JP7157402B1 - 情報処理方法及びプログラム - Google Patents
情報処理方法及びプログラム Download PDFInfo
- Publication number
- JP7157402B1 JP7157402B1 JP2022086455A JP2022086455A JP7157402B1 JP 7157402 B1 JP7157402 B1 JP 7157402B1 JP 2022086455 A JP2022086455 A JP 2022086455A JP 2022086455 A JP2022086455 A JP 2022086455A JP 7157402 B1 JP7157402 B1 JP 7157402B1
- Authority
- JP
- Japan
- Prior art keywords
- information
- variables
- objective
- information processing
- explanatory
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 40
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 239000002994 raw material Substances 0.000 claims abstract description 61
- 230000000704 physical effect Effects 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 239000000126 substance Substances 0.000 claims abstract description 18
- 238000013433 optimization analysis Methods 0.000 claims abstract description 15
- 230000004044 response Effects 0.000 claims abstract description 6
- 230000002787 reinforcement Effects 0.000 claims description 3
- 235000000332 black box Nutrition 0.000 claims description 2
- 238000000034 method Methods 0.000 description 16
- 238000003860 storage Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 13
- 230000015654 memory Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000000342 Monte Carlo simulation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- KDCGOANMDULRCW-UHFFFAOYSA-N 7H-purine Chemical compound N1=CNC2=NC=NC2=C1 KDCGOANMDULRCW-UHFFFAOYSA-N 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】最適化を効率良く行う情報処理方法及びプログラムを提供する。【解決手段】ネットワークを介して接続された情報処理装置としてのサーバ装置と、ユーザ端末と、を備える情報処理システムにおいて、情報処理装置が実行する情報処理方法は、複数の原材料からなる物質における当該原材料の情報を説明変数として取得するステップと、説明変数の入力に対して物質の予測物性を目的変数として出力するよう機械学習された学習モデルへ、説明変数を入力するステップと、学習モデルが出力する目的変数の情報を取得するステップと、取得した目的変数のうち所定の予測物性が得られる目的変数に対応した説明変数を候補変数として複数取得するステップと、複数の候補変数に対応し、かつ、目的変数を取得するために必要な情報以外の関連情報を複数取得するステップと、取得した関連情報の最適化解析により所定の条件に一致する候補変数を取得するステップと、を含む。【選択図】図７
Description
本発明は、情報処理方法及びプログラムに関する。
引用文献１には、新規物質、代替物質の研究、開発などを行う際に、データマイニング等の情報処理技術を組み合わせて効率的に物質探索を行うマテリアルズ・インフォマティクスに関する技術が開示されている。
上記先行技術文献に開示された方法の場合、作製装置が実際に作成した試料の物質を測定し、当該測定結果である所定数の試料の作製条件と物性値とを含むデータセットからベイズ最適化を行い、物性値を最適化する試料の作製条件を推定する。ところで、一般的に最適化を行う際には、データセットを多く取得することが精度を高める上で望ましい。しかしながら、最適化を行うために必要なデータセットを作製装置や実験などにより実際に作製した物質を測定した結果から得るには時間とコストが必要となる。したがって、最適化を効率良く行うには改善の余地がある。
