor and program |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2022127316A (en) |
WO (1) | WO2022176293A1 (en) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11087245B2 (en) * | 2019-01-11 | 2021-08-10 | Accenture Global Solutions Limited | Predictive issue detection |
JP7232122B2 (en) * | 2019-05-10 | 2023-03-02 | 株式会社日立製作所 | Physical property prediction device and physical property prediction method |
-
2021
- 2021-02-19 JP JP2021025390A patent/JP2022127316A/en active Pending
- 2021-11-18 WO PCT/JP2021/042457 patent/WO2022176293A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2022176293A1 (en) | 2022-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dangeti | Statistics for machine learning | |
US20120059790A1 (en) | Method for providing with a score an object, and decision-support system | |
KR20180053731A (en) | How to find K extreme values within a certain processing time | |
US20180114123A1 (en) | Rule generation method and apparatus using deep learning | |
Teng et al. | Adaptive feature selection using v-shaped binary particle swarm optimization | |
JP7063389B2 (en) | Processing equipment, processing methods, and programs | |
US20200142951A1 (en) | Polymer design device, polymer design method, and non-transitory recording medium | |
Emura et al. | A survival tree based on stabilized score tests for high-dimensional covariates | |
Conard et al. | A spectrum of explainable and interpretable machine learning approaches for genomic studies | |
Da Silva et al. | A novel feature selection method for uncertain features: An application to the prediction of pro-/anti-longevity genes | |
WO2022176293A1 (en) | Physical property prediction device and program | |
Pasupa et al. | Virtual screening by a new clustering-based weighted similarity extreme learning machine approach | |
Li et al. | Neural topic models with survival supervision: Jointly predicting time-to-event outcomes and learning how clinical features relate | |
JPWO2019220481A1 (en) | Judgment rule acquisition device, judgment rule acquisition method and judgment rule acquisition program | |
EP4148623A1 (en) | Hyperparameter adjustment device, non-transitory recording medium in which hyperparameter adjustment program is recorded, and hyperparameter adjustment program | |
Rotari et al. | Variable selection wrapper in presence of correlated input variables for random forest models | |
Zhou et al. | Bayesian hierarchical graph-structured model for pathway analysis using gene expression data | |
Brasier et al. | Analysis and predictive modeling of asthma phenotypes | |
Pokhrel | A comparison of AutoML hyperparameter optimization tools for tabular data | |
JP7315124B1 (en) | Composition search method | |
Zannat et al. | Disease Prediction Through Syndromes by Clustering Algorithm | |
JP2022160848A (en) | Performance prediction apparatus and program | |
Zwanenburg | Feature selection methods | |
US20230419086A1 (en) | System and method for processing material properties of structural materials | |
Rebolledo et al. | Hybrid Variable Selection and Support Vector Regression for Gas Sensor Optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20210303 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240117 |