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
本発明は、物性予測装置、物性予測方法、及びプログラムに関する。
例えば、特許文献１には、酸化物換算組成のガラス全物質量に対して、モル％で、Ｐ２Ｏ５成分を２０％以上４５％以下、Ｎｂ２Ｏ５成分を１５％以上６０％以下、ＺｎＯ成分とＭｇＯ成分を合量で５％以上５０％以下含有し、屈折率が１．７５以上、アッベ数が１０以上３５以下である光学ガラスが開示されている。このような光学ガラスの組成を開発する場合、各成分の含有量を変更しながらガラスサンプルを作製し、所望の光学特性が得られるまで実験を繰り返すのが一般的である。組成開発の工程を減らすため、ガラスサンプルを作製することなく光学特性を推定することが求められていた。
本発明の一態様は、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である。
本発明の一態様は、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である。
本発明の一態様は、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、前記割合算出取得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である。
（実施形態）
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。
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。
物性予測装置１は、学習処理と、予測処理とを実行する。学習処理とは、ガラスの組成と物性との関係を学習する処理であり、予測処理とは、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処理である。物性予測装置１は、一例として、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）である。
本実施形態では、ガラスの組成は、構成成分の割合によって示される。構成成分の割合は、例えば、酸化物換算組成のガラス全重量に対する質量％、またはモル％で示される。また、構成成分の割合は、ガラスに含まれる各元素のカチオン％またはアニオン％で示されてもよい。以下、本実施形態においては、ガラス組成の構成成分の割合をモル％で示して説明する。
ガラスの物性とは、一例として、屈折率、アッベ数、透過率、部分分散比、着色度λ８０（透過率が８０％となる波長）、着色度λ５（透過率が５％となる波長）などの光学特性や、ガラス転移温度、屈伏点、結晶化開始温度、結晶化ピーク温度、膨張係数、密度、光弾性係数、ヤング率、剛性率、耐失透性、耐酸性、耐水性、液相温度、軟化点、硬度などである。ガラスの物性には、ガラス化するか否かの性質が含まれてもよい。
物性予測装置１は、前処理部１０と、物性データ取得部１７と、データ生成部１８と、学習部１９と、記憶部１１０と、予測部１１１と、出力部１１２と、操作部１１３とを備える。
前処理部１０は、前処理を実行する。前処理とは、ガラスの組成からこの組成の統計量に関する情報を、組成の特徴を示す特徴量データとして算出する処理である。前処理部１０は、データ取得部１１と、割合算出部１４と、元素固有情報取得部１５と、統計量算出部１６とを備える。
データ取得部１１は、ガラスの組成を示す組成データを取得する。
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。
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。
図１に戻って物性予測システムＰＳの構成の説明を続ける。
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。
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。
データ取得部１１は、学習組成データ取得部１２と、予測対象組成データ取得部１３とを備える。学習組成データ取得部１２は、学習データ供給装置２から供給される学習組成データＬＣを取得する。
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。
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。
割合算出部１４は、データ取得部１１が取得した組成データが示す組成に基づいて、当該組成を構成する各元素の個数の割合を算出する。
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Ｅは、元素に固有の情報を示す。元素に固有の情報は、一例として、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、及び列番号である。
元素固有情報Ｅには複数の種類があり、元素固有情報Ｅは、上述した原子番号、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、及び列番号のうちうちいずれか１つ以上を示す情報である。
なお、Ｆｉｅｌｄ Ｓｔｒｅｎｇｔｈは、価数、及びイオン半径から、式（１）に基づいて算出される。
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、統計量に関する情報を算出する。統計量に関する情報とは、一例として、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一つ以上を示す情報である。統計量に関する情報は、ガラスの特徴を示す特徴量である。
統計量算出部１６は、学習組成データＬＣが示す組成については、組成の統計量に関する情報を学習用統計量ＬＳＴとして算出する。統計量算出部１６は、予測対象組成データＰＣが示す組成については、組成の統計量に関する情報を予測用統計量ＰＳＴとして算出する。