本発明は、上記の課題を鑑みてなされたものであり、最適化を効率良く行うことができる情報処理方法を得ることを目的とする。
一実施形態にかかる情報処理方法は、情報処理装置が実行する情報処理方法であって、複数の原材料からなる物質における当該原材料の情報を説明変数として取得するステップと、前記説明変数の入力に対して前記物質の予測物性を目的変数として出力するよう機械学習された学習モデルへ前記説明変数を入力するステップと、前記学習モデルが出力する前記目的変数の情報を取得するステップと、取得した前記目的変数のうち所定の予測物性が得られる前記目的変数に対応した前記説明変数を候補変数として複数取得するステップと、複数の前記候補変数に対応しかつ前記目的変数を取得するために必要な情報以外の情報である関連情報を複数取得するステップと、取得した前記関連情報の最適化解析により所定の条件に一致する前記候補変数を取得するステップと、を含む。
一実施形態によれば、最適化を効率良く行うことができる。
以下、本発明の各実施形態について、添付の図面を参照しながら説明する。なお、各実施形態に係る明細書及び図面の記載に関して、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。
＜システム概要＞
まず、本実施形態に係る情報処理システムの概要について説明する。本実施形態に係る情報処理システムは、所定の物性値を満たしかつ複数の原材料から成る錠剤を作製する場合におけるコストを最小化する原材料の組み合わせ候補を提示するためのシステムである。つまり、本システムは「物性値」に該当する変数を制約条件にした上で、「コスト」に該当する変数を最適化するシステムである。情報処理システムは、薬剤や食品等の開発において利用することができる。
まず、本実施形態に係る情報処理システムの概要について説明する。本実施形態に係る情報処理システムは、所定の物性値を満たしかつ複数の原材料から成る錠剤を作製する場合におけるコストを最小化する原材料の組み合わせ候補を提示するためのシステムである。つまり、本システムは「物性値」に該当する変数を制約条件にした上で、「コスト」に該当する変数を最適化するシステムである。情報処理システムは、薬剤や食品等の開発において利用することができる。
＜システム構成＞
図１は、本実施形態に係る情報処理システムの構成の一例を示す図である。図１に示すように、本実施形態に係る情報処理システム１０は、ネットワークＮを介して相互に通信可能に接続された、情報処理装置としてのサーバ装置１２と、ユーザ端末１４と、を備える。ネットワークＮは、例えば、有線ＬＡＮ（Local Area Network）、無線ＬＡＮ、インターネット、公衆回線網、モバイルデータ通信網、又はこれらの組み合わせである。
図１は、本実施形態に係る情報処理システムの構成の一例を示す図である。図１に示すように、本実施形態に係る情報処理システム１０は、ネットワークＮを介して相互に通信可能に接続された、情報処理装置としてのサーバ装置１２と、ユーザ端末１４と、を備える。ネットワークＮは、例えば、有線ＬＡＮ（Local Area Network）、無線ＬＡＮ、インターネット、公衆回線網、モバイルデータ通信網、又はこれらの組み合わせである。
サーバ装置１２は、入力された情報に基づいて錠剤の原材料の組み合わせ候補を算出する情報処理装置（コンピュータ）の一例である。サーバ装置１２は、ＰＣ（Personal Computer）、スマートフォン、タブレット端末、マイクロコンピュータ、又はこれらの組み合わせであってもよい。サーバ装置１２について、詳しくは後述する。
ユーザ端末１４は、情報処理システム１０が提示する原材料の組み合わせ候補を参照するユーザＵが利用する情報処理装置の一例である。ユーザ端末１４は、ユーザＵによる原材料に関する情報（以下、単に「原材料情報」と称する。）、関連情報（詳細は後述する）及び所望する所定の物性値の情報の入力を受け付けかつ当該情報を、ネットワークＮを介してサーバ装置１２へ送信する。また、ユーザ端末１４は、ネットワークＮを介してサーバ装置１２から原材料の組み合わせ候補に関する情報を取得する。ユーザＵは、ユーザ端末１４が取得した情報を、ユーザ端末１４の表示装置で表示して閲覧する。ユーザ端末１４は、PＣ、スマートフォン、又はタブレット端末であるが、これに限られない。ユーザＵは、情報処理システムの管理者、情報処理システムが導入された事業所の従業者であるが、これに限られない。
＜ハードウェア構成＞
次に、サーバ装置１２のハードウェア構成について説明する。図２は、サーバ装置１２のハードウェア構成の一例を示す図である。図２に示すように、サーバ装置１２は、バスＢを介して相互に接続された、プロセッサ１６と、メモリ１８と、ストレージ２０と、通信Ｉ／Ｆ２２と、を備える。
次に、サーバ装置１２のハードウェア構成について説明する。図２は、サーバ装置１２のハードウェア構成の一例を示す図である。図２に示すように、サーバ装置１２は、バスＢを介して相互に接続された、プロセッサ１６と、メモリ１８と、ストレージ２０と、通信Ｉ／Ｆ２２と、を備える。
