JP7298778B2 - 情報処理装置、情報処理システムおよび学習済みモデル - Google Patents

Description

本発明は、情報処理装置、情報処理システムおよび学習済みモデルに関する。

蛍光指紋等に関する情報は、様々な分野で活用されている（たとえば、特許文献１参照）。この蛍光指紋等に関する情報には、膨大かつ複雑なデータが含まれている。

特開２０２０－７６６１２号公報

人間の思考では、このような膨大かつ複雑なデータを含む情報を演繹法的に取り扱うことは困難である。

本発明は、上記のような事情に鑑みてなされたものであり、人間の思考では演繹法的に取り扱うことが困難な情報を用いて解析を行う情報処理装置、情報処理システムおよび学習済みモデルを提供することを目的とする。

本発明の上記課題は、以下の手段によって解決される。

（１）所定の対象に関する帰納的情報を取得する第１取得部と、前記帰納的情報から特徴量を抽出する抽出部と、前記特徴量に基づいて、前記所定の対象を解析する解析部とを備える情報処理装置。

（２）前記所定の対象に関する演繹的情報を取得する第２取得部をさらに有し、前記抽出部および前記解析部の少なくとも一方は、前記演繹的情報を用いる、上記（１）に記載の情報処理装置。

（３）前記抽出部では、機械学習によって前記特徴量を抽出する、上記（１）または（２）に記載の情報処理装置。

（４）前記解析部では、機械学習によって前記所定の対象を解析する、上記（１）～（３）のいずれかに記載の情報処理装置。

（５）前記抽出部および前記解析部は、機械学習モデルにより構成される、上記（１）～（４）のいずれかに記載の情報処理装置。

（６）前記帰納的情報は、蛍光指紋に関する情報を含む、上記（１）～（５）のいずれかに記載の情報処理装置。

（７）前記対象は製品であり、前記解析部は、前記特徴量に基づいて、前記対象の製品仕様を解析する、上記（６）に記載の情報処理装置。

（８）前記対象に関する演繹的情報を取得する第２取得部をさらに有し、前記解析部は、前記演繹的情報を用いて前記対象を解析する、上記（７）に記載の情報処理装置。

（９）前記第２取得部は、前記対象に関する複数の前記演繹的情報を取得し、前記解析部は、機械学習によって前記対象を解析する、上記（８）に記載の情報処理装置。

（１０）前記帰納的情報は、電磁波スペクトルに関する情報を含む、上記（１）～（５）のいずれかに記載の情報処理装置。

（１１）前記帰納的情報は、連続的な信号に関する情報を含む、上記（１）～（５）のいずれかに記載の情報処理装置。

（１２）前記連続的な信号に関する情報は、スペクトル、クロマトグラム、パターンまたはマップに関する情報を含む、上記（１１）に記載の情報処理装置。

（１３）前記帰納的情報は、インピダンスに関する情報を含む、上記（１）～（５）のいずれかに記載の情報処理装置。

（１４）上記（１）～（１３）のいずれかに記載の情報処理装置と、前記所定の対象から前記帰納的情報を検出する検出装置と、前記検出装置における検出の感度を調整するために、前記対象に対して所定の処理を施す感度調整部と、を有する情報処理システム。

（１５）前記感度調整部は、前記対象に薬剤を供与する第１薬剤供与部または前記対象の温度を調整する温度調整部の少なくとも一方を含み、前記検出装置は、前記対象から得られる蛍光指紋に関する情報を検出する、上記（１４）に記載の情報処理システム。

（１６）前記感度調整部は、前記対象に対して所定の位置に配置され、所定の周波数帯域の電磁波に共振する共振器を含み、前記検出装置は、前記電磁波スペクトルに関する情報を検出する、上記（１４）に記載の情報処理システム。

（１７）前記感度調整部は、前記対象の周囲の環境の変化に応じて性質が変化するとともに当該変化が電磁波に影響を及ぼす変換部を含む、上記（１６）に記載の情報処理システム。

（１８）前記感度調整部は、前記対象に薬剤を供与する第２薬剤供与部を含み、前記検出装置は、前記対象から得られる連続的な信号に関する情報を検出する、上記（１４）に記載の情報処理システム。

（１９）上記（２）に記載の情報処理装置と、前記所定の対象から前記帰納的情報を検出する第１検出装置と、前記所定の対象から前記演繹的情報を検出する第２検出装置と、を有する情報処理システム。

（２０）前記第１検出装置は、前記対象から得られる蛍光指紋に関する情報を検出し、前記第２検出装置は、所定波長の励起光を前記対象に照射する投光部と、前記励起光により前記対象で発生する蛍光を受光する受光部とを含む、上記（１９）に記載の情報処理システム。

（２１）対象に関する帰納的情報と、前記対象の所定の状態に関する情報とを教師データとして用いて予め機械学習された学習済みモデルであって、所定の対象に関する前記帰納的情報が入力されることによって当該対象の前記所定の状態に関する情報を出力する学習済みモデル。

本発明の情報処理装置、情報処理システムおよび学習済みモデルによれば、所定の対象に関して取得された帰納的情報から特徴量が抽出され、この特徴量に基づいて、所定の対象が解析される。これにより、たとえば、以下のようにして、人間の思考では演繹法的に取り扱うことが困難な情報である帰納的情報を用いて対象を解析することができる。

現在、実用化されている分析機器では、その分解能、誤差およびダイナミックレンジ等に起因して分析不可能な範囲が存在する。仮に、この範囲を分析できる装置が存在したとしても、この装置は、たとえば、大学等の研究機関で作られ、高価あるいは希少な装置とならざるを得ない。したがって、この装置を実用化し、たとえば、第二次産業におけるＤＸ（デジタルトランスフォーメーション）の推進に役立てることは困難である。

一方、現在では、機械学習およびＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）等の技術が進歩し、人間の思考では演繹的に取り扱うことが困難な情報であっても、機械学習およびＡＩ等による演算が可能である。換言すれば、科学的根拠が十分でないデータであっても、検出対象の変化に対応（たとえば、１対１で対応）する特徴量を含むデータであれば、ＡＩを用いて対象の変化を特定することができる。

たとえば、本発明の情報処理装置が取得する帰納的情報は、このＡＩおよび機械学習等による演算に好適な情報である。帰納的情報を積極的に活用することにより、超スマート社会Ｓｏｃｉｅｔｙ ５．０の実現に役立てることができる。また、検出装置は、このような帰納的情報を生成し、かつ、これまでデータサイエンスの分野で積極的に使用されなかった装置である。仮に、装置の原理自体は、公知であったとしても、ＤＸの推進に役立てられていなかった検出装置は、本発明の情報処理システムを構成し得る。今回、発明者らの経験および技術の蓄積等により、この検出装置が生成する帰納的情報を用いて、所定の対象を解析できることを見出した。

上記のように、情報処理装置では、人間の思考では演繹法的に取り扱うことが困難な情報、即ち、帰納的情報を用いて対象の解析を行うことができる。このような情報処理装置は、超スマート社会Ｓｏｃｉｅｔｙ ５．０の実現およびＤＸ（デジタルトランスフォーメーション）の推進に寄与する。

本発明の第１実施形態に係る情報処理システムの概略構成を示す図である。 図１に示した情報処理装置の概略構成を示すブロック図である。 図１に示した検出装置の概略構成を示すブロック図である。 図１に示した情報処理装置の機能構成を示すブロック図である。 図１に示した情報処理装置において実行される処理の手順を表すフローチャートである。 図５に示したステップＳ１０１で取得される帰納的情報の一例を表す図である。 図６に示した帰納的情報の他の例を表す図である。 図５に示したステップＳ１０３の処理について説明するための図である。 変形例１に係る情報処理システムの概略構成を示す図である。 図９に示した検出装置の検知部の構成の一例を示す図である。 図１０に示した投光部の構成の一例を示す図である。 図１０に示した受光部の構成の一例を示す図である。 図９に示した情報処理装置において実行される処理の手順を表すフローチャートである。 （Ａ）は第２実施形態に係る情報処理システムが図５に示したステップＳ１０１で取得する帰納的情報の一例を表す図であり、（Ｂ）は（Ａ）に示した帰納的情報の他の例を表す図である。 （Ａ）は図１４（Ａ）に示した帰納的情報から抽出される特徴量の一例を表す図であり、（Ｂ）は図１４（Ｂ）に示した帰納的情報から抽出される特徴量の一例を表す図である。 第３実施形態に係る情報処理システムが解析する対象の一例を表す模式図である。 図１６に示した対象に関する帰納的情報を検出する検出部の一例を表す図である。 図５に示したステップＳ１０１で取得される帰納的情報の一例を表す図である。 図１８に示した帰納的情報の他の例を表す図である。 変形例２に係る情報処理システムが解析する対象の一例を表す模式図である。 図２０に示した感度調整部の構成の一例を表す断面模式図である。 図２１に示した感度調整部の構成の他の例を模式的に表す斜視図である。 変形例３に係る感度調整部の構成の一例を表す断面模式図である。 第４実施形態に係る情報処理システムの検出部の要部を表す図である。 （Ａ）は、図２４に示した絶縁基板の構成を表す斜視図、（Ｂ）は、（Ａ）に示した一方の主面の構成を表す平面図、（Ｃ）は、（Ａ）に示した他方の主面の構成を表す平面図である。 図５に示したステップＳ１０１で取得される帰納的情報の一例を表す図である。 連続生産している対象に対して、共振ピーク周波数を一定間隔でプロットした図である。 図２７に示した時間ｔ１，ｔ２でのインピダンススペクトルを表す図である。 図２８に示した周波数ａ，ｂ，ｃの信号レベルの時間変化を表す図である。 実施例１に用いられる機械学習モデルのデータの一例を表す図である。 実施例２に用いられる機械学習モデルのデータの一例を表す図である。 実施例３に用いられる機械学習モデルのデータの一例を表す図である。

以下、添付した図面を参照して、本発明の実施形態を説明する。なお、図面の説明において同一の要素には同一の符号を付し、重複する説明を省略する。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。

［情報処理システムの構成］
図１は、本発明の第１実施形態～第３実施形態に係る情報処理システム１の概略構成を示す図である。

図１に示すように、情報処理システム１は、情報処理装置１００および検出装置２００を有しており、所定の対象Ｔの解析に用いられる。

情報処理装置１００は、検出装置２００と接続可能に構成されている。情報処理装置１００は、検出装置２００との間で各種の情報や指示を送受信する。

検出装置２００は、対象Ｔに関する帰納的情報を検出する。検出装置２００は、たとえば、対象Ｔの蛍光指紋に関する情報を検出する。

ここで、帰納的情報は、人間の思考では、演繹法的に取り扱うことが困難な情報であり、たとえば、根拠が十分確立されていない科学的データ、または意味付けが十分になされていない科学的データ等である。根拠が十分確立され、あるいは、意味付けが十分になされている科学的データであっても、複雑さ、または情報量の多さ等の理由によって、人間の思考での演繹法的な処理が困難な科学的データは、帰納的情報に含まれる。帰納的情報には、対象Ｔについて取得される各種情報が含まれ、たとえば、撮像した画像に関する情報、Ｘ線画像に関する情報、超音波画像に関する情報、クロマトグラム等の連続的な信号に関する情報、電磁波スペクトルに関する情報、蛍光指紋に関する情報またはインピダンスに関する情報等が含まれる。ここで、インピダンスとは、交流電流および電圧に対する応答性を表す指標である。

