JP7283241B2 - 物性予測装置、物性予測方法、及びプログラム - Google Patents
物性予測装置、物性予測方法、及びプログラム Download PDFInfo
- Publication number
- JP7283241B2 JP7283241B2 JP2019107788A JP2019107788A JP7283241B2 JP 7283241 B2 JP7283241 B2 JP 7283241B2 JP 2019107788 A JP2019107788 A JP 2019107788A JP 2019107788 A JP2019107788 A JP 2019107788A JP 7283241 B2 JP7283241 B2 JP 7283241B2
- Authority
- JP
- Japan
- Prior art keywords
- composition
- physical property
- learning
- prediction
- composition data
- 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
Images
Description
以下、図面を参照しながら本発明の実施形態について詳しく説明する。図1は、本実施形態に係る物性予測システムPSの構成の一例を示す図である。物性予測システムPSは、ガラスの組成が入力されると、ガラスの組成と、物性との関係を学習した学習結果に基づいて、入力された組成を有するガラスの物性を予測するシステムである。
物性予測システムPSは、物性予測装置1と、学習データ供給装置2と、元素固有情報供給装置3と、提示装置4とを備える。
ここで図2を参照し、組成データについて説明する。図2は、本実施形態に係る組成データの一例を示す図である。例えば、ガラスが組成番号#1である場合、SiO2成分:50モル%、Na2O成分:28モル%、Li2O成分:22モル%であることを示す。以下では、このような組成を有するガラスを50SiO2-28Al2O3-22Li2Oと表記する場合がある。
組成データには、学習処理に用いられる学習組成データLCと、予測処理に用いられる予測対象組成データPCとがある。学習組成データLCは、学習データ供給装置2から供給される。予測対象組成データPCは、組成を入力する操作を操作部113が受け付けることによって操作部113から入力される。予測対象組成データPCは、物性の予測対象であるガラスの組成である予測対象組成を示すデータである。
予測対象組成データ取得部13は、操作部113が受け付ける操作によって入力される予測対象組成データPCを取得する。
学習部19は、データ生成部18が生成した前処理後学習データTDに基づいて学習を実行する。学習部19は、学習した結果に基づいて学習済みモデルMを生成する。
元素固有情報供給装置3は、物性予測装置1に元素固有情報Eを供給する。
学習データ供給装置2、及び元素固有情報供給装置3は、一例として、データベースである。学習データ供給装置2と、元素固有情報供給装置3とは一体のデータベースとして備えられてもよい。
ステップS10:物性予測システムPSのユーザによって、学習組成データLCを入力する操作が行われる。操作部113は、学習組成データLCを入力する操作を受け付ける。
操作部113が学習組成データLCを入力する操作を受け付けると、学習組成データ取得部12は、学習データ供給装置2に学習組成データLCを供給することを要求する。学習組成データ取得部12は、学習データ供給装置2によって供給される学習組成データLCを取得する。学習組成データ取得部12は、取得した学習組成データLCを割合算出部14に供給する。
操作部113が物性データPを入力する操作を受け付けると、物性データ取得部17は、学習データ供給装置2に物性データPを供給することを要求する。物性データ取得部17は、学習データ供給装置2によって供給される物性データPを取得する。
学習組成データLC1は、学習組成1から学習組成30までの30種類のそれぞれの組成についてAl2O3などの成分をモルパーセントによって示す。物性データP1は、学習組成データLC1が示す組成について屈折率、及びアッベ数を示す。なお、本実施形態では、学習組成データLC及び物性データPとして、国際ガラスデータベースINTERGLAD Ver.7に収録された値を用いた。
ステップS30:前処理部10は、前処理を実行する。ここで前処理部10は、学習組成データ取得部12が取得する学習組成データLCと、元素固有情報取得部15が取得する元素固有情報Eとに基づいて、前処理を実行する。
ステップS30の前処理の詳細は図7を参照し後述する。
ステップS320:元素固有情報取得部15は、学習組成データ取得部12が取得した学習組成データLCが示す組成に含まれる元素について、元素固有情報Eを取得する。ここで元素固有情報取得部15は、元素固有情報供給装置3から供給される元素固有情報Eを取得する。元素固有情報取得部15は、一例として、元素固有情報Eとして、原子番号、及び電気陰性度などを取得する。