プロセッサ１６は、ストレージ２０に記憶されたプログラムをメモリ１８に展開して実行することにより、サーバ装置１２の各構成を制御し、サーバ装置１２の機能を実現する。プロセッサ１６が実行するプログラムは、ＯＳ（Operating System）及びコスト最適化プログラムを含むが、これに限られない。プロセッサ１６がコスト最適化プログラムを実行することにより、本実施形態に係る情報処理方法が実現される。プロセッサ１６は、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＤＳＰ（Digital Signal Processor）、又はこれらの組み合わせである。なお、上述したコスト最適化プログラムが、請求項４に記載の「プログラム」に相当する。
メモリ１８は、例えば、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、又はこれらの組み合わせである。ＲＯＭは、例えば、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable Programmable ROM）、ＥＥＰＲＯＭ（Electrically Erasable Programmable ROM）、又はこれらの組み合わせである。ＲＡＭは、例えば、ＤＲＡＭ（Dynamic RAM）、ＳＲＡＭ（Static RAM）、ＭＲＡＭ（Magnetoresistive RAM）、又はこれらの組み合わせである。
ストレージ２０は、ＯＳ、コスト最適化プログラム、及び各種のデータを記憶する。ストレージ２０は、例えば、フラッシュメモリ、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、ＳＣＭ（Storage Class Memories）、又はこれらの組み合わせである。
通信Ｉ／Ｆ２２は、サーバ装置１２を、ネットワークＮを介して、ユーザ端末１４を含む外部装置に接続し、通信を制御するためのインタフェースである。通信Ｉ／Ｆ２２ は、例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｗｉ－Ｆｉ（登録商標）、ＺｉｇＢｅｅ（登録商標）、Ｅｔｈｅｒｎｅｔ（登録商標）、又は光通信（例えば、Fibre Channel）に準拠したアダプタであるが、これに限られない。
次に、ユーザ端末１４のハードウェア構成について説明する。図３は、ユーザ端末１４のハードウェア構成の一例を示す図である。図３に示すように、ユーザ端末１４は、バスＢを介して相互に接続された、プロセッサ１６と、メモリ１８と、ストレージ２０と、通信Ｉ／Ｆ２２と、ユーザＩ／Ｆ２４と、を備える。
ユーザＩ／Ｆ２４は、ユーザ端末１４における各種情報の入力及び出力を行うためのインタフェースである。具体的には、入力を行う装置として例えば、マウス、キーボード、タッチパネル、マイク、スキャナ、カメラ、各種センサ、操作ボタン、又はこれらの組み合わせである。また、出力を行う装置として例えば、ディスプレイ、プロジェクタ、プリンタ、スピーカ、バイブレータ、又はこれらの組み合わせである。
なお、本実施形態において、コスト最適化プログラムは、サーバ装置１２の製造段階でメモリ１８又はストレージ２０に書き込まれてもよいし、ネットワークＮを介してサーバ装置１２に提供されてもよいし、図示しないディスクメディアなどの非一時的でコンピュータ読み取り可能な記録媒体を介してサーバ装置１２に提供されてもよい。
＜機能構成＞
次に、サーバ装置１２の機能構成について説明する。図４は、サーバ装置１２の機能構成の一例を示す図である。図４に示すように、サーバ装置１２は、通信部３０と、記憶部３２と、制御部３４と、を備える。
次に、サーバ装置１２の機能構成について説明する。図４は、サーバ装置１２の機能構成の一例を示す図である。図４に示すように、サーバ装置１２は、通信部３０と、記憶部３２と、制御部３４と、を備える。
通信部３０は、通信Ｉ／Ｆ２２により実現される。通信部３０は、ネットワークＮを介して、ユーザ端末１４との間で情報の送受信を行う。通信部３０は、ユーザ端末１４から入力された情報を受信する。また、通信部３０は、ユーザ端末１４に対して原材料の組み合わせ候補等の情報を送信し、ユーザ端末１４からユーザＵによるリクエストを受信する。
記憶部３２は、メモリ１８及びストレージ２０により実現される。記憶部３２には、学習モデル３６と、原材料情報３８と、所望処方情報４０と、が格納される。
学習モデル３６は、説明変数としての原材料情報３８の入力に対して、当該原材料からなる錠剤の予測物性を目的変数として出力するように予め機械学習された学習済みの学習モデルである（図５も参照）。つまり、学習モデル３６は、原材料情報３８の入力に対して、これと因果関係が見出せる予測物性の出力が可能とされている。学習モデル３６の学習処理及び再学習処理は、例えば、サーバ装置１２により行われるが、これに限られない。学習モデル３６の学習処理及び再学習処理は、サーバ装置１２以外の他の装置で行われ、サーバ装置１２に提供されてもよい。学習モデル３６は、例えば、ＤＮＮ（Deep Neural Network）、ＲＮＮ（Recurrent Neural Network）、ＣＮＮ（Convolutional Neural Network）、ＬＳＴＭ（Long Short-Term Memory）等のニューラルネットワークであるが、これに限られない。学習モデル３６は、決定木、ＳＶＭ（Support Vector Machine）等の学習モデルであってもよい。また、学習モデル３６の学習方法は、例えば、勾配降下法、確率的勾配降下法、又は誤差逆伝播法であるが、これに限られない。