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。物性データＰ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が示す組成に対応する物性を示す。
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前処理後学習データＴＤとして生成する。
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。
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。
記憶部１１０は、データ生成部１８が生成した前処理後学習データＴＤと、学習部１９が生成した学習済みモデルＭとを記憶する。記憶部１１０は、一例として、ハードディスクやフラッシュメモリ等の記憶装置である。なお、記憶部１１０は、物性予測装置１の外部に、外部記憶装置として備えられてもよい。
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が示す組成である予測対象組成と、学習部１９が生成した学習済みモデル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。
出力部１１２は、予測部１１１が予測した結果である予測結果Ｒを提示装置４に出力する。なお、出力部１１２は、予測結果Ｒを提示装置４に出力する代わりに、物性予測システムＰＳの外部に備えられるデータベースに出力してもよい。
操作部１１３は、物性予測装置１のユーザから各種の操作を受け付ける。この各種の操作には、予測対象組成データＰＣを入力する操作が含まれる。操作部１１３は、一例として、キーボード、マウス、タッチパネルなどである。
学習データ供給装置２は、物性予測装置１に学習組成データＬＣ、及び物性データＰを供給する。
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。
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。
提示装置４は、物性予測装置１が出力する予測結果Ｒを提示する。提示装置４は、一例として、ディスプレイである。
なお、本実施形態では、物性予測装置１が割合算出部１４を備え、割合算出部１４が、組成データが示す組成に基づいて、当該組成を構成する各元素の個数の割合を算出する場合の一例について説明したが、これに限らない。例えば、組成データが組成を構成する各元素の個数の割合によって表されている場合、物性予測装置１の構成から割合算出部１４は省略されてもよい。
次に図３を参照し、物性予測装置１の処理について説明する。図３は、本実施形態に係る物性予測装置１の処理の一例を示す図である。物性予測装置１の処理には、学習処理を含む学習フローと、予測処理を含む予測フローとがある。
まず物性予測装置１によって実行される学習フローについて説明する。
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。
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。
ステップＳ２０：物性予測システムＰＳのユーザによって、物性データＰを入力する操作が行われる。操作部１１３は、物性データＰを入力する操作を受け付ける。
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。
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。
なお、ステップＳ１０、及びステップＳ２０の処理は、一度に行われてよい。ステップＳ１０、及びステップＳ２０の処理が一度に行われる場合、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及び物性データＰを入力する操作が行われる。
本実施形態では、学習組成データＬＣ及び物性データＰには、一例として１０００個の組成を含むがそのうち３０個の組成について、図４から図６を参照し、学習組成データＬＣ及び物性データＰの具体例について説明する。図４から図６には、学習組成データＬＣの一部として、学習組成データＬＣ１が示されている。学習組成データＬＣ１は、図４から図６において、学習組成データＬＣ１－１、学習組成データＬＣ１－２、及び学習組成データＬＣ１－３の３つのデータに分けて示されている。図６には、物性データＰの一部として、物性データＰ１が示されている。
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。
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。
図３に戻って学習フローの説明を続ける。
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。
ここで図７を参照し、前処理の詳細について説明する。図７は、本実施形態に係る前処理の一例を示す図である。ステップＳ３１０からステップＳ３３０までの処理は、図３のステップＳ３０の処理に対応する。
ステップＳ３１０：割合算出部１４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が示す組成に基づいて、当該組成を構成する各原子の個数の割合を算出する。割合算出部１４は、算出した割合を統計量算出部１６に供給する。
割合算出部１４は、例えば、Ｓｉの個数の割合を式（２）に基づいて算出する。
ここで図８を参照し、割合算出部１４が割合を算出する処理である割合算出処理の詳細について説明する。図８は、本実施形態に係る割合算出処理の一例を示す図である。図８では、一例として、式（２）に対応する割合算出処理、つまりＳｉの個数の割合を算出する場合の割合算出処理を示している。
組成が５０ＳｉＯ２－２８Ａｌ２Ｏ３－２２Ｌｉ２Ｏであるガラスの場合、ＳｉＯ２成分は５０モルパーセント、Ａｌ２Ｏ３成分は２８モルパーセント、及びＬｉ２Ｏ成分は２２モルパーセント含まれている。ここで、百分率は無視し、それぞれ、ＳｉＯ２成分が５０モル、Ａｌ２Ｏ３が２８モル、Ｌｉ２Ｏが２２モル含まれているものと仮定する。このとき、ＳｉＯ２成分を構成する原子の個数は３個であり、Ａｌ２Ｏ３成分を構成する原子の個数は５個であり、Ｌｉ２Ｏ成分を構成する原子の個数は３個であるから、５０ＳｉＯ２－２８Ａｌ２Ｏ３－２２Ｌｉ２Ｏで表される組成に含まれる原子の個数は、３５６個である。
一方、Ｓｉ原子はＳｉＯ２にのみ含まれ、ＳｉＯ２において１個含まれているため、５０ＳｉＯ２－２８Ａｌ２Ｏ３－２２Ｌｉ２Ｏで表される組成に含まれるＳｉ原子の個数は、ＳｉＯ２の５０モルに、ＳｉＯ２に含まれる個数である１個を乗じて５０個となる。
割合算出部１４は、組成が５０ＳｉＯ２－２８Ａｌ２Ｏ３－２２Ｌｉ２Ｏであるガラスにおいて、Ｓｉ原子の個数の割合を、１４．０４パーセントと算出する。
割合算出部１４は、Ｓｉ原子と同様にして、５０ＳｉＯ２－２８Ａｌ２Ｏ３－２２Ｌｉ２Ｏの組成が示す他のＡｌ原子、Ｌｉ原子、及びＯ原子の個数の割合を式（３）から式（５）に基づいて算出する。
ここで式（６）は、割合算出部１４が算出した結果を用いて、ガラスを構成する各原子の個数の割合を示した式である。
図７に戻って前処理の説明を続ける。
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。
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。
Ｓｉ元素、Ａｌ元素、Ｌｉ元素、及びＯ元素それぞれの原子番号を式（７）に示す。
Ｓｉ元素、Ａｌ元素、Ｌｉ元素、及びＯ元素それぞれの電気陰性度を式（８）に示す。
元素固有情報取得部１５は、算出した元素固有情報Ｅを統計量算出部１６に供給する。
なお、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よらず、全ての元素について元素固有情報Ｅをまとめて取得してもよい。
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。
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。
ステップＳ３３０：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、学習組成データＬＣが示す組成の統計量に関する情報として学習用統計量ＬＳＴを算出する。学習用統計量ＬＳＴ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、算出した学習用統計量ＬＳＴを、データ生成部１８からの要求に応じてデータ生成部１８に供給する。
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（９）に基づいて原子番号の平均値を算出する。
ここで、ｎＳｉ、ｎＡｌ、ｎＬｉ、及びｎＯは、式（２）から式（５）において示したように、それぞれＳｉ原子、Ａｌ原子、Ｌｉ原子、及びＯ原子の割合を示す。ｘＳｉ＿ａｎ、ｘＡｌ＿ａｎ、ｘＬｉ＿ａｎ、及びｘＯは、式（６）に示したように、それぞれＳｉ元素、Ａｌ元素、Ｌｉ元素、及びＯ元素の原子番号を示す。
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。
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。
ここで図１０を参照し、学習用統計量ＬＳＴについて説明する。図１０は、本実施形態に係る学習用統計量ＬＳＴの一例を示す図である。図１０（Ａ）では、組成番号＃１、組成番号＃２、及び組成番号＃３について、それぞれ学習用統計量ＬＳＴとして原子番号の平均値と、原子番号の標準偏差とが示されている。図１０（Ｂ）では、組成番号＃１、組成番号＃２、及び組成番号＃３について、それぞれ学習用統計量ＬＳＴとして電気陰性度の平均値と、電気陰性度の標準偏差とが示されている。
図３に戻って学習フローの説明を続ける。
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。
なお、前処理部１０は、ステップＳ３３０において算出した学習用統計量ＬＳＴを、記憶部１１０、あるいは外部記憶装置に記憶させてもよい。学習用統計量ＬＳＴが記憶部１１０、あるいは外部記憶装置に記憶される場合、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、記憶部１１０、あるいは外部記憶装置から学習用統計量ＬＳＴを取得する。
ステップＳ５０：学習部１９は、データ生成部１８が生成する前処理後学習データＴＤに基づいて学習を実行する。
ここで図９を参照し、学習部１９が実行する学習の詳細について説明する。図９は、本実施形態に係る学習処理の一例を示す図である。ステップＳ５１０からステップＳ５４０までの処理は、図３のステップＳ５０の処理に対応する。
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。
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。
ステップＳ５２０：データ生成部１８は、統計量算出部１６が生成した学習用統計量ＬＳＴと、物性データ取得部１７が取得した物性データＰとに基づいて前処理後学習データＴＤを生成する。ここでデータ生成部１８は、統計量算出部１６が生成した学習用統計量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前処理後学習データＴＤとして生成する。データ生成部１８は、生成した前処理後学習データＴＤを記憶部１１０に記憶させる。
ここで図１１を参照し、前処理後学習データＴＤの具体例について説明する。図１１は、本実施形態に係る前処理後学習データＴＤの一例を示す図である。図１１では、前処理後学習データＴＤの一例として、前処理後学習データＴＤ１が示されている。前処理後学習データＴＤ１は、一例として、組成番号＃１、組成番号＃２、及び組成番号＃３のそれぞれについて、原子番号の平均値、原子番号の標準偏差、電気陰性度の平均値、電気陰性度の標準偏差、原子半径の平均値、原子半径の標準偏差などを示す。
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。
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。
図９に戻って学習の説明を続ける。
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Ｓ５４０：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。ここで学習部１９は、一例として、前処理後学習データＴＤに基づいて機械学習によって学習を実行する。学習部１９は、機械学習として、一例として、多重線形回帰、サポートベクトル回帰、サポートベクトルマシン、ニューラルネットワーク回帰、ディープラーニング回帰、及びランダムフォレスト回帰などを用いる。
学習部１９は、前処理後学習データＴＤに含まれる物性ごとに学習を実行する。学習部１９が学習に用いる機械学習の種類は、物性ごとに共通であってもよいし、異なっていてよい。学習部１９は、物性の種類に応じて、機械学習のモデルとして回帰モデルや分類モデルを選択してよい。
学習部１９は、物性が屈折率、アッベ数などの光学特性である場合には、例えば、回帰モデルとしてサポートベクトル回帰やランダムフォレスト回帰、ニューラルネットワーク回帰を用いる。一方、学習部１９は、物性がガラス化するか否かの性質である場合には、例えば、分類モデルとしてサポートベクトルマシンやランダムフォレスト分類、ニューラルネットワーク分類を用いる。
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。学習部１９は、前処理後学習データＴＤに含まれる物性の種類だけ学習済みモデルＭを生成する。
図３に戻って学習フローの説明を続ける。
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。
次に物性予測装置１によって実行される予測フローについて説明する。
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。
操作部１１３は、組成を入力する操作を受け付ける。操作部１１３は、組成を入力する操作が示す組成を、予測対象組成データＰＣとして予測対象組成データ取得部１３に供給する。予測対象組成データ取得部１３は、操作部１１３から供給される予測対象組成データＰＣを取得する。予測対象組成データ取得部１３は、取得した予測対象組成データＰＣを割合算出部１４に供給する。
ステップＳ８０：前処理部１０は、前処理を実行する。ここで前処理部１０は、予測対象組成データ取得部１３が取得する予測対象組成データＰＣ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。
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。
前処理部１０は、学習組成データＬＣに代えて予測対象組成データＰＣを組成データとして用いる。
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。
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。
ステップＳ９０：物性予測システムＰＳのユーザによって、予測用統計量ＰＳＴを入力する操作が行われる。操作部１１３は、予測用統計量ＰＳＴを入力する操作を受け付ける。
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。
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。
ステップＳ１００：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が示す組成である予測対象組成と、学習部１９が生成した学習済みモデルＭとに基づいて、予測対象である化合物の組成の物性を予測する。ここで予測部１１１は、学習済みモデルＭを記憶部１１０から取得する。
ここで上述したように学習済みモデルＭは、物性の種類それぞれについて生成されている。予測部１１１は、予測する物性の種類に対応する学習済みモデルＭを用いて予測を行う。
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。
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。
ステップＳ１１０：出力部１１２は、予測部１１１から供給される予測結果Ｒを提示装置４に出力する。提示装置４は、出力部１１２から出力された予測結果Ｒを提示する。例えば、提示装置４は、予測結果Ｒをディスプレイに表示することによって提示する。
次に図１２から図１８を参照し、物性予測システムＰＳによる物性の予測値と、実験値との比較について説明する。図１２から図１８では、物性予測装置１がサポートベクトル回帰を用いて学習、及び予測を行った場合の一例について説明する。上述したように学習には１０００個の組成を含む学習組成データＬＣを用いた。
図１２及び図１３は、本実施形態に係る予測対象組成データＰＣ、物性データＰ、及び予測結果Ｒの一例を示す図である。図１４、図１５、及び図１６は、本実施形態に係る前処理後学習データＴＤの一例を示す図である。
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、物性データＰの一例として、物性データＰ１が示されている。物性データＰ１は、屈折率、及びアッベ数を示す。
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。
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。
図１４、図１５、及び図１６では、物性予測装置１の前処理部１０が生成する前処理後データである予測用統計量ＰＳＴの一例として、予測用統計量ＰＳＴ１が、予測用統計量ＰＳＴ１－１と、予測用統計量ＰＳＴ１－２と、予測用統計量ＰＳＴ１－３とに分けられてそれぞれ示されている。図１４、図１５、及び図１６の予測用統計量ＰＳＴ１は、図１２及び図１３の予測対象組成データＰＣ１が、前処理部１０によって元素固有情報Ｅに基づいて平均値、及び標準偏差に変換されて得られた特徴量データである。
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。
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。
図１７は、本実施形態に係る屈折率についての予測値と実験値との比較の一例を示す図である。図１７では、図１２及び図１３に示した組成１から組成１５のそれぞれの組成の屈折率について、実験値に対する物性予測装置１による予測値を示すデータＤ１が示されている。直線Ｌ１は、実験値と予測値とが一致する点の集合を示す。
図１７の実験値と予測値とを比較するために、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（ＲＭＳＥ：Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ）、及び平均絶対誤差（ＭＡＥ：Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｅｒｒｏｒ）を算出する。決定係数は、回帰モデルによって実データをどれぐらい説明できているかを示す指標であり、１に近いほど回帰分析の精度が高い。平均平方二乗誤差、及び平均絶対誤差は値が小さいほど回帰分析の精度が高い。ここで回帰分析の精度が高いことは、物性予測システムＰＳの予測の精度が高いことを意味する。
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。
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は、本実施形態に係るアッベ数についての予測値と実験値との比較の一例を示す図である。図１８では、図１２及び図１３に示した組成１から組成１５のそれぞれの組成のアッベ数について、実験値に対する物性予測装置１による予測値を示すデータＤ２が示されている。直線Ｌ２は、実験値と予測値とが一致する点の集合を示す。
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。
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。
図１７及び図１８に示した予測値と実験値との比較の結果の通り、本実施形態に係る物性予測システムＰＳの予測の精度は、決定係数の値にして０．８以上の精度を実現している。
なお、元素固有情報Ｅとして、予測対象である化合物の組成の物性に応じた種類が用いられてもよい。
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。
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として予測対象の物性に応じた種類が用いられる場合、元素固有情報取得部１５は、予測対象の物性に応じて元素固有情報Ｅの複数の種類のなかから特定の種類の元素固有情報Ｅを取得する。
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。
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。
なお、本実施形態では、物性予測装置１が前処理後学習データＴＤを生成し、生成した前処理後学習データＴＤに基づいて学習を行う場合の一例について説明したが、これに限らない。物性予測装置１によって生成された前処理後学習データＴＤが、物性予測装置１とは別の装置によって用いられて学習、及び予測が行われてもよい。
この場合、物性予測装置１は、例えば、生成した前処理後学習データＴＤを外部記憶装置に出力し記憶させる。物性予測装置１とは別の装置は、外部記憶装置に記憶された前処理後学習データＴＤを用いて学習、及び予測を行う。
つまり、物性予測装置１は、前処理後学習データＴＤを生成するデータ生成装置として用いられてよい。このデータ生成装置は、学習組成データ取得部１２と、割合算出部１４と、元素固有情報取得部１５と、統計量算出部１６と、物性データ取得部１７と、データ生成部１８とを備える。
以上に説明したように、本実施形態に係る物性予測装置１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）と、元素固有情報取得部１５と、統計量算出部１６と、物性データ取得部１７と、学習部１９と、予測対象組成データ取得部１３と、予測部１１１とを備える。
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。
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。
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。
この構成により、本実施形態に係る物性予測装置１は、ガラスの物性を予測できるため、物性を予測しない場合に比べてガラスの開発の効率を上げることができる。
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。
また、本実施形態に係る物性予測装置１では、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）が取得する組成データ（この一例において、学習組成データＬＣ）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％で示すデータである。
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。
また、本実施形態に係る物性予測装置１では、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）が取得する組成データ（この一例において、学習組成データＬＣ）は、ガラスの組成を、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。
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、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。
また、本実施形態に係る物性予測装置１では、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）から、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。また、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。
この構成により、本実施形態に係る物性予測装置１では、組成データ（この一例において、学習組成データＬＣ）から、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ことができるため、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）がガラスを構成する原子それぞれの個数の割合によって表されていない場合であっても、組成データ（この一例において、学習組成データＬＣ）を、ガラスを構成する原子それぞれの個数の割合によって表すことができる。
また、本実施形態に係る物性予測装置１では、組成の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。
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、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。
また、本実施形態に係る物性予測装置１では、元素固有情報Ｅには複数の種類があり、元素固有情報取得部１５は、予測対象の物性に応じて複数の種類のなかから特定の種類の元素固有情報Ｅを取得する。
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、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。
また、本実施形態に係る物性予測装置１では、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。
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、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。
また、本実施形態に係る物性予測装置１では、予測対象であるガラスの物性とは、光学特性である。
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、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。
また、本実施形態に係る物性予測装置１では、光学特性とは、屈折率、及びアッベ数のいずれか１つ以上である。
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。
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。
また、本実施形態に係るデータ生成装置は、組成データ取得部と、割合算出部と、元素固有情報取得部と、統計量算出部と、物性データ取得部と、第１データ生成部とを備える。
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。
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。
この構成により、本実施形態に係るデータ生成装置では、物質または材料の物性を予測するための第１データ（この一例において、前処理後学習データＴＤ）を、物性の予測のための学習を行う装置に供給できるため、物性の予測のための学習を行う装置が第１データ（この一例において、前処理後学習データＴＤ）に基づいて物性の予測のための学習を行うことができる。
なお、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、例えば、学習組成データ取得部１２、予測対象組成データ取得部１３、割合算出部１４、元素固有情報取得部１５、統計量算出部１６、物性データ取得部１７、及びデータ生成部１８をコンピュータで実現するようにしてもよい。その場合、この制御機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、物性予測装置１又はデータ生成装置に内蔵されたコンピュータシステムであって、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
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。
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。
以上、図面を参照してこの発明の一実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、この発明の要旨を逸脱しない範囲内において様々な設計変更等をすることが可能である。
１…物性予測装置、１２…学習組成データ取得部、１４…割合算出部、１５…元素固有情報取得部、１６…統計量算出部、１７…物性データ取得部、１８…データ生成部、１３…予測対象組成データ取得部、１１１…予測部、ＬＣ…学習組成データ、Ｅ…元素固有情報、ＬＳＴ…学習用統計量、Ｐ…物性データ、ＴＤ…前処理後学習データ、ＰＣ…予測対象組成データ、Ｍ…学習済みモデル
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 |