情報処理システム１は、さらに、感度調整部３００を含んでいてもよい。この感度調整部３００は、検出装置２００における帰納的情報の検出の感度を調整するために、対象Ｔに対して所定の処理を施し、対象Ｔの解析を補助する。たとえば、感度調整部３００を用いることによって、情報処理装置１００は、より高い精度の帰納的情報を取得することが可能となる。情報処理システム１とは別に、感度調整部３００が設けられていてもよい。

帰納的情報を得ることが可能であれば、対象Ｔは限定されない。たとえば、対象Ｔは、鉄筋、トナーおよび樹脂フィルム等の加工品または合成品等である。対象Ｔは、自然物であってもよい。対象Ｔは、抗原、抗体、細胞、遺伝子、菌およびウイルス等の生物由来物質であってもよく、あるいは、食品および飲料等であってもよい。対象Ｔは、構造物、工業製品、印刷物、自然物、人体、動物、植物の空間等であってもよい。
＜第１実施形態＞
まず、第１実施形態として、情報処理システム１が、蛍光指紋に関する情報を用いて、樹脂フィルムの解析を行う例を説明する。即ち、ここでは、帰納的情報が蛍光指紋に関する情報を含み、対象Ｔが樹脂フィルムである例を説明する。

以下、情報処理システム１の各構成について詳細に説明する。

（情報処理装置１００）
情報処理装置１００は、たとえばサーバーおよびＰＣ等のコンピューターである。情報処理装置１００は、複数の装置から構成されてもよく、たとえば多数のサーバーによってクラウドサーバーとして仮想的に構成されてもよい。

図２は、情報処理装置１００の概略構成を示すブロック図である。

図２に示すように、情報処理装置１００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１０、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２０、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３０、ストレージ１４０、通信インターフェース１５０および操作表示部１６０を有する。各構成は、バス１７０を介して相互に通信可能に接続されている。

ＣＰＵ１１０は、ＲＯＭ１２０やストレージ１４０に記録されているプログラムにしたがって、上記各構成の制御や各種の演算処理を行う。

ＲＯＭ１２０は、各種プログラムや各種データを格納する。

ＲＡＭ１３０は、作業領域として一時的にプログラムやデータを記憶する。

ストレージ１４０は、オペレーティングシステムを含む各種プログラムや、各種データを格納する。たとえば、ストレージ１４０には、他の装置との間で各種情報を送受信したり、他の装置から取得する各種情報に基づいて出力する解析情報を決定したりするためのアプリケーションがインストールされている。また、ストレージ１４０には、出力する解析情報の候補や、各種情報に基づいて出力する解析情報を決定するために必要となる情報が記憶されている。なお、解析情報を決定するために機械学習モデルを使用する場合は、機械学習に必要となる教師データや学習済みモデルが記憶されてもよい。

通信インターフェース１５０は、他の装置と通信するためのインターフェースである。通信インターフェース１５０としては、有線または無線の各種規格による通信インターフェースが用いられる。

操作表示部１６０は、たとえば、タッチパネル式のディスプレイであり、各種情報を表示すると共に、ユーザーからの各種入力を受け付ける。

（検出装置２００）
検出装置２００は、対象Ｔに関する帰納的情報を検出するための構成であり、各種センサー等の装置である。

図３は、検出装置２００の概略構成を示すブロック図である。

図３に示すように、検出装置２００は、ＣＰＵ２１０、ＲＯＭ２２０、ＲＡＭ２３０、ストレージ２４０、通信インターフェース２５０および検出部２６０を有する。各構成は、バス２７０を介して相互に通信可能に接続されている。

ＣＰＵ２１０、ＲＯＭ２２０、ＲＡＭ２３０、ストレージ２４０、通信インターフェース２５０は、情報処理装置１００の対応する各構成と同様の機能を有するため、重複する説明は省略する。

検出部２６０は、たとえば、ＣＰＵ２１０と協働して、対象Ｔに関する蛍光指紋を検出する。対象Ｔに関する蛍光指紋は、たとえば、対象Ｔに照射する光の励起波長と、観測される光の蛍光波長とを段階的に変化させながら蛍光強度を測定することによって検出される。検出部２６０には、たとえば、蛍光分光光度計を用いることができる。

（感度調整部３００）
感度調整部３００は、対象Ｔに所定の処理を施し、検出装置２００は、この感度調整部３００の影響を受けた帰納的情報を検出する。これにより、検出装置２００における帰納的情報の検出の感度が調整される。

検出装置２００が対象Ｔについての蛍光指紋に関する情報を取得するとき、感度調整部３００は、有形のものであっても無形のものでもよく、たとえば、対象Ｔに薬剤を供与する薬剤供与部及び／または薬剤供与行為を含んでいる。この薬剤供与部（第１薬剤供与部）が供与する薬剤は、たとえば、対象Ｔについて観測される蛍光を強める。これにより、検出装置２００は、対象Ｔの蛍光指紋を検出し易くなり、情報処理装置１００は、より高い精度で、蛍光指紋に関する情報を取得することができる。

たとえば、対象Ｔがタンパク質を含むとき、薬剤供与部は、このタンパク質の末端と結合または相互作用するマーカー剤を対象Ｔに供与する。マーカー剤は、たとえば、任意の蛍光色素等である。たとえば、対象Ｔが不対電子（ルイス塩基性）を有する物質を含むとき、薬剤供与部は、不対電子を取り込む機能を有する、即ち、ルイス酸性を有する薬剤を対象Ｔに供与する。たとえば、ポリエチレングリコールの酸素原子は不対電子を有しており、プラナーボランおよびＤＡＢＮＡ等の擬平面トリフェニルボランは、ルイス酸性を有している。たとえば、対象Ｔが水素結合受容性を有する物質を含むとき、薬剤供与部は、水素結合供与性（解離性プロトン）を有する薬剤を供与する。たとえば、ポリエチレングリコールの酸素原子は水素結合受容性を有しており、フェノール性水酸基を有するチロシンおよびチロシン誘導体は、水素結合供与性を有している。チロシン誘導体としては、たとえば、オリゴペプチド、カルボン酸エステルおよびアミド等が挙げられる。水素結合供与性を有する薬剤には、対象Ｔおよび検知する蛍光の波長域等に応じて、種々の蛍光色素等を選択することができる。これにより検出したい対象Ｔの帰納的情報を増強することができる。

薬剤供与部が供与する薬剤は、対象Ｔについて観測される蛍光を弱めてもよい。これにより、蛍光指紋の特徴が際立つため、情報処理装置１００は、より高い精度で、対象Ｔについての蛍光指紋に関する情報を取得することができる。

たとえば、対象Ｔがマレイミドを含むとき、薬剤供与部は、臭素およびヨウ素等の重原子を含む薬剤を供与する。これにより、マレイミドの二重結合に重原子が付加し、この周囲の蛍光が弱まる。

検出装置２００が対象Ｔの蛍光指紋に関する情報を取得するとき、感度調整部３００は、対象Ｔの温度を調整する温度調整部を含んでいてもよい。この温度調整部は、たとえば、蛍光発光性の物質を含む対象Ｔを冷却し、対象Ｔについて観測される蛍光を強める。これにより、検出装置２００は、より一層、対象Ｔについての蛍光指紋を検出し易くなる。蛍光発光性の物質としては、たとえば、芳香族化合物を含む物質が挙げられる。温度調整部は、たとえば、液体窒素または冷メタノールを含んでいる。

温度調整部によって冷却された対象Ｔでは、りん光が観測されてもよい。発光時間のより長いりん光が観測されることによって、対象Ｔについての蛍光指紋のＳ／Ｎ（Ｓｉｇｎａｌ－Ｎｏｉｓｅ Ｒａｔｉｏ）が向上し、情報処理装置１００は、より高い精度で、蛍光指紋に関する情報を取得することができる。

検出装置２００が対象Ｔの蛍光指紋に関する情報を取得するとき、感度調整部３００は検出装置２００の受光部と対象Ｔに励起光を照射する光源部とを連動して制御し、信号を積算し出力してもよい。これにより、微弱な蛍光を検出することができるので、対象Ｔに強い励起光を照射する必要がなく、対象Ｔの特性を変化させずに蛍光を検出することができる。さらに受光タイミングを励起光照射タイミングから僅かに遅延させることで励起波長と蛍光波長とが近いときにも、蛍光指紋のＳ／Ｎを向上させることができる。

（情報処理装置１００の機能）
図４は、情報処理装置１００の機能構成を示すブロック図である。

情報処理装置１００は、ＣＰＵ１１０がストレージ１４０に記憶されたプログラムを読み込んで処理を実行することによって、たとえば、第１取得部１１１、第２取得部１１２、抽出部１１３、解析部１１４および出力部１１５として機能する。

第１取得部１１１は、対象Ｔに関する帰納的情報を取得する。第１取得部１１１が取得する対象Ｔに関する帰納的情報には、感度調整部３００の影響が及んでいてもよい。たとえば、第１取得部１１１は、対象Ｔ（樹脂フィルム）についての蛍光指紋に関する情報を取得する。

第２取得部１１２は、対象Ｔに関する演繹的情報を取得する。

ここで、演繹的情報は、人間の思考によって演繹法的に取り扱うことが可能な情報である。演繹的情報は、たとえば、根拠が十分確立されているデータ、または意味付けが十分になされているデータ等である。演繹的情報は、より具体的には、対象Ｔに関する質量の情報、長さの情報、角度の情報、温度の情報、^１Ｈ ＮＭＲスペクトルの情報、マススペクトルの情報、ラマンスペクトルの情報、Ｘ線回折装置によって分析された情報、光学的原理に基づいて分析された情報およびクロマトグラムの情報等である。光学的原理に基づいて分析された情報は、たとえば、分光光度計によって分析された情報、蛍光光度計によって分析された情報およびエリプソメーターによって分析された情報等である。

抽出部１１３は、第１取得部１１１によって取得された帰納的情報から、特徴量を抽出する。抽出部１１３は、この帰納的情報とともに、第２取得部１１２によって取得された演繹的情報を用いて特徴量を抽出してもよい。また、抽出部１１３は、機械学習を用いて、特徴量を抽出しても良い。たとえば、所定の状態の樹脂フィルムの蛍光指紋を入力とし、ピーク波長を教師データとした学習データによって予め学習された機械学習モデルを用いて、対象Ｔについての蛍光指紋に関する情報から、１または複数のピーク波長を抽出する。

解析部１１４は、抽出部１１３で抽出された特徴量に基づいて、対象Ｔを解析する。解析部１１４は、この特徴量とともに、第２取得部１１２で取得された演繹的情報を用いて、対象Ｔを解析してもよい。解析部１１４は、演繹的情報を教師データとして機械学習を行い、対象Ｔを解析してもよい。解析部１１４は、たとえば、樹脂フィルムの蛍光指紋の特定のピーク波長を入力とし、樹脂フィルムに含まれる物質情報を教師データとした学習データによって予め学習された機械学習モデルを用いて、対象Ｔを解析する。これにより、抽出部１１３で抽出された１または複数のピーク波長から、対象Ｔの状態および対象Ｔに含まれる物質等が解析される。

抽出部１１３および解析部１１４は、１つの機械学習モデルにより構成されていてもよい。

出力部１１５は、解析部１１４によって解析された対象Ｔの解析結果を、操作表示部１６０への表示等によって出力する。

〔情報処理装置の処理概要〕
図５は、情報処理装置１００において実行される処理の手順を示すフローチャートである。図５のフローチャートに示される情報処理装置１００の処理は、情報処理装置１００のストレージ１４０にプログラムとして記憶されており、ＣＰＵ１１０が各部を制御することによって実行される。