原材料情報３８は、図５に示されるように、錠剤を構成する複数の原材料ごとの成分、物性及び構造の少なくとも一方を含む情報とされている。また、本実施形態では、説明変数として製法パラメータが含まれている。具体的には、製法パラメータでは、原材料の混合等を行う装置の機種情報、混合時の容積情報及び原材料の仕込み量の少なくとも一つが含まれている。
予測物性は、入力された原材料情報３８から生成される錠剤の硬度、崩壊時間、溶出率、純度、定量、質量偏差、含量均一性及び保存安定性の少なくとも一つについて予測された情報とされている。
図４に示されるように、所望処方情報４０は、生成された錠剤においてユーザＵが所望する所定の物性値の情報とされている。本実施形態では、一例として、ユーザＵが所望する硬度を所定の硬度として取得している。
制御部３４は、プロセッサ１６がメモリ１８からプログラムを読み出して実行し、他のハードウェア構成と協働することにより実現される。制御部３４は、サーバ装置１２の動作全体を制御する。制御部３４は、取得部４２と、算出部４４と、出力部４６と、を備える。
取得部４２は、ユーザ端末１４に入力された情報から、原材料情報３８を取得し、記憶部３２に格納する。取得部４２は、文字情報、画像など各種形態の原材料情報３８の取得が可能とされている。
また、取得部４２は、ユーザ端末１４に入力された情報から、関連情報を取得し、記憶部３２に格納する。関連情報とは、学習モデル３６から目的変数を取得するために必要となる説明変数以外の情報であり、具体的には、目的変数である予測物性との因果関係が見出し難い情報である原材料のコスト情報、環境負荷情報、入手難易度情報等が該当する。本実施形態では、一例として、関連情報は原材料ごとのコスト情報とされている（図６（ｂ）参照）。
さらに、取得部４２は、ユーザ端末１４に入力された情報から、ユーザＵが所望する所定の物性値の情報を取得し、記憶部３２に格納する。
取得部４２は、学習モデル３６を利用して錠剤の物性を予測する。すなわち、取得部４２が取得した原材料情報３８及び製法パラメータを学習モデル３６へ入力することで、原材料からなる錠剤の物性を予測する。本実施形態では、一例として、錠剤の硬度を含む物性を予測する（図６（ａ）参照）。
また、取得部４２は、学習モデル３６を利用して取得した錠剤の予測される硬度の情報のうち、ユーザＵが所望する所定の硬度が得られる説明変数を候補変数として複数取得する（図６（ｂ）参照）。すなわち、取得部４２は、学習モデル３６の出力により所定の硬度（目的変数）が得られると予測される錠剤に対応する原材料情報３８（説明変数）を取得する。なお、当該原材料情報３８が請求項１記載の「候補変数」に相当する。そして、取得部４２は、当該候補変数（原材料情報３８）に対応しかつ所定の硬度を得るために必要な情報（原材料情報３８）以外の情報である関連情報（原材料ごとのコスト情報）を複数取得する。
算出部４４は、取得部４２が取得した関連情報の最適化処理を行う。具体的には、算出部４４は、ブラックボックス最適化処理におけるベイズ最適化を行い、原材料コストを最適化する錠剤の作製条件（原材料の仕込み量を含めた組み合わせ候補）を推定する。図６（Ｃ）に、ベイズ最適化の処理内容の概念的なグラフを示す。横軸は候補変数（原材料の仕込み量を含めた組み合わせ候補）を、縦軸はコストを示す。なお、実際には３次元以上の多次元空間で探索を行うが、図６（ｃ）では便宜的に２次元のグラフで図示している。
算出部４４は、候補変数とこれに対応するコスト情報とがガウス分布に従うと仮定し、コストが最小となる点を探索する。すなわち、算出部４４は、候補変数とこれに対応するコスト情報の分布から平均及び分散を推定し、ガウス過程を導出する。そして算出部４４は、獲得関数（Acquisition function）と呼ばれる評価用の関数を用いて最適化を行い、コストが最小化する点（最適解）を探索する。 なお、算出部４４は、事前に候補変数及びコスト情報の数値範囲の設定入力を受け付け、当該数値範囲で探索を行ってもよい。
上記の処理により、算出部４４は、最適と思われる候補変数、すなわちコストが最適となりかつ所定の硬度を満たす錠剤の作製条件（原材料の仕込み量を含めた組み合わせ候補）を推定する（図６（ｄ）参照）。換言すると、上記処理は、学習モデル３６を利用して取得された予測物性を制約条件とした上でコストの最適化解析を実施することで、コストが最適となる原材料の組み合わせ候補を得ることができる。
出力部４６は、算出部４４により推定された、コストが最適となりかつ所定の硬度を満たす錠剤の原材料の組み合わせ候補情報をユーザ端末１４に出力する。これにより、ユーザＵが当該組み合わせ候補情報を確認することが可能となる。
以上のサーバ装置１２の各機能構成は、上記の通り、ソフトウェアにより実現されてもよいし、ＩＣチップ、ＳｏＣ（System on Chip）、ＬＳＩ（Large Scale Integration）、マイクロコンピュータ等のハードウェアによって実現されてもよい。
