JP6903226B2 - 推定装置、推定方法、及び推定プログラム - Google Patents

推定装置、推定方法、及び推定プログラム Download PDF

Info

Publication number
JP6903226B2
JP6903226B2 JP2020513246A JP2020513246A JP6903226B2 JP 6903226 B2 JP6903226 B2 JP 6903226B2 JP 2020513246 A JP2020513246 A JP 2020513246A JP 2020513246 A JP2020513246 A JP 2020513246A JP 6903226 B2 JP6903226 B2 JP 6903226B2
Authority
JP
Japan
Prior art keywords
condition information
experimental condition
estimation
performance value
compound
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.)
Active
Application number
JP2020513246A
Other languages
English (en)
Other versions
JPWO2019198644A1 (ja
Inventor
豪啓 安藤
豪啓 安藤
理貴 近藤
理貴 近藤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Corp
Original Assignee
Fujifilm Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujifilm Corp filed Critical Fujifilm Corp
Publication of JPWO2019198644A1 publication Critical patent/JPWO2019198644A1/ja
Application granted granted Critical
Publication of JP6903226B2 publication Critical patent/JP6903226B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Analytical Chemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Mathematical Physics (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Stored Programmes (AREA)

Description

本開示は、推定装置、推定方法、及び推定プログラムに関する。
ニューラルネットワークを用いて、自動車塗料等の化学混合物の非着色特性を予測する方法が提案されている（特表２００８−５０９４８６号公報参照）。この方法におけるニューラルネットワークは、混合物の化学成分及び混合物の特性に影響し得る環境条件とプロセス条件とに関連する入力データを受け取る入力層を含む。また、この方法におけるニューラルネットワークは、入力データの変化の結果として化学混合物の特性を予測する出力データを生成する出力層を含む。
また、分子間相互作用予測装置によって算出されるスコアが上位及び下位の分類モデル構築用化合物の構造因子と物理化学パラメータとの間に成り立つ相関関係を用いて分子間相互作用予測装置の性能を評価する技術が提案されている（再公表特許２００８／０６２６８０号公報参照）。
また、目的変数の実測値が既知のサンプルから初期サンプルセットを構築し、サンプルセットを重回帰分析して重回帰式を獲得し、重回帰式に基づいて各サンプルの残差値を計算する技術が提案されている（再公表特許２０１０／０１６１１０号公報参照）。この技術では、計算した残差値に基づいて重回帰式にフィットするサンプルを特定し、特定したサンプルを初期サンプルセットから取り除いて新たなサンプルセットを構築し、新たなサンプルセットを初期サンプルセットに設定する。また、この技術では、以上の処理を繰り返すことによって、複数の重回帰式とその重回帰式を適用すべきサンプルを特定する。
ところで、材料の研究開発において、実験条件を表す実験条件情報から、その実験条件による実験によって生成される材料の性能値を推定することができると研究開発の効率化のためにも好ましい。
特表２００８−５０９４８６号公報に記載の技術では、材料を生成するために混合させる化合物の種類及び数等の実験条件が固定的であり、種々の実験条件に対応して性能値を必ずしも精度良く推定できない場合がある、という問題点がある。また、再公表特許２００８／０６２６８０号公報及び再公表特許２０１０／０１６１１０号公報に記載の技術では、実験条件として、そもそも複数の化合物を混合させることについては考慮されていない。
本開示は、種々の実験条件に対応して材料の性能値を精度良く推定可能とすることを目的とする。
本開示の推定装置は、複数の化合物の各々の構造を表す構造情報が配列された実験条件を表す実験条件情報であり、かつ実験条件情報中の各化合物の構造情報の存在比率と複数の化合物を用いて生成される材料中の各化合物の混合比率とが一致した実験条件情報を用いて、複数の化合物を用いて生成される材料の性能値を推定する推定部を備えている。
これにより、種々の実験条件に対応して材料の性能値を精度良く推定することができる。
なお、本開示の推定装置は、推定部が、性能値の推定対象の実験条件情報を、学習用の実験条件情報及び実験条件情報に基づいて生成された材料の性能値の複数の組み合わせを用いて予め学習された学習済みモデルに入力することによって、推定対象の実験条件情報に対応する材料の性能値を推定してもよい。
これにより、種々の実験条件に対応して材料の性能値をより精度良く推定することができる。
また、本開示の推定装置は、学習済みモデルが、１つの実験条件情報について、実験条件情報に含まれる構造情報の並べ方を異ならせて配列された複数の実験条件情報の各々と、１つの実験条件情報に基づいて生成された材料の性能値とを用いて学習されたモデルであってもよい。
これにより、同じ実験条件について化合物の構造情報の配列の仕方が異なる場合でも、材料の性能値を精度良く推定することができる。
また、本開示の推定装置は、構造情報が、分子記述子、化合物のフィンガープリント、又は化合物のグラフ構造によって数値により表現されてもよい。
これにより、材料の性能値を簡易に推定することができる。
また、本開示の推定方法は、複数の化合物の各々の構造を表す構造情報が配列された実験条件を表す実験条件情報であり、かつ実験条件情報中の各化合物の構造情報の存在比率と複数の化合物を用いて生成される材料中の各化合物の混合比率とが一致した実験条件情報を用いて、複数の化合物を用いて生成される材料の性能値を推定する処理をコンピュータが実行する方法である。
また、本開示の推定プログラムは、複数の化合物の各々の構造を表す構造情報が配列された実験条件を表す実験条件情報であり、かつ実験条件情報中の各化合物の構造情報の存在比率と複数の化合物を用いて生成される材料中の各化合物の混合比率とが一致した実験条件情報を用いて、複数の化合物を用いて生成される材料の性能値を推定する処理をコンピュータに実行させるためのものである。
また、本開示の推定装置は、複数の化合物の各々の構造を表す構造情報が配列された実験条件を表す実験条件情報であり、かつ実験条件情報中の各化合物の構造情報の存在比率と複数の化合物を用いて生成される材料中の各化合物の混合比率とが一致した実験条件情報を用いて、複数の化合物を用いて生成される材料の性能値を推定するプロセッサを有する。
本開示によれば、種々の実験条件に対応して材料の性能値を精度良く推定することができる。
実施形態に係る学習フェーズにおける推定装置の機能的な構成の一例を示すブロック図である。 実施形態に係る化合物の構造情報を数値により表現した場合の一例を示す図である。 実施形態に係る実験条件情報の一例を示す図である。 実施形態に係る学習用データの一例を示す図である。 実施形態に係る推定モデルの一例を示す図である。 実施形態に係る運用フェーズにおける推定装置の機能的な構成の一例を示すブロック図である。 実施形態に係る推定装置のハードウェア構成の一例を示すブロック図である。 実施形態に係る推定モデル学習処理の一例を示すフローチャートである。 実施形態に係る性能値推定処理の一例を示すフローチャートである。
以下、図面を参照して、本開示の技術を実施するための形態例を詳細に説明する。
まず、図１を参照して、本実施形態に係る学習フェーズにおける推定装置１０の機能的な構成について説明する。図１に示すように、推定装置１０は、学習部１２を備える。また、推定装置１０の記憶部３２（図７参照）には、学習用データ１４及び推定モデル１６が記憶される。
図２〜図４を参照して、学習用データ１４について説明する。本実施形態に係る学習用データ１４は、複数の化合物の各々の構造を表す構造情報が配列された実験条件を表す実験条件情報を含む。本実施形態では、一例として図２に示すように、化合物の構造情報は、化合物のフィンガープリントによって数値により表現される。
また、本実施形態では、一例として図３に示すように、実験条件情報は、混合される複数の化合物の各々の構造情報が配列される。また、本実施形態に係る実験条件情報では、実験条件情報中の各化合物の構造情報の存在比率と、その実験条件情報が示す実験条件で実験を行った場合に複数の化合物を用いて生成される材料中の各化合物の混合比率とが一致している。すなわち、例えば、実験条件情報に２行存在する化合物は、１行存在する化合物の２倍の濃度で混合されることを意味する。
一例として図４に示すように、学習用データ１４は、前述した実験条件を示す実験条件情報と、過去にその実験条件により実験を行うことによって実験条件情報に含まれる複数の化合物を用いて生成された材料の性能値との組み合わせを含む。また、学習用データ１４は、異なる複数の実験条件情報と性能値との組み合わせを含む。本実施形態に係る性能値は、生成された材料の出来のよさを表す尺度であり、例えば、材料の表面の凹凸の度合い、及び所望の大きさの穴があけられたかを表す度合い等が挙げられる。また、本実施形態では、性能値が小さいほど材料の出来がよいことを示している。学習用データ１４が、学習用の実験条件情報及び実験条件情報に基づいて生成された材料の性能値の複数の組み合わせの一例である。