なお、ステップS310の処理とステップS320の処理とは順番を入れ替えて実行されてもよい。
統計量算出部16は、一例として、式(9)に基づいて原子番号の平均値を算出する。
統計量算出部16は、一例として、式(10)に基づいて原子番号の標準偏差を算出する。統計量算出部16は、標準偏差として標本標準偏差を算出してもよい。
ステップS40:物性予測システムPSのユーザによって、前処理後データである学習用統計量LSTを入力する操作が行われる。操作部113は、学習用統計量LSTを入力する操作を受け付ける。前処理後データである学習用統計量LSTは、学習部19の学習において特徴量データとして用いられる。
操作部113が学習用統計量LSTを入力する操作を受け付けると、データ生成部18は、前処理部10の統計量算出部16に学習用統計量LSTを供給することを要求する。データ生成部18は、統計量算出部16によって供給される学習用統計量LSTを取得する。
ステップS510:物性データ取得部17は、学習データ供給装置2から供給される物性データPを取得する。
前処理後学習データTD1では、学習用統計量LST1と、物性データP1が示す物性である屈折率とが、組成毎に組になっている。
ステップS530:学習部19は、データ生成部18が生成した前処理後学習データTDを記憶部110から取得する。
ステップS60:学習部19は、生成した学習済みモデルMを記憶部110に出力する。
ステップS70:物性予測システムPSのユーザによって、物性値の予測対象である組成を入力する操作が行われる。組成を入力する操作では、一例として、組成がモルパーセントとして入力される。組成を入力する操作では、例えば、SiO2成分が10パーセント、Al2O3成分が30パーセント、Li2O成分が60モルパーセントなどと入力される。
ステップS80の処理は、上述したステップS30の処理と同様であるため、ステップS30の処理と異なる部分を中心に説明する。
統計量算出部16は、割合算出部14が算出した割合と、元素固有情報取得部15が取得した元素固有情報Eとに基づいて、予測対象組成データPCが示す組成の統計量に関する情報として予測用統計量PSTを算出する。予測用統計量PSTは、一例として、平均値、及び標準偏差である。統計量算出部16は、算出した予測用統計量PSTを、予測部111からの要求に応じて予測部111に供給する。
操作部113が予測用統計量PSTを入力する操作を受け付けると、予測部111は、前処理部10の統計量算出部16に予測用統計量PSTを供給することを要求する。予測部111は、統計量算出部16によって供給される予測用統計量PSTを取得する。
予測部111は、予測した結果である予測結果Rを出力部112に供給する。
図12及び図13では、予測対象組成データPCが一例として、予測対象組成データPC1が、予測対象組成データPC1-1と予測対象組成データPC1-2とに分けられてそれぞれ示されている。予測対象組成データPC1は、組成1から組成15のそれぞれの組成について、Al2O3などの成分をモルパーセントによって示す。なお、本実施形態では、予測対象データPC1及び物性データP1として、国際ガラスデータベースINTERGLAD Ver.7に収録された値を用いた。
図13では、物性予測装置1による予測結果Rの一例として、屈折率、及びアッベ数の予測結果R1が示されている。
予測用統計量PST1は、組成1から組成15のそれぞれの組成について、原子番号などの元素に固有の情報の平均値、及び標準偏差を示す。
屈折率の実験値と予測値とに基づいて、決定係数は0.95、平均平方二乗誤差は0.046、平均絶対誤差は0.037とそれぞれ算出された。
図18のアッベ数の実験値と予測値とを比較するために、アッベ数の実験値と予測値とに基づいて、決定係数、平均平方二乗誤差、及び平均絶対誤差を算出すると、決定係数は0.98、平均平方二乗誤差は2.5、平均絶対誤差は2.1となった。
ここで図19を参照し、予測対象の物性に応じた元素固有情報Eについて説明する。図19は、本実施形態に係る予測対象の物性に応じた元素固有情報Eの一例を示す図である。
例えば、物性として屈折率(nd)を予測する場合は、元素固有情報Eとして、少なくとも、第一イオン化エネルギー、電気陰性度、及びイオン半径が用いられる。この場合、第一イオン化エネルギー、電気陰性度、及びイオン半径のそれぞれの平均値と標準偏差との、合計6種類が特徴量データとして用いられる。
元素固有情報Eとしていずれの種類が用いられるかによって、物性予測システムPSの予測精度は変わり得る。予測精度を高くするために、予測対象の物性に応じて元素固有情報Eが選択されることが好ましい。
組成データ取得部(この一例において、学習組成データ取得部12)は、ガラスの組成を示す組成データ(この一例において、学習組成データLC)を取得する。
元素固有情報取得部15は、元素に固有の情報である元素固有情報Eを取得する。