まず、情報処理装置１００は、対象Ｔ（樹脂フィルム）に関する帰納的情報および演繹的情報を取得する（ステップＳ１０１）。帰納的情報は、たとえば、検出装置２００によって検出された対象Ｔについての蛍光指紋に関する情報である。情報処理装置１００は、少なくとも帰納的情報を取得すればよい。

図６および図７は、情報処理装置１００が取得した対象Ｔについての蛍光指紋に関する情報の一例を表している。たとえば、図６は加熱前の対象Ｔについての蛍光指紋、図７は加熱後の対象Ｔについての蛍光指紋を各々表す。このように、たとえば、加熱の前後によっても対象Ｔについての蛍光指紋は変化する。
情報処理装置１００は、ステップＳ１０１で帰納的情報および演繹的情報を取得した後、帰納的情報から特徴量を抽出する（ステップＳ１０２）。このとき、情報処理装置１００は、帰納的情報とともに演繹的情報を用いて特徴量を抽出してもよい。たとえば、情報処理装置１００は、樹脂フィルムの蛍光指紋を入力とし、ピーク波長を教師データとした学習データによって予め学習された機械学習モデルを用いて、ステップＳ１０１で取得した対象Ｔの蛍光指紋に関する情報から１または複数のピーク波長を抽出する。

続いて、情報処理装置１００は、ステップＳ１０２で抽出した特徴量に基づいて、対象Ｔを解析する（ステップＳ１０３）。このとき、情報処理装置１００は、特徴量とともに、ステップＳ１０１で取得した演繹的情報を用いて対象Ｔを解析してもよい。たとえば、情報処理装置１００は、樹脂フィルムの蛍光指紋の特定のピーク波長を入力とし、樹脂フィルムに含まれる物質情報を教師データとした学習データによって予め学習された機械学習モデルを用いて、対象Ｔを解析する。

図８を用いて、このステップＳ１０３の処理について説明する。たとえば、ステップＳ１０３で使用される機械学習モデルでは、樹脂フィルムについての蛍光指紋の主成分スコア１，２と、所定の樹脂フィルムに含まれ得るＵＶ（Ｕｌｔｒａ ｖｉｏｌｅｔ）吸収剤に関する情報およびこの樹脂フィルムの加熱状態に関する情報とが教師データとして学習されている。たとえば、この機械学習モデルで生成した主成分スコアに基づいてステップＳ１０２で抽出した蛍光指紋を分析することによって、対象ＴにおけるＵＶ吸収剤の有無および加熱状態を解析することができる。

情報処理装置１００は、ステップＳ１０３の処理において対象Ｔを解析した後、この解析結果を出力し（ステップＳ１０４）、処理を終了する。

情報処理装置１００は、ステップＳ１０１の処理において取得した帰納的情報および演繹的情報と、ステップＳ１０２の処理において抽出した特徴量と、ステップＳ１０３の処理において解析した解析結果とをストレージ１４０のデータベース等に登録してもよい。これらは、対象Ｔを解析するための機械学習モデルを学習させるための教師データとして用いられてもよい。

また、ステップＳ１０３の処理において解析された解析結果に基づいて、検出装置２００が制御されてもよい。たとえば、ステップＳ１０３の処理において解析された解析結果に基づいて、検出部２６０の検出条件が制御される。このとき、情報処理装置１００が検出装置２００を制御してもよく、他の制御装置が検出装置２００を制御してもよい。

また、ステップＳ１０３の処理において解析された解析結果に基づいて、他の装置が制御されてもよい。たとえば、ステップＳ１０３の処理において解析された解析結果に基づいて、対象Ｔを製造する製造装置の製造条件等が制御される。このとき、情報処理装置１００が、製造装置等を制御してもよく、他の制御装置が製造装置等を制御してもよい。

〔情報処理システムの作用効果〕
以上のように、本実施形態の情報処理装置１００によれば、帰納的情報から特徴量が抽出され、この特徴量に基づいて、対象Ｔが解析される。よって、人間の思考では演繹的に取り扱うことが困難な情報を用いて対象Ｔの解析を行うことができる。以下、この作用効果について詳細に説明する。

現在、実用化されている分析機器では、その分解能、誤差およびダイナミックレンジ等に起因して分析不可能な範囲が存在する。仮に、この範囲を分析できる装置が存在したとしても、この装置は、たとえば、大学等の研究機関で作られ、高価あるいは希少な装置とならざるを得ない。したがって、この装置を実用化し、たとえば、第二次産業におけるＤＸ（デジタルトランスフォーメーション）の推進に役立てることは困難である。

一方、現在では、機械学習およびＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）等の技術が進歩し、人間の思考では演繹的に取り扱うことが困難な情報であっても、機械学習およびＡＩ等による演算が可能である。換言すれば、科学的根拠が十分でないデータであっても、検出対象の変化に対応（たとえば、１対１で対応）する特徴量を含むデータであれば、ＡＩを用いて対象の変化を特定することができる。

本実施形態の情報処理装置１００が取得する帰納的情報は、このＡＩおよび機械学習等による演算に好適な情報である。帰納的情報を積極的に活用することにより、超スマート社会Ｓｏｃｉｅｔｙ ５．０の実現に役立てることができる。また、検出装置２００は、このような帰納的情報を生成し、かつ、これまでデータサイエンスの分野で積極的に使用されなかった装置である。仮に、装置の原理自体は、公知であったとしても、ＤＸの推進に役立てられていなかった検出装置は、検出装置２００となり得る。今回、発明者らの経験および技術の蓄積等により、この検出装置２００が生成する帰納的情報を用いて、対象Ｔを解析できることを見出した。

上記のように、情報処理装置１００では、人間の思考では演繹法的に取り扱うことが困難な情報、即ち、帰納的情報を用いて対象Ｔの解析を行うことができる。このような情報処理装置１００は、超スマート社会Ｓｏｃｉｅｔｙ ５．０の実現およびＤＸ（デジタルトランスフォーメーション）の推進に寄与する。

また、情報処理装置１００は、対象Ｔに関する演繹的情報を取得し、帰納的情報とともに演繹的情報も対象Ｔの解析に利用する。これにより、より高い精度で対象Ｔを解析することができる。

以下、他の実施形態およびその変形例について説明するが、上記第１実施形態と同様の点についての説明は省略または簡略化する。

＜変形例１＞
変形例１では、情報処理システム１を製品の生産工程管理に用いる例を説明する。この点を除き、本変形例に係る情報処理システム１は、上記第１実施形態で説明した情報処理システム１と同様である。本変形例に係る情報処理システム１は、上記第１実施形態で説明したのと同様の作用効果を奏する。

図９は、変形例１に係る情報処理システム１の構成の一例を表している。変形例１に係る情報処理システム１は、たとえば、情報処理装置１００および検出装置２００に加えて、検出装置４００を有している。情報処理システム１は、たとえば、樹脂フィルムが製品仕様を満たすか否かを解析する。より具体的には、情報処理システム１は、樹脂フィルムの生産工程において、対象Ｔとしてドープ材を解析する。この情報処理システム１では、たとえば、帰納的情報として蛍光指紋に関する情報、演繹的情報として簡易的な蛍光分析に関する情報が用いられる。ここでは、検出装置２００が本発明の第１検出装置の一具体例、検出装置４００が本発明の第２検出装置の一具体例に各々対応する。

情報処理装置１００は、上記第１実施形態で説明したのと同様の構成を有しており、検出装置２００，４００と接続可能に構成されている。

検出装置２００は、上記第１実施形態で説明したのと同様の構成を有しており、たとえば、対象Ｔの蛍光指紋に関する情報を検出する。検出装置２００により、たとえば、各条件を振って作成されたドープ材のサンプルの蛍光指紋に関する情報が検出される。なお、製品として良品であるドープ材、不良品となってしまうドープ材を多数用意し検出する事が有益である。これらのドープ材に対して検出装置２００により検出された蛍光指紋に関する情報に基づいて、生産工程におけるドープ材が製品仕様を満たすか否かを判断するための特徴量が抽出される。

検出装置４００は、対象Ｔに関する演繹的情報を検出する。検出装置４００は、たとえば、生産工程におけるドープ材の簡易的な蛍光分析に関する情報を検出する。検出装置４００は、たとえば、ＣＰＵ、ＲＯＭ、ＲＡＭ、ストレージ、通信インターフェースおよび検出部を有する。各構成は、バスを介して相互に通信可能に接続されている（図３参照）。

図１０に、検出装置４００の検出部の構成の一例を対象Ｔとともに表す。検出装置４００は、たとえば、投光部４６１、受光部４６２、光ファイバー４６３１，４６３２およびレンズ４６４１，４６４２を含んでいる。投光部４６１から、光ファイバー４６３１およびレンズ４６４１を介して対象Ｔに励起光が照射されると対象Ｔで蛍光が発生する。この対象Ｔで発生した蛍光は、レンズ４６４２および光ファイバー４６３２を介して受光部４６２に入射する。

図１１は、投光部４６１の具体的な構成の一例を表す。投光部４６１は、たとえば、光源４６１１ａ，４６１１ｂ、コリメーター４６１２ａ，４６１２ｂ、バンドパスフィルター４６１３ａ，４６１３ｂ、ビームサンプラー４６１４ａ，４６１４ｂ、ダイクロイックミラー４６１５、集光レンズ４６１６、コネクター４６１７およびＰＤ（Ｐｈｏｔｏ Ｄｉｏｄｅ）４６１８ａ，４６１８ｂを含んでいる。

光源４６１１ａ，４６１１ｂは、たとえば、互いに異なる波長の光を出力する。光源４６１１ａ，４６１１ｂは、たとえば、ＬＥＤ（Ｌｉｇｈｔ Ｅｍｉｔｔｉｎｇ Ｄｉｏｄｅ）により構成されている。光源４６１１ａ，４６１１ｂから出力される光の波長は、たとえば、情報処理装置１００により抽出された特徴量に基づいて決定される。光源４６１１ａは、たとえば、波長３４０ｎｍの励起光、光源４６１１ｂは、たとえば、波長２８０ｎｍの励起光を各々出力する。

光源４６１１ａから出力された光は、コリメーター４６１２ａ、バンドパスフィルター４６１３ａ、ビームサンプラー４６１４ａを通過してダイクロイックミラー４６１５に入射し、ダイクロイックミラー４６１５を透過する。光源４６１１ｂから出力された光は、コリメーター４６１２ｂ、バンドパスフィルター４６１３ｂ、ビームサンプラー４６１４ｂを通過してダイクロイックミラー４６１５に入射し、このダイクロイックミラー４６１５で反射されて集光レンズ４６１６の方向に向かう。バンドパスフィルター４６１３ａ，４６１３ｂは、たとえば、波長３４０ｎｍ，２８０ｎｍの光を選択的に透過させる光学フィルターである。

ダイクロイックミラー４６１５は、光源４６１１ａから出力された光と、光源４６１１ｂから出力された光とを合成する。ダイクロイックミラー４６１５で合成された光は、集光レンズ４６１６を介して、光ファイバー４６３１に接続されたコネクター４６１７に入射する。コネクター４６１７は、たとえば、ＦＣコネクターにより構成されている。

ＰＤ４６１８ａ，４６１８ｂは、光源４６１１ａ，４６１１ｂから出力された光をモニタリングするためのものである。光源４６１１ａから出力された光の一部は、ビームサンプラー４６１４ａによって取り出され、ＰＤ４６１８ａに入射する。ＰＤ４６１８ａは、たとえば、波長３４０ｎｍの光を受光する。光源４６１１ｂから出力された光の一部は、ビームサンプラー４６１４ｂによって取り出され、ＰＤ４６１８ｂに入射する。ＰＤ４６１８ｂは、たとえば、波長２８０ｎｍの光を受光する。

図１２は、受光部４６２の具体的な構成の一例を表す。受光部４６２は、たとえば、ハイパスフィルター４６２２ｃ，４６２２ｄ、バンドパスフィルター４６２３ａ，４６２３ｂ，４６２３ｃ，４６２３ｄ、ビームサンプラー４６２４、ダイクロイックミラー４６２５ａｂ，４６２５ｃｄ、集光レンズ４６２６、コネクター４６２７、ＰＤ４６２８ａ，４６２８ｂ，４６２８ｃ，４６２８ｄおよびＰＤ集光レンズ４６２９ａ，４６２９ｂ，４６２８ｃ，４６２８ｄを含んでいる。

光ファイバー４６３２を介して受光部４６２に入射した光は、コネクター４６２７および集光レンズ４６２６を通過してビームサンプラー４６２４に入射する。ビームサンプラー４６２４に入射した光の一部は、ダイクロイックミラー４６２５ａｂに入射し、残りの光がダイクロイックミラー４６２５ｃｄに入射する。

ダイクロイックミラー４６２５ａｂに入射した光は、分割されてＰＤ４６２８ａ，４６２８ｂに受光される。ＰＤ４６２８ａ，４６２８ｂは、投光部４６１から対象Ｔに照射された励起光をモニタリングするためのものである。ＰＤ４６２８ａは、たとえば、波長３４０ｎｍの光を受光し、ＰＤ４６２８ａは、たとえば、波長２８０ｎｍの光を受光する。

ダイクロイックミラー４６２５ａｂとＰＤ４６２８ａとの間には、ダイクロイックミラー４６２５ａｂ側から、バンドパスフィルター４６２３ａおよびＰＤ集光レンズ４６２９ａがこの順に設けられている。ダイクロイックミラー４６２５ａｂとＰＤ４６２８ｂとの間には、ダイクロイックミラー４６２５ａｂ側から、バンドパスフィルター４６２３ｂおよびＰＤ集光レンズ４６２９ｂがこの順に設けられている。バンドパスフィルター４６２３ａ，４６２３ｂは、たとえば、波長３４０ｎｍ，２８０ｎｍの光を選択的に透過させる光学フィルターである。

ダイクロイックミラー４６２５ｃｄに入射した光は、分割されてＰＤ４６２８ｃ，４６２８ｄに受光される。ＰＤ４６２８ｃ，４６２８ｃは、対象Ｔで発生した蛍光を検出するためのものである。ＰＤ４６２８ｃ，４６２８ｃで受光される蛍光の波長は、たとえば、情報処理装置１００により抽出された特徴量に基づいて決定される。ＰＤ４６２８ｃは、たとえば、波長４００ｎｍの光を受光し、ＰＤ４６２８ｄは、たとえば、波長３１０ｎｍの蛍光を受光する。

ダイクロイックミラー４６２５ｃｄとＰＤ４６２８ｃとの間には、ダイクロイックミラー４６２５ｃｄ側から、ハイパスフィルター４６２２ｃ、バンドパスフィルター４６２３ｃおよびＰＤ集光レンズ４６２９ｃがこの順に設けられている。ダイクロイックミラー４６２５ｃｄとＰＤ４６２８ｄとの間には、ダイクロイックミラー４６２５ｃｄ側から、ハイパスフィルター４６２２ｄ、バンドパスフィルター４６２３ｄおよびＰＤ集光レンズ４６２９ｄがこの順に設けられている。ハイパスフィルター４６２２ｃ，４６２２ｄは、たとえば、波長３８５ｎｍ，３００ｎｍよりも長波長域の光を選択的に透過させる光学フィルターである。バンドパスフィルター４６２３ｃ，４６２３ｄは、たとえば、波長４００ｎｍ，３１０ｎｍの光を選択的に透過させる光学フィルターである。

上記第１実施形態で説明したのと同様に、情報処理システム１は、さらに、感度調整部３００を含んでいてもよい（図９）。感度調整部３００は、たとえば、対象Ｔに薬剤を供与する薬剤供与部及び／または薬剤供与行為を含んでいる。この薬剤供与部が供与する薬剤は、たとえば、受光部４６２で観測される蛍光を強めるマーカー剤である。これにより、検出装置４００の受光部４６２は、対象Ｔで発生した蛍光を検出し易くなり、情報処理装置１００は、より高い精度で、対象Ｔ、即ちドープ材が製品仕様を満たすか否かを判断することができる。たとえば、対象Ｔには、５ｐｐｍ以下の濃度のマーカー剤が含有されている。感度調整部３００は、検出装置２００で検出される蛍光を強めるものであってもよい。

次に、図１３を用いて、この情報処理システム１の情報処理装置１００において実行される処理について説明する。図１３は、情報処理装置１００の処理の手順を示すフローチャートである。以下では、たとえば、樹脂フィルム製品の製品仕様として、太陽光暴露に対する信頼性の項目が存在し、この項目に樹脂フィルムのＵＶ（Ｕｌｔｒａｖｉｏｌｅｔ）吸収量が関わっていることが既に判明している場合を例に挙げて説明する。たとえば、樹脂フィルムの製品仕様に、太陽光暴露が１０００時間以下であるいう信頼性の項目が存在し、この項目は、樹脂フィルムのＵＶ吸収量が１０ｐｐｍ以下であるときに満たされることが判明している。

まず、情報処理装置１００は、対象Ｔ（ドープ材）に関する帰納的情報を取得する（ステップＳ２０１）。このとき、たとえば、対象Ｔとして、ＵＶ吸収量の異なる複数のドープ材のサンプルが用いられ、これらについて検出装置２００で検出された蛍光指紋に関する情報が取得される。複数のドープ材のサンプルは、たとえば、ラボベースで作成される。

次に、情報処理装置１００は、ステップＳ２０１で取得された帰納的情報から特徴量を抽出する（ステップＳ２０２）。たとえば、情報処理装置１００は、ドープ材のＵＶ吸収量および蛍光指紋を入力とし、励起光の波長と蛍光のピーク波長との組み合わせを教師データとした学習データによって予め学習された機械学習モデルを用いて、励起光の波長と蛍光のピーク波長との組み合わせを抽出する。情報処理装置１００は、励起光の波長と蛍光のピーク波長との組み合わせを複数抽出することが好ましく、たとえば、励起光の波長と蛍光のピーク波長との組み合わせを２つ抽出する。この情報処理装置１００により抽出された励起光の波長と蛍光のピーク波長との組み合わせが、検出装置４００に適用される。

情報処理装置１００は、ステップＳ２０２で、検出装置４００に好適な励起光の波長と蛍光のピーク波長との組み合わせを抽出するようにしてもよい。たとえば、情報処理装置１００は、ステップＳ２０１で取得した対象Ｔの蛍光指紋に関する情報から、まず、励起光の波長２７５ｎｍ、蛍光のピーク波長３０５ｎｍの組み合わせと、励起光の波長３３５ｎｍ、蛍光のピーク波長３９５ｎｍの組み合わせとを抽出する。次に、情報処理装置１００は、たとえば、励起光の波長２７５ｎｍ，３３５ｎｍを、単色のＬＥＤで出力可能な励起光の波長２８０ｎｍ，３４０ｎｍに修正し、励起光の波長２８０ｎｍ、蛍光のピーク波長３１０ｎｍの組み合わせと、励起光の波長３４０ｎｍ、蛍光のピーク波長４００ｎｍの組み合わせとを再度抽出する。生産工程で使用される検出装置４００では、光源４６１１ａ，４６１１ｂにハロゲン光源等の光源よりも単色のＬＥＤを用いることが好ましいためである。

情報処理装置１００は、励起光の波長と蛍光のピーク波長との組み合わせを抽出した後、この組み合わせを適用した検出装置４００を用いて、対象Ｔの演繹的情報を取得する（ステップＳ２０３）。このとき、たとえば、対象Ｔとして、生産工程におけるドープ材が用いられる。検出装置４００は、たとえば、波長３４０ｎｍ，２８０ｎｍの光を出力する光源４６１１ａ，４６１１ｂと、波長４００ｎｍ，３１０ｎｍの光を受光するＰＤ４６２８ｃ，４６２８ｄとを有しており、所定の強度の波長３４０ｎｍ，２８０ｎｍの励起光を対象Ｔに照射したときの波長４００ｎｍ，３１０ｎｍの蛍光の強度を検出する。即ち、情報処理装置１００は、波長３４０ｎｍ，２８０ｎｍの励起光の強度および波長４００ｎｍ，３１０ｎｍの蛍光の強度に関する情報を演繹的情報として取得する。

続いて、情報処理装置１００は、ステップＳ２０２で抽出した特徴量とステップＳ２０３で取得した演繹的情報とに基づいて、対象Ｔを解析する（ステップＳ２０４）。たとえば、情報処理装置１００は、検出装置４００から取得された演繹的情報に基づいて、対象Ｔ、即ち、生産工程におけるドープ材のＵＶ吸収量、即ち製品仕様を解析する。たとえば、波長４００ｎｍ，３１０ｎｍの蛍光の強度が所定の値以下であるとき、生産工程におけるドープ材は、そのＵＶ吸収量が１０ｐｐｍ以下であり、製品仕様を満たすと判断される。

情報処理装置１００は、ステップＳ２０４の処理において対象Ｔを解析した後、この解析結果を出力し（ステップＳ２０５）、処理を終了する。

情報処理装置１００は、ステップＳ２０３の処理において、複数の演繹的情報を取得し、ステップＳ２０４の処理において、これら複数の演繹的情報に基づいて対象Ｔを解析してもよい。たとえば、情報処理装置１００は、上記ドープ材の工程よりも、より上流の工程またはより下流の工程の演繹的情報をさらに取得する。この演繹的情報は、たとえば、当該工程における対象Ｔの温度の情報等である。情報処理装置１００は、たとえば、この複数の演繹的情報から、機械学習を用いて対象Ｔを解析する。複数の演繹的情報を用いて対象Ｔの解析を行うことにより、より高い精度で、対象Ｔが製品仕様を満たすか否かを解析することが可能となる。

このように、本変形例では、情報処理システム１が、簡易的な蛍光分析が可能な検出装置４００を含んでいるので、生産工程において対象Ｔが製品仕様を満たすか否かを簡便に解析することが可能となる。以下、この作用効果について説明する。

蛍光指紋に関する情報は、有用な情報を豊富に含んでいるが、蛍光指紋の検出には時間を要する。このため、製品の生産工程における製品仕様の監視に、蛍光指紋に関する情報を用いることは困難である。

これに対し、検出装置４００は、短時間で蛍光分析を行うことができるので、生産工程における製品仕様の監視に好適に用いることができる。蛍光指紋に関する情報、即ち、帰納的情報から特徴量を抽出するとともに、この特徴量に基づいて、検出装置４００から演繹的情報を取得することにより、簡便に、かつ、高い精度で生産工程における対象Ｔの製品仕様を監視することが可能となる。

＜第２実施形態＞
第２実施形態では、情報処理システム１が、クロマトグラムに関する情報を用いて、紫外線硬化樹脂の解析を行う例を説明する。即ち、ここでは、帰納的情報が熱分解ガスクロマトグラム（パイログラム）に関する情報を含み、対象Ｔが紫外線硬化樹脂である例を説明する。情報処理システム１は、たとえば、この対象Ｔの硬度を解析する。

熱分解ガスクロマトグラム等のクロマトグラムは、クロマトグラフィーによって得られるデータであり、たとえば、カラム保持時間と、当該カラム保持時間における信号強度との関係が表される。クロマトグラムの解析では、たとえば、Ｓ／Ｎの比較的大きい信号、いわゆるピークが解析される。このクロマトグラムのピークは、人間の思考によって演繹法的に取り扱うことが可能な情報であり、演繹的情報として扱うことができる。一方、クロマトグラムには、ピークよりもＳ／Ｎ比の小さい無数の信号が含まれるが、これらの信号は、複雑さ、および情報量の多さ等の理由によって、人間の思考での演繹法的な処理が困難な情報、即ち、帰納的情報である。対象Ｔを構成する物質が複雑になるに連れて、クロマトグラムの信号も複雑になり、演繹法的な取り扱いが困難となる。ここでは、演繹法的な取り扱われる信号よりもＳ／Ｎ比が小さい信号を含む連続的な信号を、帰納的情報と言う。

第２実施形態に係る情報処理システム１は、上記第１実施形態で説明したのと同様に、情報処理装置１００および検出装置２００を有している（図１）。情報処理システム１は、さらに、感度調整部３００を有していてもよく、情報処理システム１とは別に、感度調整部３００が設けられていてもよい。

情報処理装置１００および検出装置２００は、たとえば、上記第１実施形態で説明したのと同様の構成を有している（図２～図４参照）。

検出装置２００の検出部２６０は、たとえば、ＣＰＵ２１０と協働して、対象Ｔに関する熱分解ガスクロマトグラムを検出する。対象Ｔに関する熱分解ガスクロマトグラムは、たとえば、対象Ｔの熱分解ガスクロマトグラフィーを行うことによって検出される。検出部２６０には、たとえば、熱分解ガスクロマトグラフ分析計を用いることができる。

感度調整部３００は、たとえば、対象Ｔに薬剤を供与する薬剤供与部及び／または薬剤供与行為を含んでいる。この薬剤供与部（第２薬剤供与部）が供与する薬剤は、たとえば、対象Ｔについて検出される信号のＳ／Ｎを調整する。薬剤供与部が供与する薬剤は、たとえば、対象Ｔである紫外線硬化樹脂の特定の官能基に特異的に反応する試薬である。紫外線硬化樹脂の特定の官能基がこの試薬と反応することにより、対象Ｔについて検出される熱分解ガスクロマトグラムの信号のＳ／Ｎが変化する。これにより、熱分解ガスクロマトグラムから検出される信号の感度が調整され、情報処理装置１００は、より高い精度で、熱分解ガスクロマトグラムに関する情報を取得することが可能となる。

対象Ｔが紫外線硬化樹脂であるとき、薬剤供与部は、たとえば、有機アルカリ試薬共存下で、水酸化テトラメチルアンモニウムを対象Ｔに供与する。これにより、紫外線硬化樹脂の特定の官能基が特異的にメチル化され、対象Ｔの帰納的情報を増強することができる。

第２実施形態に係る情報処理装置１００は、上記第１実施形態で説明したのと同様に、処理を実行する（図５参照）。具体的には、以下のように処理が実行される。

まず、情報処理装置１００は、対象Ｔに関する帰納的情報を取得する（ステップＳ１０１）。たとえば、帰納的情報は、検出装置２００が検出した対象Ｔ（紫外線硬化樹脂）についての熱分解ガスクロマトグラムに関する情報である。情報処理装置１００が取得する帰納的情報は、感度調整部３００による感度調整がなされていてもよい。この感度調整部３００による感度調整は、たとえば、上記のような特定の官能基のメチル化である。

図１４（Ａ）（Ｂ）は、情報処理装置１００が取得した対象Ｔについての熱分解ガスクロマトグラムに関する情報の一例を表している。図１４（Ａ）は、感度調整部３００による感度調整がなされていない状態、即ち、特定の官能基のメチル化がなされていない状態の対象Ｔの熱分解ガスクロマトグラムを表し、図１４（Ｂ）は、感度調整部３００による感度調整がなされている状態、即ち、特定の官能基のメチル化がなされた状態の対象Ｔの熱分解ガスクロマトグラムを表している。このように、たとえば、特定の官能基のメチル化等によって熱分解ガスクロマトグラムの信号のＳ／Ｎは変化する。

情報処理装置１００は、ステップＳ１０１で帰納的情報を取得した後、帰納的情報から特徴量を抽出する（ステップＳ１０２）。情報処理装置１００は、たとえば、機械学習を用いて、ステップＳ１０１で取得した対象Ｔの熱分解ガスクロマトグラムに関する情報から１または複数の信号を抽出する。情報処理装置１００は、たとえば、ボルタ（Ｂｏｒｕｔａ）等の特徴量選択の手法を用いて特徴量を抽出する。

図１５（Ａ）、図１５（Ｂ）は各々、図１４（Ａ）、図１４（Ｂ）に示した熱分解ガスクロマトグラムにおいてボルタを適用した結果を表している。図１５（Ａ）（Ｂ）では、熱分解ガスクロマトグラムの各信号の重要度が示されている。縦軸の数値が高い程、信号の重要度が高いことを表す。たとえば、図１４（Ａ）に示した熱分解ガスクロマトグラムにおいて、Ｓ／Ｎが１．５以上の信号にボルタを適用すると、Ｓ／Ｎが比較的小さい信号、たとえば、Ｓ／Ｎが３以下の信号も抽出される。図１５（Ｂ）では、図１５（Ａ）に比べて、より多くの信号が抽出されている。

続いて、情報処理装置１００は、ステップＳ１０２で抽出した特徴量に基づいて、対象Ｔを解析する（ステップＳ１０３）。たとえば、情報処理装置１００は、熱分解ガスクロマトグラムにおける所定の信号を入力、紫外線硬化樹脂の硬度に関する情報を教師データとして予め学習された機械学習モデルを用いて、対象Ｔを解析する。このとき、情報処理装置１００は、特徴量とともに、演繹的情報を加えて対象Ｔを解析してもよい。

たとえば、ステップＳ１０３の処理において解析された解析結果に基づいて、対象Ｔを製造する製造装置の製造条件等が制御される。これにより、対象Ｔの製造条件が改良され、対象Ｔの品質等を向上させることが可能となる。

情報処理装置１００は、ステップＳ１０３の処理において対象Ｔを解析した後、この解析結果を出力し（ステップＳ１０４）、処理を終了する。

情報処理装置１００は、ステップＳ１０１の処理において取得した帰納的情報と、ステップＳ１０２およびステップＳ１０３の処理において解析した解析結果とをストレージ１４０のデータベース等に登録してもよい。これらは、対象Ｔを解析するための機械学習モデルを学習させるための教師データとして用いられてもよい。

このように、情報処理装置１００は、帰納的情報として、対象Ｔについての熱分解ガスクロマトグラムに関する情報を用いてもよい。

第２実施形態に係る情報処理システム１についても、上記第１実施形態で説明したのと同様の作用効果を奏する。

＜第３実施形態＞
第３実施形態では、情報処理システム１が、電磁波スペクトルに関する情報を用いて、鉄筋の解析を行う例を説明する。即ち、ここでは、帰納的情報が電磁波スペクトルに関する情報を含み、対象Ｔが鉄筋である例を説明する。情報処理システム１は、たとえば、この対象Ｔに付着する錆の状態を解析する。

鉄および錆では、その誘電率および導電率等が互いに異なるため、錆の付着前後では、電磁波スペクトルに関する情報が変化する。一方、鉄筋に付着する錆は、付着位置によって、その厚さおよび面積等にばらつきがあるため、錆の付着に起因する電磁波の変化は、複雑となる。したがって、ここでの電磁波スペクトルに関する情報は、帰納的情報である。

図１６は、対象Ｔとなる鉄筋の一例を表している。この鉄筋は、たとえば、円柱状の鉄筋であり、建築用途に使用される。

第３実施形態に係る情報処理システム１は、上記第１実施形態で説明したのと同様に、情報処理装置１００および検出装置２００を有している（図１）。

情報処理装置１００は、上記第１実施形態で説明したのと同様の構成を有している（図２および図４参照）。

検出装置２００は、たとえば、対象Ｔについて、電磁波スペクトルに関する情報を検出する。

図１７は、検出装置２００の検出部２６０（図２参照）の一例を表している。検出部２６０は、たとえば、送信部２６１、受信部２６２および信号処理部２６３を含んでいる。この検出部２６０は、たとえば、対象Ｔと正対して配置されている。検出部２６０と対象Ｔとの間の距離は、たとえば、数ｃｍ～数ｍである。

送信部２６１は、たとえば、送信アンテナ等を含んでおり、対象Ｔに所定の周波数帯域の電磁波を送信する。送信部２６１が送信する電磁波は、たとえば、単一の周波数にピーク強度を有する正弦波状の電磁波である。送信部２６１が送信する電磁波の周波数帯域は、たとえば、時間に応じて変化する。即ち、送信部２６１は、所定の周波数帯域で、スイープして電磁波を送信する。送信部２６１は、所定の周波数帯域において所定の強度プロファイルを有する電磁波を瞬間的に送信してもよい。即ち、送信部２６１は、インパルス方式で電磁波を送信してもよい。

送信部２６１が送信した電磁波は、たとえば、対象Ｔによって反射された後、受信部２６２に受信される。送信部２６１は、対象Ｔを透過した電磁波を受信してもよい。この受信部２６２は、たとえば、受信アンテナ等を含んでいる。受信部２６２が受信する電磁波の周波数帯域は、たとえば、ＨＦ（Ｈｉｇｈ Ｆｒｅｑｕｅｎｃｙ）帯、ＵＨＦ（Ｕｌｔｒａ Ｈｉｇｈ Ｆｒｅｑｕｅｎｃｙ）帯、ＵＷＢ帯（Ｕｌｔｒａ Ｗｉｄｅ Ｂａｎｄ：３．１ＧＨｚ～１０．６ＧＨｚ）、２４ＧＨｚ帯またはミリ波帯等である。特に、より広い周波数帯域の電波をスペクトル情報として用いることで、帰納的情報として利用できる情報が多くなり、機械学習において有効に機能することが期待できる。

信号処理部２６３は、受信部２６２が受信した電磁波の信号に基づいて、受信された電磁波の強度または位相等を検出し、この電磁波スペクトルに関する情報を生成する。信号処理部２６３は、たとえば、ベクトルネットワークアナライザー等により構成されている。

第３実施形態に係る情報処理装置１００は、上記第１実施形態で説明したのと同様に、処理を実行する（図５参照）。具体的には、以下のように処理が実行される。

まず、情報処理装置１００は、対象Ｔに関する帰納的情報および演繹的情報を取得する（ステップＳ１０１）。たとえば、帰納的情報は、検出装置２００が検出した対象Ｔ（鉄筋）についての電磁波スペクトルに関する情報であり、演繹的情報は、たとえば、対象Ｔの誘電率、導電率、弾性率または色等に関する情報である。演繹的情報は、対象Ｔの周囲の環境の情報であってもよく、たとえば、周囲の空間や物質の温度や湿度である。情報処理装置１００は、少なくとも帰納的情報を取得すればよい。

図１８および図１９は、情報処理装置１００が取得した対象Ｔについての電磁波スペクトルに関する情報の一例を表している。図１８は、受信部２６２が受信した電磁波の周波数および強度の関係を表し、図１９は、受信部２６２が受信した電磁波の周波数および位相の関係を表している。たとえば、図１８および図１９中、実線は錆が付着する前の状態の鉄筋の電磁波スペクトルであり、破線は錆が付着した後の状態の鉄筋の電磁波スペクトルである。このように、たとえば、錆の付着状態によっても電磁波スペクトルは変化する。また、複数の要因の影響を受けるため、電磁波スペクトルの変化は一つのパターンではなく、不規則にも変化する。

情報処理装置１００は、ステップＳ１０１で帰納的情報および演繹的情報を取得した後、帰納的情報から特徴量を抽出する（ステップＳ１０２）。たとえば、情報処理装置１００は、電磁波のスペクトル情報を入力、この電磁波のスペクトルのピーク波長を教師データとして予め学習された機械学習モデルを用いて、ステップＳ１０１で取得した対象Ｔの電磁波スペクトルに関する情報から１または複数のピーク波長を抽出する。このとき、情報処理装置１００は、帰納的情報とともに周囲の温度や湿度などの演繹的情報を加えて特徴量を抽出してもよい。抽出された特徴量は帰納的情報そのままでもよい。

続いて、情報処理装置１００は、ステップＳ１０２で抽出した特徴量に基づいて、対象Ｔを解析する（ステップＳ１０３）。たとえば、情報処理装置１００は、電磁波スペクトルの特定のピーク波長を入力、鉄筋の錆の付着状態に関する情報を教師データとして予め学習された機械学習モデルを用いて、対象Ｔを解析する。錆の付着状態に関する情報は、二値であってもよく、三値以上であってもよい。このとき、情報処理装置１００は、特徴量とともに、ステップＳ１０１で取得した周囲の温度や湿度などの演繹的情報を加えて対象Ｔを解析してもよい。

情報処理装置１００は、ステップＳ１０３の処理において対象Ｔを解析した後、この解析結果を出力し（ステップＳ１０４）、処理を終了する。

情報処理装置１００は、ステップＳ１０１の処理において取得した帰納的情報および演繹的情報と、ステップＳ１０２およびステップＳ１０３の処理において解析した解析結果とをストレージ１４０のデータベース等に登録してもよい。これらは、対象Ｔを解析するための機械学習モデルを学習させるための教師データとして用いられてもよい。

また、情報処理装置１００は、対象Ｔについて、時系列で、帰納的情報および演繹的情報を取得してもよい。これにより、情報処理装置１００は、対象Ｔの未来の錆の付着状態等を予測することが可能となる。

このように、情報処理装置１００は、帰納的情報として、対象Ｔについての電磁波スペクトルに関する情報を用いてもよい。

第３実施形態に係る情報処理システム１についても、上記第１実施形態で説明したのと同様の作用効果を奏する。

＜変形例２＞
変形例２では、帰納的情報が電磁波スペクトルに関する情報を含み、対象Ｔがトナーである例を説明する。情報処理システム１は、たとえば、この対象Ｔの凝集状態を解析する。この点を除き、本変形例に係る情報処理システム１は、上記第３実施形態で説明した情報処理システム１と同様である。本変形例に係る情報処理システム１は、上記第１～第３実施形態で説明したのと同様の作用効果を奏する。

トナーは、凝集すると、その誘電率および誘電正接等が変化するため、凝集の前後では、電磁波スペクトルに関する情報が変化する。一方、トナーボトル内での凝集位置には、ばらつきがあり、凝集の発生に起因する電磁波の変化は、複雑となる。したがって、ここでの電磁波スペクトルに関する情報は、帰納的情報である。

図２０は、対象Ｔとなるトナーの一例を表している。このトナーは、たとえば、ボトルＢに収容されている。たとえば、このトナーが収容されたボトルＢに接して、感度調整部３００が配置されている。感度調整部３００は、たとえば、共振器（後述の図２１の共振器３１１）を有している。これにより、検出装置２００は、対象Ｔについての電磁波スペクトルに関する情報を検出し易くなり、情報処理装置１００は、より高い精度で、電磁波スペクトルに関する情報を取得することができる。

図２１は、感度調整部３００の構成の一例を表している。感度調整部３００には、たとえば、共振器３１１、基材３１２、アイソレーション層３１３および電磁波反射材３１４が、この順に設けられている。たとえば、ボトルＢに設けられた感度調整部３００では、検出部２６０に最も近い位置に共振器３１１が配置されている。

共振器３１１は、基材３１２上に設けられた金属パターンであり、たとえば、矩形の平面形状を有している。この共振器３１１は、送信部２６１が送信する所定の周波数帯域の電磁波に共振する。基材３１２上に、１つの共振器３１１が設けられていてもよく、あるいは、複数の共振器３１１が設けられていてもよい。たとえば、基材３１２上に、互いに大きさの異なる複数の共振器３１１を設けることによって、複数の周波数帯域で共振を発生させることができる。

たとえば、共振器３１１は、送信部２６１によって送信された所定の周波数帯域の電磁波に共振し、この周波数帯域の電磁波を吸収する。これにより、検出装置２００が検出する電磁波スペクトルに、共振器３１１の共振周波数帯域に対応するピークが出現する。ピークが出現することで、装置由来のノイズや周囲の環境からのノイズに埋もれることなく、電磁波スペクトルの情報を取得することができる。

共振器３１１は、たとえば、銅（Ｃｕ）、銀（Ａｇ）、金（Ａｕ）およびアルミニウム（Ａｌ）等の金属材料により構成されている。共振器３１１は、バインダー等を含んでいてもよい。

基材３１２は、たとえば、板状の形状を有し、電磁波を透過する材料により構成されている。基材３１２の構成材料には、たとえば、紙または樹脂等を用いることができる。基材３１２は、湾曲していてもよく、あるいは筒状の形状を有していてもよい。

基材３１２と電磁波反射材３１４との間に設けられたアイソレーション層３１３は、共振器３１１と電磁波反射材３１４とを絶縁する役割を担っている。アイソレーション層３１３は、たとえば、空気により構成されている。アイソレーション層３１３は、絶縁材料等により構成されていてもよい。

電磁波反射材３１４は、アイソレーション層３１３を間にして共振器３１１と対向している。この電磁波反射材３１４は、送信部２６１が送信する所定の周波数帯域の電磁波を反射する。電磁波反射材３１４は、たとえば、板状の形状を有し、基材３１２に略平行に設けられている。電磁波反射材３１４は、たとえば、アルミニウム（Ａｌ）等の金属により構成されている。

この電磁波反射材３１４は、共振器３１１で発生する共振現象を増幅させてもよい。たとえば、共振器３１１で発生する共振現象によって、共振器３１１と電磁波反射材３１４との間にも共振現象が発生する。これにより、共振現象が増幅される。

このような共振器３１１、アイソレーション層３１３および電磁波反射材３１４を有する感度調整部３００では、たとえば、近傍のトナーの凝集状態に応じて電磁波スペクトルを変化させる。トナーの凝集のように小さいものの変化は周囲の環境のノイズに埋もれやすいが、感度調整部近傍の状態を特異的に増強することで、対象Ｔに関する情報を増やすことができる。検出装置２００は、たとえば、この感度調整部３００によって反射された電磁波スペクトルに関する情報を検出する。したがって、情報処理装置１００は、より高い精度で、電磁波スペクトルに関する情報を取得することができる。

図２２は、図２１に示した感度調整部３００の構成の他の例を表している。この感度調整部３００は、基材３１２上に電磁波反射材３１４を有している。共振器３１１は、この電磁波反射材３１４に設けられた開口により構成されている。共振器３１１は、たとえば、スロット形状を有している。

電磁波反射材３１４は、基材３１２上に設けられた導電膜により構成されている。この導電膜には、たとえば、アルミニウム（Ａｌ）または銅（Ｃｕ）等を用いることができる。

このような感度調整部３００を用い、情報処理装置１００は、たとえば、以下のようにして処理を実行する（図５参照）。

まず、情報処理装置１００は、対象Ｔに関する帰納的情報および演繹的情報を取得する（ステップＳ１０１）。たとえば、帰納的情報は、検出装置２００が検出した対象Ｔ（トナー）についての電磁波スペクトルに関する情報であり、演繹的情報は、対象Ｔの周囲の温度および湿度に関する情報である。

ここでは、検出装置２００が、共振器３１１を有する感度調整部３００を介して対象Ｔについての電磁波を検出する。これにより、情報処理装置１００は、より高い精度で、対象Ｔに関する帰納的情報を取得することができる。情報処理装置１００は、少なくとも帰納的情報を取得すればよい。

情報処理装置１００は、ステップＳ１０１で帰納的情報および演繹的情報を取得した後、帰納的情報から特徴量を抽出する（ステップＳ１０２）。たとえば、情報処理装置１００は、電磁波のスペクトル情報と、この電磁波のスペクトルのピーク波長とを教師データとして予め学習された機械学習モデルを用いて、ステップＳ１０１で取得した対象Ｔの電磁波スペクトルに関する情報から１または複数のピーク波長を抽出する。このとき、情報処理装置１００は、帰納的情報とともに周囲の温度や湿度などの演繹的情報を用いて特徴量を抽出してもよい。また抽出された特徴量は帰納的情報そのままでもよい。

続いて、情報処理装置１００は、ステップＳ１０２で抽出した特徴量に基づいて、対象Ｔを解析する（ステップＳ１０３）。たとえば、情報処理装置１００は、電磁波スペクトルの特定のピーク波長と、トナーの凝集状態に関する情報とを教師データとして予め学習された機械学習モデルを用いて、対象Ｔを解析する。トナーの凝集状態に関する情報は、二値であってもよく、三値以上であってもよい。このとき、情報処理装置１００は、特徴量とともに、ステップＳ１０１で取得した周囲の温度や湿度などの演繹的情報を用いて対象Ｔを解析してもよい。

情報処理装置１００は、ステップＳ１０３の処理において対象Ｔを解析した後、この解析結果を出力し（ステップＳ１０４）、処理を終了する。

情報処理装置１００は、ステップＳ１０１の処理において取得した帰納的情報および演繹的情報と、ステップＳ１０２およびステップＳ１０３の処理において解析した解析結果とをストレージ１４０のデータベースに登録してもよい。これらは、対象Ｔを解析するための機械学習モデルを学習させるための教師データとして用いられてもよい。

また、情報処理装置１００は、対象Ｔについて、時系列で、帰納的情報および演繹的情報を取得してもよい。これにより、情報処理装置１００は、対象Ｔの未来の凝集状態を予測することが可能となる。

このように、情報処理装置１００が、帰納的情報として対象Ｔに関する電磁波スペクトルに関する情報を取得するとき、検出装置２００は、共振器３１１を有する感度調整部３００を介して対象Ｔについての電磁波を検出してもよい。これにより、情報処理装置１００は、より高い精度で、対象Ｔを解析することができる。

特に、対象Ｔの状態変化に起因した電磁波スペクトルの変化が小さいとき、共振器３１１を有する感度調整部３００は、効果的に機能する。

＜変形例３＞
変形例３では、感度調整部３００の他の例を説明する。

図２３は、変形例３に係る感度調整部３００の構成の一例を表している。この感度調整部３００は、変換部３１５を有している点において、上記変形例２で説明した感度調整部３００と異なる。変形例３に係る感度調整部３００を有する情報処理システム１も、上記第１～第３実施形態で説明したのと同様の作用効果を奏する。

変換部３１５は、たとえば、共振器３１１に接して設けられている。変換部３１５と基材３１２との間に共振器３１１が設けられていてもよく（図２３）、あるいは、共振器３１１と基材３１２との間に変換部３１５が設けられていてもよい（図示せず）。この変換部３１５では、対象Ｔの周囲の環境の変化に応じて、その性質が変化する。この変換部３１５の性質の変化が、共振器３１１（感度調整部３００）、ひいては検出装置２００が検出する電磁波に影響を及ぼす。これにより、検出装置２００は、対象Ｔの周囲の環境の変化に関する情報を検出することが可能となる。

たとえば、上記のように、トナーでの凝集の発生は、トナーの周囲の環境の影響を受けやすい。検出装置２００が、感度調整部３００（変換部３１５）を介して、対象Ｔの周囲の環境の変化に関する情報を検出することによって、情報処理装置１００は、より高い精度で、対象Ｔ（トナー）の凝集状態を解析することが可能となる。

たとえば、変換部３１５では、対象Ｔ周辺の温度変化に応じて、誘電率が変化する。変換部３１５には、たとえば、ナイロン等を用いることができる。この変換部３１５の誘電率の変化によって、検出装置２００は、対象Ｔの周囲の温度の変化に関する情報を検出することができる。

あるいは、変換部３１５では、対象Ｔ周辺の湿度変化に応じて、誘電率が変化する。変換部３１５には、たとえば、ポリビニルアルコール等を用いることができる。この変換部３１５の誘電率の変化によって、検出装置２００は、対象Ｔの周囲の湿度の変化に関する情報を検出することができる。

このように、本変形例では、感度調整部３００が変換部３１５を含んでいるので、検出装置２００は、対象Ｔの周囲の環境の変化に関する情報を検出することができる。即ち、情報処理装置１００が取得する帰納的情報は、対象Ｔの周囲の環境の変化に関する情報を含んでいるので、より高い精度で、対象Ｔを解析することが可能となる。

＜第４実施形態＞
第４実施形態では、情報処理システム１が、インピダンスに関する情報を用いて、樹脂フィルムの解析を行う例を説明する。即ち、ここでは、帰納的情報がインピダンスに関する情報を含み、対象Ｔが樹脂フィルムである例を説明する。情報処理システム１は、たとえば、この対象Ｔの誘電特性の変化を解析する。

第４実施形態に係る情報処理システム１は、上記第１実施形態で説明したのと同様に、情報処理装置１００および検出装置２００を有している（図１）。

情報処理装置１００は、上記第１実施形態で説明したのと同様の構成を有している（図２および図４参照）。

検出装置２００は、たとえば、対象Ｔについて、インピダンスに関する情報を検出する。

図２４は、検出装置２００の検出部２６０（図２参照）の一例を、対象Ｔとともに表している。検出部２６０は、マイクロストリップ共振器２６４、同軸ケーブル２６５およびベクトルネットワークアナライザー２６６を含んでいる。この検出部２６０のマイクロストリップ共振器２６４が、たとえば、対象Ｔに近接して配置されている。

図２５（Ａ）～（Ｃ）は、マイクロストリップ共振器２６４の構成の一例を表している。図２５（Ａ）は、マイクロストリップ共振器２６４の構成を表す斜視図であり、図２５（Ｂ）は、マイクロストリップ共振器２６４の一方の主面（後述のマイクロストリップ面Ｓ２６４１）の構成を表す平面図であり、図２５（Ｃ）は、マイクロストリップ共振器２６４の他方の主面（後述のグラウンド面Ｓ２６４２）の構成を表す平面図である。マイクロストリップ共振器２６４は、絶縁基板２６８を含んでいる。このマイクロストリップ共振器２６４には、たとえば、一対のコネクター２６７が接続されている。マイクロストリップ共振器２６４と同軸ケーブル２６５とは、この一対のコネクター２６７を介して接続されている。

マイクロストリップ共振器２６４の一方の主面は、たとえば、マイクロストリップパターンＰ２６４１を有するマイクロストリップ面Ｓ２６４１であり（図２５（Ｂ））、マイクロストリップ共振器２６４の他方の主面は、たとえば、グラウンドパターンＰ２６４２を有するグラウンド面Ｓ２６４２である。具体的には、絶縁基板２６８の表裏面それぞれにマイクロストリップパターンＰ２６４１およびグラウンドパターンＰ２６４２が、導体材料により構成されている。たとえば、マイクロストリップパターンＰ２６４１は、コネクター２６７の内線に接続され、グラウンドパターンＰ２６４２は、コネクター２６７の外線に接続されている。マイクロストリップ共振器２６４は、グラウンド面Ｓ２６４２を対象Ｔに対向させて配置される。

ベクトルネットワークアナライザー２６６は、同軸ケーブル２６５を介して、所定の周波数の印加電力信号をマイクロストリップ共振器２６４に入力するとともに、マイクロストリップ共振器２６４からの応答電力信号を、同軸ケーブル２６５を介して受信する。ベクトルネットワークアナライザー２６６は、たとえば、この印加電力信号と応答電力信号との相対関係をデシベル値として解析する。ベクトルネットワークアナライザー２６６は、マイクロストリップ共振器２６４固有の共振周波数を含む周波数帯域の交流電気を周波数掃引しながらマイクロストリップ共振器２６４に入力する。

第４実施形態に係る情報処理装置１００は、上記第１実施形態で説明したのと同様に、処理を実行する（図５参照）。具体的には、以下のように処理が実行される。

まず、情報処理装置１００は、対象Ｔに関する帰納的情報を取得する（ステップＳ１０１）。たとえば、帰納的情報は、検出装置２００が検出した対象Ｔ（樹脂フィルム）についてのインピダンスに関する情報である。情報処理装置１００は、帰納的情報とともに、演繹的情報を取得してもよい。

図２６は、情報処理装置１００が取得した対象Ｔａ，Ｔｂについてのインピダンススペクトルの一例を表している。このスペクトルは、ベクトルネットワークアナライザー２６６がマイクロストリップ共振器２６４に入力した印加電力信号とマイクロストリップ共振器２６４から受信した応答電力信号との相対関係を表している。対象Ｔａ，Ｔｂは、互いに異なる誘電特性を有する。このように、たとえば、互いに異なる誘電特性を有する対象Ｔａ，Ｔｂでは、そのインピダンススペクトルが異なる。この対象Ｔａ，Ｔｂのインピダンススペクトルの差異は、たとえば、対象Ｔａ，Ｔｂ間の密度の差異に起因している。この密度の差異は、さらに、対象Ｔａ，Ｔｂの結晶性の違い、濃度の違い、空隙量の違いまたは異物の混入量の違い等に起因する。

情報処理装置１００は、ステップＳ１０１で帰納的情報を取得した後、帰納的情報から特徴量を抽出する（ステップＳ１０２）。たとえば、情報処理装置１００は、インピダンスに関するスペクトル情報を入力、このスペクトルの共振ピーク周波数を教師データとして予め学習された機械学習モデルを用いて、ステップＳ１０１で取得した対象Ｔのインピダンスに関するスペクトルに関する情報から１または複数の共振ピーク周波数を抽出する。

続いて、情報処理装置１００は、ステップＳ１０２で抽出した特徴量に基づいて、対象Ｔを解析する（ステップＳ１０３）。たとえば、情報処理装置１００は、インピダンススペクトルの共振ピーク周波数を入力、樹脂フィルムの密度に関する情報を教師データとして予め学習された機械学習モデルを用いて、対象Ｔを解析する。このとき、情報処理装置１００は、特徴量とともに、ステップＳ１０１で取得した演繹的情報を加えて対象Ｔを解析してもよい。

情報処理装置１００は、ステップＳ１０３の処理において対象Ｔを解析した後、この解析結果を出力し（ステップＳ１０４）、処理を終了する。

情報処理装置１００は、ステップＳ１０１の処理において取得した帰納的情報と、ステップＳ１０２およびステップＳ１０３の処理において解析した解析結果とをストレージ１４０のデータベース等に登録してもよい。これらは、対象Ｔを解析するための機械学習モデルを学習させるための教師データとして用いられてもよい。

また、上記変形例１で説明したのと同様に、上記情報処理装置１００および検出装置２００を含む情報処理システム１を、生産工程管理に適用するようにしてもよい。

図２７は、連続生産している対象Ｔに対して、インピダンススペクトルの特徴点、即ち、共振ピーク周波数を一定間隔でプロットした図である。この図は、各時間においてベクトルネットワークアナライザー２６６によって、広範囲の周波数掃引を行いながら交流電気をマイクロストリップ共振器２６４に入力し、インピダンススペクトルを取得することで作成し得る。

図２７では、生産初期から中期までのピーク周波数がほぼ一定であるのに対し、生産後期のピーク周波数が上昇している。このピーク周波数の変化と連動して、対象Ｔの光学的特性の劣化が確認された。たとえば、光学的特性は対象Ｔの品質項目の一つである。ピーク周波数の上昇と対象Ｔの光学的特性の劣化の因果関係は明確ではない。しかし、共振ピーク周波数の上昇は材料の密度低下を反映し得ることを考慮すると、図２７からは、生産後期において、対象Ｔ内に気泡や空隙の頻度が高くなり、係る気泡や空隙が光の散乱を誘発させたことが推測される。

図２８は、図２７に示した時間ｔ１，ｔ２でのインピダンススペクトルを表し、図２９は、図２８に示した周波数ａ，ｂ，ｃの信号レベルの時間変化を表している。時間ｔ１，ｔ２でのインピダンススペクトルの差異（図２８）は、周波数ａ，ｂ，ｃの信号レベルの時間変化（図２９）からも推測することが可能である。即ち、掃引する周波数帯域を狭くしても、対象Ｔの品質を管理することが可能である。

たとえば、対象Ｔの生産速度などの理由により、広範囲の周波数掃引によってインピダンススペクトルを取得することが困難なときには、インピダンススペクトルの差異を判別できる範囲で、掃引する周波数帯（計測開始周波数～計測終了周波数の幅）および周波数間隔を任意で選択すればよい。周波数帯域を必要十分な範囲に絞ることによって、生産速度に追従しつつ、生産工程管理に必要な帰納的情報を取得することが可能となる。

このように、情報処理装置１００は、帰納的情報として、対象Ｔについてのインピダンスに関する情報を用いてもよい。

第４実施形態に係る情報処理システム１についても、上記第１実施形態で説明したのと同様の作用効果を奏する。

本発明の効果を、以下の実施例を用いて説明する。ただし、本発明の技術的範囲が以下の実施例のみに制限されるわけではない。

＜実施例１＞
情報処理システム１を用いて、対象Ｔの濡れの状態を解析した。対象Ｔは発泡スチロール材であり、帰納的情報として、対象Ｔについての電磁波スペクトルに関する情報を用いた。対象Ｔは箱に入れられており、箱の外側からは、対象Ｔの濡れの状態を人間の視覚で確認することはできなかった。

対象Ｔについての電磁波スペクトルに関する情報は、送信部２６１、受信部２６２および信号処理部２６３を有する検出装置２００を用いて検出した。送信部２６１は、７．２５ＧＨｚ～１０ＧＨｚの周波数帯域の電磁波を対象Ｔに向けて送信した。受信部２６２は、送信部２６１から送信され、対象Ｔによって反射された電磁波を受信した。信号処理部２６３は、受信部２６２が受信した電磁波の信号に基づいて、電磁波スペクトルに関する情報を生成した。

情報処理システム１は、機械学習モデルを用いて、対象Ｔについての電磁波スペクトルに関する情報からの特徴量の抽出と、抽出した特徴量に基づく対象Ｔの解析とを行った。この機械学習モデルは、電磁波のスペクトル情報を入力、発泡スチロール材の濡れの状態に関する情報を教師データとして予め学習されたものであり、ドライ状態、湿度７０％状態、湿度９０％状態およびミスト状態の４つの濡れの状態について予め学習されている。

図３０は、実施例１の機械学習モデルに使用した電磁波のスペクトル情報と、発泡スチロール材の濡れの状態に関する情報（湿度７０％状態、湿度９０％状態、ミスト状態）とを表している。ドライ状態のスペクトルは、湿度７０％状態、湿度９０％状態およびミスト状態のスペクトルにおいて実線で表されている。スペクトルの縦軸は、強度を表す。このように、濡れの状態が変化することにより、電磁波のスペクトルが変化する。

＜実施例２＞
共振器３１１を有する感度調整部３００を用いたことを除き、実施例１と同様にして、対象Ｔの濡れの状態を解析した。

図３１は、実施例２の機械学習モデルに使用した電磁波のスペクトル情報と、発泡スチロール材の濡れの状態に関する情報（湿度７０％状態、湿度９０％状態、ミスト状態）とを表している。ドライ状態のスペクトルは、湿度７０％状態、湿度９０％状態およびミスト状態のスペクトルにおいて実線で表されている。スペクトルの縦軸は、強度を表す。図３１に示したスペクトルでは、図３０に示したスペクトルに比べて、ノイズの影響が小さくなっている。

＜実施例３＞
共振器３１１および変換部３１５を有する感度調整部３００を用いたことを除き、実施例１と同様にして、対象Ｔの濡れの状態を解析した。変換部３１５には、ポリビニルアルコールを用いた。

図３２は、実施例３の機械学習モデルに使用した電磁波のスペクトル情報と、発泡スチロール材の濡れの状態に関する情報（湿度７０％状態、湿度９０％状態、ミスト状態）とを表している。ドライ状態のスペクトルは、湿度７０％状態、湿度９０％状態およびミスト状態のスペクトルにおいて実線で表されている。スペクトルの縦軸は、強度を表す。図３２に示したスペクトルでは、図３１に示したスペクトルに比べて、情報量が増加している。

（評価方法）
情報処理システム１による解析結果と、測定装置により対象Ｔの濡れの状態を測定した測定結果とを比較することにより、情報処理システム１による解析結果の精度を算出した。表１に実施例１～３の解析結果の精度を示す。

実施例１～３では、情報処理システム１を用いて対象Ｔの濡れの状態を解析しているので、たとえば、箱の開封および視覚による対象Ｔの濡れの状態の確認等の人間の作業が不要となり、ＤＸを推進することができる。

また、実施例２では、共振器３１１を含む感度調整部３００を用いているので、電磁波のスペクトル情報におけるノイズの影響が小さくなる。これにより、実施例１に比べて、より高い精度で対象Ｔの濡れの状態を解析することができた。

さらに、実施例３では、共振器３１１および変換部３１５を含む感度調整部３００を用いているので、電磁波のスペクトル情報に含まれる情報量が増加する。これにより、実施例１、２に比べて、より高い精度で対象Ｔの濡れの状態を解析することができた。

以上に説明した情報処理システム１の構成は、上述の実施形態および変形例の特徴を説明するにあたって主要構成を説明したのであって、上述の構成に限られず、特許請求の範囲内において、種々改変することができる。また、一般的な情報処理システムが備える構成を排除するものではない。

たとえば、上述の実施形態においては、帰納的情報が、蛍光指紋に関する情報、クロマトグラムに関する情報、電磁波スペクトルに関する情報およびインピダンスに関する情報である例を説明したが、帰納的情報は、他の情報であってもよい。たとえば、帰納的情報は、対象について取得される音に関する情報や特定の対象によって影響を受けた生体から取得される視覚、嗅覚、味覚、聴覚、触覚、心理状態、身体状態等に関連する各種生体情報等であってもよい。

また、上述の第２実施形態では、帰納的情報として扱われる連続的な信号の例として、クロマトグラムに含まれる信号を挙げて説明したが、帰納的情報として扱う連続的な信号は、これに限定されず、たとえば、スペクトル、パターンおよびマップ等であってもよい。スペクトルは、たとえば、核磁気共鳴または振動分光等によって得られる。パターンは、たとえば、光の回折または散乱、あるいは、量子ビームの回折または散乱等によって得られる。マップは、たとえば、スペクトルまたはパターンを多次元化することによって得られる。

また、上述の変形例１では、対象Ｔ（樹脂フィルム）の製品仕様（太陽光暴露に対する信頼性の項目）に、対象ＴのＵＶ吸収量が関わっていることが判明している場合を例に挙げて説明したが、対象Ｔの製品仕様に関わる因子が判明していない場合にも、対象Ｔが製品仕様を満たすか否かを解析することが可能である。たとえば、以下のようにして、情報処理システム１は、対象Ｔが製品仕様を満たすか否かを解析することができる。まず、各製品ロットからサンプルを取り出し、複数の試験サンプルを準備する。次いで、この複数の試験サンプルの一部について、信頼性試験を行う。続いて、信頼性試験を行った試験サンプルおよび信頼性試験を行っていない試験サンプルについて、検出装置２００を用いて蛍光指紋を検出し、製品仕様を満たすか否かを判断するための特徴量を抽出する。この後、この特徴量を用いて、生産工程における対象Ｔの製品仕様の監視を行う。具体的には、検出装置を用いて生産工程における対象Ｔの蛍光分析を行う。この検出装置は、たとえば、ハロゲン光源および分光器を含んでおり、可視光帯域での受光光量分布を検出する。情報処理装置は、この検出装置から帰納的情報を取得した後、対象Ｔが製品仕様を満たすか否かを解析する。

また、上述の第２実施形態では、感度調整部３００が、対象Ｔの特定の官能基に特異的に反応する試薬を供与する例を説明したが、感度調整部３００は、対象Ｔの揮発性を調整する試薬等を供与してもよい。情報処理システム１が、たとえば、対象Ｔの蛍光スペクトルに関する情報を用いて対象Ｔの解析を行うとき、感度調整部３００は、対象Ｔの蛍光スペクトルを調整する試薬を供与してもよい。あるいは、情報処理システム１が、たとえば、対象Ｔの中性子線回折のパターンに関する情報を用いて対象Ｔの解析を行うとき、感度調整部３００は、対象Ｔの重水素置換のための試薬を供与してもよい。これにより、中性子線の散乱断面積を向上させることができる。

また、上述の変形例２では、対象Ｔがトナーであるとき、共振器３１１を有する感度調整部３００を用いる例を説明したが、共振器３１１を有する感度調整部３００を、トナー以外の対象Ｔに用いるようにしてもよい。たとえば、対象Ｔが鉄筋であるとき、共振器３１１を有する感度調整部３００を用いるようにしてもよい。

また、上述の第４実施形態では、マイクロストリップ共振器を用いて対象Ｔのインピダンスに関する情報を検出する例を説明したが、他の方法を用いて対象Ｔのインピダンスに関する情報を検出してもよい。たとえば、対象Ｔに直接電極を接触させ、この電極に交流電気を周波数掃引しながら印加してもよい。

また、情報処理装置１００および検出装置２００は、それぞれ複数の装置により構成されてもよく、これらが単一の装置として構成されてもよい。

また、各構成が有する機能は、他の構成によって実現されてもよい。たとえば、検出装置２００および感度調整部３００は、情報処理装置１００に統合され、検出装置２００および感度調整部３００が有する各機能の一部または全部が情報処理装置１００によって実現されてもよい。

また、上述の実施形態および変形例においては、情報処理システム１が、機械学習によって、帰納的情報から特徴量を抽出する例を説明したが、情報処理システム１は、統計学的処理等の他の方法によって、帰納的情報から特徴量を抽出してもよい。

また、上述したフローチャートは、一部のステップを省略してもよく、他のステップが追加されてもよい。また各ステップの一部は同時に実行されてもよく、一つのステップが複数のステップに分割されて実行されてもよい。

また、上述した情報処理システム１における各種処理を行う手段および方法は、専用のハードウェア回路、またはプログラムされたコンピューターのいずれによっても実現することが可能である。上記プログラムは、たとえば、ＵＳＢメモリやＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）－ＲＯＭ等のコンピューター読み取り可能な記録媒体によって提供されてもよいし、インターネット等のネットワークを介してオンラインで提供されてもよい。この場合、コンピューター読み取り可能な記録媒体に記録されたプログラムは、通常、ハードディスク等の記憶部に転送され記憶される。また、上記プログラムは、単独のアプリケーションソフトとして提供されてもよいし、一機能としてその検出部等の装置のソフトウエアに組み込まれてもよい。

本出願は、２０２０年１０月２７日に出願された日本特許出願（特願２０２０－１７９７１７）、２０２１年２月２５日に出願された日本特許出願（特願２０２１－０２８５８２）および２０２１年８月２日に出願された日本特許出願（特願２０２１－１２６４５９）に基づいており、その開示内容は、参照され、全体として、組み入れられている。

１ 情報処理システム、
１００ 情報処理装置、
１１０ ＣＰＵ、
１２０ ＲＯＭ、
１３０ ＲＡＭ、
１４０ ストレージ、
１５０ 通信インターフェース、
１６０ 操作表示部、
２００ 検出装置、
２１０ ＣＰＵ、
２２０ ＲＯＭ、
２３０ ＲＡＭ、
２４０ ストレージ、
２５０ 通信インターフェース、
２６０ 検出部、
３００ 感度調整部、
３１１ 共振器、
３１２ 基材、
３１３ アイソレーション層、
３１４ 電磁波反射材、
３１５ 変換部。

Claims (10)

1. 所定の対象の蛍光指紋に関する情報を取得する第１取得部と、
   前記蛍光指紋に関する情報から機械学習によって、励起光の波長と蛍光のピーク波長との組み合わせを抽出する抽出部と、
   前記組み合わせによって、前記対象が光学的原理に基づいて分析された情報を取得する第２取得部と、
   前記光学的原理に基づいて分析された情報に基づいて、前記対象を解析する解析部と
   を備える情報処理装置。
2. 前記解析部では、機械学習によって前記対象を解析する、請求項１に記載の情報処理装置。
3. 前記抽出部および前記解析部は、機械学習モデルにより構成される、請求項１または２に記載の情報処理装置。
4. 前記対象は製品であり、
   前記解析部は、前記光学的原理に基づいて分析された情報に基づいて、前記対象の製品仕様を解析する、請求項１～３のいずれかに記載の情報処理装置。
5. 前記第２取得部は、前記対象に関する温度の情報をさらに取得し、
   前記解析部は、前記光学的原理に基づいて分析された情報と、前記対象に関する温度の情報とを用いて前記対象を解析する、請求項１～４のいずれかに記載の情報処理装置。
6. 請求項１～５のいずれかに記載の情報処理装置と、
   前記所定の対象から前記蛍光指紋に関する情報を検出する検出装置と、
   前記検出装置における検出の感度を調整するために、前記対象に対して所定の処理を施す感度調整部と、
   を有する情報処理システム。
7. 前記感度調整部は、前記対象に薬剤を供与する第１薬剤供与部を含む、請求項６に記載の情報処理システム。
8. 請求項１～５のいずれかに記載の情報処理装置と、
   前記所定の対象から前記蛍光指紋に関する情報を検出する第１検出装置と、
   前記所定の対象から前記光学的原理に基づいて分析された情報を検出する第２検出装置と、
   を有する情報処理システム。
9. 前記第２検出装置は、所定波長の励起光を前記対象に照射する投光部と、前記励起光により前記対象で発生する蛍光を受光する受光部とを含む、請求項８に記載の情報処理システム。
10. 所定の対象の蛍光指紋に関する情報を取得するステップ（ａ）と、
    前記蛍光指紋に関する情報から機械学習によって、励起光の波長と蛍光のピーク波長との組み合わせを抽出するステップ（ｂ）と、
    前記組み合わせによって、前記対象が光学的原理に基づいて分析された情報を取得するステップ（ｃ）と、
    前記光学的原理に基づいて分析された情報に基づいて、前記対象を解析するステップ（ｄ）と
    を含む処理を、コンピューターに実行させるための情報処理プログラム。
    
    

Images