図５に、推定モデル１６の一例を示す。図５に示すように、本実施形態に係る推定モデル１６は、入力層、複数の中間層、及び出力層を含むニューラルネットワークとされている。推定モデル１６は、仮想的な実験を行うモデルであり、推定モデル１６の入力層には、１つの実験条件情報が入力される。推定モデル１６の出力層は、入力層に入力された１つの実験条件情報に対応する材料の性能値を出力する。なお、推定モデル１６は、複数種類の性能値を出力してもよい。この場合、例えば、推定モデル１６は、材料の性能値として、材料の表面の凹凸の度合い、及び材料の光感度の双方を出力する。
詳細には、推定モデル１６は、例えば、以下の（１）〜（３）に示すように構成される。
（１）入力層のノード数：Ｎ×Ｍ
なお、Ｎは、実験条件情報に含まれる化合物のフィンガープリントの種類数を表し、Ｍは、任意の定数（例えば、５００）を表す。
（２）中間層の構成：カーネルが３×３、フィルタ数が３２、ストライドが２、活性化関数がＲｅｌｕの畳み込み層を３層有する。
（３）出力層のノード数：Ｓ×１
なお、Ｓは、性能値の種類数を表す。
学習部１２は、学習用データ１４を用いて、機械学習の一例としての誤差逆伝播法に従って、推定モデル１６を学習させる。詳細には、学習部１２は、学習用データ１４に含まれる実験条件情報を推定モデル１６に入力し、推定モデル１６から出力された性能値を取得する。そして、学習部１２は、取得した性能値と、学習用データ１４に含まれる実験条件に対応する性能値との差が最小となるように、推定モデル１６を学習させる。学習部１２は、この推定モデル１６を学習させる処理を、学習用データ１４に含まれる全ての実験条件情報と性能値との組み合わせを用いて行う。なお、学習部１２は、学習用データ１４に含まれる一部の実験条件と性能値との複数の組み合わせを用いて推定モデル１６を学習させてもよい。
また、学習部１２は、実験条件情報を推定モデル１６に入力する際に、実験条件情報に含まれる１つの化合物の構造情報を、推定モデル１６の入力層の１つのノードに入力する。また、この際、学習部１２は、実験条件情報における構造情報の配列順序に従って、推定モデル１６における配列順序に対応する入力層のノードに構造情報を入力する。
前述したように、実験条件情報中の各化合物の構造情報の存在比率と、その各化合物の混合比率とは一致しているが、実験条件情報における構造情報の配列順序は、任意の順序とされる。従って、同じ複数の化合物を同じ濃度で混合させることによって同じ材料を生成する場合でも、構造情報の配列順序が異なれば、実験条件情報も異なるものとなる。この結果、実験条件としては同じ条件でも、実験条件情報が異なることによって、推定モデル１６から出力される性能値が異なる場合がある。すなわち、実験条件情報における構造情報の配列順序によっては、推定モデル１６を用いた性能値の推定精度が低下してしまう場合がある。
そこで、本実施形態では、学習部１２は、１つの実験条件情報について、その実験条件情報に含まれる化合物の構造情報の並べ方を異ならせて配列された複数の実験条件情報の各々と、その１つの実験条件情報に対応する性能値とを用いて、推定モデル１６を学習させる。
次に、図６を参照して、本実施形態に係る運用フェーズにおける推定装置１０の機能的な構成について説明する。図６に示すように、推定装置１０は、受付部２０、推定部２２、及び出力部２４を備える。また、推定装置１０の記憶部３２には、前述した学習フェーズで得られた推定モデル１６が記憶される。すなわち、この推定モデル１６が、学習用の実験条件情報及びその実験条件情報に基づいて生成された材料の性能値の複数の組み合わせ（本実施形態では、学習用データ１４）を用いて予め学習された学習済みモデルの一例である。
受付部２０は、ユーザにより入力部３４（図７参照）を介して入力された、性能値の推定対象の実験条件情報を受け付ける。
推定部２２は、受付部２０により受け付けられた実験条件情報を推定モデル１６に入力し、推定モデル１６から出力された性能値を取得することによって、性能値の推定対象の実験条件情報に含まれる複数の化合物を用いて生成される材料の性能値を推定する。
なお、推定部２２は、受付部２０により受け付けられた実験条件情報に含まれる化合物の構造情報の並べ方を異ならせて配列された複数の実験条件情報を生成してもよい。この場合、推定部２２は、複数の実験条件情報の各々を個別に推定モデル１６に入力し、推定モデル１６からそれぞれ出力された性能値を取得し、取得した性能値の平均値を推定対象の実験条件情報に対応する性能値として推定する形態が例示される。
出力部２４は、推定部２２により推定された性能値を表示部３３（図７参照）に出力する。なお、出力部２４は、推定部２２により推定された性能値を記憶部３２に出力（記憶）してもよい。
次に、図７を参照して、推定装置１０のハードウェア構成について説明する。推定装置１０は、図７に示すコンピュータによって実現される。図７に示すように、推定装置１０は、ＣＰＵ（Central Processing Unit）３０、一時記憶領域としてのメモリ３１、及び不揮発性の記憶部３２を備える。また、推定装置１０は、液晶ディスプレイ等の表示部３３、及びキーボードとマウス等の入力部３４を備える。ＣＰＵ３０、メモリ３１、記憶部３２、表示部３３、及び入力部３４は、バス３５を介して接続される。
記憶部３２は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、及びフラッシュメモリ等によって実現される。記憶媒体としての記憶部３２には、推定プログラム４０が記憶される。ＣＰＵ３０は、推定プログラム４０を記憶部３２から読み出し、読み出した推定プログラム４０をメモリ３１に展開してから実行する。ＣＰＵ３０が推定プログラム４０を実行することによって、学習部１２、受付部２０、推定部２２、及び出力部２４として機能する。
次に、図８及び図９を参照して、本実施形態に係る推定装置１０の作用を説明する。推定装置１０が推定プログラム４０を実行することにより、図８に示す推定モデル学習処理、及び図９に示す性能値推定処理が実行される。図８に示す推定モデル学習処理は、例えば、学習フェーズにおいて、ユーザによって入力部３４を介して推定モデル学習処理の実行指示が入力された場合に実行される。また、図９に示す性能値推定処理は、例えば、運用フェーズにおいて、ユーザによって入力部３４を介して性能値推定処理の実行指示が入力された場合に実行される。
図８のステップＳ１０で、学習部１２は、記憶部３２から学習用データ１４を読み出す。ステップＳ１２で、学習部１２は、推定モデル１６を生成する。なお、推定モデル１６の入力層のノード数、中間層の層数とノード数、及び重みの初期値等のパラメータは、ユーザにより設定される。
ステップＳ１４で、学習部１２は、学習用データ１４に含まれる各実験条件情報について、その実験条件情報に含まれる化合物の構造情報の並べ方を異ならせて配列した複数の実験条件情報を生成する。なお、学習部１２が生成する実験条件情報の数は特に限定されない。例えば、学習部１２は、実験条件情報に含まれる化合物の構造情報の全ての並べ方が含まれるように複数の実験条件情報を生成してもよいし、予め定められた２以上の数の実験条件情報を生成してもよい。
ステップＳ１６で、学習部１２は、学習用データ１４に含まれる各実験条件情報について、ステップＳ１４の処理により生成された複数の実験条件情報と、対応する性能値とを用いて、誤差逆伝播法に従って、推定モデル１６を学習させる。ステップＳ１８で、学習部１２は、ステップＳ１６の処理により学習された推定モデル１６を記憶部３２に記憶する。ステップＳ１８の処理が終了すると、推定モデル学習処理が終了する。
図９のステップＳ２０で、受付部２０は、ユーザにより入力部３４を介して入力された、性能値の推定対象の実験条件情報を受け付ける。ステップＳ２２で、推定部２２は、記憶部３２から推定モデル１６を読み出す。
ステップＳ２４で、推定部２２は、前述したように、ステップＳ２０の処理により受け付けられた実験条件情報を推定モデル１６に入力し、推定モデル１６から出力された性能値を取得することによって、材料の性能値を推定する。ステップＳ２６で、出力部２４は、ステップＳ２４の処理により推定された性能値を表示部３３に出力する。ステップＳ２６の処理が終了すると、性能値推定処理が終了する。
以上説明したように、本実施形態によれば、実験条件情報中の各化合物の構造情報の存在比率と複数の化合物を用いて生成される材料中の各化合物の混合比率とが一致した実験条件情報を用いて、複数の化合物を用いて生成される材料の性能値を推定している。従って、過去に実験されたことがない未知の実験条件を含む種々の実験条件に対応して材料の性能値を精度良く推定することができる。
なお、上記実施形態では、化合物の構造情報が、化合物のフィンガープリントによって数値により表現される場合について説明したが、これに限定されない。例えば、化合物の構造情報が、分子記述子によって数値に表現される形態としてもよいし、化合物のグラフ構造によって数値により表現される形態としてもよい。
また、上記実施形態でＣＰＵがソフトウェア（プログラム）を実行することにより実行した各種処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Field-Programmable Gate Array）等の製造後に回路構成を変更可能なＰＬＤ（Programmable Logic Device）、及びＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、上記各種処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より詳細には、半導体素子等の回路素子を組み合わせた電気回路である。
また、上記実施形態では、推定プログラム４０が記憶部３２に予め記憶（インストール）されている態様を説明したが、これに限定されない。推定プログラム４０は、ＣＤ−ＲＯＭ（Compact Disk Read Only Memory）、ＤＶＤ−ＲＯＭ（Digital Versatile Disk Read Only Memory）、及びＵＳＢ（Universal Serial Bus）メモリ等の非一時的記録媒体に記録された形態で提供されてもよい。また、推定プログラム４０は、ネットワークを介して外部装置からダウンロードされる形態としてもよい。
本願は２０１８年４月１１日出願の日本出願第２０１８−０７６００４号の優先権を主張すると共に、その全文を参照により本明細書に援用する。

Claims (5)

  1. 複数の化合物の各々の構造を表す構造情報が配列された実験条件を表す実験条件情報であり、かつ実験条件情報中の各化合物の前記構造情報の存在比率と前記複数の化合物を用いて生成される材料中の各化合物の混合比率とが一致した実験条件情報を用いて、前記複数の化合物を用いて生成される材料の性能値を推定する推定部、
    を備え、
    前記推定部は、
    前記性能値の推定対象の前記実験条件情報を、学習用の前記実験条件情報及び前記実験条件情報に基づいて生成された材料の性能値の複数の組み合わせを用いて予め学習された学習済みモデルに入力することによって、前記推定対象の前記実験条件情報に対応する材料の性能値を推定する、
    推定装置。
  2. 前記学習済みモデルは、１つの実験条件情報について、実験条件情報に含まれる前記構造情報の並べ方を異ならせて配列された複数の実験条件情報の各々と、前記１つの実験条件情報に基づいて生成された材料の性能値とを用いて学習されたモデルである
    請求項１に記載の推定装置。
  3. 前記構造情報は、分子記述子、前記化合物のフィンガープリント、又は前記化合物のグラフ構造によって数値により表現される
    請求項１または請求項２に記載の推定装置。
  4. 複数の化合物の各々の構造を表す構造情報が配列された実験条件を表す実験条件情報であり、かつ実験条件情報中の各化合物の前記構造情報の存在比率と前記複数の化合物を用いて生成される材料中の各化合物の混合比率とが一致した実験条件情報を用いて、前記複数の化合物を用いて生成される材料の性能値を推定する、
    処理であって、
    前記性能値の推定対象の前記実験条件情報を、学習用の前記実験条件情報及び前記実験条件情報に基づいて生成された材料の性能値の複数の組み合わせを用いて予め学習された学習済みモデルに入力することによって、前記推定対象の前記実験条件情報に対応する材料の性能値を推定する、
    処理をコンピュータが実行する推定方法。
  5. 複数の化合物の各々の構造を表す構造情報が配列された実験条件を表す実験条件情報であり、かつ実験条件情報中の各化合物の前記構造情報の存在比率と前記複数の化合物を用いて生成される材料中の各化合物の混合比率とが一致した実験条件情報を用いて、前記複数の化合物を用いて生成される材料の性能値を推定する、
    処理であって、
    前記性能値の推定対象の前記実験条件情報を、学習用の前記実験条件情報及び前記実験条件情報に基づいて生成された材料の性能値の複数の組み合わせを用いて予め学習された学習済みモデルに入力することによって、前記推定対象の前記実験条件情報に対応する材料の性能値を推定する、
    処理をコンピュータに実行させるための推定プログラム。
JP2020513246A 2018-04-11 2019-04-05 推定装置、推定方法、及び推定プログラム Active JP6903226B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018076004 2018-04-11
JP2018076004 2018-04-11
PCT/JP2019/015187 WO2019198644A1 (ja) 2018-04-11 2019-04-05 推定装置、推定方法、及び推定プログラム

Publications (2)

Publication Number Publication Date
JPWO2019198644A1 JPWO2019198644A1 (ja) 2021-03-11
JP6903226B2 true JP6903226B2 (ja) 2021-07-14

Family

ID=68163165

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020513246A Active JP6903226B2 (ja) 2018-04-11 2019-04-05 推定装置、推定方法、及び推定プログラム

Country Status (2)

Country Link
JP (1) JP6903226B2 (ja)
WO (1) WO2019198644A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR112021015643A2 (pt) * 2019-02-08 2021-10-05 Google Llc Sistemas e métodos para prever as propriedades olfativas de moléculas utilizando aprendizagem de máquina
CN111368041B (zh) * 2020-02-12 2023-12-26 北京科技大学 材料的确定方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6442536B1 (en) * 2000-01-18 2002-08-27 Praxair Technology, Inc. Method for predicting flammability limits of complex mixtures
WO2002010742A2 (en) * 2000-07-28 2002-02-07 Lion Bioscience Ag System and method for predicting adme/tox characteristics of a compound

Also Published As

Publication number Publication date
JPWO2019198644A1 (ja) 2021-03-11
WO2019198644A1 (ja) 2019-10-17

Similar Documents

Publication Publication Date Title
Farrell et al. A Bayesian framework for adaptive selection, calibration, and validation of coarse-grained models of atomistic systems
KR102457974B1 (ko) 신규 물질 탐색 방법 및 장치
KR102179988B1 (ko) 오버레이 오차, 근본 원인 분석 및 공정 제어의 피드 포워드 및 피드백 정정을 위한 통계적 오버레이 오차 예측
Anderssen et al. Reducing over-optimism in variable selection by cross-model validation
Piironen et al. Projection predictive model selection for Gaussian processes
US20180046902A1 (en) Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment
JP6903226B2 (ja) 推定装置、推定方法、及び推定プログラム
König et al. On the convergence of multi-scale free energy simulations
CN104182268B (zh) 仿真系统及其方法和包括所述仿真系统的计算系统
JP7063389B2 (ja) 処理装置、処理方法、およびプログラム
JP7467892B2 (ja) 分子の化学反応の解析方法
Kamenik et al. Enhanced sampling without borders: on global biasing functions and how to reweight them
JPWO2018150798A1 (ja) モデル推定システム、方法およびプログラム
JP6484449B2 (ja) 予測装置、予測方法および予測プログラム
Varivoda et al. Materials property prediction with uncertainty quantification: A benchmark study
Kenett et al. Self‐supervised cross validation using data generation structure
JP2022017405A (ja) 近赤外分光法及び機械学習技術による、製造工程におけるエンドポイント検出
CN114154615A (zh) 基于硬件性能的神经架构搜索方法和设备
US20140310211A1 (en) Method and device for creating a nonparametric, data-based function model
Zeng et al. C-yes: An efficient parametric yield estimation approach for analog and mixed-signal circuits based on multicorner-multiperformance correlations
JP6804009B2 (ja) 学習装置、学習方法、及び学習プログラム
Heng-Hui A study of sensitivity analysis on the method of principal Hessian directions
JP2011145905A (ja) 予測関数生成装置、方法、及び、プログラム
Hu et al. Extended molecular dynamics and optimized Rouse–Zimm model studies of a short peptide: Various friction approximations
US20220309378A1 (en) Analysis device, analysis method, and analysis program

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20201007

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20201007

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20201211

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210112

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210302

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: 20210601

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210622

R150 Certificate of patent or registration of utility model

Ref document number: 6903226

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250