統計量算出部16は、組成データ取得部(この一例において、学習組成データ取得部12)が取得した組成データ(この一例において、学習組成データLC)と、元素固有情報取得部15が取得した元素固有情報Eとに基づいて、組成の統計量に関する情報(この一例において、学習用統計量LST)を算出する。
物性データ取得部17は、ガラスの物性を示す物性データPを取得する。
学習部19は、統計量算出部16が算出した統計量に関する情報(この一例において、学習用統計量LST)と、物性データ取得部17が取得した物性データPとに基づいて学習を実行する。
予測対象組成データ取得部13は、物性の予測対象であるガラスの組成を示す予測対象組成データPCを取得する。
予測部111は、予測対象組成データ取得部13が取得した予測対象組成データPCと、学習部19が学習を実行した結果(この一例において、学習済みモデルM)とに基づいて、予測対象であるガラスの組成の物性を予測する。
ここで本実施形態に係る物性予測装置1は、第1データ(この一例において、前処理後学習データTD)を生成する際に、組成データ(この一例において、学習組成データLC)を、前処理によって組成の統計量に関する情報(この一例において、学習用統計量LST)に変換する。本実施形態に係る物性予測装置1では、この統計量に関する情報(この一例において、学習用統計量LST)を特徴量データとして用いて学習を行う。本実施形態に係る物性予測装置1では、組成データ(この一例において、学習組成データLC)を前処理によって統計量に関する情報(この一例において、学習用統計量LST)に変換せずそのまま学習に用いる場合に比べて、物性の予測の精度を上げることができる。
この構成により、本実施形態に係る物性予測装置1では、ガラスの組成を、酸化物換算組成の全重量に対する質量%またはモル%で示すデータから組成の統計量に関する情報(この一例において、学習用統計量LST)を算出できる。
この構成により、本実施形態に係る物性予測装置1では、ガラスに含まれる各元素のカチオン%またはアニオン%で示すデータから組成の統計量に関する情報(この一例において、学習用統計量LST)を算出できる。
この構成により、本実施形態に係る物性予測装置1では、組成の平均値、中央値、最頻値、分位値、分散、標準偏差、歪度、尖度のうちいずれか1つ以上を特徴量データとして用いて学習ができるため、組成の平均値、中央値、最頻値、分位値、分散、標準偏差、歪度、尖度のうちいずれか1つ以上を特徴量データとして用いない場合に比べて、物性の予測の精度を上げることができる。
この構成により、本実施形態に係る物性予測装置1では、予測対象の物性に応じた元素に固有の情報を用いて、特徴量データである統計量に関する情報(この一例において、学習用統計量LST)を生成できるため、予測対象の物性に応じた元素に固有の情報を用いない場合に比べて物性の予測の精度を上げることができる。
この構成により、本実施形態に係る物性予測装置1では、原子番号、電気陰性度、原子半径、イオン半径、電子親和力、第一イオン化エネルギー、第二イオン化エネルギー、原子量、密度、融点、価数、メンデレーエフ番号、Field Strength、周期表における行番号、及び列番号のうちいずれか1つ以上に基づいて特徴量データである統計量に関する情報(この一例において、学習用統計量LST)を生成できるため、これらの元素固有情報に基づかない場合に比べて物性の予測の精度を上げることができる。
この構成により、本実施形態に係る物性予測装置1では、ガラスの光学特性を予測できるため、光学特性を予測しない場合に比べて光学特性について物質または材料の開発の効率を上げることができる。
この構成により、本実施形態に係る物性予測装置1では、物質または材料の屈折率、及びアッベ数を予測できるため、屈折率、及びアッベ数を予測しない場合に比べて屈折率、及びアッベ数についてガラスの開発の効率を上げることができる。
組成データ取得部(この一例において、学習組成データ取得部12)は、ガラスの組成を示す組成データ(この一例において、学習組成データLC)を取得する。
割合算出部14は、組成データ取得部(この一例において、学習組成データ取得部12)が取得した組成データ(この一例において、学習組成データLC)が示す組成に基づいて、化合物を構成する原子の個数に対する、組成が示す元素に対応する原子それぞれの個数の割合を算出する。
元素固有情報取得部15は、組成データ取得部(この一例において、学習組成データ取得部12)が取得した学習組成データLCが示す組成が示す元素について、元素に固有の情報である元素固有情報Eを取得する。
統計量算出部16は、割合算出部14が算出した割合と、元素固有情報取得部15が取得した元素固有情報Eとに基づいて、組成の統計量に関する情報(この一例において、学習用統計量LST)を算出する。
物性データ取得部17は、組成データ取得部(この一例において、学習組成データ取得部12)が取得した学習組成データLCが示す組成に対応する物性を示す物性データPを取得する。
第1データ生成部(この一例において、データ生成部18)は、統計量算出部16が算出した統計量に関する情報(この一例において、学習用統計量LST)と、物性データ取得部17が取得した物性データPが示す物性との組を第1データ(この一例において、前処理後学習データTD)として生成する。