＜フローチャート＞
次に、本実施形態にかかる情報処理システムが実行する処理について説明する。図７は、情報処理システムが実行する処理の一例を示すフローチャートである。プロセッサ１６がメモリ１８又はストレージ２０から本実施形態に係るコスト最適化プログラムを読み出し、メモリ１８に展開して実行することにより、本実施形態に係るコスト最適化プログラムに基づく処理が行われる。
次に、本実施形態にかかる情報処理システムが実行する処理について説明する。図７は、情報処理システムが実行する処理の一例を示すフローチャートである。プロセッサ１６がメモリ１８又はストレージ２０から本実施形態に係るコスト最適化プログラムを読み出し、メモリ１８に展開して実行することにより、本実施形態に係るコスト最適化プログラムに基づく処理が行われる。
プロセッサ１６は、ユーザＵが所望する所定の物性値の情報を取得する（ステップ１００）と共に、原材料情報３８を取得する（ステップ１０２）。そして、プロセッサ１６は、原材料情報３８を学習モデル３６へ入力し（ステップ１０４）、学習モデル３６から出力される予測物性情報を取得する（ステップ１０６）。
プロセッサ１６は、所望する所定の硬度（目的変数）が得られると予測される錠剤に対応する原材料情報３８、すなわち候補変数を複数取得したか否かを判定する（ステップ１０８）。候補変数を複数取得していない場合（ステップ１０８：ＮＯ）、プロセッサ１６は、ステップ１０６へ処理を移行する。一方、候補変数を複数取得した場合（ステップ１０８：ＹＥＳ）、プロセッサ１６は、当該候補変数に対応したコスト情報を取得する（ステップ１１０）。
プロセッサ１６は、ベイズ最適化処理を行うことでコストが最適となりかつ所定の硬度を満たす錠剤の作製条件（原材料の仕込み量を含めた組み合わせ候補）を推定し（ステップ１１２）、当該推定結果がユーザ端末１４に表示されるように出力する（ステップ１１４）。
プロセッサ１６は、ユーザ端末１４から処理の終了指示を取得したか否かを判定する（ステップ１１６）。終了指示を取得していない場合（ステップ１１６：ＮＯ）、プロセッサ１６は、ステップ１００へ処理を移行する。一方、終了指示を取得した場合（ステップ１１６：ＹＥＳ）、プロセッサ１６は、コスト最適化プログラムに基づく処理を終了する。
＜本実施形態の作用・効果＞
次に、本実施形態の作用並びに効果を説明する。
次に、本実施形態の作用並びに効果を説明する。
本実施形態によれば、説明変数（原材料情報３８）を学習モデル３６へ入力することで出力される目的変数（物性値）から候補変数を取得して当該候補変数に対応する関連情報の最適化解析により所定の条件（コストの最適化）に一致する候補変数を取得する。つまり、最適化解析を行うに際して、学習モデル３６から得られた目的変数を基に最適化解析を行うことができる。したがって、実際に作製した物質を測定してデータセットを得る場合と比べて容易にデータセットを得ることができる。これにより、最適化を効率良く行うことができる。また、実際に原材料を組み合わせて錠剤を作製した上でデータセットを得る場合と比べて、最適化解析の条件に応じてデータセットを素早く追加することができる。これにより、最適化解析を含めた処理の時間短縮を図ることができる。
また、サーバ装置１２は、最適化解析のうちベイズ最適化の手法を行うことで、簡易な処理でコストの最適化を行うことができる。また、サーバ装置１２の計算量（探索回数）を削減することができる。
さらに、関連情報は、原材料ごとのコスト情報とされていることから、物性値を目的変数とする場合において、コストが最小となる原材料情報３８を推測することができる。
なお、上述した実施形態では、最適化解析のうちベイズ最適化の手法が用いられているが、これに限らず、モンテカルロ法、マルコフ連鎖モンテカルロ法及び強化学習等の他の手法により最適化解析が行われてもよい。
また、関連情報はコスト情報とされているが、これに限らず、前述したように環境負荷情報（二酸化炭素の排出量等）や入手難易度情報などであってもよく、これ以外にも特定の物質（塩分やプリン体等）の含有量など、他の情報であってもよく、これらの組み合わせでもよい。
さらに、本実施形態の情報処理システム１０は、複数の原材料から成る錠剤を作製する場合に適用されているが、これに限らず、複数の原材料から成る錠剤以外の物質を作成する場合に適用してもよい。また、所定の物性値以外の条件を満たしかつ複数の原材料から成る部室を作製する場合における所定の条件にて最適化された原材料の組み合わせ候補を提示するためのシステムであってもよい。
＜付記＞
本実施形態は、以下の開示を含む。
本実施形態は、以下の開示を含む。
（付記１）
情報処理装置が実行する情報処理方法であって、
複数の原材料からなる物質における当該原材料の情報を説明変数として取得するステップと、
前記説明変数の入力に対して前記物質の予測物性を目的変数として出力するよう機械学習された学習モデルへ前記説明変数を入力するステップと、
前記学習モデルが出力する前記目的変数の情報を取得するステップと、
取得した前記目的変数のうち所定の予測物性が得られる前記説明変数を候補変数として複数取得するステップと、
複数の前記候補変数に対応しかつ前記目的変数を取得するために必要な情報以外の情報である関連情報を複数取得するステップと、
取得した前記関連情報の最適化解析により所定の条件に一致する前記候補変数を取得するステップと、
を有する情報処理方法。
情報処理装置が実行する情報処理方法であって、
複数の原材料からなる物質における当該原材料の情報を説明変数として取得するステップと、
前記説明変数の入力に対して前記物質の予測物性を目的変数として出力するよう機械学習された学習モデルへ前記説明変数を入力するステップと、
前記学習モデルが出力する前記目的変数の情報を取得するステップと、
取得した前記目的変数のうち所定の予測物性が得られる前記説明変数を候補変数として複数取得するステップと、
複数の前記候補変数に対応しかつ前記目的変数を取得するために必要な情報以外の情報である関連情報を複数取得するステップと、
取得した前記関連情報の最適化解析により所定の条件に一致する前記候補変数を取得するステップと、
を有する情報処理方法。
（付記２）
前記最適化解析は、ベイズ最適化、モンテカルロ法、マルコフ連鎖モンテカルロ法及び強化学習のうち１以上の手法によるブラックボックス最適化の手法を用いる、
付記１に記載の情報処理方法。
前記最適化解析は、ベイズ最適化、モンテカルロ法、マルコフ連鎖モンテカルロ法及び強化学習のうち１以上の手法によるブラックボックス最適化の手法を用いる、
付記１に記載の情報処理方法。
（付記３）
前記関連情報は、前記原材料ごとのコスト情報とされている、
付記１又は付記２に記載の情報処理方法。
前記関連情報は、前記原材料ごとのコスト情報とされている、
付記１又は付記２に記載の情報処理方法。
（付記４）
複数の原材料からなる物質における当該原材料の情報を説明変数として取得するステップと、
前記説明変数の入力に対して前記物質の予測物性を目的変数として出力するよう機械学習された学習モデルへ前記説明変数を入力するステップと、
前記学習モデルが出力する前記目的変数の情報を取得するステップと、
取得した前記目的変数のうち所定の予測物性が得られる前記説明変数を候補変数として複数取得するステップと、
複数の前記候補変数における前記目的変数を取得するために必要な情報以外の情報である関連情報を複数取得するステップと、
取得した前記関連情報の最適化解析により所定の条件に一致する前記候補変数を取得するステップと、
をコンピュータに実行させるためのプログラム。
複数の原材料からなる物質における当該原材料の情報を説明変数として取得するステップと、
前記説明変数の入力に対して前記物質の予測物性を目的変数として出力するよう機械学習された学習モデルへ前記説明変数を入力するステップと、
前記学習モデルが出力する前記目的変数の情報を取得するステップと、
取得した前記目的変数のうち所定の予測物性が得られる前記説明変数を候補変数として複数取得するステップと、
複数の前記候補変数における前記目的変数を取得するために必要な情報以外の情報である関連情報を複数取得するステップと、
取得した前記関連情報の最適化解析により所定の条件に一致する前記候補変数を取得するステップと、
をコンピュータに実行させるためのプログラム。
今回開示された実施形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。また、本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。
１２ サーバ装置（情報処理装置）
３６ 学習モデル
３８ 原材料情報（原材料の情報）
３６ 学習モデル
３８ 原材料情報（原材料の情報）
Claims (4)
- 情報処理装置が実行する情報処理方法であって、
複数の原材料からなる物質における当該原材料の情報を説明変数として取得するステップと、
前記説明変数の入力に対して前記物質の予測物性を目的変数として出力するよう機械学習された学習モデルへ前記説明変数を入力するステップと、
前記学習モデルが出力する前記目的変数の情報を取得するステップと、
取得した前記目的変数のうち所定の予測物性が得られる前記目的変数に対応した前記説明変数を候補変数として複数取得するステップと、
複数の前記候補変数に対応しかつ前記目的変数を取得するために必要な情報以外の情報である関連情報を複数取得するステップと、
取得した前記関連情報の最適化解析により所定の条件に一致する前記候補変数を取得するステップと、
を有する情報処理方法。 - 前記最適化解析は、ベイズ最適化、モンテカルロ法、マルコフ連鎖モンテカルロ法及び強化学習のうち１以上のブラックボックス最適化の手法を用いる、
請求項１に記載の情報処理方法。 - 前記関連情報は、前記原材料ごとのコスト情報とされている、
請求項１又は請求項２に記載の情報処理方法。 - 複数の原材料からなる物質における当該原材料の情報を説明変数として取得するステップと、
前記説明変数の入力に対して前記物質の予測物性を目的変数として出力するよう機械学習された学習モデルへ前記説明変数を入力するステップと、
前記学習モデルが出力する前記目的変数の情報を取得するステップと、
取得した前記目的変数のうち所定の予測物性が得られる前記目的変数に対応した前記説明変数を候補変数として複数取得するステップと、
複数の前記候補変数に対応しかつ前記目的変数を取得するために必要な情報以外の情報である関連情報を複数取得するステップと、
取得した前記関連情報の最適化解析により所定の条件に一致する前記候補変数を取得するステップと、
をコンピュータに実行させるためのプログラム。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022086455A JP7157402B1 (ja) | 2022-05-26 | 2022-05-26 | 情報処理方法及びプログラム |
| JP2022153147A JP2023174450A (ja) | 2022-05-26 | 2022-09-26 | 情報処理方法及びプログラム |
| PCT/JP2022/044406 WO2023228442A1 (ja) | 2022-05-26 | 2022-12-01 | 情報処理方法及びプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022086455A JP7157402B1 (ja) | 2022-05-26 | 2022-05-26 | 情報処理方法及びプログラム |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022153147A Division JP2023174450A (ja) | 2022-05-26 | 2022-09-26 | 情報処理方法及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP7157402B1 true JP7157402B1 (ja) | 2022-10-20 |
| JP2023173905A JP2023173905A (ja) | 2023-12-07 |
Family
ID=83691029
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022086455A Active JP7157402B1 (ja) | 2022-05-26 | 2022-05-26 | 情報処理方法及びプログラム |
| JP2022153147A Pending JP2023174450A (ja) | 2022-05-26 | 2022-09-26 | 情報処理方法及びプログラム |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022153147A Pending JP2023174450A (ja) | 2022-05-26 | 2022-09-26 | 情報処理方法及びプログラム |
Country Status (2)
| Country | Link |
|---|---|
| JP (2) | JP7157402B1 (ja) |
| WO (1) | WO2023228442A1 (ja) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019088185A1 (ja) | 2017-11-01 | 2019-05-09 | 株式会社日立製作所 | 設計支援装置及び設計支援方法 |
| JP2020166749A (ja) | 2019-03-29 | 2020-10-08 | 株式会社カネカ | 製造システム、情報処理方法、および製造方法 |
| JP6842731B1 (ja) | 2019-09-05 | 2021-03-17 | 国立大学法人東京工業大学 | 作製評価システム、作製評価方法及びプログラム |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105741183A (zh) * | 2014-12-09 | 2016-07-06 | 财团法人资讯工业策进会 | 组合选取方法及其系统 |
| JP7139782B2 (ja) * | 2018-08-23 | 2022-09-21 | 横浜ゴム株式会社 | ゴム材料設計方法、ゴム材料設計装置、及びプログラム |
-
2022
- 2022-05-26 JP JP2022086455A patent/JP7157402B1/ja active Active
- 2022-09-26 JP JP2022153147A patent/JP2023174450A/ja active Pending
- 2022-12-01 WO PCT/JP2022/044406 patent/WO2023228442A1/ja unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019088185A1 (ja) | 2017-11-01 | 2019-05-09 | 株式会社日立製作所 | 設計支援装置及び設計支援方法 |
| JP2020166749A (ja) | 2019-03-29 | 2020-10-08 | 株式会社カネカ | 製造システム、情報処理方法、および製造方法 |
| JP6842731B1 (ja) | 2019-09-05 | 2021-03-17 | 国立大学法人東京工業大学 | 作製評価システム、作製評価方法及びプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023228442A1 (ja) | 2023-11-30 |
| JP2023173905A (ja) | 2023-12-07 |
| JP2023174450A (ja) | 2023-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Walters et al. | Critical assessment of AI in drug discovery | |
| US11481818B2 (en) | Automated valuation model using a siamese network | |
| Löhr et al. | A kinetic ensemble of the Alzheimer’s Aβ peptide | |
| JP7206419B2 (ja) | 人工知能推奨モデルの特徴処理方法、装置、電子機器、及びコンピュータプログラム | |
| US20190122141A1 (en) | Fast hyperparameter search for machine-learning program | |
| CN102682151A (zh) | Mems建模系统及方法 | |
| WO2020166299A1 (ja) | 材料特性予測装置および材料特性予測方法 | |
| JP2022520078A (ja) | 品質制御を建設用組成物上で実施するためのシステムおよび方法 | |
| JP6955811B1 (ja) | 試験評価システム、プログラムおよび試験評価方法 | |
| JP2022520077A (ja) | 建設用組成物を調合または評価するためのシステムおよび方法 | |
| JP2022519758A (ja) | 建設用混和材料を調合または評価するためのシステムおよび方法 | |
| JP2019082874A (ja) | 設計支援装置及び設計支援システム | |
| Tanevski et al. | Learning stochastic process-based models of dynamical systems from knowledge and data | |
| Panter et al. | Harnessing energy landscape exploration to control the buckling of cylindrical shells | |
| JP2016139336A (ja) | 予測装置、予測方法および予測プログラム | |
| Pfeiffenberger et al. | Predicting improved protein conformations with a temporal deep recurrent neural network | |
| CN114207729A (zh) | 材料特性预测系统以及材料特性预测方法 | |
| US11501037B2 (en) | Microstructures using generative adversarial networks | |
| JP7157402B1 (ja) | 情報処理方法及びプログラム | |
| Schoell et al. | Determining particle‐size distributions from chord length measurements for different particle morphologies | |
| Haynes et al. | Benchmarking regulatory network reconstruction with GRENDEL | |
| JP2024054170A (ja) | 装置、方法、およびプログラム | |
| EP3968333A1 (en) | Systems and methods for predicting potential inhibitors of target protein | |
| WO2022146632A1 (en) | Protein structure prediction | |
| KR20220114779A (ko) | 정형화된 연구 기록 데이터를 이용한 인공지능 모델의 학습 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220608 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220608 |
|
| 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: 20220914 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220926 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7157402 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |