JP7315257B2 - 粒子の識別を行うためのセンサ、測定器、コンピュータ装置、およびシステム - Google Patents

Description

本発明は、粒子の識別を行うためのセンサ、測定器、コンピュータ装置、およびシステムに関する。

ウイルス、細菌、エクソソームなどのサブミクロンの大きさの粒子を識別する手段としては、誘導回折格子法（特許文献１）、レーザードップラー電気泳動法（特許文献２）などの光学的方法や、核酸プローブを用いる方法（特許文献３）、抗原抗体反応を用いる方法（特許文献４）など様々な方法が提案されている。しかしながらいずれも、精度が低い、分析手順が多い、コストが高いという問題を解決できなかった。

また特に細菌やウイルスの場合、検体中の粒子濃度が低いと、検体培養を要する場合が多く、即時性のある識別手段はこれまで提供できていなかった。

サブミクロンサイズの粒子識別の方法として、電解液中の測定対象粒子が細孔を通過する際のイオン電流の過渡変化を測定することで粒子の体積を計測する提案もなされている（特許文献５）。

電解液中の測定対象粒子が細孔を通過する際のイオン電流の過渡変化を測定する技術においては、シリコン薄膜を使った細孔を形成し細孔の厚さを１００ｎｍ以下と薄くすることで、測定対象粒子の体積のみでなく微細な構造や表面電荷などの情報を計測することができるようになっている（特許文献６）。さらに、このイオン電流の過渡変化と機械学習による情報処理を組み合わせて、測定対象粒子が何であるかを高精度で識別することもできるとされている（特許文献７）。

このような細孔通過と機械学習を組み合わせた粒子識別の応用範囲は幅広く、細菌（非特許文献１）、ウイルス（非特許文献２）、エクソソーム（特許文献８）から、大気汚染物質、血液迅速診断、顔料など様々な分野での高精度かつ高速な識別が可能となっている。

実際に細孔通過型センサを用いようとするとき、被測定粒子は多種多様であり、その大きさ、形状、細孔通過時の形状変化、表面電荷は大きく異なっている。たとえば、細菌の大きさは１μｍ～５μｍであるのに対して、ウィルスは２０ｎｍ～３００ｎｍ程度と小さい。このため、一種類のセンサですべての粒子を識別することは現実的ではなく、用途に応じて細孔の穴径を変える必要がある。また、荷電状態が粒子によって大きく異なるため、測定に用いる電解液（本明細書では「緩衝液」、「バッファ」とも呼ぶ）の濃度も、測定対象粒子ごとに最適値を選択する必要がある。

また、センサの形状や、用いる電解液の濃度は、上記イオン電流の過渡変化に影響を与える。たとえばイオン電流の過渡変化は主として測定対象粒子が細孔を通過する際にその付近の電解液を排斥することが原因で発生する。したがって、同じ粒子が大きな細孔を通過する場合と、小さな細孔を通過する場合を比較すると、後者の方が電流の過渡変化は大きい。またセンサの細孔厚みも、細孔付近の電界分布に大きな影響を与えるためイオン電流の過渡変化には大きな影響を与える。さらに、センサの構造や電解液の種類はセンサの電気的性質にも大きな影響を与える。たとえば、センサの構造や電解液の種類によって、センサの電極間の静電容量は著しく変化する。この静電容量の変化によって、センサ自身の出力する電流信号が変化するだけでなく、その信号を増幅するアンプの帯域やノイズにも大きな影響を与える。この他、センサをアンプに接続する治具やアンプの回路パラメタなども電流の過渡変化に影響を与えることになる。

機械学習における学習と識別は、同じ条件での計測が必要となる。もし、構造や特性が異なるセンサやアンプを機械学習や識別に利用すると、正しい機械学習最適化パラメタを計算できず、このため粒子識別が不可能になる、あるいは識別精度が低下してしまうという問題が発生する。しかし上記のように様々な粒子を機械学習によって識別するためには、実際には様々な種類のセンサやアンプを利用する必要がある。このため、従来の方法やシステムでは様々な種類の粒子を正しく学習および識別することができなかった。

特開２０１０－２４９６０７号公報 特開２０１６－２００６０８号公報 特開２０１５－１０７０９１号公報 特開２０１７－１５６３２４号公報 特表２０１４－５２１９６２号公報 国際公開第２０１３／１３７２０９号 特開２０１７－１２０２５７号公報 特開２０１７－１５６１６８号公報

M. Tsutsui et al., Scientific Reports, volume 7, Article number: 17371 (2017) A. Arima et al., Scientific Reports, volume 8, Article number: 16305 (2018)

上述した従来技術の問題に鑑み、センサや電解液の種類などの測定条件が変わっても、機械学習による識別を高精度で可能にすることが求められている。

本発明の実施形態では、上記課題の解決のために下記を提供できる。

粒子の識別を行うためのセンサであって、
電解液を充填するように構成された、第１のチャンバと、
前記第１のチャンバ内に設けられ、電圧を印加するための外部電源に接続できるように構成された第１の電極と、
電解液を充填するように構成された、第２のチャンバと、
前記第２のチャンバ内に設けられ、前記外部電源に接続できるように構成された第２の電極と、
前記第１の電極と前記第２の電極の間に生じるイオン電流を表す測定データを出力するように構成された、データ出力手段と、
前記第１のチャンバと前記第２のチャンバとを隔てる隔壁と、
唯一識別子をネットワークを介して外部コンピュータ装置へ提供するための提示手段と
を含み、
前記隔壁が、前記第１のチャンバと前記第２のチャンバとを連通する細孔を有し、
前記センサが有する物理的特性が、前記唯一識別子に関連付けられており、
前記細孔を粒子が通過する際に、前記第１の電極と前記第２の電極の間に生じるイオン電流に、前記細孔が有する物理的特性および前記粒子の物理的特性に少なくとも依存する過渡変化が発生するように構成されており、
前記唯一識別子が、前記唯一識別子を受信した前記外部コンピュータ装置に、前記唯一識別子に関連付けられた前記センサが有する物理的特性に応じた、前記粒子の識別処理を行わせるように構成され、
前記センサが有する物理的特性は少なくとも、前記細孔が有する物理的特性を含む
ことを特徴とする、センサ。

上記センサと、
前記センサが有するデータ出力手段から出力されるデータを増幅するように構成された、増幅器と、
前記増幅器が増幅したデータをA/D変換するように構成された、デジタイザと、
前記デジタイザがA/D変換したデータ、および前記センサが有する提示手段から提供される前記唯一識別子を、前記外部コンピュータ装置へと送信する手段と
を含む、測定器。

粒子の識別を行うためのコンピュータ装置であって、
一個以上のプロセッサと、
一個以上の記憶手段と、
第１のセンサが有する第１の物理的特性に関連付けられる第１の唯一識別子を受信して、前記プロセッサにより前記記憶手段に保存するように構成された、読み取り手段と、
既知クラスに属する既知粒子の測定を行う前記第１のセンサから第１の測定データを受信して前記プロセッサにより第１の特徴量情報を抽出し、前記記憶手段に保存するように構成された、特徴量抽出手段と、
前記プロセッサにより、前記第１の特徴量情報および前記第１の唯一識別子に関連付けられる前記第１の物理的特性を教師データとし、かつ、前記既知クラスを教師ラベルとして、機械学習最適化パラメタを生成するように構成された、学習手段と
を含む、コンピュータ装置。

粒子を識別するためのシステムであって、
複数のセンサと、
前記複数のセンサの各々から、各センサの物理的特性、各センサが行う測定データ、および各センサの唯一識別子をネットワークを介して受信し互いに関連付けてデータベースに保存できるように構成された、コンピュータ装置と
を含み、
前記コンピュータ装置が、前記複数のセンサのうちの一個以上により行われる既知クラスに属する既知粒子の測定に関する測定データから、特徴量情報を抽出し、少なくとも前記特徴量情報を教師データとして機械学習最適化パラメタを生成し、そのセンサの唯一識別子に関連付けて前記データベースに保存するように構成され、
前記コンピュータ装置が、前記複数のセンサのうちの特定のセンサを用いて未知粒子の識別処理が行われることを検出すると、前記データベースから、前記特定のセンサによる前記未知粒子の識別に利用可能な機械学習最適化パラメタを探索し、利用可能な機械学習最適化パラメタが存在する場合はそれに関連付けられた唯一識別子に関連付けられるセンサの物理的特性に基づいて、前記特定のセンサが行うべき前記未知粒子の測定条件をネットワークを介して通知し、前記特定のセンサの測定条件を調整させるように構成される
ことを特徴とする、システム。

本発明の実施形態が提供するセンサ、測定器、コンピュータ装置、またはシステムによって、多様な測定条件の下でも機械学習による識別が高精度で可能となる効果が得られる。

本発明の或る実施形態に係るシステムの概略図である。 本発明の或る実施形態に係るセンサの内部構造を示す模式図である。 本発明の或る実施形態に係るセンサの外観を描いた模式図である。 本発明の或る実施形態に係るセンサおよび測定器の接続構成を示す図である。 本発明の或る実施形態に係る測定用情報端末の構成を示す図である。 本発明の或る実施形態に係る管理用情報端末の構成を示す図である。 本発明の或る実施形態に係るサーバの構成を示す。 本発明の或る実施形態に係る物理的特性テーブルの例を示す。 本発明の或る実施形態に係るセンサモデルＩＤテーブルの例を示す。 本発明の或る実施形態に係る処理方法の第１段階の例を説明するフロー図である。 本発明の或る実施形態に係る処理方法の第２段階の例を説明するフロー図である。 粒子が細孔を通過する際の電極間に流れるイオン電流の過渡変化の一例を模式的に説明する図である。 本発明の或る実施形態に係る処理方法の第２段階の例を説明するフロー図である。 本発明の或る実施形態に係る測定条件テーブル（測定テーブル）の例を示す。 深層学習による機械学習モデルを例示する。 本発明の或る実施形態に係る機械学習最適化テーブルの例を示す。 本発明の或る実施形態に係る処理方法の第３段階の例を説明するフロー図である。 本発明の或る実施形態に係る処理方法の第３段階の例を説明するフロー図である。 本発明の或る実施形態に係る処理方法の第３段階の例を説明するフロー図である。 本発明の或る実施形態に係る、増幅手段およびＡ／Ｄ変換手段を有するセンサの例を描いた部分図である。 図２０のセンサが有する半導体集積回路の例を示す。

はじめに、本発明の実施形態に係る処理方法の概要を示す。図１に本発明の一実施形態に係るシステムの概略図を示す。このシステムには、複数のセンサモジュール１００、１０１、１１０と、測定器１２０と、測定用情報端末１４０と、管理用情報端末１８０と、サーバ１６０とが含まれる。サーバ１６０と測定用情報端末１４０と管理用情報端末１８０とはそれぞれ、ネットワーク１９９を介して接続できる。測定用情報端末１４０は測定器１２０に接続し、各センサモジュール（以下、単に「センサ」とも称する）から得られる測定データを受信できる。なお図１に限らず、本明細書中の図における方向、縮尺、接続や積層の順序はあくまで例示であって、本発明の効果が得られるかぎりにおいて必要に応じて自由に変更できることに留意されたい。

各センサモジュールは後述するように細孔を有し、電解液中の測定対象粒子がその細孔を通過する際のイオン電流の過渡変化を測定可能な構成となっている。その過渡変化は、細孔が有する物理的特性（細孔の径や形状、細孔に施される表面処理の特性など）と、粒子の物理的特性（粒子の径や形状など）には少なくとも依存することになる。別の実施形態では、過渡変化がさらにセンサのその他の物理的特性にも依存してよい。そうしたその他の物理的特性としてはたとえば、センサが有する隔壁の材料および形状、（複数の）チャンバの材料および形状、（複数の）電極の材料および形状、センサの静電容量、センサに充填される電解液の種類、濃度、および温度、ならびにセンサの製造履歴（センサの製造過程で掛けられた熱や圧力の履歴など）が挙げられる。

センサ（またはその細孔）には上述したような物理的特性の違い（多様性）があるため、仮に同一の粒子を複数種のセンサに掛けたとしても、得られる特徴量は異なってくる。本発明の実施形態では、このようなセンサの多様性を踏まえて、どのようなセンサでも学習させれば粒子の識別が適切に行えるという顕著な効果を奏する。

本発明の実施形態に係る粒子識別手法（処理方法）について説明する。まずこの処理方法の第１段階として、管理用情報端末１８０が各センサ１００、１０１、１１０のセンサＩＤ（本明細書ではセンサの「唯一識別子」とも称し、各センサを一意に特定するための機能を有する識別子である）とセンサの物理的特性情報を、ネットワーク１９９を経由してサーバ１６０に送り、サーバ１６０が各々関連付けて記憶する。

管理用情報端末１８０は、（図示していないが）各センサモジュールまたは測定器１２０または測定用情報端末１４０に接続して上記の情報を得るようにしてもよいし、あるいはこのシステムのユーザーまたは管理者が何らかの入力手段により上記の情報を管理用情報端末１８０に与えるようにもできる。

たとえば各センサに付されたセンサＩＤを、管理用情報端末１８０に接続した読み取り手段（既知の光学的読み取り手段など）を介して読み取り、管理用情報端末１８０が接続する記憶手段に保存するようにしてもよい。あるいはセンサの提供者（販売者）が提供する、センサの物理的特性に関する情報を格納するデータベースに、管理用情報端末１８０またはサーバ１６０がネットワーク１９９を介して接続して、当該情報をダウンロードして記憶手段に保存してもよい。その際、センサの物理的特性に関する情報は、そのセンサに割り当てられるセンサＩＤに関連付けられているのが好ましい。

いずれにしても、センサＩＤとそれに関連付けられるセンサの物理的特性に関する情報とが、（たとえば管理用情報端末１８０またはネットワーク１９９を介して）サーバ１６０（に接続する記憶手段）に記憶されることになる。

そして当該処理方法の第２段階（機械学習における学習処理）として、センサ１００が、種類が予めわかっている粒子（以下「既知粒子」という）の、細孔通過にともなうパルス波形を生成し、これを測定器１２０が増幅し、測定用情報端末１４０が波形の特徴量を抽出する。その後、センサ１００のセンサＩＤと、既知粒子の種類を表す情報（以下「既知クラス情報」という）とが共にネットワーク１９９を経由してサーバ１６０に送られ、サーバ１６０はこれらの情報を記憶できる。

また、センサ１０１が上記既知粒子とは種類が異なる別の既知粒子のパルス波形を生成し、これを測定器１２０が増幅し、測定用情報端末１４０が波形の特徴量を抽出して、センサ１０１のセンサＩＤと、その粒子の既知クラス情報とを共にネットワーク１９９を経由してサーバ１６０に送り、サーバ１６０がこれらを記憶する。センサ１００および１０１で測定した２種類の既知粒子の波形特徴量と既知クラス情報をもとに、サーバ１６０が機械学習最適化パラメタを計算し、これを記憶できる。

そしてこの機械学習は、対応するセンサＩＤに関連付けられたセンサの物理的特性に応じたものにできる。たとえば、機械学習における教師データとして、既知粒子の測定を行ったセンサの物理的特性を用いるようにもできる（すなわち、センサの物理的特性を使った学習を行う）。あるいは、機械学習最適化パラメタをセンサＩＤに関連付けて記憶手段に保存し、そのセンサＩＤを持つセンサに近い物理的特性を持つセンサでの未知粒子の測定に際して、その機械学習最適化パラメタを使用してもかまわない。

なおこの実施形態ではサーバ１６０が機械学習最適化パラメタを計算しているが、別の実施形態では別のコンピュータ装置（たとえば測定用情報端末１４０など）がその計算を行うようにして、その計算結果をサーバ１６０へ送信してもかまわない。

そして当該処理方法の第３段階（識別）として、センサ１１０が種類がわからない粒子（以下「未知粒子」ともいう）のパルス波形を生成し、これを測定器１２０が増幅し、測定用情報端末１４０が波形の特徴量を抽出する。センサ１１０のセンサＩＤと、未知粒子から得られた波形の特徴量とが共に、ネットワーク１９９を経由してサーバ１６０に送られる。サーバ１６０はその受信した特徴量と、センサ１１０の物理的特性情報と、上記第２段階で計算した機械学習最適化パラメタとに基づいて、その未知粒子の種類（以下「未知クラス」ともいう）を推定できる。この第３段階での推定においても、センサＩＤに関連付けられたセンサの物理的特性に応じた計算を行うことができる。

その推定結果は、サーバ１６０から測定用情報端末１４０に送信でき、たとえば測定用情報端末１４０が有する表示手段上にその推定結果を表示するようにしてもよい。

ここで、センサ１００、１０１、１１０が有する物理的特性は、たとえ同一製品であったとしても、実際にはそれぞれ異なる場合がある。たとえば同じ構造であったとしても、その電気特性が若干違っていることがありえる。この実施形態では、各センサの物理的特性に関する情報をセンサＩＤと関連付けて、それを機械学習および／または未知クラスの推定に使用することで、センサの物理的特性、測定器の制御パラメタ、測定条件など、機械学習に影響を与える変数を適切に管理し、様々な粒子を、様々なセンサ、様々な測定器および様々な測定条件で、適切な機械学習および識別が可能になる。

さらに上述した構成によって、測定器１２０の有する特性、たとえば増幅器（アンプ）やデジタイザの特性を変化させても、最適な機械学習が可能になるという効果も得られる。

すなわち、図１に係るシステムなどの本発明の実施形態に係るシステムでは、多様なセンサや測定器を使用でき、多様な粒子の学習と識別が可能になるという効果を奏する。

なお図１において、センサ１００、１０１、１１０と、測定器１２０を接続する点線は、これらのセンサが測定器１２０（または測定用情報端末１４０）に同時に接続されていてもよいし、あるいは処理ごとに別々に接続されてもよいことを表している。

次に本発明による処理の詳細を説明する。図２には、本発明の或る実施形態に係る、粒子識別用の例示的なセンサ２００の内部構造を描いてある。ここでセンサ２００は、図１におけるセンサ１００、１０１、および１１０として使用可能なものである。

センサ２００は、隔壁２３０で分けられる二つのチャンバ２１０および２２０を有する。チャンバ２１０および２２０はそれぞれ、電解液導入口２１１および２２１と、電極２１２および２２２とを有する。隔壁２３０には、シリコンウェハ２４１と、そのシリコンウェハ２４１上に成膜された薄膜（メンブレン）２４２を加工して成形される細孔２９０とが設けられる。

また図２に示すように電極２１２および２２２には、電源２５２、増幅器（アンプ）２５０、および電流計２５１を接続できる。これらの装置はたとえば、図１の測定器１２０などの計測器中に含まれていてもよい。あるいは別の実施形態では、センサがこれらの装置の一部または全部を含んでいてもかまわない。他の実施形態ではセンサの構造は図２に示したものには限定されず、電解液中の測定対象粒子が細孔を通過する際の、イオン電流の過渡変化を測定できる構成であれば、どのような構造をセンサが有していてもよい。たとえば細孔２９０の形状が、或る径を持つ円、或る長径および短径を持つ楕円、または或る辺長を持つ菱形であってもよいし、さらに別の形状であってもかまわない。なお図２に示す電源２５２の向きと電極２１２、２２２の正負はあくまで一例であって、別の実施形態では正負を逆に配置してもかまわない。

そしてチャンバ２１０および２２０には電解液を導入できる。その電解液中に粒子を入れて細孔２９０を通過させることで、イオン電流の過渡変化を電流計２５１（または電流計を含む測定器またはセンサ）によって検出できる。なお図２ではわかりやすさのため、電解液導入口２１１および２２１が離れているように描いているが、これらの導入口が近接している構造や、同一の導入口から成っている構造も採ることが可能である。

図３に、本発明の或る実施形態に係る例示的センサ３００の外観を示す。センサ３００は、上述したセンサとして使用可能である。センサ３００は、直方体の形状をしており、その一つの面３２３上には、電解液導入口３１１と、センサＩＤ（唯一識別子）の提示手段３９０とを有している。この実施形態では、電解液導入口３１１から電解液を注入すれば、センサ３００内部の複数のチャンバ（不図示）に電解液を充填できるようになっている。センサＩＤは各センサに固有の識別子であって、センサの製造者またはセンサの提供者（販売者）が付すのが管理上好ましい。別の実施形態ではユーザーがセンサＩＤを付すことも可能である。

またこの実施形態では、提示手段３９０は二次元バーコード（ＱＲコード(登録商標)）であり、読み取り手段（たとえばＱＲコード読み取り用ソフトウェアと撮像手段を有するスマートフォンやタブレットなどのモバイル端末や、デスクトップＰＣなどの据置端末など）を使ってセンサＩＤを光学的に検出可能になっている。他の実施形態では提示手段３９０として、センサＩＤをたとえば光学的、視覚的、音響的、電磁的な技術により提示可能なものであれば任意の手段を使用でき、たとえば一次元もしくは三次元のバーコード、文字（数字や記号など）もしくは画像の印刷物、物理的な刻印、音声記憶・出力装置、磁気記憶・出力装置、電気記憶・出力装置（半導体メモリなど）、電磁波搬送手段（無線通信機器など）といったものを使用可能である。そうした提示手段からは、それぞれ対応する読み取り手段（たとえばバーコードスキャナー／リーダー、カメラ、集音マイク、電磁波受信用アンテナなど）を使ってセンサＩＤを検出できる。すなわち提示手段３９０は、センサ３００の外部に露出している必要はなく、センサＩＤを何らかの技術により提示可能であるならばセンサ３００の内部に格納されていてもよい。

たとえば或る実施形態では、センサ３００とは別の材料に二次元バーコードを印刷または刻印し、この別の材料をセンサ３００に貼り付けるようにしてもよい。また図２０および図２１に関して後述するように、半導体メモリに記憶したセンサＩＤを読み取り可能にする構成を採ってもよい。

また図３での電解液導入口３１１および提示手段３９０の位置および個数はあくまで一例であって、センサ３００の機能を損わないかぎりにおいて任意の位置に任意の個数で配置できる。別の実施形態では、センサ３００の形状は直方体に限られず、たとえば球、立方体、三角錐、円錐など任意の形状を採っていてもかまわない。たとえば上述した図１のセンサ１００、１０１、１１０が、それぞれ異なるセンサＩＤを有してよく、そのセンサＩＤによって各センサを特定可能である。すなわち、図３に示すような本発明の実施形態に係る構成を採ることで、センサとセンサＩＤの関連付けが可能となる。

図４には、本発明の或る実施形態に係るセンサおよび測定器の接続構成を示す。図４では、図１に示したセンサ１００、１０１、１１０を簡略化のためまとめて示してあり、これらが測定器１２０の入出力手段４１１（アナログ入出力など）を介して接続しているものとする。

図４の測定器１２０は、増幅手段４２０と、Ａ／Ｄ変換手段４３０と、測定器（測定条件）制御手段４５０と、記憶手段４６０を有する。増幅手段４２０はオペアンプ４２１と、抵抗４２２と、帰還抵抗４２３を含んでよい。また測定器１２０は、入出力手段４４０（デジタル入出力など）を介して測定用情報端末（不図示）へと接続できる。別の実施形態では測定器が、それ以外の部品を有してもよいし、必要でない部品を省いていてもよい。

さてセンサからイオン電流の過渡変化（電流信号波形）がアナログ入力信号として入出力手段４１１を介して測定器１２０に与えられたとする。その入力信号は増幅手段４２０に入り、増幅されてＡ／Ｄ変換手段４３０に渡されてデジタル信号に変換され、入出力手段（Ｉ／Ｏ）４４０から測定用情報端末（不図示）へと送信できる。

測定器制御手段４５０は、測定器１２０に関する増幅とＡ／Ｄ変換に係る各種パラメタを制御できる。たとえば測定器制御手段４５０が、増幅手段４２０が有する帰還抵抗４２３の値を変化させることで、増幅手段４２０の増幅率や帯域を制御可能である。なお図４では帰還抵抗４２３が可変抵抗であるが、別の実施形態では異なる抵抗値の抵抗器を並列に配置しそれらを切り替えることで帰還抵抗値を変化させてもよいし、また他の方法で増幅率を変化させてもよい。

また測定器制御手段４５０が、Ａ／Ｄ変換手段４３０のサンプリングレートを制御してもよい。別の実施形態では測定器制御手段４５０が、増幅手段４２０およびＡ／Ｄ変換手段４３０に関するその他任意のパラメタを制御してもよい。

また記憶手段４６０は、測定器１２０を一意に特定する測定器ＩＤ（各測定器を一意に識別するための機能を有する唯一識別子をいう）を記憶できる。測定器ＩＤはたとえば、入出力手段４４０を経由して、測定用情報端末またはその他のコンピュータ装置が読み出し可能である。こうすることで、外部のコンピュータ装置が測定器１２０を一意に特定できるようになる。

別の実施形態では測定器の回路構成は図４の一例に限定されず、センサからの出力を受け、それを情報端末へと信号（デジタル信号など）として出力できるものであれば任意の回路構成を有していてよい。たとえば増幅手段とＡ／Ｄ変換手段とがそれぞれ別々の装置が有するものであって、それら複数の装置を接続した構成を、測定器が含んでいてもかまわない。あるいは別の実施形態として、増幅手段４２０がセンサ（たとえばセンサ１００、１０１、１１０）に内蔵されていて、かつ測定器１２０がＡ／Ｄ変換手段４３０を含んでいてもよい。また別の実施形態では、増幅手段４２０およびＡ／Ｄ変換手段４３０の両方がセンサに内蔵され、当該センサから直接デジタル信号が出力されるような構成であってもよい。Ａ／Ｄ変換手段４３０からの出力のデータ形式はどのようなものであってもよく、また入出力手段４４０のインタフェイスはシリアル形式であってもパラレル形式であってもよい。

図５には、本発明の或る実施形態に係る例示的な測定用情報端末１４０の構成を示す。図５の一例では、測定用情報端末１４０は、処理手段（プロセッサ）５１０と、主記憶手段（たとえば不揮発性のストレージ）５２０と、メモリ（揮発性メモリなど）５３０と、表示手段（視覚ディスプレイやスピーカーなど）５４０と、入出力手段５５０と、ネットワーク入出力手段５６０とを有する。入出力手段５５０には、上述したセンサまたは測定器からの出力であるデジタル信号を入力できる。入出力手段５５０にはたとえば、バーコードリーダなどの光学センサ５５２が接続できる。また入出力手段５５０には、キーボード５５３やマウスなどのような機械的入力手段が接続されてもよい。不揮発性のストレージの例としては、SSDやハードディスクが挙げられ、物理的に単独の装置でもよいし複数の装置群を組み合わせて使用してもよい。なお測定用情報端末１４０以外のコンピュータ装置も、測定用情報端末１４０と同様または類似のコンポーネントを有することができる。

処理手段５１０は、ストレージ５２０またはその他の外部記憶手段から、特徴量抽出手段５１１を読み出してメモリ５３０に配置し、実行できる。特徴量抽出手段５１１は、入力信号で表現される波形（センサから出力された、イオン電流の過渡変化を表す波形）の特徴量を抽出できるソフトウェア（プログラム）であってよい。

また測定用情報端末１４０は、ネットワーク入出力手段５６０により、ネットワーク（図１のネットワーク１９９など）を経由してサーバ（図１のサーバ１６０など）に接続できる。別の実施形態では、特徴量抽出手段がサーバ１６０などのサーバから読み出されるものであって、測定用情報端末１４０が実行してもよい。さらに別の実施形態では、測定用情報端末１４０は特徴量抽出は行わず、サーバ１６０などの別のコンピュータ装置が、測定用情報端末１４０からの出力を受け取り、特徴量抽出手段５１１を実行して特徴量を抽出するようにしてもよい。

図６には、本発明の或る実施形態に係る例示的な管理用情報端末１８０の構成を示し、図５に例示する測定用情報端末１４０と同様の構成であるので重複する説明は省略する。管理用情報端末１８０は、外部装置やネットワークと接続でき、キーボード６５３や光学センサ６５２、または外部記憶装置への接続６５１などを介することで、センサＩＤ（センサに関する唯一識別子）と、そのセンサの物理的特性に関する情報（センサの品番すなわちセンサモデルＩＤに関する情報も含んでよい）を取得できる。それらの情報はまた、ネットワーク入出力手段６６０とネットワーク（ネットワーク１９９など）を経由して、外部サーバ（サーバ１６０など）へと送信できる。このようにして管理用情報端末１８０は、粒子の識別に使われるセンサや測定器の情報を管理できる。なお本明細書では、「モデルＩＤ」とはmodel numberすなわち型番のことを指すと考えてもよい。

別の実施形態では、測定用情報端末１４０と管理用情報端末１８０がそれぞれ複数のコンピュータ装置を含んでいてもよい。さらに別の実施形態では、単一のコンピュータ装置が、測定用情報端末１４０と管理用情報端末１８０とを兼ねていてもかまわない。

図７には、本発明の或る実施形態に係る例示的なサーバ１６０の構成を示す。サーバ１６０は、処理手段（プロセッサ）７１０と、主記憶手段（ストレージ）７３０と、メモリ（揮発性メモリなど）７２０と、表示手段７４０と、ネットワーク入出力手段７５０とを有してよい。これらのコンポーネントは図５の測定用情報端末１４０のそれと同様であってよい。別の実施形態では、サーバ１６０が表示手段を持たないヘッドレスサーバであってもよい。

図７のストレージ７３０は、物理的特性テーブル７３１と、センサモデルＩＤテーブル７３２と、測定テーブル７３３と、機械学習最適化パラメタテーブル７３４とを格納できる。これらをプロセッサ７１０が読み出し、メモリ７２０に配置して使用可能である。なおこの例では簡単にするため「テーブル」のみで例示しているが、そうしたテーブルの機能は当該技術分野で使用される任意の種類のデータベース（SQLデータベースやMicrosoft Accessなど）によって実現できることに留意されたい。

物理的特性テーブル７３１およびセンサモデルＩＤテーブル７３２の例を図８および図９に各々示す。また、測定テーブル７３３および機械学習最適化テーブル７３４を図１４および図１６に各々示す（詳しくは後述する）。

図７の実施形態では、測定用情報端末１４０が特徴量抽出を行うのではなく、測定用情報端末１４０が波形を表す信号をサーバ１６０に送った上で、サーバ１６０が特徴量抽出手段７１２により特徴量を抽出し、学習器７１１が学習を行うことができる。別の実施形態では、測定用情報端末１４０などの他のコンピュータ装置から得られた特徴量を使って、サーバ１６０の学習器７１１が学習を行ってもよい。

（第１段階：センサの物理的特性に関するデータの準備）
図１０と図８、９を参照しつつ、本発明の或る実施形態に係る上述の処理方法の第１段階を詳細に説明していく。はじめに管理用情報端末１８０が、上述したようにセンサ１００、１０１、１１０の各々のセンサＩＤと、そのセンサの物理的特性に関する情報（センサモデルＩＤも含んでよい）を取得する。なおこの例では簡略化のため、同一のセンサモデルＩＤを持つセンサは同じ物理的特性を有すると仮定していることに留意されたい。そしてネットワーク入出力手段６６０が、各々のセンサＩＤ（またはセンサモデルＩＤ）と物理的特性情報を関連付けてネットワーク（ネットワーク１９９など）を経由してサーバ１６０に送る（ステップＳ１００１）。

サーバ１６０は、センサＩＤとセンサモデルＩＤを関連付けてセンサモデルＩＤテーブル７３２に、またセンサモデルＩＤと物理的特性情報を関連付けて物理的特性テーブル７３１に各々記憶する（ステップＳ１００２）。その後、フローは後述する図１１のステップＳ１１０１へと続くことになる。

図８は、物理的特性テーブル７３１の一例である。物理的特性テーブル７３１は、センサモデルＩＤの列８１０と、それに対応するさまざまなセンサの物理的特性を表す情報の列８２０～８８０を有する。

図８の一例では、列８２０にはセンサが有する細孔２９０の直径、列８３０にはメンブレン（薄膜）２４２の厚さ、列８４０にはメンブレン２４２の材料、列８５０にはセンサ構造番号（たとえば図２のような構造情報を特定するための記号が含まれるが、これに限定されない）、列８６０には電極２１２および２２２の材料、列８７０にはセンサ静電容量（図８の例ではチャンバ２１０、２２０および細孔２９０に１倍ＰＢＳ緩衝液（1mol%のリン酸緩衝生理食塩水）を導入した際の、電極２１２と２２２間の静電容量を示しているが、これに限定されない）、列８８０には細孔２９０の表面処理（たとえばプラズマによる表面改質、親水化材塗布や分子修飾など）、をそれぞれ表している。また各列には変数型と単位を特定する情報も含めることができ、たとえば列８２０での変数型・単位情報８２１では、変数型がint（整数）であり単位はnmであることがわかる。また列８８０での変数型・単位情報８８１からは、変数型がstring（文字列）であり単位は無いことがわかる。

図８の一例では、たとえばモデルＩＤ８１３のセンサ「X003001」は、細孔直径が３００ｎｍ、メンブレン厚が５０ｎｍ、メンブレン材料はSiN（窒化シリコン）、センサ構造は記号「Ｂ２」で表されるもの、電極材料がAg/AgCl（銀／塩化銀）、静電容量が２９ｐＦ、細孔表面処理はdopamin（ドーパミン）によるもの、という物理的特性を持っていることが記憶されている。

図９は、センサモデルＩＤテーブル７３２の一例である。センサモデルＩＤテーブル７３２は、センサＩＤを表す列９１０と、センサモデルＩＤを表わす列９２０とを有するテーブルである。図９の一例では、たとえばセンサＩＤ９１１と、センサモデルＩＤ９２１が関連付けて記憶されている。図９の一例では、たとえばセンサＩＤ９１１～９１３が各々関連付けられたセンサは、各々同一のモデルＩＤ９２１～９２３すなわち「X001001」に対応している。これによって、センサＩＤ９１１～９１３が各々関連付けられたセンサは、すべて図８の行８１１で表される同じ物理的特性を有していることが表現されている。一方、センサＩＤ９１１～９１３が各々対応するセンサ「X001001」と、センサＩＤ９１４が対応するセンサ「X002001」とは、センサモデルＩＤが異なっており、センサＩＤ９１１～９１３に対応するセンサと、センサＩＤ９１４に対応するセンサは異なる物理的特性を有していることが表現されている。

上記のように、物理的特性テーブル７３１とセンサモデルＩＤテーブル７３２によって、サーバ１６０は各センサとその物理的特性の関連付けを保持できる。言い換えればこの構成は、センサＩＤとそのセンサの物理的特性とが、（センサモデルＩＤを介して間接的に）関連付けられるということを意味する。また別の実施形態では、センサモデルＩＤを使用せずに、センサＩＤと各センサの物理的特性とを直接関連付けることもできる。すなわち、センサの品番（センサモデルＩＤ）に頼らずに、センサモデルＩＤテーブルを使わず、各センサとセンサＩＤとその詳細な物理的特性とをセンサ物理的特性テーブルで直接に関連付けていてもよい。つまり、センサ物理的特性テーブルとセンサモデルＩＤテーブルを統合してもよいということである。

こうした特徴により、機械学習の前提条件となるセンサの物理的特性ごとに異なる機械学習最適化パラメタを適切に管理し、汎用性の高い機械学習粒子識別システムを実現できる。

なお、図８に示した物理的特性はあくまで一例であって、その他にセンサの性質や素性を表現する情報であれば任意に物理的特性に含めることができる。別の実施形態ではたとえば図２のシリコンウェハ２４１およびメンブレン２４２として使用するＳｉチップの、メーカ番号、工場番号、ロット番号、ウェハ上の座標情報、製造年月日、Ｓｉデバイス構造、ウェハ材料、洗浄工程等の製造プロセス情報、出荷基準、プロセスのばらつきに関する情報、試験結果なども、本明細書においてはセンサの物理的特性に関する情報であると考えてよい。また、センサの製造工程に関する情報、たとえばチャンバ２１０や２２０の構造、チャンバ壁面の材料、チャンバ壁面の表面処理、電極構造、電極材料、製造工程における温度履歴、品質基準、電解液を導入した際の静電容量、抵抗、インダクタンス、抜き取り検査による品質情報なども、本明細書においてはセンサの物理的特性に関する情報であると考えてよい。このようにセンサの製造に係る情報を記憶しておくことで、そのセンサを使った機械学習の性能評価と対比させ、センサの品質向上を実現することも可能である。

（第２段階：学習処理）
次に図１１～１６を参照しつつ、本発明の或る実施形態に係る処理方法の第２段階を詳解していく。

図１１には、この第２段階に係る学習処理の前半を説明するフロー図を示した。まず、管理用情報端末１８０（または測定用情報端末１４０などの他のコンピュータ装置でもよい）の光学センサにより、センサが持つ提示手段からセンサＩＤを上述したように読み取って取得する（ステップＳ１１０１）。このときたとえばセンサに付された図３の二次元バーコード３９０を、管理用情報端末の光学センサ６５２（または測定用情報端末の光学センサ５５２などの他のセンサ）が読み取ることでセンサＩＤを取得してもよいし、また何らかの手段で読み取ったセンサＩＤをキーボード６５３（またはキーボード５５３などの他の入力手段）から入力してもよい。あるいは、半導体メモリを有し、そのセンサＩＤを電気的に読み取ることのできる構成を有するセンサモジュールから、測定用情報端末または管理用情報端末が電気的にセンサＩＤを電気的に読み取ってもよく、あるいは他の方法によってもよい。

次に、チャンバ２１０および２２０のいずれか一方または両方に、種類が既知である測定対象の粒子（すなわち既知粒子）を含む電解液を充填する（ステップ１１０２）。電解液の導入時には、任意の装置（カニューレ、ポンプ、スポイトなど）を使って電解液導入口へと注入できる。

そして、センサをたとえば図１や図４に例示したような態様で、測定器１２０を経由して測定用情報端末１４０に接続すると、測定器１２０が電極２１２と電極２２２の間に電圧を印加する（ステップＳ１１０３）。すると、電極２１２と電極２２２との間にイオン電流が流れる。

そして帯電した測定対象粒子が細孔２９０を通過する。このとき、細孔２９０付近の電解液が、通過する測定対象粒子で排斥されるので、その結果として粒子が細孔２９０を通過する毎に過渡的にイオン電流の減少が（たとえばパルス波形として）発生し、観測されることになる（ステップＳ１１０４）。

ここで図１２に、粒子が細孔を通過する際の電極２１２と電極２２２との間に流れるイオン電流の過渡変化の一例を模式的に説明する。この例では、粒子１２００が細孔１２０１を通過するものとする。イオン電流波形を示すグラフの縦軸はイオン電流値（Ion current）、横軸は経過時間（time）である。

まず第１の状態１２１０は、粒子１２００が細孔１２０１を通過する前の状態である。このときのイオン電流波形１２１１は、定常値（コンスタント）になっている。

そして第２の状態１２２０は、粒子１２００が細孔１２０１を通過している最中の状態である。このときのイオン電流波形１２２１は、細孔１２０１内のイオンが粒子１２００によって排斥されることで、電流値が低下している。すなわち、パルス波形が得られる。

そして第３の状態１２３０は、粒子１２００が細孔１２０１を通過した後の状態である。このときのイオン電流波形１２３１は、再び定常値（コンスタント）に戻る。このようにして過渡電流パルスが発生するので、それを測定器や測定用情報端末が観測できるというわけである。

話を図１１に戻すと、ステップＳ１１０５にて、測定器１２０の増幅手段（アンプ）４２０が、前のステップＳ１１０４で観測された微小な電流信号を増幅する。増幅された信号はＡ／Ｄ変換手段４３０がデジタル信号に変換できる。上述したように図４の例では、測定器制御手段４５０が、信号の増幅およびデジタイズに係る各種パラメタを操作でき、それによって増幅手段４２０およびＡ／Ｄ変換器４３０を制御できる。これらの制御に関わるパラメタにはたとえば、増幅手段の増幅率、デジタイズのビット幅やサンプリングレートなどが含まれてよく、さらにこのほかの増幅およびデジタイズに係る任意の制御パラメタが含まれてもよい。

そして入出力手段（Ｉ／Ｏ）４４０が、Ａ／Ｄ変換手段４３０の出力であるパルス波形データを測定用情報端末１４０に送る（ステップＳ１１０５）。或る実施形態ではさらに入出力手段（Ｉ／Ｏ）４４０から、測定器制御手段４５０が用いた上述した制御パラメタを、測定用情報端末１４０に送ってもよい。またさらに、測定器１２０を一意に特定するための測定器ＩＤを、記憶手段４６０などから取得して、パルス波形データおよび制御パラメタとともに、測定用情報端末１４０へと送ってもよい。

次に測定用情報端末１４０が、受信したパルス波形データから、特徴量抽出手段５１１によって、機械学習に用いる（一種以上の）特徴量を抽出する（ステップＳ１１０６）。ここで抽出する特徴量としてはたとえば、パルス毎の波高、波幅、パルス面積、パルス波形の対称度（対称性を表すパラメタ）などが含まれてよく、さらにパルス波形の特徴を表現する任意の量を含めてもかまわない。別の実施形態では、特徴量の抽出を別のコンピュータ装置（サーバ１６０など）が行ってもよい。

次に、測定用情報端末１４０は、キーボード５５３、光学センサ５５２、またはＩ／Ｏ５５０などを経由して、ステップＳ１１０４で測定を行った既知粒子の種類を表す既知クラスに関する情報を受信し、記憶手段（ストレージ５２０やメモリ５３０など）に記憶できる（ステップＳ１１０７）。

そして測定用情報端末１４０は、キーボード５３、光学センサ５５２、ネットワークＩ／Ｏ５６０などを経由して、ステップＳ１１０１～Ｓ１１０５の一部または全部における測定や増幅に係る測定条件情報を取得して、記憶手段（ストレージ５２０やメモリ５３０など）に記憶できる（ステップＳ１１０８）。そうした測定条件情報の例としては、測定に用いた電解液の種類、電解液の塩濃度、センサモジュールを測定器に装着する際に用いた治具の種類などが挙げられるが、これらに限定されない。また、測定条件情報には、上述した制御パラメタが含まれると考えてもよい。

また或る実施形態では、ステップＳ１１０５で使った測定器１２０のサンプリングレート、デジタイズ時のビット数、増幅手段が有する増幅回路の回路パラメタなどの制御パラメタ情報を取得する代わりに、ステップＳ１１０８にてキーボード５５３、光学センサ５５２、Ｉ／Ｏ５５１またはネットワークＩ／Ｏ５６０などを経由して、制御パラメタ情報を測定用情報端末１４０が取得して記憶手段に記憶してもよい。（すなわちステップＳ１１０８は任意付加ステップである。）

上述した測定条件は、測定されるパルス波形の形状に影響を持ちうるため、機械学習を行う際の前提条件として用いることが可能である。なお図１１に示す例では、測定用情報端末１４０が既知クラス情報や測定条件情報をステップＳ１１０６の後に受け取るようになっているが、別の実施形態では、既知クラス情報や測定条件情報を、測定用情報端末１４０がいつの時点で受け取ってもよい。

そして測定用情報端末１４０は、ステップＳ１１０１で受信したセンサのセンサＩＤ、ステップＳ１１０６で抽出（計算）した特徴量、ステップＳ１１０５で受け取った制御パラメタ、ステップＳ１１０７で受信した既知クラス、ステップＳ１１０８で受け取った測定条件のうちの少なくとも一部を、ネットワーク入出力（送受信）手段５６０から、ネットワーク（ネットワーク１９９など）を経由してサーバ１６０に送る（ステップＳ１１０９）。その後、フローは後述する図１３のステップＳ１３０１へと続くことになる。

図１３には、この第２段階に係る学習処理の後半を説明するためのフロー図を示している。まずサーバ１６０が、ステップＳ１１０９で測定用情報端末１４０から送られたセンサのセンサＩＤ、特徴量、制御パラメタ、既知クラス、および測定条件のうちの少なくとも一部を受信し、記憶手段（ストレージ７３０やメモリ７２０など）に格納する（ステップＳ１３０１）。

この例では、簡略化のために機械学習の目的がＡ１、Ａ２、およびＡ３の３種類のなかのどれかを識別することであるとする。この場合サーバ１６０は、学習対象の既知粒子の学習が終わるまで（つまりこの例ではＡ１、Ａ２、およびＡ３のすべてについて）、ステップＳ１１０１からＳ１３０１までを繰り返し実施させる。そして各々の既知粒子について、測定したセンサＩＤ、特徴量、測定条件、制御パラメタ、および既知クラスのうちの少なくとも一部をサーバ１６０は受信する（ステップＳ１３０２）。

次に、プロセッサ（処理手段）７１０が、受信したすべてのセンサＩＤをキーとして、センサモデルＩＤテーブル７３２を検索する（ステップＳ１３０３）。これにより、ステップＳ１３０１で受信した特徴量などの情報が、どのような物理的特性を有するセンサによって測定されたものかを特定できる。

次にサーバ１６０は、粒子Ａ１～Ａ３の測定のすべてについて、センサモデルＩＤ、測定条件、および制御パラメタが一致するかどうかを判断する（ステップＳ１３０４）。もしすべてが一致した場合にはステップＳ１３０５に進み、一致しない場合はステップＳ１３０８に進む。

ステップＳ１３０５では、サーバ１６０のプロセッサ７１０が測定テーブル７３３に、ステップＳ１３０３で一致したと判断された測定条件、制御パラメタ、およびセンサモデルＩＤを、測定ＩＤと関連付けて記憶できる。なおここでいう「測定ＩＤ」とは、各測定への唯一識別子であって、各測定を一意に特定できる機能を有する。また上記で測定ＩＤと関連付ける情報の組はあくまで一例であって、上述したようなその他の情報の組を測定ＩＤと関連付けることも可能である。

すなわちこの実施形態では、こうした測定ＩＤによってパルス波形、すなわち機械学習最適化パラメタに影響を与える諸条件の組を特定できる。

ここで図１４に、本発明の実施形態に係る例示的な測定条件テーブル７３３を示す。測定テーブル７３３は、列１４００に測定ＩＤを行１４０１、１４０２、１４０３、１４０４、…のそれぞれに対して格納できる。そしてこれらの測定ＩＤとそれぞれ関連付けて記憶する測定条件としては、列１４１０～１４９０に示す情報が挙げられる。図示しているように各列には、string、float（浮動小数点数）、intなどの変数型と、数量の単位を定義する情報も含められる。

列１４１０には測定する既知粒子の種類を表す情報、列１４２０にはセンサＩＤ、列１４３０には緩衝液（電解液）の種類、列１４４０には緩衝液の濃度（この例では1X溶液の希釈率で示してある）、列１４５０には測定器モデル番号、列１４６０にはセンサと測定器を接続する治具のモデル番号、列１４７０には測定器でパルス波形をデジタイズする際のビット幅、列１４８０にはアンプの増幅率、列１４９０にはパルス波形のサンプリングレートが、それぞれ格納されている。

なお図１４で示したこれらの情報はあくまで一例であって任意に追加・変更ができる。たとえば列１４５０の測定器モデル番号に代えて、上述した測定器ＩＤを使ってもかまわない。

図１４の一例では、行１４０１に格納されている測定ＩＤ「235071」により特定される測定は、Ａ１、Ａ２、およびＡ３という３種類の既知粒子の測定はすべて、「X001001」というセンサモデルＩＤを有するセンサを用い、０．５倍希釈のＰＢＳ（リン酸緩衝生理食塩水）に識別対象粒子を導入し、センサを型番「BC-1」の治具を経由して型番「AT-1000」の測定器に接続して測定し、増幅率１０＾８倍（１０の８乗倍）に増幅したアナログ信号を、サンプリングレート２５０ＫＨｚ、ビット幅１２ビットでデジタイズすることで、パルス波形情報を生成したことを示している。このような構成により、条件を揃えた教師データの取得が容易となる効果が得られる。

なお図１４では、行１４０４に格納されている情報は、行１４０１と比べると測定ＩＤが違い、かつ既知クラスが空欄になっていることが異なる。これは測定ＩＤ「235074」として行われる測定が未了であって、かつ測定ＩＤ「235071」と同条件で行われることを表している。

或る実施形態では、測定ＩＤ「235071」を行ったセンサと測定ＩＤ「235074」を行うセンサが同じ型番であってかつ物理的には別個体である場合には、測定ＩＤ「235074」を行うセンサ（の利用者）に対し、測定ＩＤ「235071」が用いた測定条件などの情報（すなわち行１４０１に格納された情報の少なくとも一部）を通知することが可能である。

たとえば、測定ＩＤ「235074」を行うセンサの利用者が持つ情報端末（測定用情報端末でもよいし、その他の端末でもかまわない）へと、サーバ１６０から測定テーブル７３３に基づいて測定条件などの情報を送信し、その情報端末の利用者へと（表示手段を介するなどして）通知できる。

別の実施形態では、或る測定器ＩＤで特定される測定器を持つ利用者から、或る既知クラスに属する粒子の測定を行いたいというリクエストをサーバ１６０に送ることができる。この場合サーバ１６０は測定テーブル７３３に基づいて過去の測定結果を検索し、その既知クラスに属する粒子の測定を行った実績についての情報を得て、適切な測定条件とセンサモデルＩＤを、その利用者へと通知することができる。また当然のことながら、それ以外の情報をサーバ１６０から利用者へと通知することもでき、たとえば、粒子の識別に利用可能な機械学習最適化パラメタや測定器制御パラメタといった情報を通知できる。換言すればサーバ１６０は、粒子の識別に利用可能な何らかの情報を、その粒子の識別を行う利用者に対して適切に提供可能ということである。あるいは別の実施形態では、そのように通知された情報に基づいて、センサ、測定器、測定用情報端末、および管理用情報端末の一部または全部の構成をハードウェア的もしくはソフトウェア的に編集することで、そのセンサおよび／または測定器の測定条件が自動的に調整されるようになっていてもよい。

上述した構成により、既知粒子の測定（学習）のための測定条件を利用者に通知することで、その利用者が確実に学習を行えるようになる効果が奏されるし、さらには既知粒子の測定のためのアンプやデジタイザの設定を自動で行えるという効果も得られる。

さて図１３に話を戻すと、サーバ１６０の学習器７１１が、Ｓ１３０１で受信した特徴量を学習データ、既知クラス情報を教師データとして学習できる（ステップＳ１３０６）。ここでいう学習（機械学習）とは、学習器７１１の有する機械学習モデルの出力結果が、ステップＳ１３０１で受信した既知クラスとなる確率が最も高くなる、機械学習パラメタを最適化する処理のことである。このように最適化されたパラメタのことを、「機械学習最適化パラメタ」ともいう。学習器７１１は、与えられた特徴量と教師データから、機械学習最適化パラメタを計算するためのソフトウェア手段である。学習器７１１に用いられるアルゴリズムはたとえば、深層学習、回帰、決定木、ｋ近傍法、サポートベクターマシンなど、どのようなものであってもよい。

図１５には、本発明の原理を説明するために、深層学習による機械学習モデルを例示する。図１５の例では、入力層ｌ＝１への学習データｘの入力に対して、出力値ｌ＝Ｌにおける本モデルの出力ｙと教師データｔより定義される誤差関数Ｅ(ｗ)を最小化するように、

の各パラメタを最適化する。ここでｆ(ｌ)は、各層の活性化関数であり、たとえば伝達係数

の他に活性化関数の有するパラメタ等、機械学習モデルの有する他のパラメタを最適化の対象としてよい。別の実施形態では、深層学習以外の任意の機械学習モデルを使用できる。

そしてプロセッサ７１０は、測定ＩＤに関連付けて、機械学習最適化パラメタと既知クラス情報を機械学習最適化パラメタテーブル７３４に保存できる（ステップＳ１３０７）。その後、フローは後述する図１７のステップＳ１７０１へと続くことになる。

図１６には、機械学習最適化テーブル７３４の一例を示す。図１６では、列１６１０に測定ＩＤ１６１０が格納され、列１６２０、１６３０、１６４０、…にその測定ＩＤに関連付けられて機械学習パラメタ

の各要素を格納できる。なお図１６では

の伝達係数だけを例示してあるが、たとえば図１５の例では第１層（ｌ＝１）については

個の伝達係数、第２層（ｌ＝２）については

個の伝達係数、そして第Ｌ層については

個の伝達係数があることが理解できるだろう。図１６の例では行１６１１に、測定ＩＤ「235071」に関連付けて、特徴量および既知クラスより計算された機械学習最適化パラメタが格納されている。以上が本実施形態における学習処理例の詳細である。

なおステップＳ１３０４において、Ａ１～Ａ３の測定においてセンサモデルＩＤ、測定条件、制御パラメタのいずれかに不一致が検出された場合には、サーバ１６０は不一致となったセンサモデルＩＤ、測定条件、制御パラメタを測定用情報端末１４０に送信できる（ステップＳ１３０８）。測定用情報端末では、表示手段を介してなどしてこれらの情報を利用者へ提示でき、それによって条件を揃えた測定を利用者に促せる効果が得られる。そしてフローを図１１のステップＳ１１０１へと戻すことができる。

別の実施形態では、センサモデルＩＤテーブル７３２と物理的特性テーブル７３１が統合されていて、センサモデルＩＤの代わりにセンサＩＤを使って直接関連付けを行うこともできる。この場合、各センサＩＤに関連付けられる情報同士の類似度を（たとえばサーバ１６０のプロセッサ７１０が）算出しておき、或る測定ＩＤに関連付けられる情報に対して類似度が高い情報をセマンティック検索して、上述したように利用者などへ提示することもできる。

なお上記の例では３種の既知粒子のなかから１種を識別するための教師あり学習を例にとって説明したが、既知粒子の種類数はいくつでもよい。また別の実施形態では、クラスタリングのような教師なし学習を実施してもよい。

（第３段階：識別）
次に図１７～１９を参照しつつ、本発明の或る実施形態に係る処理方法の第３段階である識別について説明していく。或る実施形態では、既知粒子から取得する学習用波形と、未知粒子から取得する識別用波形は、その測定条件が同じであることが、識別精度の向上に鑑みて好ましい。たとえば、種類Ｐの粒子が種類Ｍのセンサの細孔を通過する学習用波形と、種類Ｐの別の粒子が種類Ｎのセンサの細孔を通過することによる識別用波形とでは、センサの違いにより異なる特徴を生じうる。このような状況では、センサＭの波形から導かれた機械学習最適化パラメタは、センサＮで取得した識別用波形を正しく識別する能力を持たないおそれがある。

本発明の実施形態ではたとえば以下の２種の方法によって、上記の課題を解決できる。すなわちその第１の方法では、学習用波形の測定時のセンサの物理的特性、増幅手段やデジタイザの特性など測定波形に影響を与えるさまざまな条件（に関する情報）をサーバ１６０で記憶しておき、識別のための測定に先立ってこの情報を測定用情報端末１４０やさらに測定器１２０に送ることで、学習時と同じ条件での測定を行う。

また第２の方法は、学習用波形の測定時のセンサの物理的特性、増幅手段やデジタイザの特性など測定波形に影響を与える条件（に関する情報）を、サーバ１６０における学習時に、波形特徴量とともに教師データとして学習させる方法である。

またこれら２種の方法以外にも、本明細書の教示するところに応じて、さらなる変形例を実施できる。例えば、教師データの特徴量と教師ラベルで学習させた機械学習最適化パラメタと、その教師ラベルと、センサの物理的特性、測定器制御パラメタ、またはその他測定条件のうちの一種以上とを、関連付けて識別に用いるようにしてもよい。

（識別：第１の方法）
以下では、図１７のフロー図を用いて、上記第１の方法を説明する。識別対象（検体）である未知粒子が属する可能性のあるクラスのことを「識別対象クラス」と呼ぶ。上の例ではＡ１～Ａ３の３種が識別対象クラスになる。別の実施形態では識別対象クラスの種類数はいくつでもよく、また識別対象試料に含まれる粒子は複数のクラスに属する粒子を含んでいてもよい。

識別対象である未知粒子から識別用波形を得るに先立って、まず測定用情報端末１４０が、識別対象クラス情報を得る（ステップＳ１７０１）。識別対象クラス情報は、キーボード５５３より入力してもよいし、またはネットワークＩ／Ｏ５６０を経由してサーバ１６０より取得してもよいし、または情報端末１４０のストレージ５２０に記憶されていてもよい。つまり測定用情報端末１４０は、検体がＡ１、Ａ２、およびＡ３の３種類のうちの１種であるかどうかを識別するために、ステップＳ１７０１でこれら３種の識別対象クラス情報を得るわけである。

次に測定用情報端末１４０は、識別用波形の測定に用いるセンサ１１０のセンサＩＤを、たとえば光学センサ５５２でセンサ１１０が有する提示手段を走査するなどして得る（ステップＳ１７０２）。センサＩＤは、センサ１１０から測定器１２０とＩ／Ｏ５５０を経由して取得してもよい。なおここでの説明は、教師あり学習を前提としているが、別の実施形態ではクラスタリング等の教師なし学習を用いてよい。教師なし学習を用いる場合は、ステップＳ１７０１は無くてよい。

次に、測定用情報端末１４０はＳ１７０１で得た識別対象クラス情報とＳ１７０２で得たセンサＩＤを、ネットワーク１９９などのネットワークを介して、サーバ１６０に送る（ステップＳ１７０３）。

この情報を受け取ったサーバ１６０は、受け取ったセンサＩＤをキーとしてセンサモデルＩＤテーブル７３２を検索し、ステップＳ１７０２で得た識別用波形を取得するセンサ１１０のセンサモデルＩＤを得る（ステップＳ１７０４）。

さらにサーバ１６０は、ステップＳ１７０３で送られた識別対象クラス情報とステップＳ１７０４で検索されたセンサモデルＩＤのいずれかまたは双方を使って、測定テーブル７３３を検索し（ステップＳ１７０５）、センサ１１０と同じ種類のセンサを用いて、機械学習最適化パラメタを計算した測定があるか否かを確認できる（ステップＳ１７０６）。

たとえば図１４の測定テーブル７３３を用いたとした場合、当該識別対象クラス情報と一致する既知クラス（Ａ１、Ａ２、およびＡ３）を有する行１４０１を検索でき、それに対応するセンサモデルＩＤ「X001001」を取得できることになる。

あるいは、未知粒子の測定に用いるセンサ１１０と同じセンサモデルＩＤを持つセンサでの測定があるかを検索し、対応する情報を得ることもできる。あるいはセンサモデルＩＤと既知クラスがどちらも一致する測定を検索することもできる。他の実施形態では検索キーに別の情報を使ってもよいことも、本明細書の開示内容から理解できるだろう。

さて検索に成功し、対応する情報が得られた場合、ステップＳ１７０６からステップＳ１７０７に進む。そしてサーバ１６０が検索して得た、測定テーブル７３３において測定ＩＤに関連付けられる情報（測定条件および制御パラメタなど）を、測定用情報端末１４０に送信できる。

そして測定用情報端末１４０はこの情報を受信すると、たとえば緩衝液の種類や濃度、利用すべき測定装置のモデル、センサを測定器に接続する治具などのような、測定者が制御すべき条件を表示装置５４０に表示し、測定者に通知できる（ステップＳ１４０８）。

あるいは別の実施形態では、通知されるそれらの情報に基づいて、センサ、測定器、測定用情報端末、および管理用情報端末の一部または全部の構成をハードウェア的もしくはソフトウェア的に編集することによって、そのセンサに関する測定条件が自動的に調整されるようになっていてもよい。

つまり上記のいずれの実施形態によっても、測定条件などの情報を、サーバ１６０から実際にセンサを使用する測定者または測定のための装置へとフィードバックできるため、未知粒子の識別を高精度で確実に行えるようになる効果が得られるわけである。

さらに測定用情報端末１４０は、ステップＳ１７０７でサーバより送られた制御パラメタを測定器１２０に送ってもよい。この情報を受け取った測定器１２０が有する測定器制御手段４５０は、増幅手段４２０およびＡ／Ｄ変換手段４３０に係る、たとえば増幅率やサンプリングレート等の条件を、受け取った値に基づいて設定できる（ステップＳ１７０９）。

たとえばＡ／Ｄ変換手段４３０を、図１４の行のデータ１４７１および１４９１が示すデジタイズビット幅およびサンプリングレートの値に設定し、かつ増幅手段４２０をデータ１４８１が示す増幅率に設定できる。上述したとおり制御パラメタはこれらには限定されず、増幅手段やＡ／Ｄ変換手段の特性を変化させるものであれば何でもよい。

別の実施形態では、測定器１２０を使用する利用者が有する端末に対して、増幅率やサンプリングレート等の条件を通知して、利用者に測定器１２０の調整を促すようにしてもよい。

すなわち、通知されるそれらの情報に基づいて、センサ、測定器、測定用情報端末、および管理用情報端末の一部または全部の構成をハードウェア的もしくはソフトウェア的に編集することによって、その測定器に関する測定条件が自動的に調整されるようになっていてもよい。

つまり上記のいずれの実施形態によっても、測定条件などの情報を、サーバ１６０から実際に測定器を使用する測定者または測定器へとフィードバックできるため、測定器の設定を効率的に行うことができ、未知粒子の識別を高精度で確実に行えるようになる効果が得られる。

その後、フローは後述する図１８のステップＳ１８０１へと進む。

図１８には、識別対象検体の測定に関するフローを示す。ステップＳ１７０８で得られた測定条件に基づいて、未知粒子を含む電解液（以下、単に「試料」とも略記する）を調製できる（ステップＳ１８０１）。この調製は、測定用情報端末１４０などのコンピュータ装置に表示された情報に基づいて利用者が行ってもよいし、あるいは自動的に調製用装置が行ってもかまわない。

そして試料を、利用者によってかまたは何らかの装置により自動的に、センサ１１０に導入する（ステップＳ１８０２）。

センサ１１０を測定器１２０を介して測定用情報端末１４０に接続する。そしてセンサ１１０内の、電解液が接している電極間に、電圧を印加する（ステップＳ１８０３）。

すると試料中の未知粒子がセンサ１１０の細孔を通過する毎に、電極間に電流の過渡変化によるパルスが生じる（ステップＳ１８０４）。

そのパルス波形を増幅手段４２０が増幅し、さらにＡ／Ｄ変換手段４３０がデジタル信号に変換した上、測定用情報端末１４０へと送る（ステップＳ１８０５）。ここで取得するパルス波形は１つでも複数個でもよい。一般的には、取得するパルス波形が多いほど粒子の識別精度を高くできる。

そして測定用情報端末１４０の特徴量抽出手段５１１が、ステップＳ１８０５で受け取った各パルス波形より特徴量を抽出し、ネットワーク１９９などのネットワークを介してサーバ１６０に送る（ステップＳ１８０７）。もちろん上述したところと同様に、特徴量の抽出を行うコンピュータ装置は任意に選択できることは言うまでもない。その後、フローは後述する図１９のステップＳ１９０１へと進む。

図１９には、未知粒子の識別に関するフローを示す。まずサーバ１６０は、未知粒子によるパルス波形データの特徴量を受け取る（ステップＳ１９０１）。ここで説明する一例では、この未知粒子がＡ１、Ａ２、またはＡ３のどれに属するかを判断するものとする。

上記ステップＳ１７０５において、サーバ１６０は既に、センサ１１０を使って未知粒子がＡ１、Ａ２またはＡ３のいずれであるかを識別するために必要な測定ＩＤ１４０１を特定している。したがってサーバ１６０は、この特定した測定ＩＤを検索キーとして、機械学習最適化テーブル７３４を検索することで、この測定ＩＤに関連付けられた測定条件および制御パラメタを前提として最適化された機械学習最適化パラメタを検索する（ステップＳ１９０２）。図１６に示した機械学習最適化テーブル７３４を用いる場合は、行１６１１にある全パラメタが検索結果としてヒットすることになる。

次に、サーバ１６０の学習器７１１が、ステップＳ１９０２で得られたパラメタを代入した機械学習モデル（例えば図１５の深層機械学習モデル）に対して、ステップＳ１９０１で得た特徴量を入力する。そしてこの機械学習モデルからの出力として、この未知粒子が属する確率が最大になる（最も確からしい）クラスを計算する（ステップＳ１９０３）。

サーバ１６０は上記計算結果を、解答（識別結果）として測定用情報端末１４０に送る。測定用情報端末１４０はその識別結果を表示手段５４０などに表示できる（ステップＳ１９０４）。これで一連の識別処理は完了する。

ここで図１７に戻り、ステップＳ１７０６における測定テーブルの検索において、センサモデルＩＤまたは既知クラス情報に一致するレコードが検索できない場合を考える。フローはステップＳ１７１０に進み、一致する既知クラス情報があるかを判断する。

一致する既知クラス情報があった場合、それは識別対象検体を識別可能な学習済の最適化パラメタは存在しているものの、その学習に用いられたデータが異なる種類のセンサで測定されたものであることを意味する。したがってこの場合、サーバ１６０はステップＳ１７０５で検索されたセンサモデルＩＤを、測定用情報端末１４０へと送る（ステップＳ１７１１）。

そして測定用情報端末１４０は、未知粒子を測定するために使うことのできるセンサモデルＩＤを表示手段５４０を介して提示できる（ステップＳ１７１２）。すなわち利用者（測定者）は、このセンサモデルＩＤに関する情報に基づいて、未知粒子が既知クラス粒子Ａ１、Ａ２、およびＡ３のどれに相当するかを識別するための機械学習最適化パラメタを、未知粒子の識別のために利用できるセンサを選択可能となる。ステップＳ１７０４で複数のセンサモデルＩＤが検索された場合には、ステップＳ１７１２で複数のセンサモデルＩＤを表示してもよい。

別の実施形態では、このセンサモデルＩＤに関する情報に基づいて、センサ、測定器、測定用情報端末、および管理用情報端末の一部または全部の構成をハードウェア的もしくはソフトウェア的に編集することによって、適切なセンサ（センサモデルＩＤに対応するセンサ）が自動的に選択、設定、準備されるようになっていてもよい。

つまり上記のいずれの実施形態によっても、未知粒子の測定に適切なセンサに関する情報を、サーバ１６０から測定者またはそれが用いる装置へとフィードバックできるため、センサの選択・設定を適切に行うことができる。

また、ステップＳ１７１０で一致する既知クラスが無かった場合は、サーバ１６０には、当該未知粒子が粒子Ａ１、Ａ２、およびＡ３のどれであるかを識別するための機械学習最適化パラメタが保存されていないことを意味する。

この場合サーバ１６０は、検索結果が無いことを測定用情報端末１４０に通知できる。測定用情報端末１４０は、表示手段５４０を介して「識別に必要な機械学習モデルが無い」旨を測定者へ通達できる（ステップＳ１７１３）。測定者はそれに応じ、当該識別処理の第２段階の学習（ステップＳ１１０１）に戻って学習処理を行ってもよいし、あるいは識別を中止してもよい。

別の実施形態では、未知粒子の識別に必要な機械学習モデルが無いことに基づいて、センサ、測定器、測定用情報端末、および管理用情報端末の一部または全部の構成をハードウェア的もしくはソフトウェア的に編集することによって、適切な学習処理が自動的に実行されるようになっていてもよい。

以上説明した本発明の実施形態に係る第１の識別方法によれば、既知粒子による学習のための測定と、未知粒子による識別のための測定において、センサ物理的特性情報、測定器制御パラメタ、測定条件などを一致させることで、高精度な識別を確実に行えるという効果を奏する。これは、図１１のフローにおいて取得できる学習用のパルス波形の特徴量は、それらのパルス波形取得の際の測定条件や測定器パラメタによって変化しうるため、学習時（Ｓ１３０７）と識別時（Ｓ１９０３）の測定条件と測定器パラメタを合わせておくのが好ましいからである。或る実施形態では、こうした識別方法を含む識別処理を実行するためのサーバ、システム、情報端末、測定器、およびセンサを提供できる。

当該実施形態に係るシステム等によって、学習と識別において異なる物理的特性のセンサを用いることができるため、粒子識別の応用範囲が飛躍的に拡がる。同様に、学習と識別において異なる測定条件や異なる測定器制御パラメタを用いても、正しく識別が可能になるという効果も奏する。

なお上記の例では、既知クラスを粒子１種類をあらわす情報を例にとり説明した。別の実施形態では、既知クラスは複数種類の粒子の集合をあらわすラベルであってもよいし、またこれら複数種類の粒子の一部は既知であっても未知であってもよい。すなわち、既知クラス情報は、素性のわからない粒子の集合を表すラベルであってもよい。

（識別：第２の方法）
本発明の或る実施形態に係る第２の方法は、概ね第１の方法と共通するが、以下が相違する。すなわち第２の方法では、パルス波形より抽出した特徴量（波形特徴量）だけでなく、ステップＳ１３０１でサーバが記憶した情報（物理的特性、測定条件、測定器制御パラメタなど）の一部または全部も、特徴量として扱う。そしてこれらの特徴量で学習器７１１に学習させる。

そして未知粒子の識別においても、パルス波形より抽出した波形特徴量に加えてさらに、学習時に特徴量として学習させた情報（物理的特性、測定条件、測定器制御パラメタなど）を、学習済の機械学習モデルに入力する。これにより、学習の際に用いたセンサの物理的特性、測定条件、測定器制御パラメタの一部または全部が、識別の際のこれらと異なっていたとしても、学習済の機械学習モデルは正しい結果を出力できるようになる。

たとえば未知粒子が、粒子Ａ１、Ａ２、およびＡ３の３種類のどれか一つであると識別する場合を考える。そして細孔の直径（すなわち細孔の物理的特性の一種）がそれぞれ１００ｎｍ径、１５０ｎｍ径、および２００ｎｍ径である３種類のセンサを使い、粒子Ａ１を測定してパルス波形を取得し、３セットの波形特徴量群が得られたとする。

すると学習時には、細孔１００ｎｍ径のセンサで取得した波形特徴量群に加えて、細孔の直径が１００ｎｍであるという情報も特徴量とし、Ａ１を教師ラベルとして学習させることができる。細孔１５０ｎｍ径、２００ｎｍ径のセンサについても同様に波形特徴量と細孔径を併せて特徴量とし、Ａ１を教師ラベルとして学習させる。Ａ２、Ａ３についても同様の学習を行える。

このようにして学習させた機械学習モデルを使って、未知粒子の識別を行うときには、波形特徴量に加えて識別時に使用センサの細孔径も入力する。

上記の第１の方法では、学習と未知粒子識別におけるセンサの物理的特性、測定条件、測定器制御パラメタが一致していないと識別ができないという制約があったが、この第２の方法ではその制約には囚われない。たとえば、上記のように細孔径１００ｎｍ、１５０ｎｍ、および２００ｎｍのセンサで学習させた後に、細孔径１２０ｎｍのセンサで未知粒子を測定したとしても、第２の方法では識別可能である。

（コンポーネントのパーティショニング）
本発明の実施形態に係るシステムにおいては、上記ではセンサ、測定器、測定用情報端末、管理用情報端末、およびサーバがそれぞれ独立した装置であるように記載してきたが、それらの装置が担う機能（手段、コンポーネント）は任意の装置（群）へと任意に振り分けることができる。こうした振り分けのことを「パーティショニング」とも呼ぶ。

たとえば特徴量抽出手段は、測定用情報端末１４０が有していてもよいし、あるいはサーバ１６０が有していて測定用情報端末１４０はパルス波形情報を直接サーバ１６０に送るようにしてもかまわない。さらに別の実施形態では、特徴量抽出手段を測定器１２０が有してもよいし、あるいはセンサ１００、１０１、および１１０のいずれかまたは全部が有していてもよい。

また別の実施形態では、増幅手段をセンサが有していてもよい。

典型的には、こうした機能（手段）の所在が、サーバ（図１のサーバなど）の近くになるほど情報処理の自由度が高くなり、また一方で、センサ（図１のセンサなど）の近くになるほどコストを下げることができる。

図２０には、本発明の或る実施形態に係るセンサであって、増幅手段およびＡ／Ｄ変換手段を有するものを描いてある。図２０は、そのセンサが有するシリコンウェハ２０００を拡大した部分図である。

側方断面図である図２０（ａ）では、シリコンウェハ２０００の有する一方の面（図中では下面）に、薄膜（メンブレン）２０２０が配置され、その中心に細孔２００９が開けられている。シリコンウェハ２０００を貫通している細孔２００９の輪郭は、点２００１と点２００２を結ぶ斜面として定められている。薄膜２０２０上には、半導体集積回路（チップ）２０１０と、その封止材２０３０とが配置されている。この半導体集積回路２０１０が、本発明の実施形態に係る前述の機能の少なくとも一部を提供できる。半導体集積回路２０１０の個数はこの図の例示には限定されず、任意の個数を使用できる。封止材２０３０は、半導体集積回路２０１０を保護する役目を有し、例えば電解液による腐食などから保護できる。

図２０（ｂ）は図２０（ａ）の下方から見た図であって、図中の点線は薄膜２０２０の背後にあって直接見えないことを表している。またわかりやすくするために、半導体集積回路２０１０と封止材２０３０の図示は省略してある。複数の電極パッド２０１１（この例では図中同形の四角はすべて電極パッドである）が半導体集積回路２０１０に配置されている。この電極パッド２０１１によって、半導体集積回路２０１０の設置のための手段、半導体集積回路２０１０への電源供給、アナログ信号の入力、デジタル信号の出力、メモリに記憶したセンサＩＤの読み出しなどを行うことができる。電極パッド２０１１の個数はこの図の例示には限定されず、任意の個数を使用できる。

このような構成を例えば図２に示したような流路を構成するセンサモジュールに実装することで、電極パッドから流路電極（すなわち図２の電極２１２および２２２）への配線を、センサモジュール自体が提供できることになる。同様の手法により、本明細書の開示するところに従って、任意のパーティショニングが可能になることが理解できるだろう。

図２１は、半導体集積回路２０１０に、増幅手段２１２０、Ａ／Ｄ変換手段２１３０、Ｉ／Ｏ２１４０、測定パラメタ制御手段２１５０、および記憶手段２１６０を含めた例である。すなわちこの半導体集積回路２０１０は、図４の測定器とほぼ同様の機能を有することになり、センサと測定器を兼ねる装置を提供できる。たとえば記憶手段２１６０は、このセンサモジュールに係るセンサＩＤを保存できる。

別の実施形態では、半導体集積回路２０１０が少なくともセンサＩＤ記憶手段およびＩ／Ｏを有し、かつ増幅手段、Ａ／Ｄ変換手段、および測定パラメタ制御手段の一部または全部を有していてよい。

（ネットワークを利用する粒子識別処理サービスの提供）
上述したように本発明の実施形態を行うにあたってはパーティショニングを考慮できる。このため、粒子識別処理サービスの提供者（プロバイダ）と利用者（ユーザー）がそれぞれ、機能（手段）の一部ずつを所有するようにして、本発明の実施形態を実施可能である。

たとえば図１のシステムを実施する場合において、提供者がサーバ１６０を有し、利用者がセンサ１００、１０１、１１０と、測定器１２０と、測定用情報端末１４０と、管理用情報端末１８０と有しているとする。利用者は提供者から当該センサと測定器を購入でき、その際に提供者は当該利用者を識別するためのユーザーＩＤと、提供したセンサのセンサＩＤおよび測定器の測定器ＩＤとを関連付けて、例えばサーバ１６０の有するデータベース（テーブル）に保存できる。

提供者はそのデータベースに基づき、ネットワーク１９９を介して、測定用情報端末１４０や管理用情報端末１８０にファームウェアやミドルウェア、またはそれらのアップデートファイルなどを提供できる。こうすることで、提供者は本実施形態に係るシステム全体の整合性を維持でき、利用者の利便、セキリュティ向上を図ることができる。

また利用者は、測定したい粒子についてのデータをネットワーク１９９を介してサーバ１６０へ送信（入力）できる。そうした入力は例えば、ユーザーＩＤによりログインできる管理用webページを介して行える。利用者は法人であっても個人であってもよい。また法人利用者（法人ユーザー）には、その法人利用者に関連づけられた複数名の法人所属利用者（その法人の従業員や業務関係者などの、その法人の業務に関して守秘義務を有する者）を設定してもよい。そうすることで、或る一つの法人（企業、研究所、大学など）に所属もしくは業務上関係する複数の利用者から提供されるデータをサーバ１６０に集積可能になる。したがってその法人に関連づけられた或る利用者は、守秘義務を遵守しつつも、自身以外のその法人の従業員や関係者が得たデータを利用しやすくなり、適切な機械学習最適化パラメタなどのデータセットを入手しやすくなるという効果が得られる。すなわち、前述した第１の識別方法では識別できないという場合を劇的に減らすことができる。あるいは、前述の第２の識別方法を採る場合でも、より適切な機械学習モデルの生成が可能になる。

或る実施形態では提供者が、複数の利用者をそれぞれ固有のユーザーＩＤ（各利用者を一意に識別するための唯一識別子）で管理できる。

たとえば、第１の利用者がセンサ１００を、第２の利用者がセンサ１０１を、第３の利用者がセンサ１１０をそれぞれ使用し、かつそれぞれの利用者が測定器１２０および測定用情報端末１４０を有していてもよい。そして第３の利用者が上述したようにセンサ１１０により未知粒子の識別を行おうとする際に、提供者の有するサーバ１６０へその旨が入力／通知されると、第１の利用者および／または第２の利用者が行った測定結果により（たとえばサーバ１６０の学習器７１１が）学習できる。そして第３の利用者が未知粒子の測定を行うと、迅速にその識別結果をサーバ１６０から得ることができる。

上述のような構成を採ることで、ネットワークを跨いだ世界規模のシステム構築が可能となり、本発明の実施形態に係るセンサを用いた粒子識別に関する巨大なデータの集積が可能になる。つまり提供者は、粒子識別に関するプラットフォームを提供できるということである。

本発明の実施形態では、上述した方法を提供できる他、当該方法を実施できる装置（ハードウェア）、プログラム、および当該プログラムの一部または全部をユーザーが実行可能な形式で格納する製品（任意の媒体、搬送波、モジュールなど）も提供できる。

１００ センサ（センサモジュール）
１０１ センサ
１１０ センサ
１２０ 測定器
１４０ 測定用情報端末
１６０ サーバ
１８０ 管理用情報端末
１９９ ネットワーク
２００ センサ
２１０ チャンバ
２１１ 電解液導入口
２１２ 電極
２２０ チャンバ
２２１ 電解液導入口
２２２ 電極
２３０ 隔壁
２４１ シリコンウェハ
２４２ 薄膜（メンブレン）
２５０ 増幅器（アンプ）
２５１ 電流計
２５２ 電源
２９０ 細孔
３００ センサ
３１１ 電解液導入口
３２３ 面
３９０ 提示手段
４１１ 入出力手段
４２０ 増幅手段
４２１ オペアンプ
４２２ 抵抗
４２３ 帰還抵抗
４３０ Ａ／Ｄ変換手段
４４０ 入出力手段
４５０ 測定器制御手段
４６０ 記憶手段
５１０ 処理手段（プロセッサ）
５１１ 特徴量抽出手段
５２０ 主記憶手段（ストレージ）
５３０ メモリ
５４０ 表示手段
５５０ 入出力手段
５５２ 光学センサ
５５３ キーボード
５６０ ネットワーク入出力手段
６１０ 処理手段（プロセッサ）
６２０ 主記憶手段（ストレージ）
６３０ メモリ
６４０ 表示手段
６５０ 入出力手段
６５１ 外部記憶装置への接続
６５２ 光学センサ
６５３ キーボード
７１０ 処理手段（プロセッサ）
７１１ 学習器
７１２ 特徴量抽出手段
７２０ メモリ
７３０ 主記憶手段（ストレージ）
７３１ 物理的特性テーブル
７３２ センサモデルＩＤテーブル
７３３ 測定テーブル
７３４ 機械学習最適化テーブル
７４０ 表示手段
７５０ ネットワーク入出力手段
８１０ センサモデルＩＤを表す列
８１１ 行
８１２ 行
８１３ 行
８２０ 列
８２１ 変数型・単位情報
８２３ データ
８３０ 列
８３３ データ
８４０ 列
８４３ データ
８５０ 列
８５３ データ
８６０ 列
８６３ データ
８７０ 列
８７３ データ
８８０ 列
８８１ 変数型・単位情報
８８３ データ
９１０ 列
９１１ センサＩＤ
９１２ センサＩＤ
９１３ センサＩＤ
９１４ センサＩＤ
９１５ センサＩＤ
９１６ センサＩＤ
９２０ 列
９２１ センサモデルＩＤ
９２２ センサモデルＩＤ
９２３ センサモデルＩＤ
９２４ センサモデルＩＤ
９２５ センサモデルＩＤ
９２６ センサモデルＩＤ
１２００ 粒子
１２０１ 細孔
１２１０ 第１の状態
１２１１ イオン電流波形
１２２０ 第２の状態
１２２１ イオン電流波形
１２３０ 第３の状態
１２３１ イオン電流波形
１４００ 列
１４０１ 行
１４０２ 行
１４０３ 行
１４０４ 行
１４１０ 列
１４１１ データ
１４２０ 列
１４２１ データ
１４３０ 列
１４４０ 列
１４５０ 列
１４６０ 列
１４７０ 列
１４７１ データ
１４８０ 列
１４８１ データ
１４９０ 列
１４９１ データ
１６１０ 列
１６１１ 行
１６１２ 行
１６１３ 行
１６２０ 列
１６３０ 列
１６４０ 列
２０００ シリコンウェハ
２００１ 点
２００２ 点
２００９ 細孔
２０１０ 半導体集積回路
２０２０ 薄膜（メンブレン）
２０３０ 封止材
２１２０ 増幅手段
２１３０ Ａ／Ｄ変換手段
２１４０ Ｉ／Ｏ
２１５０ 測定パラメタ制御手段
２１６０ 記憶手段

Claims (10)

1. 粒子の識別を行うためのセンサであって、
   電解液を充填するように構成された、第１のチャンバと、
   前記第１のチャンバ内に設けられ、電圧を印加するための外部電源に接続できるように構成された第１の電極と、
   電解液を充填するように構成された、第２のチャンバと、
   前記第２のチャンバ内に設けられ、前記外部電源に接続できるように構成された第２の電極と、
   前記第１の電極と前記第２の電極の間に生じるイオン電流を表す測定データを出力するように構成された、データ出力手段と、
   前記第１のチャンバと前記第２のチャンバとを隔てる隔壁と、
   唯一識別子をネットワークを介して外部コンピュータ装置へ提供するための提示手段と
   を含み、
   前記隔壁が、前記第１のチャンバと前記第２のチャンバとを連通する細孔を有し、
   前記センサが有する物理的特性が、前記唯一識別子に関連付けられており、
   前記細孔を粒子が通過する際に、前記第１の電極と前記第２の電極の間に生じるイオン電流に、前記細孔が有する物理的特性および前記粒子の物理的特性に少なくとも依存する過渡変化が発生するように構成されており、
   前記唯一識別子が、前記唯一識別子を受信した前記外部コンピュータ装置に、前記唯一識別子に関連付けられた前記センサが有する物理的特性に応じた、前記粒子の識別処理を行わせるように構成され、
   前記センサが有する物理的特性は少なくとも、前記細孔が有する物理的特性を含む
   ことを特徴とする、センサ。
2. 前記外部コンピュータ装置が、前記センサに接続されるクライアント端末を含み、
   前記クライアント端末が、ネットワークを介して外部サーバに接続し、前記粒子の識別処理に関する情報を伝送するように構成される、請求項1に記載のセンサ。
3. 前記外部コンピュータ装置が、ネットワークを介して前記センサに接続可能な外部サーバを含む、請求項1に記載のセンサ。
4. 前記外部サーバが、第１のセンサおよび第２のセンサを含んだ複数の前記センサに関する情報を管理するように構成され、
   前記第１のセンサは、粒子の識別のための学習に用いられ、
   前記第２のセンサは、粒子の識別のために用いられる
   ことを特徴とする、請求項2または3に記載のセンサ。
5. 前記センサが有する物理的特性がさらに、前記細孔の形状およびそれに施される表面処理、前記隔壁の材料および形状、前記第１のチャンバの材料および形状、前記第２のチャンバの材料および形状、前記第１の電極の材料および形状、前記第２の電極の材料および形状、前記センサの静電容量、前記電解液の種類、濃度、および温度、ならびに前記センサの製造履歴からなる群から選択される一種以上を含む、請求項1～4のいずれか一項に記載のセンサ。
6. 請求項1～5のいずれか一項に記載のセンサと、
   前記センサが有するデータ出力手段から出力されるデータを増幅するように構成された、増幅器と、
   前記増幅器が増幅したデータをA/D変換するように構成された、デジタイザと、
   前記デジタイザがA/D変換したデータ、および前記センサが有する提示手段から提供される前記唯一識別子を、前記外部コンピュータ装置へと送信する手段と
   を含む、測定器。
7. 前記唯一識別子がさらに、前記増幅器の増幅率および帯域、ならびに前記デジタイザのサンプリングレートからなる群から選択される一種以上を含む測定器制御パラメタに関連付けられ、
   前記唯一識別子が、前記唯一識別子を受信した前記外部コンピュータ装置に、前記唯一識別子に関連付けられた前記センサが有する物理的特性および前記測定器制御パラメタに応じた、前記粒子の識別処理を行わせるように構成される
   ことを特徴とする、請求項6に記載の測定器。
8. 粒子の識別を行うためのコンピュータ装置であって、
   一個以上のプロセッサと、
   一個以上の記憶手段と、
   第１のセンサが有する第１の物理的特性に関連付けられる第１の唯一識別子を受信して、前記プロセッサにより前記記憶手段に保存するように構成された、読み取り手段と、
   既知クラスに属する既知粒子の測定を行う前記第１のセンサから第１の測定データを受信して前記プロセッサにより第１の特徴量情報を抽出し、前記記憶手段に保存するように構成された、特徴量抽出手段と、
   前記プロセッサにより、前記第１の特徴量情報および前記第１の唯一識別子に関連付けられる前記第１の物理的特性を教師データとし、かつ、前記既知クラスを教師ラベルとして、機械学習最適化パラメタを生成するように構成された、学習手段と
   を含む、コンピュータ装置。
9. 前記読み取り手段が、第２のセンサが有する第２の物理的特性に関連付けられる第２の唯一識別子を受信して、前記プロセッサにより前記記憶手段に保存するように構成され、
   前記特徴量抽出手段が、未知粒子の測定を行う前記第２のセンサから第２の測定データを受信して前記プロセッサにより第２の特徴量情報を抽出し、前記記憶手段に保存するように構成され、
   前記コンピュータ装置がさらに、
   前記プロセッサにより、前記機械学習最適化パラメタを用いて、保存された前記第２の特徴量情報に基づいて前記未知粒子の識別処理を行うための識別手段
   を含む、請求項8に記載のコンピュータ装置。
10. 粒子を識別するためのシステムであって、
    複数のセンサと、
    前記複数のセンサの各々から、各センサの物理的特性、各センサが行う測定データ、および各センサの唯一識別子をネットワークを介して受信し互いに関連付けてデータベースに保存できるように構成された、コンピュータ装置と
    を含み、
    前記コンピュータ装置が、前記複数のセンサのうちの一個以上により行われる既知クラスに属する既知粒子の測定に関する測定データから、特徴量情報を抽出し、少なくとも前記特徴量情報を教師データとして機械学習最適化パラメタを生成し、そのセンサの唯一識別子に関連付けて前記データベースに保存するように構成され、
    前記コンピュータ装置が、前記複数のセンサのうちの特定のセンサを用いて未知粒子の識別処理が行われることを検出すると、前記データベースから、前記特定のセンサによる前記未知粒子の識別に利用可能な機械学習最適化パラメタを探索し、利用可能な機械学習最適化パラメタが存在する場合はそれに関連付けられた唯一識別子に関連付けられるセンサの物理的特性に基づいて、前記特定のセンサが行うべき前記未知粒子の測定条件をネットワークを介して通知し、前記特定のセンサの測定条件を調整させるように構成される
    ことを特徴とする、システム。

Images