また、上述した実施形態における物性予測装置1又はデータ生成装置の一部、または全部を、LSI(Large Scale Integration)等の集積回路として実現してもよい。物性予測装置1又はデータ生成装置の各機能ブロックは個別にプロセッサ化してもよいし、一部、または全部を集積してプロセッサ化してもよい。また、集積回路化の手法はLSIに限らず専用回路、または汎用プロセッサで実現してもよい。また、半導体技術の進歩によりLSIに代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いてもよい。
Claims (8)
- ガラスの組成を示す組成データを取得する組成データ取得部と、
前記組成データ取得部が取得した前記組成データから、前記ガラスを構成する原子それぞれの個数の割合を算出する割合算出部と、
元素に固有の情報である元素固有情報を取得する元素固有情報取得部と、
前記割合算出部が算出した前記割合と、前記元素固有情報取得部が取得した前記元素固有情報とに基づいて、統計量に関する情報を算出する統計量算出部と、
前記ガラスの屈折率又はアッベ数を含む物性を示す物性データを取得する物性データ取得部と、
前記統計量算出部が算出した前記統計量に関する情報と、前記物性データ取得部が取得した前記物性データとに基づいて学習を実行する学習部と、
物性の予測対象であるガラスの組成を示す予測対象組成データを取得する予測対象組成データ取得部と、
前記予測対象組成データ取得部が取得した前記予測対象組成データと、前記学習部が学習を実行した結果とに基づいて、前記予測対象であるガラスの物性を予測する予測部と、
を備える物性予測装置。 - 前記組成データ取得部が取得する組成データは、前記ガラスの組成を、酸化物換算組成の全重量に対する質量%またはモル%で示すデータである
請求項1に記載の物性予測装置。 - 前記組成データ取得部が取得する組成データは、前記ガラスの組成を、前記ガラスに含まれる各元素のカチオン%またはアニオン%で示すデータである
請求項1に記載の物性予測装置。 - 前記統計量に関する情報は、平均値、中央値、最頻値、分位値、分散、標準偏差、歪度、尖度のうちいずれか1つ以上を示す情報である
請求項1から請求項3のいずれか一項に記載の物性予測装置。 - 前記元素固有情報には複数の種類があり、
前記元素固有情報取得部は、予測対象の前記物性に応じて前記複数の種類のなかから特定の種類の前記元素固有情報を取得する
請求項1から請求項4のいずれか一項に記載の物性予測装置。 - 前記元素固有情報とは、原子番号、電気陰性度、原子半径、イオン半径、電子親和力、第一イオン化エネルギー、第二イオン化エネルギー、原子量、密度、融点、価数、メンデレーエフ番号、Field Strength、周期表における行番号、及び列番号のうちいずれか1つ以上を示す情報である
請求項1から請求項5のいずれか一項に記載の物性予測装置。 - ガラスの組成を示す組成データを取得する組成データ取得過程と、
前記組成データ取得過程において取得された前記組成データから、前記ガラスを構成する原子それぞれの個数の割合を算出する割合算出過程と、
元素に固有の情報である元素固有情報を取得する元素固有情報取得過程と、
前記割合算出過程において算出された前記割合と、前記元素固有情報取得過程において取得された前記元素固有情報とに基づいて、統計量に関する情報を算出する統計量算出過程と、
前記ガラスの屈折率又はアッベ数を含む物性を示す物性データを取得する物性データ取得過程と、
前記統計量算出過程において算出された前記統計量に関する情報と、前記物性データ取得過程において取得された前記物性データとに基づいて学習を実行する学習過程と、
物性の予測対象であるガラスの組成を示す予測対象組成データを取得する予測対象組成データ取得過程と、
前記予測対象組成データ取得過程において取得された前記予測対象組成データと、前記学習過程において学習が実行された結果とに基づいて、前記予測対象であるガラスの物性を予測する予測過程と、
を有する物性予測方法。 - コンピュータに、
ガラスの組成を示す組成データを取得する組成データ取得ステップと、
前記組成データ取得ステップにおいて取得された前記組成データから、前記ガラスを構成する原子それぞれの個数の割合を算出する割合算出ステップと、
元素に固有の情報である元素固有情報を取得する元素固有情報取得ステップと、
前記割合算出ステップにおいて算出された前記割合と、前記元素固有情報取得ステップにおいて取得された前記元素固有情報とに基づいて、統計量に関する情報を算出する統計量算出ステップと、
前記ガラスの屈折率又はアッベ数を含む物性を示す物性データを取得する物性データ取得ステップと、
前記統計量算出ステップにおいて算出された前記統計量に関する情報と、前記物性データ取得ステップにおいて取得された前記物性データとに基づいて学習を実行する学習ステップと、
物性の予測対象であるガラスの組成を示す予測対象組成データを取得する予測対象組成データ取得ステップと、
前記予測対象組成データ取得ステップにおいて取得された前記予測対象組成データと、前記学習ステップにおいて学習が実行された結果とに基づいて、前記予測対象であるガラスの物性を予測する予測ステップと、
を実行させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019107788A JP7283241B2 (ja) | 2019-06-10 | 2019-06-10 | 物性予測装置、物性予測方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019107788A JP7283241B2 (ja) | 2019-06-10 | 2019-06-10 | 物性予測装置、物性予測方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020200213A JP2020200213A (ja) | 2020-12-17 |
JP7283241B2 true JP7283241B2 (ja) | 2023-05-30 |
Family
ID=73742396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019107788A Active JP7283241B2 (ja) | 2019-06-10 | 2019-06-10 | 物性予測装置、物性予測方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7283241B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7397949B1 (ja) * | 2022-11-11 | 2023-12-13 | 住友化学株式会社 | 学習装置及び予測装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010030879A (ja) | 2008-06-27 | 2010-02-12 | Hoya Corp | 光学ガラス |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2560217B2 (ja) * | 1988-10-20 | 1996-12-04 | 科学技術庁 無機材質研究所長 | ガラス設計支援装置 |
JPH0554162A (ja) * | 1991-08-28 | 1993-03-05 | Fujitsu Ltd | ガラス化判定装置 |
JPH07192072A (ja) * | 1993-12-27 | 1995-07-28 | Olympus Optical Co Ltd | ガラス及びセラミックスに関する物理量計算装置 |
-
2019
- 2019-06-10 JP JP2019107788A patent/JP7283241B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010030879A (ja) | 2008-06-27 | 2010-02-12 | Hoya Corp | 光学ガラス |
Non-Patent Citations (2)
Title |
---|
井上博之 他,ガラスの材料設計,日本金属学会会報,日本,日本金属学会,1992年07月20日,Vol. 31, No. 7,pp. 604-607,DOI: 10.2320/materia1962_31.604 |
山本博志,ガラスの組成設計技術,旭硝子研究報告,Vol. 59,日本,旭硝子株式会社,2009年,pp. 21-27,https://www.agc.com/innovation/library/pdf/59-04.pdf |
Also Published As
Publication number | Publication date |
---|---|
JP2020200213A (ja) | 2020-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Golowich et al. | Implications of D 0− D¯ 0 mixing for new physics | |
US20110320391A1 (en) | Method and Apparatus for Predicting Application Performance Across Machines with Different Hardware Configurations | |
Bishnoi et al. | Scalable Gaussian processes for predicting the optical, physical, thermal, and mechanical properties of inorganic glasses with large datasets | |
US20070220416A1 (en) | System and method for performing processing, such as spreadsheet processing | |
JP6493006B2 (ja) | 人口推計方法、人口推計プログラム、および人口推計装置 | |
JP5460426B2 (ja) | 生産性評価装置、生産性評価方法およびプログラム | |
JP2016076208A (ja) | 文書ランク付け装置、方法、及びコンピュータプログラム | |
JP7283241B2 (ja) | 物性予測装置、物性予測方法、及びプログラム | |
CN107710202A (zh) | 与旧有工具集成的云原生文档 | |
JP2007323315A (ja) | 協調フィルタリング方法、協調フィルタリング装置、および協調フィルタリングプログラムならびにそのプログラムを記録した記録媒体 | |
Fasiello et al. | Perturbation theory of large scale structure in the Λ CDM Universe: Exact time evolution and the two-loop power spectrum | |
JP2005032079A (ja) | プロジェクト事前評価方法 | |
JP4736476B2 (ja) | 翻訳費用の見積りを行う装置および方法 | |
JP5516925B2 (ja) | 信頼度計算装置、信頼度計算方法、及びプログラム | |
CN109657991A (zh) | 元数据质量评估方法、装置、电子设备、存储介质 | |
US20210232728A1 (en) | Similarity calculation device, similarity calculation method, and computer-readable recording medium recording program | |
JP2001067409A (ja) | 金融商品あるいはその派生商品の価格リスク評価システムおよび記憶媒体 | |
Yonchev et al. | Compound optimization monitor (COMO) method for computational evaluation of progress in medicinal chemistry projects | |
JP5407737B2 (ja) | モデル生成プログラム、モデル生成装置、およびモデル生成方法 | |
JP2022017702A (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
Caravaglios et al. | Precision test of quark mass textures: a model-independent approach | |
JP7392208B1 (ja) | 材料創出を支援するシステム及び方法、プログラム | |
Santos et al. | Use of radial basis functions for meshless numerical solutions applied to financial engineering barrier options | |
Mota et al. | divraster: an R package to calculate taxonomic, functional and phylogenetic diversity from rasters | |
JP5685995B2 (ja) | シミュレーション用データ生成システム、方法およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190627 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20190627 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220511 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221219 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221223 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230111 |
|
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: 20230418 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230501 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7283241 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |