JP6925655B2 - 物質の分析装置 - Google Patents

Description

本発明は無機物および有機物などの多様な物質に含まれた元素、相（ｐｈａｓｅ）、組成などの判別および分析を効率的に遂行できるようにする方法に関する。

粉末分析技術に基づいた物質の発見過程で最も頻繁に直面する状況の一つは知られていない多相化合物の識別および定量化と関連がある。

一般的に物質に含まれた元素、相（ｐｈａｓｅ）、成分などの分析には、ＸＲＤ、ＸＰＳ、ＥＤＳなどの多様な分析装備が使われている。ところが、前記分析装備を通じて収得した分析結果は、該当技術分野に専門的な知識と多くの経験を有する人が相当な時間をかけないと、正確な分析結果を得られない場合が多い。

物質分析時間を短縮するために、開発されている多様な分析ソフトウェアがある。例えば、理論結晶学的理論を基盤とするアルゴリズムを通じての分析があるが、十分な正確度を提供できない。また、機械学習方法を利用することも、訓練データセットが小規模であり、理論的な知識に基づいた過度なフィーチャーエンジニアリングを使うため、既存の規則基盤の分析ソフトウェアと大差ない結果を提供する。

また、既存の分析ソフトウェアは、該当物質を含む製造工程ラインでリアルタイムで製造されている物質に関する情報を正確に導き出せるものは殆どないと言える。

大韓民国公開特許公報第１０−２０１８−００７３８１９号

本発明の課題は、無機物および有機物などの多様な物質に含まれた元素、相（ｐｈａｓｅ）または含量などの判別と分析を、短時間内に高精度で行うことができるようにする、物質の判別および分析方法を提供するところにある。

前記課題を解決するために本発明は、（ａ）２以上の元素を選択する段階；（ｂ）前記２以上の元素で生成可能なものと分析された複数の化合物のデータを収集する段階；（ｃ）前記収集された複数の化合物のそれぞれに関するイメージまたはスペクトル形態の分析データを準備する段階；（ｄ）前記複数の化合物のうち、２種以上の化合物を選択して所定の混合比率で混合し、前記それぞれのイメージまたはスペクトルデータを前記所定の混合比率に合わせて混合加工したものを含めて訓練データを作る段階；（ｅ）前記訓練データを使って機械学習を遂行する段階；および（ｆ）実際物質から得たイメージまたはスペクトル形態の分析データを前記機械学習を通じて収得したモデルを使って判別および／または分析する段階を含む、物質の判別および分析方法を提供する。

前記方法において、前記２以上の元素を選択する段階において、好ましい元素の数は２〜１０であり、より好ましい元素の数は３〜８である。

前記方法において、前記複数の化合物のデータは現在まで遂行されている化学分析、物質分析データを利用することができる。例えば、無機物の場合、ＩＣＳＤに登録された化合物を使うことができる。

前記方法において、前記複数の化合物に関してそれぞれのイメージまたはスペクトル形態の分析データを準備する段階は、実際に分析された結果を使ったり、それぞれの化合物に関する物質情報を利用してプログラムを使って該当分析イメージまたはスペクトルを計算したものを使ってもよい。

前記方法において、前記所定の混合比率は例えば、Ａ化合物、Ｂ化合物、Ｃ化合物の３種の化合物が存在する場合、前記３種の化合物の含量が質量％で０．５％単位で変更されるようにし、それに合わせてイメージまたはスペクトルデータを加工する形態であり得るが、分析する物質の特性および備えられるデータの事情に合わせて調節され得、必ずしもこれに制限されるものではない。

前記方法において、前記イメージまたはスペクトル形態の分析データは機械学習が可能な形態であれば特に制限されず、例えば、ＸＲＤデータ、ＸＰＳデータ、ＩＲデータ、透過電子顕微鏡回折パターンなどが使われ得る。

前記方法において、前記機械学習は多様な形態のアルゴリズムが適用され得、例えばＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を通じて遂行され得る。

本発明によると、任意の元素からなる成分システムを設定し、このシステムで可能であると知られているすべての化合物の分析データを利用して、前記すべての化合物の混合比率をあらかじめ想定してイメージまたはスペクトルデータを加工して訓練データセットで機械学習をした後、機械学習の結果物である予測モデルを通じて、実際物質の判別および／または分析が行われるので、短時間内に正確な分析結果を導き出すことができる。例えば、鉄鋼工場ラインで、ＸＲＤデータ結果を本発明で収得したフィッティング結果を使う場合、リアルタイムで相（ｐｈａｓｅ）分析が可能であるため不良発生の有無を確認できるようになる。

また、本発明に係る物質の判別および／または分析方法は、従来開発された理論基盤のソフトウェア方式などと比べ、多様な成分が混合されている実際物質の相分析および相分率の分析を高精度で遂行できるようにする。

本発明の実施例に係る物質の判別方法に関するフローチャートである。 本発明の実施例で使われた化合物を示したものである。 本発明の一実施形態により、ＩＣＳＤ結晶構造データからＸＲＤ構成パラメーターを利用して特定化合物のＸＲＤデータを計算して導き出す段階を説明する図面である。 分析しようとする成分を含む無機化合物であるＡｌ_２Ｏ_３、Ｌｉ_２Ｏ、ＳｒＯおよびＳｒＡｌ_２Ｏ_４の実際に分析したＸＲＤパターンと、前記方法を通じてシミュレーションされたＸＲＤパターンとを比較したものである。 各化合物の混合データを導き出す過程を示したものである。 図５で導き出された混合比率に合わせてＸＲＤデータを加工する過程を示したものである。 混合ＸＲＤデータを導き出す具体的な条件を示したものである。 本発明の実施例でディープランニングに使った第１ＣＮＮアーキテクチャーを示したものである（ａはＣＮＮ２、ｂはＣＮＮ３）。 本発明の実施例でディープランニングに使った第２ＣＮＮアーキテクチャーを示したものである。 「Ｄａｔａｓｅｔ＿８００ｋ＿ｏｒｇ」を使った場合、学習コストおよび正確度を示したものである。 「Ｄａｔａｓｅｔ＿８００ｋ＿ｒａｎｄ」および「Ｄａｔａｓｅｔ＿１８０ｋ＿ｒａｎｄ」を使った場合、学習コストおよび正確度を示したものである。

以下、本発明の実施例について添付された図面を参照してその構成および作用を説明する。下記の本発明の説明において、関連した公知の機能または構成についての具体的な説明が本発明の要旨を不要に曖昧にさせ得ると判断される場合にはその詳細な説明を省略する。また、ある部分がある構成要素を「含む」とする時、これは特に反対の記載がない限り、他の構成要素を除くものではなく他の構成要素をさらに含むことができることを意味する。

図１は、本発明の実施例に係る物質の判別方法に関するフローチャートである。図１に図示されたように、本発明の実施例に係る物質の判別方法は、分析しようとする物質を構成する元素を選定する段階と、選定された元素で可能な化合物に関する情報を抽出する段階と、抽出された各化合物に対するＸＲＤデータをシミュレーションする段階と、シミュレーションされたＸＲＤデータを所定比率で混合して機械学習用ビッグデータを製造する段階と、ＣＮＮアーキテクチャーを通じて機械学習を遂行する段階を含んで構成される。

［元素の選定および化合物データの収集］
本発明の実施例では、分析しようとする物質に含まれる元素として、無機発光物質の典型的な成分であるストロンチウム（Ｓｒ）、アルミニウム（Ａｌ）、リチウム（Ｌｉ）および酸素（Ｏ）を選定した。

次いで、前記４つの元素を含む化合物情報を無機結晶構造データ（ＩＣＳＤ、Ｉｎｏｒｇａｎｉｃ Ｃｒｙａｔａｌ Ｓｔｒｕｃｔｕｒｅ Ｄａｔａ）を通じて確認した結果、総１７４個が登載されており、このうち、５個は誤ったものであるため除外した。ここに２０１８年ＩＣＳＤバージョンには含まれていないが、最近発見された４元系化合物であってＬＥＤ用発光材料で有望なＳｒ_２ＬｉＡｌＯ_４を追加した。

このような過程を通じて、ストロンチウム（Ｓｒ）、アルミニウム（Ａｌ）、リチウム（Ｌｉ）および酸素（Ｏ）を含む総１７０個の化合物情報を抽出したし、抽出された無機化合物を図２に示した。

本発明の実施例では分析しようとする物質を無機物に選定してＩＣＳＤデータを利用したが、異なる形態の物質の場合、異なる形態のデータを使用できることは言うまでもない。

［化合物分析のためのＸＲＤデータシミュレーション］
以上のような化合物の分析には多様な分析方法が使われ得るため、化合物の分析に適用しようとする分析方法を選択し、関連データの確保が必要である。物質の分析にはＸＲＤデータ、ＸＰＳデータ、またはＩＲデータなどの多様なデータが使われ得るが、本発明の実施例では、無機物の相（ｐｈａｓｅ）を判別する分析に一般的に使われているＸＲＤを物質判別用分析データとして選択した。

次に、１７０個の化合物に関するＸＲＤデータがある場合、該当ＸＲＤデータを使ってもよいが、本発明の実施例では十分なＸＲＤデータがなくても、機械学習に十分な効果を具現できるように、シミュレーション方法を通じてＸＲＤデータを準備した。

図３は、ＩＣＳＤ結晶構造データから特定化合物のＸＲＤデータをシミュレーションする過程を示したものである。

本発明の実施例ではバックグラウンドシミュレーションのための総６個の無作為パラメーターを選択し、ピーク状のシミュレーションのためには総５個の無作為パラメーターを使用し、ランダムノイズデータを付与する方法を通じて、実際と非常に類似するシミュレーションされたＸＲＤパターンデータを導き出した。この時、ＩＣＳＤ結晶情報からＸＲＤパターンを導き出す時に格子定数を無作為で変形させてより多くの数のＸＲＤパターンを導き出せるようにした。

シミュレーションされたＸＲＤパターンは、ＩＣＳＤから得た構造ファクター（ｓｔｒｕｃｔｕｒａｌ ｆａｃｔｏｒ）および熱的ファクター（ｔｈｅｒｍａｌ ｆａｃｔｏｒ）と、多重度（ｍｕｌｔｉｐｌｉｃｉｔｙ）、ローレンツポラリゼーションファクター（Ｌｏｒｅｎｔｚ ａｎｄ ｐｏｌａｒｉｚａｔｉｏｎ ｆａｃｔｏｒ）、吸収度（ａｂｓｏｒｐｔｉｏｎ）および優先方向（ｐｒｅｆｅｒｒｅｄ ｏｒｉｅｎｔａｔｉｏｎ）を固定変数に使用し、同時にピークプロファイル（Ｃａｇｌｉｏｔｉおよびミキシング媒介変数）、背景およびホワイトノイズのような調整可能な媒介変数を使って得た。

具体的には、ＩＣＳＤに提示されたシンメトリー（ｓｙｍｍｅｔｒｙ）データから多重度を得、入射ビームに黒鉛モノクロメーターが装着されたブラッグブレンターノ（Ｂｒａｇｇ−Ｂｒａｎｔａｎｏ）ジオメトリーを使って一般実験用ＸＲＤにポラリゼーション補正が適用されたし、優先配向は存在しないと見なした。また、実験室規模のＸ線回折計によく現れるパラメーター値を参照して調整可能な変数（ｐａｒａｍｅｔｅｒ）を無作為で割り当てた。

図４は、分析しようとする成分を含む無機化合物であるＡｌ_２Ｏ_３、Ｌｉ_２Ｏ、ＳｒＯおよびＳｒＡｌ_２Ｏ_４の実際に分析したＸＲＤパターンと、前記方法を通じてシミュレーションされたＸＲＤパターンとを比較したものである。図４で上に表示されたパターン（緑色）は実際の実験を通じて分析された結果を示したものであり、下に表示されたパターン（茶色）は前記方法でシミュレーションされたＸＲＤパターンを示したものである。図４に示したように、シミュレーションされたＸＲＤパターンと実際のＸＲＤパターン間には差を区分することが難しいほど非常に類似する形態を示した。これを通じて、本発明の実施例によりシミュレーションされたＸＲＤパターンは機械学習用訓練データに適用できると思われ、これはシミュレーションＸＲＤパターンを利用した機械学習を通じて樹立したモデルを使って実際物質の正確な判別につながる結果を通じても確認される。

以上のような過程を通じて、総１７０個の化合物に対する多様なシミュレーションＸＲＤパターンを導き出した。

［訓練データセット作成］
図５は、各化合物の混合データを導き出す過程を示したものであり、図６は図５で導き出された混合比率に合わせてＸＲＤデータを加工する過程を示したものであり、図７は混合データを導き出す具体的な条件を示したものである。

図５に図示されたように、Ａ化合物、Ｂ化合物、Ｃ化合物を利用した１種（ｕｎａｒｙ）、２種（ｂｉｎａｒｙ）、３種（ｔｅｒｎａｒｙ）の混合物に対する組成の選択と混合比率の割当を通じて多様な成分と混合比率を有する混合物が導き出されるようにした。

２種および３種の混合は、図２に示したグループに基づいて、１７０個ではなく３８個のクラスで構成された組み合わせに基づいて生成した。その後、クラスを選択するたびに各構成要素に１７０個の変形物のうち一つを無作為で割り当てた。例えば、Ａｌ_２Ｏ_３が関心混合物の成分として選択された時、７４個の変形のうち一つをＡｌ_２Ｏ_３に無作為で割り当てた。これを通じてＡｌ_２Ｏ_３は７４個の変形が少なくとも一度は現れるようにした。また、_３８Ｃ_３×２１＋_３８Ｃ_２×９＋_３８Ｃ_１（１８３，５２１）の異なる混合物に対して、３種混合物は２１個の固定された組成を有し、２種混合物は９個の固定された組成を有する。すなわち、混合物当たり平均４倍反復を招き得るが、多くの変形がある一部の混合物についてのみ反復的な選択を採択したため、全体データセットから同じ混合物（すなわち、同一成分および同一分率）をほとんど見出すことができなかった。このような方式でデータの準備をしないと、３８個のクラスのそれぞれが同じ選択機会を有するため、例えば変形相がないＬｉ_２Ｏ_２に比べて７４個の変形相があるＡｌ_２Ｏ_３の各相が選択される可能性がはるかに少なくなる問題が発生する可能性がある。

以上のような過程を通じて混合比率が導き出されると、図６に図示された方法を通じて、混合物のＸＲＤパターンを導き出す。図６に図示された通り、Ａ化合物でシミュレーションされたＸＲＤパターンとＢ化合物でシミュレーションされたＸＲＤパターンとＣ化合物でシミュレーションされたＸＲＤパターンを、混合物の混合比率に合わせてＸＲＤパターンを足す方法を通じて、混合物のＸＲＤパターンを導き出した。

混合物のシミュレーションされたＸＲＤパターンは、２種または３種混合物組み合わせを構成するために、１７０個のエントリーから２〜３個の化合物を選択するたびに、ピークプロファイルが無作為で選択されるようにして総８００，９４２個のＸＲＤパターンの間に同じものが存在しないようにした。この過程で使われた具体的な条件は図７に示した。この時、同一クラス（ｃｌａｓｓ）に属するエントリーで構成された２種または３種混合物組み合わせはすべて除外した。また、任意に選択された背景および白色雑音が各混合物に適用された。

また、導き出されたＸＲＤパターンは、無作為で訓練用データセット（６００，９４２パターン）、有効性検査用データセット（１００，０００パターン）およびテストデータセット（１００，０００パターン）にそれぞれ分割された。

また、データ類似性がないようにランダム組成選択および反復選択がない条件で、前記した方法に比べて縮小されたデータセットを別途に準備したし、この縮小されたデータセットの混合物数は_３８Ｃ_３×２１＋_３８Ｃ_２×９＋_３８Ｃ_１（１８３，５２１）に減った。

以上のような過程を通じて３種類のデータセットが準備された。図５の上に示したように、Ａ化合物、Ｂ化合物、Ｃ化合物の３種２１個、２種９個を等間隔で分け、図２に示した物質のうちＩＣＳＤ個数が多く含まれている混合物は図７に示した条件により反復して生成した８００，９４２個のＸＲＤパターンデータを「Ｄａｔａｓｅｔ＿８００ｋ＿ｏｒｇ」という。

図５の下に示したように、Ａ化合物、Ｂ化合物、Ｃ化合物の３種２１個、２種９個をランダムに分けて、図２に示した物質のうちＩＣＳＤ個数が多く含まれている混合物は図７と同じ条件により反復して生成した８００，９４２個のＸＲＤパターンデータを「Ｄａｔａｓｅｔ＿８００ｋ＿Ｒａｎｄ」という。

Ａ化合物、Ｂ化合物、Ｃ化合物の３種２１個、２種９個をランダムに分け、反復回数なしに生成された１８３，５２１個のＸＲＤパターンデータを「Ｄａｔａｓｅｔ＿１８０ｋ＿Ｒａｎｄ」という。

［ＣＮＮを適用したディープランニング］
本発明の実施例ではデータセットの大きさが大きく、多相ＸＲＤパターンを扱うため、この分析に適合したＣＮＮを適用して機械学習を遂行した。

図８および図９は、本発明の実施例でディープランニングに使った二つのＣＮＮアーキテクチャーを示したものである。

図８および図９に示したように、ＣＮＮアーキテクチャーは、複数のコンボリューションレイヤ（ｃｏｎｖｏｌｕｔｉｏｎ ｌａｙｅｒ）とプーリングレイヤ（ｐｏｏｌｉｎｇ ｌａｙｅｒ）と３個の連続的に連結された全結合層（ｆｕｌｌｙ ｃｏｎｎｅｃｔｅｄ ｌａｙｅｒ）で構成される。

具体的には、図８に図示されたように、２個のコンボリューションレイヤがるアーキテクチャーを「ＣＮＮ＿２」といい、図９に図示されたように、３個のコンボリューションレイヤがあるアーキテクチャーを「ＣＮＮ＿３」という。この二つのアーキテクチャーにおいて、フィルタ数、カーネルの大きさ、プーリング大きさ、ストライドの構成は図８および図９に図示された通りである。

一方、図８に示されたように、本発明の実施例では、ストライドがコンボリューションレイヤのうち一つのプーリング大きさより広いものを採択したが、このような構成は既存のプーリングより顕著に早い収束を提供した。一方、ＣＮＮ２およびＣＮＮ３のプーリング大きさと同じストライドでもテストした結果、収束は相対的に遅いが正確度は実質的に同じ水準と示された。

また、コンボリューションレイヤのための活性化関数と全結合層のための線形関数として整流線形ユニット（Ｒｅｌｕ）が採択されたし、ドロップアウトは全結合層に対してのみ具現された。全結合層に対する最終活性化機能はシグモイド機能であり、それによるコスト（または損失）機能は交差エントロピー機能であった。入力は４５０１×１ベクトルを、出力は３８×１ベクトルにした。また、Ａｄａｍオプティマイザーを使った。相の識別のためのすべてのエポック（ｅｐｏｃｈ）に対して実行速度は０．００１に固定された。

以上のようなＣＮＮアーキテクチャーで訓練データセットを使って予測モデルを導き出した。

一方、本発明の実施例で適用したＣＮＮアーキテクチャーは多様に変形され得、本実施例で提示したアーキテクチャーに制限されない。さらに、必ずしもＣＮＮのみを利用する必要もなく、例えば循環神経網（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＲＮＮ）を使ってもよく、特にシミュレーションで導き出されたＸＲＤパターンの実測ＸＲＤパターンとの差を補完するためには、生成的敵対神経網（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ、ＧＡＮ）技術が適用されてもよい。

［ＣＮＮ予測モデルを利用した相判別結果］
以上で説明した訓練データセットを使ってＣＮＮ２およびＣＮＮ３アーキテクチャーを通じての学習結果を通じて導き出された予測モデルを使用して、相判別（ｐｈａｓｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）が可能であるかをテストした。

（１）Ｄａｔａｓｅｔ＿８００ｋ＿ｏｒｇ
図１０は「Ｄａｔａｓｅｔ＿８００ｋ＿ｏｒｇ」を使った場合、学習コストおよび正確度を示したものである。図９で確認されるように、ＣＮＮ２アーキテクチャーやＣＮＮ３アーキテクチャーはいずれも有効性検査結果の正確度がほとんど１００％に到達したし、ＣＮＮ２およびＣＮＮ３に対して有効性検証コストがそれぞれ０．００７および０．００１８に減少した。

「Ｄａｔａｓｅｔ＿８００ｋ＿ｏｒｇ」を使って訓練したＣＮＮ２およびＣＮＮ３のテストのために、訓練データセットと重ならないように１００，０００個のシミュレーションＸＲＤパターンを準備したし、また、３種の化合物Ｌｉ_２Ｏ−ＳｒＯ−Ａｌ_２Ｏ_３とＳｒＡｌ_２Ｏ_４−ＳｒＯ−Ａｌ_２Ｏ_３を多様な分率で乾式混合してそれぞれ５０個の混合物サンプルを製造して、実際のＸＲＤパターンを獲得して相判別テストに使った。

下記の表１は前記二つのテストデータセットを使ってテストした結果を示したものである。

前記表１に示されたように、シミュレーションされたテストデータセットはＣＮＮ２およびＣＮＮ３アーキテクチャーにいずれもテスト正確度がほぼ完ぺきな水準と示された。また、Ｌｉ_２Ｏ−ＳｒＯ−Ａｌ_２Ｏ_３データセットのテスト結果もＣＮＮ２およびＣＮＮ３のすべてに対して正確度が１００％であって完ぺきに一致した。

一方、ＳｒＡｌ_２Ｏ_４−ＳｒＯ−Ａｌ_２Ｏ_３データセットの場合、テスト正確度が多少低下する結果を示すが、これは混合原料として使われたＳｒＡｌ_２Ｏ_４（ＳＡＯ）粉末に一定量の不純物相が含まれたことによるものと確認されたし、これは若干の誤予測された結果がＣＮＮモデルのエラーではないという点を意味する。

このようなテスト結果から、本発明の実施例に係る方法が、多様な物質が混合された多成分系物質に含まれた相（ｐｈａｓｅ）の判別において、非常に高い正確度を提供できるということが分かる。

（２）Ｄａｔａｓｅｔ＿８００ｋ＿ｒａｎｄ／Ｄａｔａｓｅｔ＿１８０ｋ＿ｒａｎｄによる相識別
データセット「Ｄａｔａｓｅｔ＿８００ｋ＿ｒａｎｄ」と「Ｄａｔａｓｅｔ＿１８０ｋ＿ｒａｎｄ」は前記データセットとは異なって、２種および３種混合物の設定において任意的な方法を使ったものであって、訓練データセットを準備する時、混合物データを生成する時にブレンディング方法の差による影響を比較するためのものである。

図１１に示されたように、Ｄａｔａｓｅｔ＿８００ｋ＿ｏｒｇを使ってＣＮＮを遂行した場合と実質的に同じコストおよび正確度が達成された。

下記の表２は前記したテストデータセットを利用してテストした結果を示したものである。

表２のように、シミュレーションされたテストデータセットと実際のＬｉ_２Ｏ−ＳｒＯ−Ａｌ_２Ｏ_３テストデータセットは、「Ｄａｔａｓｅｔ＿８００ｋ＿ｒａｎｄ」で訓練する時にほぼ１００％の正確度を示した。一方、「Ｄａｔａｓｅｔ＿１８０ｋ＿ｒａｎｄ」で訓練すると、シミュレーションされたテストデータセットと実際のテストデータセットでいずれもテスト正確度が多少低下する傾向を示すが、これは訓練データセットの大きさが相対的に小さいことに起因すると思われる。

以上のような結果から、訓練データセットを準備する時に混合物のブレンディング方法の差による影響は殆どなく、データセットの大きさにより正確度に若干の差が存在し得ることが分かる。

Claims (5)

1. （ａ）２以上の元素を選択し、；
   （ｂ）前記２以上の元素で生成可能なものと分析された複数の化合物のデータを収集し、；
   （ｃ）前記収集された複数の化合物のそれぞれに関するイメージまたはスペクトル形態の分析データを準備し、；
   （ｄ）前記複数の化合物のうち、２種以上の化合物を選択して、前記それぞれのイメージまたはスペクトルデータを所定の混合比率に合わせて混合加工したものを含めて訓練データを作り、；
   （ｅ）前記訓練データを使って機械学習を遂行し、；
   （ｆ）実際物質から得たイメージまたはスペクトル形態の分析データを前記機械学習を通じて収得したモデルを使って、２種以上の化合物に含まれている化合物および相分率を分析する、物質の分析装置。
2. 前記複数の化合物の分析データは、既に分析されている化学分析、物質分析データを利用する、請求項１に記載の物質の分析装置。
3. 前記（ｃ）においては、実際に分析された結果を使ったり、それぞれの化合物に関する物質情報を利用してプログラムを使って該当分析イメージまたはスペクトルをシミュレーションして獲得する、請求項１に記載の物質の分析装置。
4. 前記イメージまたはスペクトル形態の分析データは、ＸＲＤデータ、ＸＰＳデータ、ＩＲデータまたは透過電子顕微鏡回折パターンである、請求項１に記載の物質の分析装置。
5. 前記機械学習はＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を通じて遂行される、請求項１に記載の物質の分析装置。

Images