JP7109339B2 - ポリマー設計装置、プログラム、および方法 - Google Patents
ポリマー設計装置、プログラム、および方法 Download PDFInfo
- Publication number
- JP7109339B2 JP7109339B2 JP2018207577A JP2018207577A JP7109339B2 JP 7109339 B2 JP7109339 B2 JP 7109339B2 JP 2018207577 A JP2018207577 A JP 2018207577A JP 2018207577 A JP2018207577 A JP 2018207577A JP 7109339 B2 JP7109339 B2 JP 7109339B2
- Authority
- JP
- Japan
- Prior art keywords
- polymer
- physical property
- structural formula
- polymer structure
- unit
- 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
Links
- 229920000642 polymer Polymers 0.000 title claims description 267
- 238000013461 design Methods 0.000 title claims description 43
- 238000000034 method Methods 0.000 title claims description 28
- 230000000704 physical effect Effects 0.000 claims description 142
- 238000011156 evaluation Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 125000002723 alicyclic group Chemical group 0.000 claims description 4
- 125000003118 aryl group Chemical group 0.000 claims description 4
- 125000000623 heterocyclic group Chemical group 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000009477 glass transition Effects 0.000 description 21
- 238000012545 processing Methods 0.000 description 16
- 238000012360 testing method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000000470 constituent Substances 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000010365 information processing Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- -1 poly(ethylene) Polymers 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000233805 Phoenix Species 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Description
特許法第３０条第２項適用 平成３０年５月２１日 Ｍａｔｅｒｉａｌｓ Ｒｅｓｅａｒｃｈ Ｓｏｃｉｅｔｙ が発行した ＭＲＳ ＡＤＶＡＮＣＥＳ で公開
特許法第３０条第２項適用 平成３０年４月３日 Ｐｈｏｅｎｉｘ Ｃｏｎｖｅｎｔｉｏｎ Ｃｅｎｔｅｒ において開催された ２０１８ ＭＲＳ Ｓｐｒｉｎｇ Ｍｅｅｔｉｎｇ ＆ Ｅｘｈｉｂｉｔ で発表
本発明は、ポリマー設計装置、プログラム、および方法に関する。
従来、機能性材料の構造を新たに開発するには、多数の候補の中から所望の物性をもつ材料の構造を特定する必要があった。そのため、新規の機能性材料の構造の開発には、通常、時間とコストがかかっていた。
近年、機械学習を用いて所望の物性を有する材料を設計する方法が注目されている。例えば、遺伝的アルゴリズムを使用して、目的とする材料機能を実現する新たな結晶構造を探索する装置が報告されている（特許文献１）。他にも、粒子群最適化手法などを使用して、タンパク質と相互作用する化合物を設計する装置が報告されている（特許文献２）。
しかしながら、従来、ポリマーの設計においては、無作為にポリマーの構造を選んで実験を行い、所望の物性を有するポリマーの構造を探索していた。このような当てのない実験は非常に効率が悪く、所望の物性を有するポリマーの構造を効率的に予測することができなかった。
そこで、本発明は、ポリマーの構造の予測を効率化することを目的とする。
本発明は、以下の示す構成を備える。
［１］ポリマーの目標物性を取得する目標物性取得部と、
ポリマー構造を取得するポリマー構造式取得部と、
所定のポリマー構造と、前記所定のポリマー構造の物性値および標準偏差との対応関係に基づいて、前記取得したポリマー構造の物性値および標準偏差を予測する回帰計算部と、
前記予測した物性値および標準偏差と前記取得した目標物性とに基づいて算出されるスコアに従い、前記取得したポリマー構造のうちの１または複数のポリマー構造を出力するスコア評価部と
を有するポリマー設計装置。
［２］前記対応関係は、所定のポリマー構造と、前記所定のポリマー構造の物性の平均値および標準偏差で決まる正規分布との対応を示している、［１］に記載のポリマー設計装置。
［３］前記所定のポリマー構造から特徴量を計算する特徴量計算部と、
前記特徴量と前記所定のポリマー構造の物性との対応関係を構築する回帰モデル構築部と
を有する［１］または［２］に記載のポリマー設計装置。
［４］回帰モデル構築部において、回帰分析として、ガウス過程回帰、ベイジアンリッジ回帰、アンサンブル回帰、ディープラーニング、のいずれかを使用する、［３］に記載のポリマー設計装置。
［５］特徴量計算部において、所定のアルゴリズムに基づいて、ポリマー構造から、Ｅｘｔｅｎｄｅｄ Ｃｏｎｎｅｃｔｉｖｉｔｙ Ｆｉｎｇｅｒｐｒｉｎｔｓ（ＥＣＦＰ）、分子量、ｌｏｇＰ、脂環の数、芳香環の数、ヘテロ環の数、またはそれらをポリマー繰り返し単位の原子数で割った値、のいずれかの特徴量を計算する、［３］または［４］に記載のポリマー設計装置。
［６］前記目標物性が前記物性値の最大化である場合、前記スコアは、前記予測した物性値に前記標準偏差を加算した値である、［１］から［５］のいずれか一項に記載のポリマー設計装置。
［７］前記目標物性が前記物性値の最小化である場合、前記スコアは、前記予測した物性値から前記標準偏差を減算した値である、［１］から［５］のいずれか一項に記載のポリマー設計装置。
［８］コンピュータを
ポリマーの目標物性を取得する目標物性取得部と、
ポリマー構造を取得するポリマー構造式取得部と、
所定のポリマー構造と、前記所定のポリマー構造の物性値および標準偏差との対応関係に基づいて、前記取得したポリマー構造の物性値および標準偏差を予測する回帰計算部と、
前記予測した物性値および標準偏差と前記取得した目標物性とに基づいて算出されるスコアに従い、前記取得したポリマー構造のうちの１または複数のポリマー構造を出力するスコア評価部と
して機能させるためのプログラム。
［９］コンピュータによって実行される方法であって、
目標物性を取得するステップと、
ポリマー構造を取得するステップと、
所定のポリマー構造と、前記所定のポリマー構造の物性値および標準偏差との対応関係に基づいて、前記取得したポリマー構造の物性値および標準偏差を予測するステップと、
前記予測した物性値および標準偏差と前記取得した目標物性とに基づいて算出されるスコアに従い、前記取得したポリマー構造のうちの１または複数のポリマー構造を出力するステップと
を含む方法。
［１］ポリマーの目標物性を取得する目標物性取得部と、
ポリマー構造を取得するポリマー構造式取得部と、
所定のポリマー構造と、前記所定のポリマー構造の物性値および標準偏差との対応関係に基づいて、前記取得したポリマー構造の物性値および標準偏差を予測する回帰計算部と、
前記予測した物性値および標準偏差と前記取得した目標物性とに基づいて算出されるスコアに従い、前記取得したポリマー構造のうちの１または複数のポリマー構造を出力するスコア評価部と
を有するポリマー設計装置。
［２］前記対応関係は、所定のポリマー構造と、前記所定のポリマー構造の物性の平均値および標準偏差で決まる正規分布との対応を示している、［１］に記載のポリマー設計装置。
［３］前記所定のポリマー構造から特徴量を計算する特徴量計算部と、
前記特徴量と前記所定のポリマー構造の物性との対応関係を構築する回帰モデル構築部と
を有する［１］または［２］に記載のポリマー設計装置。
［４］回帰モデル構築部において、回帰分析として、ガウス過程回帰、ベイジアンリッジ回帰、アンサンブル回帰、ディープラーニング、のいずれかを使用する、［３］に記載のポリマー設計装置。
［５］特徴量計算部において、所定のアルゴリズムに基づいて、ポリマー構造から、Ｅｘｔｅｎｄｅｄ Ｃｏｎｎｅｃｔｉｖｉｔｙ Ｆｉｎｇｅｒｐｒｉｎｔｓ（ＥＣＦＰ）、分子量、ｌｏｇＰ、脂環の数、芳香環の数、ヘテロ環の数、またはそれらをポリマー繰り返し単位の原子数で割った値、のいずれかの特徴量を計算する、［３］または［４］に記載のポリマー設計装置。
［６］前記目標物性が前記物性値の最大化である場合、前記スコアは、前記予測した物性値に前記標準偏差を加算した値である、［１］から［５］のいずれか一項に記載のポリマー設計装置。
［７］前記目標物性が前記物性値の最小化である場合、前記スコアは、前記予測した物性値から前記標準偏差を減算した値である、［１］から［５］のいずれか一項に記載のポリマー設計装置。
［８］コンピュータを
ポリマーの目標物性を取得する目標物性取得部と、
ポリマー構造を取得するポリマー構造式取得部と、
所定のポリマー構造と、前記所定のポリマー構造の物性値および標準偏差との対応関係に基づいて、前記取得したポリマー構造の物性値および標準偏差を予測する回帰計算部と、
前記予測した物性値および標準偏差と前記取得した目標物性とに基づいて算出されるスコアに従い、前記取得したポリマー構造のうちの１または複数のポリマー構造を出力するスコア評価部と
して機能させるためのプログラム。
［９］コンピュータによって実行される方法であって、
目標物性を取得するステップと、
ポリマー構造を取得するステップと、
所定のポリマー構造と、前記所定のポリマー構造の物性値および標準偏差との対応関係に基づいて、前記取得したポリマー構造の物性値および標準偏差を予測するステップと、
前記予測した物性値および標準偏差と前記取得した目標物性とに基づいて算出されるスコアに従い、前記取得したポリマー構造のうちの１または複数のポリマー構造を出力するステップと
を含む方法。
本発明では、所望の物性を得るポリマーの構造の予測を効率化する。
以下、本発明の実施の形態を図面に基づいて説明する。なお、本明細書および図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省略する。
［システム構成例］
図１は、本実施の形態におけるシステム構成例を示す図である。まず、本実施の形態に係るシステム構成例について説明する。図１において、システム１００は、ポリマー設計装置１０１と、１または複数の端末１０２とを有する。ポリマー設計装置１０１と各端末１０２とは、任意のネットワーク１０３を介して接続可能である。
図１は、本実施の形態におけるシステム構成例を示す図である。まず、本実施の形態に係るシステム構成例について説明する。図１において、システム１００は、ポリマー設計装置１０１と、１または複数の端末１０２とを有する。ポリマー設計装置１０１と各端末１０２とは、任意のネットワーク１０３を介して接続可能である。
ポリマー設計装置１０１は、ポリマーの構造を予測するポリマー設計部３００を有する情報処理装置（コンピュータ）である。ポリマー設計装置１０１では、ポリマー設計部３００が、予め与えられたポリマー構造（例えば、ポリマー構造式。以下、「ポリマー構造式」という）およびそのポリマーが有する物性（例えば、ガラス転移点、結晶化温度、屈折率等の物性値）を示すデータを用いて、機械学習をすることで回帰モデル（学習済みモデル）を作成する。また、ポリマー設計装置１０１では、ポリマー設計部３００が、端末１０２からの複数のポリマー構造（例えば、ポリマー構造式。以下、「ポリマー構造式」という）１０４ａの受信に応じて、受信したポリマー構造１０４ａに対して物性値とその標準偏差を回帰モデルを用いて予測し、それらの値（つまり、物性値とその標準偏差）に基づき推薦された次に検証すべきポリマーの構造（例えば、ポリマー構造式。以下、「ポリマー構造式」という）１０４ｂを端末１０２に送信する。
端末１０２は、ユーザによって使用される情報処理端末（コンピュータ）である。端末１０２は、ポリマー設計装置１０１に接続して、ポリマー設計部３００による処理を利用する。
なお、システムの構成は、図１の例に限定されない。一例として、ポリマー設計装置１０１は、スタンドアロンで利用されてもよい。この場合、ユーザの入力装置の操作により、複数のポリマー構造１０４ａが入力されると、その中で最も良いと予測されるポリマーの構造１０４ｂが表示装置に出力される。
［ポリマー設計装置１０１のハードウェア構成例］
図２は、ポリマー設計装置１０１のハードウェア構成例を示す図である。本実施の形態におけるポリマー設計装置１０１は、図２に示すようなハードウェア構成を有する。図２において、ポリマー設計装置１０１は、情報処理装置（コンピュータ）であって、ＣＰＵ（Central Processing Unit）２０１と、主記憶装置２０２と、補助記憶装置２０３と、入力装置２０４と、表示装置２０５と、通信Ｉ／Ｆ（インターフェース）２０６と、ドライブ装置２０７とを有し、各ハードウェアはバス２０８を介して相互に接続される。
図２は、ポリマー設計装置１０１のハードウェア構成例を示す図である。本実施の形態におけるポリマー設計装置１０１は、図２に示すようなハードウェア構成を有する。図２において、ポリマー設計装置１０１は、情報処理装置（コンピュータ）であって、ＣＰＵ（Central Processing Unit）２０１と、主記憶装置２０２と、補助記憶装置２０３と、入力装置２０４と、表示装置２０５と、通信Ｉ／Ｆ（インターフェース）２０６と、ドライブ装置２０７とを有し、各ハードウェアはバス２０８を介して相互に接続される。
ＣＰＵ２０１は、主記憶装置２０２に格納されたプログラムに従ってポリマー設計装置１０１を制御するプロセッサに相当する。
主記憶装置２０２には、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等が用いられ、ＣＰＵ２０１にて実行されるプログラム、ＣＰＵ２０１での処理に必要なデータ、ＣＰＵ２０１での処理にて得られたデータ等を記憶または一時保存する。補助記憶装置２０３には、ＨＤＤ（Hard Disk Drive）等が用いられ、各種処理を実行するためのプログラム等のデータを格納する。補助記憶装置２０３に格納されているプログラムの一部が主記憶装置２０２にロードされ、ＣＰＵ２０１に実行されることによって、各種処理が実現される。主記憶装置２０２、補助記憶装置２０３、およびポリマー設計装置１０１によりアクセス可能な外部の記憶媒体２０９を含めて、以下、総称して、記憶部という。
入力装置２０４は、マウス、キーボード等を有し、ユーザがポリマー設計装置１０１による処理に必要な各種情報を入力するために用いられる。表示装置２０５は、ＣＰＵ２０１の制御のもとに必要な各種情報を表示する。入力装置２０４と表示装置２０５とは、一体化したタッチパネル等によるユーザインタフェースであってもよい。
通信Ｉ／Ｆ２０６は、有線または無線などのネットワークを通じて通信を行う。通信Ｉ／Ｆ２０６による通信は、無線または有線に限定されるものではない。
ドライブ装置２０７は、ドライブ装置２０７にセットされた記憶媒体２０９（例えば、ＣＤ－ＲＯＭ（Compact Disc Read-Only Memory）等）とポリマー設計装置１０１とのインターフェースを行う。ポリマー設計装置１０１によって行われる処理を実現するプログラムは、例えば、ＣＤ－ＲＯＭ等の記憶媒体２０９によってポリマー設計装置１０１に提供される。記憶媒体２０９に、後述される本実施の形態に係る種々の処理を実現するプログラムを格納し、この記憶媒体２０９に格納されたプログラムは、ドライブ装置２０７を介してポリマー設計装置１０１にインストールされる。インストールされたプログラムは、ポリマー設計装置１０１により実行可能となる。なお、プログラムを格納する記憶媒体２０９はＣＤ－ＲＯＭに限定されず、コンピュータが読み取り可能な、データの構造（structure）を有する１つ以上の非一時的（non-transitory）な、有形（tangible）な媒体であればよい。コンピュータ読取可能な記憶媒体２０９として、ＣＤ－ＲＯＭの他に、ＤＶＤ（Digital Versatile Disk）ディスク、ＵＳＢメモリ等の可搬型記録媒体、フラッシュメモリ等の半導体メモリであっても良い。
［ポリマー設計装置１０１の第１の機能構成例］
図３は、ポリマー設計装置１０１の第１の機能構成例を示す図である。図３において、ポリマー設計装置１０１は、ポリマー設計部３００を有する。ポリマー設計部３００は、ＣＰＵ２０１が対応するプログラムを実行することで実現される。
図３は、ポリマー設計装置１０１の第１の機能構成例を示す図である。図３において、ポリマー設計装置１０１は、ポリマー設計部３００を有する。ポリマー設計部３００は、ＣＰＵ２０１が対応するプログラムを実行することで実現される。
記憶部３３０は、ポリマー構造式・物性データベース（ＤＢ）３３１、特徴量３３２、回帰モデル３３３、予測物性値３３４、予測標準偏差３３５等が記憶される。
ポリマー設計部３００は、ユーザが指定するポリマー構造式の物性を予測する回帰モデルを機械学習により作成する。また、ポリマー設計部３００は、作成した回帰モデルを用いて、複数のポリマー構造式の物性およびその標準偏差を予測し、ポリマーの順位付けを行い、次に検証すべきポリマーの構造式を出力する。ポリマー設計部３００は、モデル作成部３１０と構造式予測部３２０とを処理部として有する。
モデル作成部３１０は、ポリマー構造式・物性ＤＢ ３３１を用いて、ポリマー構造式から特徴量を計算し、回帰モデルを定める。ポリマー構造式・物性ＤＢ ３３１には、ポリマーごとに、ポリマー構造式と、実験で予め得られた物性の実験値とが対応付けられて記憶されている。ポリマー構造式・物性ＤＢ ３３１に記憶されているポリマー構造式および物性の実験値を用いることで、入力データ：ポリマーの構造式の特徴量、出力データ：そのポリマーの物性値（平均値）およびその標準偏差、となる回帰モデル（機械学習された学習済みモデル）が定められる。ポリマーの構造式は、所定の形式で表されればよい。第１の機能構成例では、SMILES（Simplified Molecular Input Line Entry Syntax)記法で構造式を表す場合で説明するが、この表記形式に限定されない。モデル作成部３１０は、特徴量計算部３１１と、回帰モデル構築部３１２とを処理部として有する。
特徴量計算部３１１は、ポリマー構造式・物性ＤＢ ３３１からポリマーの構造式を取得し、取得したポリマー構造式から特徴量３３２を計算する。計算された特徴量３３２は、記憶部３３０に記憶される。特徴量を計算する方法としては、所定のアルゴリズムに基づき、ポリマー構造式から特徴量を計算できる手法を用いることができる。例えば、Ｅｘｔｅｎｄｅｄ Ｃｏｎｎｅｃｔｉｖｉｔｙ Ｆｉｎｇｅｒｐｒｉｎｔｓ（ＥＣＦＰ）や、分子量、ｌｏｇＰ、脂環の数、芳香環の数、ヘテロ環の数、のいずれも適用可能である。また、上記特徴量をポリマーの構成原子数で割った値も適用可能である。一例として、ＥＣＦＰを構成原子数で割り計算された特徴量を用いて回帰モデルを取得することができる。
回帰モデル構築部３１２は、ポリマー構造式から計算される特徴量を用いることにより、ポリマー構造式から計算された特徴量とそのポリマーが有する物性の実験値とを用いて、回帰モデル（機械学習の学習済みモデル）３３３を構築する。回帰モデル３３３が記憶部３３０に保存される。
回帰モデル構築部３１２で得られる回帰モデル３３３は、
ｙ＿ｍｅａｎ＝ｆ（ｘ）
ｙ＿ｓｔｄ＝ｇ（ｘ）
で表される。ここで、ｙ＿ｍｅａｎは物性の予測値である。ｙ＿ｓｔｄは標準偏差であり、予測の信頼度を表す。特徴量ｘに代入することで、ある物性の予測値ｙ＿ｍｅａｎとその標準偏差ｙ＿ｓｔｄを得る。回帰モデル３３３では、ポリマーの構造式の特徴量が入力されると、そのポリマーの物性値の平均値（ｙ＿ｍｅａｎ）およびその標準偏差（ｙ＿ｓｔｄ）が出力される。
ｙ＿ｍｅａｎ＝ｆ（ｘ）
ｙ＿ｓｔｄ＝ｇ（ｘ）
で表される。ここで、ｙ＿ｍｅａｎは物性の予測値である。ｙ＿ｓｔｄは標準偏差であり、予測の信頼度を表す。特徴量ｘに代入することで、ある物性の予測値ｙ＿ｍｅａｎとその標準偏差ｙ＿ｓｔｄを得る。回帰モデル３３３では、ポリマーの構造式の特徴量が入力されると、そのポリマーの物性値の平均値（ｙ＿ｍｅａｎ）およびその標準偏差（ｙ＿ｓｔｄ）が出力される。
回帰モデル３３３を取得する回帰分析には、予測値とその標準偏差を計算できる手法を用いることができる。例えば、ガウス過程回帰、ベイジアンリッジ回帰、アンサンブル回帰、ディープラーニング、のいずれも適用可能である。一例として、ガウス過程回帰により回帰モデルを取得することができる。
構造式予測部３２０は、ポリマー構造式取得部３２１と、目標物性取得部３２２と、回帰計算部３２３と、スコア評価部３２４と、を処理部として有する。
ポリマー構造式取得部３２１は、ユーザによって指定された、複数のポリマー構造式を取得し、記憶部３３０に記憶する。ポリマー構造式取得部３２１は、ポリマー構造式を、任意のネットワーク１０３を介して他の装置（例えば、端末１０２）から受信することにより取得してもよいし、ポリマー設計装置１０１の入力装置等によるユーザのポリマー構造式の指定に応じて取得してもよい。ポリマー構造式は、SMILES記法等によりポリマーの構造式が指定されればよい。
目標物性取得部３２２は、ユーザによって指定された、ポリマーの目標物性を取得し、記憶部３３０に記憶する。目標物性は、ユーザが所望するポリマーの物性値である。目標物性取得部３２２は、目標物性を、任意のネットワーク１０３を介して他の装置（例えば、端末１０２）受信することにより取得してもよいし、ポリマー設計装置１０１の入力装置等によるユーザの目標物性の指定に応じて取得してもよい。目標物性の設定としては、物性の最大化や、物性の最小化としても良く、また、目標とする物性値を入力しても良い。一例として、物性の最大化を行うことができる。
回帰計算部３２３は、ユーザにより指定された複数のポリマー構造式の取得に応じて、回帰モデル３３３（機械学習の学習済みモデル）を用いて、取得したポリマー構造式の物性値とその標準偏差とを予測する。
具体的には、回帰計算部３２３は、ポリマー構造式取得部３２１が取得したポリマー構造式から特徴量を計算する。特徴量を計算する方法としては、所定のアルゴリズムに基づき、ポリマー構造式から特徴量を計算できる手法を用いることができる。例えば、Ｅｘｔｅｎｄｅｄ Ｃｏｎｎｅｃｔｉｖｉｔｙ Ｆｉｎｇｅｒｐｒｉｎｔｓ（ＥＣＦＰ）や、分子量、ｌｏｇＰ、脂環の数、芳香環の数、ヘテロ環の数、のいずれも適用可能である。また、上記特徴量をポリマーの構成原子数で割った値も適用可能である。一例として、ＥＣＦＰを構成原子数で割り計算された特徴量を用いることができる。また、回帰計算部３２３は、記憶部３３０に記憶された回帰モデル３３３に基づいて、計算したポリマー構造式の特徴量から物性値（ｙ＿ｍｅａｎ（物性の予測値））とその標準偏差（ｙ＿ｓｔｄ）を予測する。予測した物性値３３４とその標準偏差３３５とが記憶部３３０に出力される。
図４は、物性の予測例を示す図である。回帰モデル３３３は、物性の予測値（ｙ＿ｍｅａｎ）とその標準偏差（ｙ＿ｓｔｄ）で決まる正規分布（確率分布）として、ポリマー構造式の物性値を出力することができる。図４では、物性（ガラス転移点）の予測値とその標準偏差で決まる正規分布（確率分布）が示されている。例えば、回帰モデル３３３に対して、ポリマー構造式Ａが入力されるとガラス転移点Ａ（３００℃±２０℃）が出力され、ポリマー構造式Ｂが入力されるとガラス転移点Ｂ（２８０℃±６０℃）が出力されるとする。ポリマー構造式Ａの場合、予測値（ｙ＿ｍｅａｎ）は３００℃であり、その標準偏差（ｙ＿ｓｔｄ）は２０℃である。ポリマー構造式Ｂの場合、予測値（ｙ＿ｍｅａｎ）は２８０℃であり、その標準偏差（ｙ＿ｓｔｄ）は６０℃である。
図３に戻る。スコア評価部３２４は、物性の予測値とその標準偏差とを用いて、取得した複数のポリマーの順位付けを行う。ポリマーの順位付けの方法としては、ベイズ最適化として知られる方法を用いることができる。ベイズ最適化では、予測値（ｙ＿ｍｅａｎ）だけでなく、予測標準偏差（ｙ＿ｓｔｄ）を考慮して良し悪しを判定することができる。つまり、本実施の形態においては、予測された物性値だけでなく、その予測された物性値の標準偏差も考慮されうる。例えば、Ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ｉｍｐｒｏｖｅｍｅｎｔ（ＰＩ）、Ｅｘｐｅｃｔｅｄ ｖａｌｕｅ ｏｆ ｉｍｐｒｏｖｅｍｅｎｔ（ＥＩ）、Ｕｐｐｅｒ Ｃｏｎｆｉｄｅｎｃｅ Ｂｏｕｎｄ（ＵＣＢ）、Ｌｏｗｅｒ Ｃｏｎｆｉｄｅｎｃｅ Ｂｏｕｎｄ（ＬＣＢ）の、いずれのスコア評価も適用可能である。
スコア評価部３２４は、目標物性の設定が物性の最大化である場合、ＵＣＢにより、取得した複数のポリマーの順位付けを行うことができる。ＵＣＢでは、予測された物性値と、その標準偏差に係数ｋを乗じた値との和をスコアとして用い、スコアが大きいほど順位が高い（つまり、目標物性を満たす）ものとする。第１の機能構成例では、標準偏差に乗じる係数ｋを１．９６とする場合で説明するが、この係数に限定されない。
Score=y_mean＋k*y_std
以下、予測値に予測標準偏差が加算される理由を説明する。例えば、図４の例で説明すると、ベイズ最適化では「どちらのポリマー構造式がガラス転移点が最も高い可能性があるか？」を判定する。ポリマー構造式Ａは、平均的に高いガラス転移点が予想されるが、分布が狭く、予測誤差を加算してもそれほど高いガラス転移点は期待できない。一方、ポリマー構造式Ｂは、平均的に少し低めのガラス転移点のように見えるが、分布の幅が広いため、予測誤差を加算した場合にはガラス転移点が高い可能性がある。したがって、目標物性の設定が物性の最大化である場合には、予測値に予測標準偏差が加算される。
あるいは、スコア評価部３２４は、目標物性の設定が物性の最小化である場合、ＬＣＢにより、取得した複数のポリマーの順位付けを行うことができる。ＬＣＢでは、予測された物性値から、その標準偏差に係数ｋを乗じた値を減算した値をスコアとして用い、スコアが小さいほど順位が高い（つまり、目標物性を満たす）ものとする。
Score=y_mean－k*y_std
このように、本実施の形態では、物性の予測値（ｙ＿ｍｅａｎ）だけを用いるのでなく、物性の予測値（ｙ＿ｍｅａｎ）とその標準偏差（ｙ＿ｓｔｄ）との２つを用いて、ポリマーの順位付けを行うことができる。例えば、機械学習の教師データとなるデータが少ない場合や、教師データとは異なる新規のポリマーの物性を予測する場合、回帰モデルの予測精度が低いため、物性の予測値だけでは正しいスコアを得ることが難しい。本実施の形態のように、標準偏差を加えることによって、予想される誤差を考慮した上でスコアを評価することができる。したがって、物性の予測値だけを用いた場合よりも、信頼性の高いスコア評価が可能となる。
スコア評価部３２４は、上記スコアが高い（または、低い）ポリマーの構造式を取得する。取得するポリマーは一つであっても複数であっても良い。ネットワーク１０３を介してポリマー構造式が指定された場合には、得られたポリマー構造式はユーザの端末１０２に送信され表示される。ポリマー設計装置１０１でのユーザの操作によりポリマー構造式が指定された場合には、得られたポリマー構造式はポリマー設計装置１０１の表示装置に表示される。
［ポリマー構造式・物性ＤＢ ３３１のデータ構成例］
図５は、ポリマー構造式・物性ＤＢ ３３１のデータ構成例を示す図である。図５において、ポリマー構造式・物性ＤＢ ３３１は、ポリマーごとに、構造式、物性（例えば、屈折率、ガラス転移点等の種々の物性）の実験値等を管理するデータベースであり、ポリマー名、構造式、屈折率、ガラス転移点等の項目を有する。
図５は、ポリマー構造式・物性ＤＢ ３３１のデータ構成例を示す図である。図５において、ポリマー構造式・物性ＤＢ ３３１は、ポリマーごとに、構造式、物性（例えば、屈折率、ガラス転移点等の種々の物性）の実験値等を管理するデータベースであり、ポリマー名、構造式、屈折率、ガラス転移点等の項目を有する。
「ポリマー名」は、ポリマー構造を特定する特定情報を示す。「構造式」は、そのポリマーの構造式を示す。SMILES記法で構造式を示した例で説明するが、構造式の表記方法は、SMILES記法に限定されない。「屈折率」、「ガラス転移点」等は、予め実験またはシミュレーションにより得られたポリマーの様々な物性の一例であり、物性の名称ごとに実験値またはシミュレーションで得た計算値が示される。この例では、ポリマー名「poly(ethylene)」に対して繰り返し単位「*CC*」が対応付けられ、屈折率「1.472」等の値が示されている。他のポリマーについても同様に、各物性値が示される。
なお、モデル作成部３１０において、参照されるデータ、生成されたデータ等を作業テーブル４００で管理してもよい。作業テーブル４００は、ポリマーごとに、算出した特徴量の値を記録したテーブルであり、ポリマー名、繰り返し単位、原子数、ＥＣＦＰ等の項目を有する。「ポリマー名」は、ポリマー構造式・物性ＤＢ ３３１に登録されたポリマー名を示す。「原子数」や「ＥＣＦＰ」は、特徴量計算部３１１によって得られた特徴量を示す。作業テーブル４００の特徴量と、ポリマー構造式・物性ＤＢ ３３１の物性値とが回帰分析による機械学習に用いられる。このことから、作業テーブル４００は、ポリマー名によって、ポリマー構造式・物性ＤＢ ３３１と関連付けられてもよい。なお、図４に示すポリマー構造式・物性ＤＢ ３３１および作業テーブル４００のデータ構成例は、一例に過ぎず、この例に限定されない。
［予測処理を説明するためのフローチャート］
図６は、予測処理を説明するためのフローチャートである。上述より、ポリマー設計部３００による予測処理は、図６に示すように行われる。
図６は、予測処理を説明するためのフローチャートである。上述より、ポリマー設計部３００による予測処理は、図６に示すように行われる。
まず、モデル作成部３１０によりモデル作成処理を行う。
ステップ６１１（Ｓ６１１）で、モデル作成部３１０において、特徴量計算部３１１は、ポリマー構造式を取得する。
ステップ６１２（Ｓ６１２）で、特徴量計算部３１１は、Ｓ６１１で取得したポリマーの構造式の特徴量を計算する。
ステップ６１３（Ｓ６１３）で、回帰モデル構築部３１２は、Ｓ６１１で取得されたポリマーの構造式に対応する物性値を取得する。なお、Ｓ６１３は、Ｓ６１１の前に行われてもよいし、Ｓ６１１と同時に行われてもよい。
ステップ６１４（Ｓ６１４）で、回帰モデル構築部３１２は、Ｓ６１２で計算された特徴量を変数ｘとし、Ｓ６１３で取得した物性を変数ｙとして回帰モデルｆ（ｘ）、ｇ（ｘ）を求める。回帰モデルは記憶部３３０に記憶される。
その後、構造式予測部３２０による構造式予測処理が行われる。
ステップ６２１（Ｓ６２１）で、目標物性取得部３２２は、目標物性を受け付ける。目標物性は記憶部３３０に保存される。
ステップ６２２（Ｓ６２２）で、ポリマー構造式取得部３２１は、ポリマー構造式を受け付ける。ポリマー構造式は記憶部３３０に保存される。なお、Ｓ６２２は、Ｓ６２１の前に行われてもよいし、Ｓ６２１と同時に行われてもよい。
ステップ６２３（Ｓ６２３）で、回帰計算部３２３は、Ｓ６２２で取得されたポリマー構造式の特徴量を計算する。この処理は、モデル作成処理におけるＳ６１２と同様の処理を行うことにより得られる。
ステップ６２４（Ｓ６２４）で、回帰計算部３２３部は、Ｓ６２３で得られた特徴量と、ステップＳ６１４で得られた回帰モデルとを用いて、物性値とその標準偏差を予測する。得られた物性値とその標準偏差は、記憶部３３０に保存される。
ステップ６２５（Ｓ６２５）で、スコア評価部３２４は、Ｓ６２４で得られた物性値とその標準偏差とを用いてスコアを計算し、ポリマーの順位付けを行う。
ステップ６２６（Ｓ６２６）で、スコア評価部３２４は、順位の高いポリマーを次に検証すべき候補のポリマーとし、そのポリマー構造式をユーザの端末１０２に送信し表示する。候補ポリマーの数は、一つでも複数でも良い。ポリマー設計装置１０１でのユーザの操作によりポリマー構造式が指定された場合、得られたポリマー構造式は表示装置に表示される。
発明者は、後述される、種々の機能構成の違いによるポリマー構造式予測の試行回数の検証を行っている。検証結果によれば、上述した第１の機能構成例が最も少ない試行回数で所望のポリマー構造式を予測できた。
（実施例１）
実施例１では、図７に示す試験により、第１の機能構成例の性能の検証を行った。予め、ポリマーのガラス転移点４１７データを用意した。これを評価用データセットとする。ポリマー設計試験として、評価用データセット中で最もガラス転移点が高いポリマーを設計する（つまり、目標物性が、ガラス転移点の最大化である）試験を行った。
実施例１では、図７に示す試験により、第１の機能構成例の性能の検証を行った。予め、ポリマーのガラス転移点４１７データを用意した。これを評価用データセットとする。ポリマー設計試験として、評価用データセット中で最もガラス転移点が高いポリマーを設計する（つまり、目標物性が、ガラス転移点の最大化である）試験を行った。
図７に示す試験は以下の通りである。
ステップ７０１（Ｓ７０１）で、４１７件の評価用データセットの中から学習用データを１０件、無作為に抽出してポリマー設計装置１０１の記憶部３３０の構造式・物性ＤＢ ３３１に保存した。
ステップ７０２（Ｓ７０２）で、Ｓ７０１の学習用データを用いて、第１の機能構成例のモデル作成部３１０により回帰モデルを作成した。
ステップ７０３（Ｓ７０３）で、評価用データセット中の、Ｓ７０１の学習用データ以外のポリマーの構造式を、ポリマー構造式取得部３２１に入力した。
ステップ７０４（Ｓ７０４）で、Ｓ７０３のポリマー構造式（つまり、Ｓ７０１の学習用データ以外のポリマー構造式）と、Ｓ７０２で得られた回帰モデルとを用いて、Ｓ７０３で入力したポリマー構造式のガラス転移点と、その標準偏差とを予測した。そして、ガラス転移点とその標準偏差および目標物性に基づきスコアを計算し、ポリマーの順位付けを行った。最もスコアが良いポリマーの構造式を次に検証すべき候補として提示した。
ステップ７０５（Ｓ７０５）で、Ｓ７０４で提示されたポリマーが所望のポリマー（目標物性を満たすポリマー。すなわち、評価データセット中で最もガラス転移点が高いポリマー）であるかが判定される。所望のポリマーである場合はステップ７０６へ、所望のポリマーではない場合はステップ７０７へ進む。
ステップ７０６（Ｓ７０６）で、所望のポリマーを見つけるまでに提示された構造式の数を試行回数として取得し、試行を終了した。
ステップ７０７（Ｓ７０７）で、Ｓ７０４で提示されたポリマー構造式に対応するガラス転移点のデータを取得する。
ステップ７０８（Ｓ７０８）で、Ｓ７０７のポリマー構造式およびガラス転移点のデータを構造式・物性ＤＢ ３３１に保存し、再び回帰モデルを構築するステップ（Ｓ７０２）に戻った。上記の処理（Ｓ７０２～Ｓ７０５）を、所望のポリマーの構造式が提示されるまで行った。
上記試験の結果は、最初に無作為に選択される学習データに依存する。そこで、最初の学習データの依存性を排除するために、同様の試験を５００回実施した。５００回の試験で得られた試行回数の平均を平均試行回数とし、ポリマー設計装置１０１の性能指標とした。平均試行回数の値が小さいほど、ポリマー設計装置１０１の性能が高いことを表す。
（実施例２）
実施例２は、図３のスコア評価部３２４において、標準偏差を使用せずにスコア評価を実施した場合に相当する。その他は、実施例１と同様の方法にて試験を行い、所望のポリマーの構造式を提示するまでの平均試行回数を計算した。
実施例２は、図３のスコア評価部３２４において、標準偏差を使用せずにスコア評価を実施した場合に相当する。その他は、実施例１と同様の方法にて試験を行い、所望のポリマーの構造式を提示するまでの平均試行回数を計算した。
（実施例３）
実施例３は、図３の回帰モデル構築部３１２において、特徴量を削減した後に回帰モデルを構築した場合に相当する。特徴量の削減は、ラッソ回帰により実施した。すなわち、特徴量とガラス転移点とを用いて回帰モデルを構築し、回帰式の係数が０の項を除外した。この時に用いたハイパーパラメータは交差検証により求めた。特徴量を削減した後、実施例１と同様、ガウス過程回帰を用いて回帰モデルを構築した。その他は、実施例１と同様の方法にて試験を行い、所望のポリマーの構造式を提示するまでの平均試行回数を計算した。
実施例３は、図３の回帰モデル構築部３１２において、特徴量を削減した後に回帰モデルを構築した場合に相当する。特徴量の削減は、ラッソ回帰により実施した。すなわち、特徴量とガラス転移点とを用いて回帰モデルを構築し、回帰式の係数が０の項を除外した。この時に用いたハイパーパラメータは交差検証により求めた。特徴量を削減した後、実施例１と同様、ガウス過程回帰を用いて回帰モデルを構築した。その他は、実施例１と同様の方法にて試験を行い、所望のポリマーの構造式を提示するまでの平均試行回数を計算した。
（実施例４）
実施例４は、図３のスコア評価部３２４において、標準偏差を使用せずにスコア評価を実施した場合に相当する。その他は、実施例３と同様の方法にて試験を行い、所望のポリマーの構造式を提示するまでの平均試行回数を計算した。
実施例４は、図３のスコア評価部３２４において、標準偏差を使用せずにスコア評価を実施した場合に相当する。その他は、実施例３と同様の方法にて試験を行い、所望のポリマーの構造式を提示するまでの平均試行回数を計算した。
（比較例１）
比較例１は、図３においてスコア評価部３２４においてはポリマーの順位付けを行わず、無作為にポリマーの構造式を提示した。その他は、実施例１と同様の方法にて試験を行い、所望のポリマーの構造式を提示するまでの平均試行回数を計算した。
比較例１は、図３においてスコア評価部３２４においてはポリマーの順位付けを行わず、無作為にポリマーの構造式を提示した。その他は、実施例１と同様の方法にて試験を行い、所望のポリマーの構造式を提示するまでの平均試行回数を計算した。
図８は、評価結果例を示す図である。図８では、比較例１、実施例１、実施例２、実施例３、実施例４のそれぞれに対して行った評価結果を示している。評価結果として、所望のポリマー構造式を提示するまでの平均試行回数を示している。比較例１では平均試行回数が１９８回であり、実施例２は２４回、実施例３は１６回、実施例４は１７回であったのに対して、実施例１では４．６回と非常に小さい値を示した。平均試行回数は、値が小さいほど効率よく所望のポリマーの構造式を提示できたことを表す。したがって、この評価結果より、実施例１の実施形態は、最も効率よく、所望のポリマーを設計できることがわかる。以上より、本実施の形態によれば、所望のポリマーの構造式を、少ない試行回数で提示することができる。
このように、本発明の一実施形態では、ポリマーの繰り返し単位の構造式から計算された特徴量と、ポリマーの物性との相関を学習した予測モデルを用い、逆問題の解決方法としてベイズ最適化を適用することにより、所望の物性をもつポリマーの構造式を少ない試行錯誤回数で予測することができる。
所望の物性をもつポリマーを少ない試行回数で設計できるため、ポリマーの研究開発期間を短くすることができる。
なお、上記実施形態に挙げた構成等に、その他の要素との組み合わせ等、ここで示した構成に本発明が限定されるものではない。これらの点に関しては、本発明の趣旨を逸脱しない範囲で変更することが可能であり、その応用形態に応じて適切に定めることができる。
１００ システム
１０１ ポリマー設計装置
１０２ 端末
１０３ ネットワーク
１０４ａ ポリマー構造群
１０４ｂ ポリマー構造
３００ ポリマー設計部
３１０ モデル作成部
３１１ 特徴量計算部
３１２ 回帰モデル構築部
３２０ 構造式予測部
３２１ ポリマー構造式取得部
３２２ 目標物性取得部
３２３ 回帰計算部
３２４ スコア評価部
３３０ 記憶部
３３１ ポリマー構造式・物性データベース
３３２ 特徴量
３３３ 回帰モデル
３３４ 予測物性値
３３５ 予測標準偏差
４００ 作業テーブル
１０１ ポリマー設計装置
１０２ 端末
１０３ ネットワーク
１０４ａ ポリマー構造群
１０４ｂ ポリマー構造
３００ ポリマー設計部
３１０ モデル作成部
３１１ 特徴量計算部
３１２ 回帰モデル構築部
３２０ 構造式予測部
３２１ ポリマー構造式取得部
３２２ 目標物性取得部
３２３ 回帰計算部
３２４ スコア評価部
３３０ 記憶部
３３１ ポリマー構造式・物性データベース
３３２ 特徴量
３３３ 回帰モデル
３３４ 予測物性値
３３５ 予測標準偏差
４００ 作業テーブル
Claims (9)
- ポリマーの目標物性を取得する目標物性取得部と、
ポリマー構造を取得するポリマー構造式取得部と、
所定のポリマー構造と、前記所定のポリマー構造の物性値および標準偏差との対応関係に基づいて、前記取得したポリマー構造の物性値および標準偏差を予測する回帰計算部と、
前記予測した物性値および標準偏差と前記取得した目標物性とに基づいて算出されるスコアに従い、前記取得したポリマー構造のうちの１または複数のポリマー構造を出力するスコア評価部と
を有するポリマー設計装置。 - 前記対応関係は、所定のポリマー構造と、前記所定のポリマー構造の物性の平均値および標準偏差で決まる正規分布との対応を示している、請求項１に記載のポリマー設計装置。
- 前記所定のポリマー構造から特徴量を計算する特徴量計算部と、
前記特徴量と前記所定のポリマー構造の物性との対応関係を構築する回帰モデル構築部と
を有する請求項１または２に記載のポリマー設計装置。 - 回帰モデル構築部において、回帰分析として、ガウス過程回帰、ベイジアンリッジ回帰、アンサンブル回帰、ディープラーニング、のいずれかを使用する、請求項３に記載のポリマー設計装置。
- 特徴量計算部において、所定のアルゴリズムに基づいて、ポリマー構造から、Ｅｘｔｅｎｄｅｄ Ｃｏｎｎｅｃｔｉｖｉｔｙ Ｆｉｎｇｅｒｐｒｉｎｔｓ（ＥＣＦＰ）、分子量、ｌｏｇＰ、脂環の数、芳香環の数、ヘテロ環の数、またはそれらをポリマー繰り返し単位の原子数で割った値、のいずれかの特徴量を計算する、請求項３または４に記載のポリマー設計装置。
- 前記目標物性が前記物性値の最大化である場合、前記スコアは、前記予測した物性値に前記標準偏差を加算した値である、請求項１から５のいずれか一項に記載のポリマー設計装置。
- 前記目標物性が前記物性値の最小化である場合、前記スコアは、前記予測した物性値から前記標準偏差を減算した値である、請求項１から５のいずれか一項に記載のポリマー設計装置。
- コンピュータを
ポリマーの目標物性を取得する目標物性取得部と、
ポリマー構造を取得するポリマー構造式取得部と、
所定のポリマー構造と、前記所定のポリマー構造の物性値および標準偏差との対応関係に基づいて、前記取得したポリマー構造の物性値および標準偏差を予測する回帰計算部と、
前記予測した物性値および標準偏差と前記取得した目標物性とに基づいて算出されるスコアに従い、前記取得したポリマー構造のうちの１または複数のポリマー構造を出力するスコア評価部と
して機能させるためのプログラム。 - コンピュータによって実行される方法であって、
目標物性を取得するステップと、
ポリマー構造を取得するステップと、
所定のポリマー構造と、前記所定のポリマー構造の物性値および標準偏差との対応関係に基づいて、前記取得したポリマー構造の物性値および標準偏差を予測するステップと、
前記予測した物性値および標準偏差と前記取得した目標物性とに基づいて算出されるスコアに従い、前記取得したポリマー構造のうちの１または複数のポリマー構造を出力するステップと
を含む方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018207577A JP7109339B2 (ja) | 2018-11-02 | 2018-11-02 | ポリマー設計装置、プログラム、および方法 |
| US16/666,643 US11126695B2 (en) | 2018-11-02 | 2019-10-29 | Polymer design device, polymer design method, and non-transitory recording medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018207577A JP7109339B2 (ja) | 2018-11-02 | 2018-11-02 | ポリマー設計装置、プログラム、および方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020071827A JP2020071827A (ja) | 2020-05-07 |
| JP7109339B2 true JP7109339B2 (ja) | 2022-07-29 |
Family
ID=70458052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018207577A Active JP7109339B2 (ja) | 2018-11-02 | 2018-11-02 | ポリマー設計装置、プログラム、および方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11126695B2 (ja) |
| JP (1) | JP7109339B2 (ja) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11768945B2 (en) * | 2020-04-07 | 2023-09-26 | Allstate Insurance Company | Machine learning system for determining a security vulnerability in computer software |
| JP2021196710A (ja) * | 2020-06-10 | 2021-12-27 | 昭和電工株式会社 | 物性予測装置、物性予測方法及び製造方法 |
| JP2022169242A (ja) * | 2021-04-27 | 2022-11-09 | 昭和電工マテリアルズ株式会社 | 設計支援装置、設計支援方法及び設計支援プログラム |
| JP7288207B2 (ja) | 2021-10-04 | 2023-06-07 | ダイキン工業株式会社 | 低分子化合物探索方法、プログラム、装置、およびシステム |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004158008A (ja) | 2002-10-28 | 2004-06-03 | General Electric Co <Ge> | 所望の特性セットに最も良くマッチする新材料を設計するシステム及び方法 |
| JP2017182432A (ja) | 2016-03-30 | 2017-10-05 | 横浜ゴム株式会社 | 不均質材料のシミュレーション方法、不均質材料のシミュレーション装置およびプログラム |
| JP2018010428A (ja) | 2016-07-12 | 2018-01-18 | 株式会社日立製作所 | 材料創成装置、および材料創成方法 |
| CN107862173A (zh) | 2017-11-15 | 2018-03-30 | 南京邮电大学 | 一种先导化合物虚拟筛选方法和装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5946045B2 (ja) | 1976-08-10 | 1984-11-10 | ソニー株式会社 | 磁気再生装置 |
| JPH06271823A (ja) | 1993-03-19 | 1994-09-27 | Sekisui Chem Co Ltd | 配合設計システム |
| WO2002044686A2 (en) | 2000-11-20 | 2002-06-06 | The Procter & Gamble Company | Predictive method for polymers |
| WO2008116495A1 (en) | 2007-03-26 | 2008-10-02 | Molcode Ltd | Method and apparatus for the design of chemical compounds with predetermined properties |
| US20150310162A1 (en) * | 2012-08-27 | 2015-10-29 | Kyoto Constella Technologies Co., Ltd. | Compound Design Device, Compound Design Method, And Computer Program |
| US20200082913A1 (en) * | 2017-11-29 | 2020-03-12 | Xgenomes Corp. | Systems and methods for determining sequence |
| WO2019195737A1 (en) * | 2018-04-06 | 2019-10-10 | Braskem America, Inc. | Raman spectroscopy and machine learning for quality control |
| US10896744B2 (en) * | 2018-08-13 | 2021-01-19 | American Chemical Society | Systems and methods for validating and predicting polymer functions using polymer properties |
-
2018
- 2018-11-02 JP JP2018207577A patent/JP7109339B2/ja active Active
-
2019
- 2019-10-29 US US16/666,643 patent/US11126695B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004158008A (ja) | 2002-10-28 | 2004-06-03 | General Electric Co <Ge> | 所望の特性セットに最も良くマッチする新材料を設計するシステム及び方法 |
| JP2017182432A (ja) | 2016-03-30 | 2017-10-05 | 横浜ゴム株式会社 | 不均質材料のシミュレーション方法、不均質材料のシミュレーション装置およびプログラム |
| JP2018010428A (ja) | 2016-07-12 | 2018-01-18 | 株式会社日立製作所 | 材料創成装置、および材料創成方法 |
| CN107862173A (zh) | 2017-11-15 | 2018-03-30 | 南京邮电大学 | 一种先导化合物虚拟筛选方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20200142951A1 (en) | 2020-05-07 |
| US11126695B2 (en) | 2021-09-21 |
| JP2020071827A (ja) | 2020-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7109339B2 (ja) | ポリマー設計装置、プログラム、および方法 | |
| Blaschke et al. | Memory-assisted reinforcement learning for diverse molecular de novo design | |
| CN109657805B (zh) | 超参数确定方法、装置、电子设备及计算机可读介质 | |
| Li et al. | SPRINT: ultrafast protein-protein interaction prediction of the entire human interactome | |
| CN112735535B (zh) | 预测模型训练、数据预测方法、装置和存储介质 | |
| JP6536295B2 (ja) | 予測性能曲線推定プログラム、予測性能曲線推定装置および予測性能曲線推定方法 | |
| Lewis et al. | Modern 2D QSAR for drug discovery | |
| Khamis et al. | Comparative assessment of machine-learning scoring functions on PDBbind 2013 | |
| Borgwardt et al. | Graph kernels for disease outcome prediction from protein-protein interaction networks | |
| JP6851460B2 (ja) | 最適解判定方法、最適解判定プログラム、非一時的記録媒体及び最適解判定装置 | |
| CN116802741A (zh) | 逆合成系统和方法 | |
| KR101982674B1 (ko) | 밀도 수정에 기초한 대체 트레이닝 분포 | |
| Thomas et al. | Probing for sparse and fast variable selection with model‐based boosting | |
| Rashid et al. | Protein secondary structure prediction using a small training set (compact model) combined with a Complex-valued neural network approach | |
| JP2020144493A (ja) | 学習モデル生成支援装置、及び学習モデル生成支援方法 | |
| Niu et al. | Quantitative prediction of drug side effects based on drug-related features | |
| Fernandez-Lozano et al. | Improving enzyme regulatory protein classification by means of SVM-RFE feature selection | |
| KR102697950B1 (ko) | 화합물의 타겟 단백질을 결정하는 방법 및 상기 방법을 수행하는 타겟 단백질 결정 장치 | |
| Maduranga et al. | Inferring gene regulatory networks from time-series expressions using random forests ensemble | |
| Mooney et al. | Beyond the twilight zone: automated prediction of structural properties of proteins by recursive neural networks and remote homology information | |
| US20170039315A1 (en) | Information processing apparatus and simulation method | |
| Jian et al. | Predicting ligand binding sites on protein surfaces by 3-dimensional probability density distributions of interacting atoms | |
| GB2600251A (en) | Machine learning techniques for generating hybrid risk scores | |
| Dai et al. | Parameter set selection for dynamic systems under uncertainty via dynamic optimization and hierarchical clustering | |
| JP7339923B2 (ja) | 材料の特性値を推定するシステム |
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: 20181112 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210811 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220627 |
|
| 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: 20220705 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220719 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7109339 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |