JP7321264B2 - 学習装置、学習装置の作動方法、学習装置の作動プログラム、並びに運用装置 - Google Patents

Description

本開示の技術は、学習装置、学習装置の作動方法、学習装置の作動プログラム、並びに運用装置に関する。

生産物の品質を、機械学習モデルを用いて予測することが行われている。特許文献１には、予測の精度を高めるために、生産物の物性を表す物性データから導出された物性関連データを学習用入力データとして学習する機械学習モデルが提案されている。

特許文献１では、生産物としてコーヒー豆等の飲食品が例示されている。また、特許文献１では、物性データとして、近赤外（ＮＩＲ；Ｎｅａｒ Ｉｎｆｒａｒｅｄ）分光分析データ、フーリエ変換赤外（ＦＴ－ＩＲ；Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ Ｉｎｆｒａｒｅｄ）分光分析データ、核磁気共鳴（ＮＭＲ；Ｎｕｃｌｅａｒ Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ）分光分析データ等のスペクトルデータ、あるいは生産物をカメラ等で撮影して得られる画像データが例示されている。そして、物性関連データとして、スペクトルデータから得られる数値、例えばスペクトルの波形の傾き、周期性、振幅、ピーク高さ、ピーク幅等が挙げられている。また、物性関連データとして、生産物をカメラ等で撮影して得られる画像データ自体が挙げられている。

特開２０１８－０１８３５４号公報

物性データには、生産物の重さ等のように、生産物の一種類の物性を１つのパラメータで表すものもあれば、上記のスペクトルデータ、画像データのように、生産物の一種類の物性を複数のパラメータで表すものもある。より詳しくは、スペクトルデータであれば、スペクトルが生産物の物性であり、例えば波数と強度が複数のパラメータに該当する。画像データであれば、色が生産物の物性であり、赤色、緑色、青色の各画素値が複数のパラメータに該当する。こうした物性データは、パラメータを次元として捉えた場合、多次元の物性データであると言える。対して、生産物の一種類の物性を１つのパラメータで表す物性データは、一次元の物性データであると言える。以下、生産物の一種類の物性を複数のパラメータで表した物性データを、多次元物性データという。また、多次元物性データから導出された物性関連データを、多次元物性関連データという。

多次元物性関連データは、多くの数値および画像データで構成されるため、比較的項目が多い。こうした多次元物性関連データの多くの項目の中には、機械学習モデルの予測の精度の向上に大いに寄与するものもあれば、ほとんど寄与しないものもある。このため、多次元物性関連データをそのまま機械学習モデルに与えて学習させた場合、学習の成果があまり上がらず、機械学習モデルの予測の精度が比較的低レベルで頭打ちになるおそれがあった。

本開示の技術は、生産物の多次元物性データから導出された多次元物性関連データを学習用入力データとして機械学習モデルに与えて学習させる場合に、機械学習モデルによる生産物の品質の予測の精度をより向上させることが可能な学習装置、学習装置の作動方法、学習装置の作動プログラム、並びに運用装置を提供することを目的とする。

上記目的を達成するために、本開示の学習装置は、生産物の品質を予測する機械学習モデルに与える学習用入力データであり、生産物の物性を表す多次元物性データから導出された、複数の項目を有する多次元物性関連データを含む学習用入力データを取得する第１取得部と、学習用入力データを機械学習モデルに与えて学習させ、仮の機械学習モデルを出力する仮学習部と、仮の機械学習モデルを用いて、多次元物性関連データの複数の項目の中から、品質の予測の精度の向上に寄与する程度が予め設定された条件を満たす高寄与項目を抽出する抽出部と、高寄与項目の多次元物性関連データを選択的に機械学習モデルに与えて学習させ、機械学習モデルを実際の運用に供する学習済みモデルとして出力する本学習部と、を備える。

学習用入力データは、生産物の生産工程において設定された生産条件データも含むことが好ましい。

多次元物性データは、生産物を分光分析して検出されたスペクトルデータを含むことが好ましい。

多次元物性関連データは、スペクトルデータを分けた複数の区間のそれぞれについて導出した強度の代表値であることが好ましい。

多次元物性データは、生産物を撮影して得られる画像データを含むことが好ましい。

生産物は、フロー合成法を用いて生産されたものであることが好ましい。

多次元物性データにオートエンコーダの少なくとも一部を適用して、多次元物性関連データを導出する導出部を備えることが好ましい。

オートエンコーダは、品質が予め設定されたレベルよりも良好な生産物の多次元物性データを与えられて学習されたものであり、導出部は、オートエンコーダに多次元物性データを与えて出力データを出力させ、オートエンコーダに与えた多次元物性データと出力データとの差分データに基づいて多次元物性関連データを導出することが好ましい。

導出部は、オートエンコーダに多次元物性データを与えて、オートエンコーダのエンコーダネットワークから特徴データを出力させ、特徴データに基づいて多次元物性関連データを導出することが好ましい。

多次元物性データは、生産物を分光分析して検出されたスペクトルデータで表されるスペクトルの画像データを含むことが好ましい。

導出部は、スペクトルデータを分けた複数の区間のそれぞれについて多次元物性関連データを導出することが好ましい。

本開示の運用装置は、学習装置の本学習部から出力された学習済みモデルを取得する第２取得部と、品質が未知の生産物の予測用多次元物性関連データを取得する第３取得部と、第２取得部において取得した学習済みモデルに、第３取得部において取得した、品質が未知の生産物の予測用多次元物性関連データを与えて品質を予測させる処理部と、学習済みモデルによる品質の予測結果を出力する制御を行う出力制御部と、を備える。

本開示の学習装置の作動方法は、生産物の品質を予測する機械学習モデルに与える学習用入力データであり、生産物の物性を表す多次元物性データから導出された、複数の項目を有する多次元物性関連データを含む学習用入力データを取得する第１取得ステップと、学習用入力データを機械学習モデルに与えて学習させ、仮の機械学習モデルを出力する仮学習ステップと、仮の機械学習モデルを用いて、多次元物性関連データの複数の項目の中から、品質の予測の精度の向上に寄与する程度が予め設定された条件を満たす高寄与項目を抽出する抽出ステップと、高寄与項目の多次元物性関連データを選択的に機械学習モデルに与えて学習させ、機械学習モデルを実際の運用に供する学習済みモデルとして出力する本学習ステップと、を備える。

本開示の学習装置の作動プログラムは、生産物の品質を予測する機械学習モデルに与える学習用入力データであり、生産物の物性を表す多次元物性データから導出された、複数の項目を有する多次元物性関連データを含む学習用入力データを取得する第１取得部と、学習用入力データを機械学習モデルに与えて学習させ、仮の機械学習モデルを出力する仮学習部と、仮の機械学習モデルを用いて、多次元物性関連データの複数の項目の中から、品質の予測の精度の向上に寄与する程度が予め設定された条件を満たす高寄与項目を抽出する抽出部と、高寄与項目の多次元物性関連データを選択的に機械学習モデルに与えて学習させ、機械学習モデルを実際の運用に供する学習済みモデルとして出力する本学習部として、コンピュータを機能させる。

本開示の技術によれば、生産物の多次元物性データから導出された多次元物性関連データを学習用入力データとして機械学習モデルに与えて学習させる場合に、機械学習モデルによる生産物の品質の予測の精度をより向上させることが可能な学習装置、学習装置の作動方法、学習装置の作動プログラム、並びに運用装置を提供することができる。

機械学習システム、フロー反応装置、物性分析装置、品質評価装置を示す図である。 フロー反応装置と物性分析装置と品質評価装置における処理の概要を示す図である。 学習装置と運用装置における処理の概要を示す図である。 生産条件データ、物性データ、関連データ、および品質データが共通のＩＤで関連付けられていることを示す図である。 Ｔ字形状の合流部をもつ反応セクションを有するフロー反応装置を示す図である。 十字形状の合流部をもつ反応セクションを有するフロー反応装置を示す図である。 生産条件データを示す図である。 スペクトルデータとスペクトルを示す図である。 品質データを示す図である。 学習装置および運用装置を構成するコンピュータを示すブロック図である。 学習装置のＣＰＵの処理部を示すブロック図である。 スペクトルデータを分けた複数の区間を示す図である。 第１導出部により、スペクトルデータを分けた複数の区間のそれぞれについて、関連データを導出する様子を示す図である。 学習部の詳細を示す図である。 仮学習における第１処理部の処理を示す図である。 抽出部の詳細を示す図である。 第２処理部の処理を示す図である。 第３処理部の処理を示す図である。 算出部の処理を示す図である。 算出部の処理の具体例を示す図である。 寄与度情報を示す図である。 判定部の処理を示す図である。 本学習における第１処理部の処理を示す図である。 運用装置のＣＰＵの処理部を示すブロック図である。 第４処理部の処理を示す図である。 品質予測表示画面を示す図である。 学習装置の処理手順を示すフローチャートである。 仮学習の処理手順を示すフローチャートである。 高寄与項目の抽出の処理手順を示すフローチャートである。 本学習の処理手順を示すフローチャートである。 運用装置の処理手順を示すフローチャートである。 比較例と実施例の分子量分散度の決定係数および分子量の決定係数を示す表である。 画像データを示す図である。 画像データを分けた複数の領域を示す図である。 第１導出部により、画像データを分けた複数の領域のそれぞれについて、関連データを導出する様子を示す図である。 物性データにオートエンコーダを適用して、関連データを導出する様子を示す図である。 オートエンコーダを示す図である。 畳み込み処理の説明図である。 画像特徴マップを示す図である。 オートエンコーダがスペクトルデータの複数の区間毎に用意されていることを示す図である。 品質が予め設定されたレベルよりも良好な生産物のスペクトルの画像データを、オートエンコーダに学習用入力画像データとして与えて学習させる様子を示す図である。 オートエンコーダの入力画像データと出力画像データとの差分データを算出する様子を示す図である。 第１導出部により、スペクトルデータを分けた複数の区間のそれぞれについて、関連データとして差分データの平均値および総和を導出する様子を示す図である。 画像特徴マップに基づいて関連データを導出する様子を示す図である。

［第１実施形態］
図１において、機械学習システム２は、学習装置１０および運用装置１１を備える。学習装置１０および運用装置１１は、例えばデスクトップ型のパーソナルコンピュータである。学習装置１０および運用装置１１は、ネットワーク１２を介して相互に通信可能に接続されている。ネットワーク１２は、例えば、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、もしくはインターネット、公衆通信網等のＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）である。ネットワーク１２には、フロー反応装置１３、物性分析装置１４、および品質評価装置１５も接続されている。

図２において、フロー反応装置１３は、フロー合成法により、生産工程における生産条件データＰＣＤにしたがって、原料ＲＭから生産物ＰＲを生産する。物性分析装置１４は、生産物ＰＲの物性を分析し、その分析結果である物性データＰＤを出力する。品質評価装置１５は、生産物ＰＲの品質を評価し、その評価結果である品質データＱＤを出力する。フロー反応装置１３から生産条件データＰＣＤが、物性分析装置１４から物性データＰＤが、品質評価装置１５から品質データＱＤが、それぞれ学習装置１０に送信される。

図３において、学習装置１０は、フロー反応装置１３からの生産条件データＰＣＤ、物性分析装置１４からの物性データＰＤ、および品質評価装置１５からの品質データＱＤを取得する。学習装置１０は、物性データＰＤから物性関連データ（以下、関連データと略す）ＰＲＤを導出する。この関連データＰＲＤと、生産条件データＰＣＤとで、学習用入力データＩＤＬが構成される。生産条件データＰＣＤ、物性データＰＤ、物性データＰＤから導出された関連データＰＲＤ、および品質データＱＤは、図４に示すように、１つの生産物ＰＲに対して付された共通のＩＤ（Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｄａｔａ）で関連付けられている。

学習装置１０は機械学習モデルＭを有する。機械学習モデルＭは、生産物ＰＲの品質を予測するためのモデルである。学習装置１０は、この機械学習モデルＭの予測の精度を高めるため、同じＩＤが付された生産条件データＰＣＤおよび関連データＰＲＤで構成される学習用入力データＩＤＬを機械学習モデルＭに与える（図１５等参照）。機械学習モデルＭは、学習用入力データＩＤＬに応じた学習用出力データＯＤＬを出力する。

品質データＱＤは、学習用出力データＯＤＬとの答え合わせを行うためのデータである。機械学習モデルＭの予測の精度が高いほど、品質データＱＤと学習用出力データＯＤＬとの差異は小さくなる。このため、学習装置１０は、学習用出力データＯＤＬと、学習用入力データＩＤＬと同じＩＤが付された品質データＱＤとを比較し、機械学習モデルＭの予測の精度を評価する。そして、この評価結果に応じて、機械学習モデルＭを更新する。学習装置１０は、学習用入力データＩＤＬの機械学習モデルＭへの入力と学習用出力データＯＤＬの機械学習モデルＭからの出力、機械学習モデルＭの予測の精度の評価、および機械学習モデルＭの更新を、学習用入力データＩＤＬおよび品質データＱＤを変更しつつ行う。そして、これら一連の処理を、機械学習モデルＭの予測の精度が予め設定されたレベルとなるまで繰り返す。学習装置１０は、予測の精度が予め設定されたレベルとなった機械学習モデルＭを、実際の運用に供する学習済みモデルＴＭとして運用装置１１に送信する。

運用装置１１は、学習装置１０からの学習済みモデルＴＭを受信する。運用装置１１は、品質が未知の生産物ＰＲの生産条件データである予測用生産条件データＰＣＤＦ、および品質が未知の生産物ＰＲの関連データである予測用物性関連データ（以下、予測用関連データと略す）ＰＲＤＦを学習済みモデルＴＭに与える。予測用関連データＰＲＤＦは、関連データＰＲＤと同様に、品質が未知の生産物ＰＲの物性データＰＤである予測用物性データＰＤＦ（図２４参照）から導出したデータである。学習済みモデルＴＭは、これら予測用生産条件データＰＣＤＦおよび予測用関連データＰＲＤＦに応じた品質予測データＱＦＤを出力する。

フロー反応装置１３で行われるフロー反応は、モノマーを合成する合成反応、あるいはモノマー同士を反応させることにより重合体を生成する重合反応等である。したがって、生産物ＰＲは、例えば重合反応の対象となる成長段階の化合物であってもよい。本例においては、フロー反応装置１３は、生産物ＰＲであるポリスチレンのアニオン重合反応をフロー反応で行う。

図５において、フロー反応装置１３は、第１原料供給部２０、第２原料供給部２１、反応セクション２２、温度調節部２３、回収廃棄セクション２４、設定部２５、システムコントローラ２６等を備えている。

第１原料供給部２０は、反応セクション２２の上流側端部と、図示しない配管によって接続されている。第１原料供給部２０は、第１原料ＲＭ１を反応セクション２２に供給する。第１原料供給部２０は、第１原料ＲＭ１を反応セクション２２に送り出すためのポンプを有している。このポンプの回転数を制御することにより、第１原料供給部２０から反応セクション２２に送り出される第１原料ＲＭ１の流量が調節される。

本例において、第１原料ＲＭ１は、ポリスチリルリチウムを溶媒に溶解した溶液である。ポリスチリルリチウムは、生産物ＰＲであるポリスチレンのアニオン重合反応の開始剤として機能する。溶媒にはテトラヒドロフランが用いられる。また、溶液にはトルエンおよびヘキサンが少量混合されている。なお、フロー反応の原料は、第１原料ＲＭ１のようにポリスチリルリチウム等の反応物と他の物質との混合物であってもよいし、反応物のみで構成されていてもよい。

第２原料供給部２１は、第１原料供給部２０と同じく、反応セクション２２の上流側端部と、図示しない配管によって接続されている。第２原料供給部２１は、第２原料ＲＭ２を反応セクション２２に供給する。第２原料供給部２１も、第１原料供給部２０と同じく、第２原料ＲＭ２を反応セクション２２に送り出すためのポンプを有している。このポンプの回転数を制御することにより、第２原料供給部２１から反応セクション２２に送り出される第２原料ＲＭ２の流量が調節される。

本例において、第２原料ＲＭ２は、メタノール水溶液である。メタノールはアニオン重合反応の停止剤として用いられる。

反応セクション２２は、フロー反応（本例においてはアニオン重合反応）を行うためのセクションである。反応セクション２２は、合流部３０と反応部３１とを有する。合流部３０は、第１管部３２、第２管部３３、および第３管部３４で構成される。第１管部３２と第２管部３３は直線状に繋がっており、第３管部３４は第１管部３２および第２管部３３と直角に交差している。すなわち合流部３０はＴ字形状をしている。

第１管部３２は第１原料供給部２０に、第２管部３３は第２原料供給部２１に、それぞれ接続されている。また、第３管部３４は、反応部３１に接続されている。第１管部３２には第１原料供給部２０から第１原料ＲＭ１が、第２管部３３には第２原料供給部２１から第２原料ＲＭ２が、それぞれ供給される。そして、第１原料ＲＭ１および第２原料ＲＭ２は、第３管部３４において合流し、混合された状態で反応部３１に送り出される。

第１管部３２には、第１管部３２を通過する第１原料ＲＭ１の流速を検出する第１流速センサ３５が設けられている。また、第２管部３３には、第２管部３３を通過する第２原料ＲＭ２の流速を検出する第２流速センサ３６が設けられている。さらに、第３管部３４には、第３管部３４を通過する第１原料ＲＭ１と第２原料ＲＭ２の混合物の流速を検出する第３流速センサ３７が設けられている。

反応部３１は、複数本の同じ内径の直管を直線状に繋げた細長い管である。反応部３１は、繋げる直管の本数および／または直管の長さを変えることで、長さＬを変更可能である。また、反応部３１は、繋げる直管の内径を変えることで、内径Φを変更可能である。

反応部３１の内部は、第１原料ＲＭ１と第２原料ＲＭ２との混合物が流れる流路であり、フロー反応を行う場である。混合物が反応部３１を通過することで、フロー反応が進められ、ポリスチレン溶液とされる。合流部３０の第３管部３４においてもフロー反応は若干進むが、反応部３１の長さＬに対して第３管部３４の長さは非常に短い。このため、第３管部３４は無視し、反応部３１の長さＬを、フロー反応を行う場の長さである反応路長と見なす。同様に、反応部３１の内径Φを、フロー反応を行う場の径である反応路径と見なす。

温度調節部２３は、加熱器および／または冷却器を含み、反応部３１の内部の温度（以下、反応温度という）を調節する。反応部３１の下流側端部には、反応温度を検出する温度センサ３８が設けられている。

回収廃棄セクション２４は、生産物ＰＲであるポリスチレンを回収し、かつ反応が失敗した廃棄物を廃棄するセクションである。回収廃棄セクション２４は、回収部４０と廃棄部４１とを有する。回収部４０と廃棄部４１とは、反応部３１の下流側端部と三方弁４２によって接続されている。この三方弁４２により、反応部３１と回収部４０とを接続する回収ラインと、反応部３１と廃棄部４１とを接続する廃棄ラインとの切り替えが可能である。

回収部４０は、ポリスチレン溶液からポリスチレンを析出させる。回収部４０は、析出させたポリスチレンを溶液からろ過して採取する。そして、採取したポリスチレンを乾燥させる。より詳しくは、回収部４０は、攪拌機を備えた容器をもち、当該容器にメタノールを収容し、攪拌されているメタノール中にポリスチレン溶液を混入することで、ポリスチレンを析出させる。また、回収部４０は、減圧機能付きの恒温槽をもち、恒温槽内部を減圧状態にして加熱することで、メタノールを乾燥させる。

廃棄部４１は、廃棄物を貯留するタンクである。ここで廃棄物とは、第１原料ＲＭ１の流速、第２原料ＲＭ２の流速、混合物の流速、反応温度等が何らかの要因で乱され、当初予定していた生産条件にて生産できなかった場合に、反応部３１から送り出されたものである。

設定部２５は、フロー反応装置１３のオペレータによる生産物ＰＲの生産工程における生産条件の設定を受け付ける。この設定部２５で受け付けられた生産条件が、生産物ＰＲの生産工程において設定された生産条件データＰＣＤとしてシステムコントローラ２６に登録される。

システムコントローラ２６は、フロー反応装置１３の全体の動作を統括的に制御する。システムコントローラ２６は、第１原料供給部２０、第２原料供給部２１、温度調節部２３、第１流速センサ３５、第２流速センサ３６、第３流速センサ３７、温度センサ３８、および三方弁４２と接続されている。

システムコントローラ２６は、第１流速センサ３５が検出した第１原料ＲＭ１の流速に応じて、第１原料供給部２０のポンプの回転数を制御し、第１原料ＲＭ１の流量を調節する。同様に、システムコントローラ２６は、第２流速センサ３６が検出した第２原料ＲＭ２の流速に応じて、第２原料供給部２１のポンプの回転数を制御し、第２原料ＲＭ２の流量を調節する。また、システムコントローラ２６は、温度センサ３８が検出した反応温度に応じて、温度調節部２３を駆動させる。さらに、システムコントローラ２６は、三方弁４２を制御して、前述の回収ラインと廃棄ラインとを切り替える。

反応セクション２２に代えて、図６に示す反応セクション４５を用いてもよい。なお、図６において、図５と同じ構成には同じ符号を付し、説明を省略する。

図６に示す反応セクション４５の合流部４６は、第１管部４７、第２管部４８、第３管部４９、および第４管部５０で構成される。第１管部４７と第２管部４８は直線状に繋がっている。同じく、第３管部４９と第４管部５０は直線状に繋がっている。そして、第１管部４７および第２管部４８は、第３管部４９および第４管部５０と直角に交差している。すなわち合流部４６は十字形状をしている。

第１管部４７および第２管部４８は第１原料供給部２０に、第３管部４９は第２原料供給部２１に、それぞれ接続されている。また、第４管部５０は、反応部３１に接続されている。第１管部４７および第２管部４８には第１原料供給部２０から第１原料ＲＭ１が、第３管部４９には第２原料供給部２１から第２原料ＲＭ２が、それぞれ供給される。そして、第１原料ＲＭ１および第２原料ＲＭ２は、第４管部５０において合流し、混合された状態で反応部３１に送り出される。

第１管部４７および第２管部４８には、第１管部４７および第２管部４８を通過する第１原料ＲＭ１の流速を検出する第１流速センサ５１および第２流速センサ５２が設けられている。また、第３管部４９には、第３管部４９を通過する第２原料ＲＭ２の流速を検出する第３流速センサ５３が設けられている。さらに、第４管部５０には、第４管部５０を通過する第１原料ＲＭ１と第２原料ＲＭ２の混合物の流速を検出する第４流速センサ５４が設けられている。

この場合、システムコントローラ２６は、第１流速センサ５１が検出した第１原料ＲＭ１の流速と、第２流速センサ５２が検出した第１原料ＲＭ１の流速の平均値に応じて、第１原料供給部２０のポンプの回転数を制御し、第１原料ＲＭ１の流量を調節する。また、システムコントローラ２６は、第３流速センサ５３が検出した第２原料ＲＭ２の流速に応じて、第２原料供給部２１のポンプの回転数を制御し、第２原料ＲＭ２の流量を調節する。

図７において、生産条件データＰＣＤは、第１原料ＲＭ１の濃度（単位：ｍｏｌ／ｌ）および流速（単位：ｍｌ／ｍｉｎ）、第２原料ＲＭ２の濃度（単位：ｍｏｌ／ｌ）および流速（単位：ｍｌ／ｍｉｎ）、合流部の形状、反応路径Φ（単位：ｍｍ）、反応路長Ｌ（単位：ｍ）、および反応温度（単位：℃）の各項目を有する。合流部の形状の項目には、図５で示した反応セクション２２を用いた場合は図示の「Ｔ字状」が、図６で示した反応セクション４５を用いた場合は「十字状」（図１７等参照）が、それぞれ登録される。なお、混合物の流速を生産条件データＰＣＤの項目として加えてもよい。

反応セクション２２を用いた場合、システムコントローラ２６は、第１流速センサ３５が検出した第１原料ＲＭ１の流速が、生産条件データＰＣＤに登録された第１原料ＲＭ１の流速と一致するよう、第１原料供給部２０のポンプの回転数を制御して第１原料ＲＭ１の流量を調節する。同様に、システムコントローラ２６は、第２流速センサ３６が検出した第２原料ＲＭ２の流速が、生産条件データＰＣＤに登録された第２原料ＲＭ２の流速と一致するよう、第２原料供給部２１のポンプの回転数を制御して第２原料ＲＭ２の流量を調節する。

反応セクション４５を用いた場合、システムコントローラ２６は、第１流速センサ５１が検出した第１原料ＲＭ１の流速と、第２流速センサ５２が検出した第１原料ＲＭ１の流速の平均値が、生産条件データＰＣＤに登録された第１原料ＲＭ１の流速と一致するよう、第１原料供給部２０のポンプの回転数を制御して第１原料ＲＭ１の流量を調節する。同様に、システムコントローラ２６は、第３流速センサ５３が検出した第２原料ＲＭ２の流速が、生産条件データＰＣＤに登録された第２原料ＲＭ２の流速と一致するよう、第２原料供給部２１のポンプの回転数を制御して第２原料ＲＭ２の流量を調節する。

また、システムコントローラ２６は、温度センサ３８が検出した反応温度が、生産条件データＰＣＤに登録された反応温度と一致するよう、温度調節部２３を駆動させる。

システムコントローラ２６は、各センサ３５、３６、３８、５１、５２、５３で検出した各値と、生産条件データＰＣＤに登録された各値との乖離が、予め設定された範囲を超えた場合、三方弁４２を制御して廃棄ラインに切り替え、廃棄物を廃棄部４１に導く。なお、反応が失敗して廃棄物が出た場合は、当然ながら物性データＰＤおよび品質データＱＤは出力されない。このため、廃棄物が出た場合の生産条件データＰＣＤは、学習装置１０には送信されずに破棄される。

図８において、物性分析装置１４は、生産物ＰＲを分光分析して、物性データＰＤとしてスペクトルデータＳＰＤを検出する。物性分析装置１４は、分光分析として、例えば、近赤外分光分析、フーリエ変換赤外分光分析、ラマン分光分析、核磁気共鳴分光分析を行う。図８に例示するスペクトルデータＳＰＤは、ラマン分光分析で得られたものであり、波数と強度の組で構成される。すなわち、スペクトルデータＳＰＤは、本開示の技術に係る「多次元物性データ」の一例である。このスペクトルデータＳＰＤの強度を波数毎にプロットして線で繋いだものが、スペクトルＳＰである。なお、波数と強度の組に代えて、波長と強度の組でスペクトルデータＳＰＤが構成されていてもよい。

図９において、品質評価装置１５は、品質データＱＤとして、生産物ＰＲの分子量分散度および分子量を出力する。分子量は、ここでは数平均分子量である。また、分子量分散度は、重量平均分子量を数平均分子量で除算した値である。品質評価装置１５は、例えば、生産物ＰＲであるポリスチレンをテトラヒドロフランに溶解したポリスチレン溶液を用いて、ゲルパーミエーションクロマトグラフィ（以下、ＧＰＣ（Ｇｅｌ Ｐｅｒｍｅａｔｉｏｎ Ｃｈｒｏｍａｔｏｇｒａｐｈｙ）と略す）により分子量分散度および分子量を求める。

ＧＰＣは、下記の条件で行っている。
装置：ＨＬＣ－８２２０ＧＰＣ（東ソー（株）製）
検出器：示差屈折計（ＲＩ（Ｒｅｆｒａｃｔｉｖｅ Ｉｎｄｅｘ）検出器）
プレカラム：ＴＳＫＧＵＡＲＤＣＯＬＵＭＮ ＨＸＬ－Ｌ ６ｍｍ×４０ｍｍ（東ソー（株）製）
サンプル側カラム：以下（１）～（３）の３本を順に直結（全て東ソー（株）製）
（１）ＴＳＫ－ＧＥＬ ＧＭＨＸＬ ７．８ｍｍ×３００ｍｍ
（２）ＴＳＫ－ＧＥＬ Ｇ４０００ＨＸＬ ７．８ｍｍ×３００ｍｍ
（３）ＴＳＫ－ＧＥＬ Ｇ２０００ＨＸＬ ７．８ｍｍ×３００ｍｍ
リファレンス側カラム：ＴＳＫ－ＧＥＬ Ｇ１０００ＨＸＬ ７．８ｍｍ×３００ｍｍ
恒温槽温度：４０℃
移動層：テトラヒドロフラン
サンプル側移動層流量：１．０ｍｌ／ｍｉｎ
リファレンス側移動層流量：１．０ｍｌ／ｍｉｎ
試料濃度：０．１質量％
試料注入量：１００μｌ
データ採取時間：試料注入後５分～４５分
サンプリングピッチ：３００ｍｓｅｃ

なお、ＧＰＣに代えて、赤外分光分析、核磁気共鳴分光分析、高速液体クロマトグラフィ（ＨＰＬＣ；Ｈｉｇｈ Ｐｅｒｆｏｒｍａｎｃｅ Ｌｉｑｕｉｄ Ｃｈｒｏｍａｔｏｇｒａｐｈｙ）、またはガスクロマトグラフィ（ＧＣ；Ｇａｓ Ｃｈｒｏｍａｔｏｇｒａｐｈｙ）等、各種の手法を用いてもよい。また、品質データＱＤは、生産物ＰＲの分子量分散度および分子量に限らない。生産物ＰＲが溶液の状態で得られる場合は、溶液中の生産物ＰＲの濃度であるモル濃度を品質データＱＤとしてもよい。あるいは、生産物ＰＲの量を原料ＲＭの量で除算した生産物ＰＲの収率を品質データＱＤとしてもよい。さらには、副生産物が生産された場合は、副生産物の収率等を品質データＱＤとしてもよい。

図１０において、学習装置１０および運用装置１１を構成するコンピュータは、基本的な構成は同じであり、ストレージデバイス６０、メモリ６１、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）６２、通信部６３、ディスプレイ６４、および入力デバイス６５を備えている。これらはバスライン６６を介して相互接続されている。

ストレージデバイス６０は、学習装置１０等を構成するコンピュータに内蔵、またはケーブル、ネットワークを通じて接続されたハードディスクドライブである。もしくはストレージデバイス６０は、ハードディスクドライブを複数台連装したディスクアレイである。ストレージデバイス６０には、オペレーティングシステム等の制御プログラム、各種アプリケーションプログラム、およびこれらのプログラムに付随する各種データ等が記憶されている。なお、ハードディスクドライブに代えて、あるいは加えて、ソリッドステートドライブを用いてもよい。

メモリ６１は、ＣＰＵ６２が処理を実行するためのワークメモリである。ＣＰＵ６２は、ストレージデバイス６０に記憶されたプログラムをメモリ６１へロードして、プログラムにしたがった処理を実行することにより、コンピュータの各部を統括的に制御する。

通信部６３は、ネットワーク１２を介した各種情報の伝送制御を行うネットワークインターフェースである。ディスプレイ６４は各種画面を表示する。学習装置１０等を構成するコンピュータは、各種画面を通じて、入力デバイス６５からの操作指示の入力を受け付ける。入力デバイス６５は、キーボード、マウス、タッチパネル等である。

なお、以下の説明では、学習装置１０の各部に添え字の「Ａ」を、運用装置１１の各部に添え字の「Ｂ」を、それぞれ付して区別する。

図１１において、学習装置１０のストレージデバイス６０Ａには、第１作動プログラム７０が記憶されている。第１作動プログラム７０は、コンピュータを学習装置１０として機能させるためのアプリケーションプログラムである。すなわち、第１作動プログラム７０は、本開示の技術に係る「学習装置の作動プログラム」の一例である。

ストレージデバイス６０Ａには、フロー反応装置１３からの生産条件データＰＣＤ、物性分析装置１４からの物性データＰＤ、および品質評価装置１５からの品質データＱＤも記憶される。また、ストレージデバイス６０Ａには、物性データＰＤから導出された関連データＰＲＤ、および機械学習モデルＭも記憶される。生産条件データＰＣＤ、物性データＰＤ、関連データＰＲＤ、および品質データＱＤのセットは、複数記憶されている。

第１作動プログラム７０が起動されると、学習装置１０を構成するコンピュータのＣＰＵ６２Ａは、メモリ６１等と協働して、第１リードライト（以下、ＲＷ（Ｒｅａｄ Ｗｒｉｔｅ）と略す）制御部７５、第１導出部７６、学習部７７、抽出部７８、および送信制御部７９として機能する。

第１ＲＷ制御部７５は、ストレージデバイス６０Ａ内の各種データの読み出し、およびストレージデバイス６０Ａへの各種データの記憶を制御する。第１ＲＷ制御部７５は、ストレージデバイス６０Ａから物性データＰＤを読み出し、物性データＰＤを第１導出部７６に出力する。また、第１ＲＷ制御部７５は、第１導出部７６からの関連データＰＲＤをストレージデバイス６０Ａに記憶する。

第１ＲＷ制御部７５は、ストレージデバイス６０Ａから関連データＰＲＤ、生産条件データＰＣＤ、および品質データＱＤを読み出し、これらを学習部７７に出力する。関連データＰＲＤおよび生産条件データＰＣＤは学習用入力データＩＤＬを構成するため、第１ＲＷ制御部７５は、関連データＰＲＤおよび生産条件データＰＣＤをストレージデバイス６０Ａから読み出すことで、学習用入力データＩＤＬを取得していることになる。すなわち、第１ＲＷ制御部７５は、本開示の技術に係る「第１取得部」の一例である。

第１ＲＷ制御部７５は、ストレージデバイス６０Ａから機械学習モデルＭを読み出し、機械学習モデルＭを学習部７７、抽出部７８、および送信制御部７９のいずれかに出力する。また、第１ＲＷ制御部７５は、学習部７７からの機械学習モデルＭをストレージデバイス６０Ａに記憶する。

第１導出部７６は、第１ＲＷ制御部７５からの物性データＰＤを受け取る。第１導出部７６は、物性データＰＤから関連データＰＲＤを導出する。第１導出部７６は、導出した関連データＰＲＤに物性データＰＤと同じＩＤを付し、関連データＰＲＤを第１ＲＷ制御部７５に出力する。第１導出部７６は、物性分析装置１４から新たな物性データＰＤが送信される度に、関連データＰＲＤの導出を行う。

学習部７７は、第１ＲＷ制御部７５からの学習用入力データＩＤＬ、品質データＱＤ、および機械学習モデルＭを受け取る。学習部７７は、学習用入力データＩＤＬを機械学習モデルＭに与えて学習させ、仮の機械学習モデルＰＭ（図１６参照）を出力する。すなわち、学習部７７は、本開示の技術に係る「仮学習部」の一例である。以下、学習部７７が仮学習部として機能する期間において用いられる機械学習モデルＭを、第１機械学習モデルＭ１（図１５参照）と表記する。

抽出部７８は、第１ＲＷ制御部７５からの機械学習モデルＭを受け取る。抽出部７８が第１ＲＷ制御部７５から受け取る機械学習モデルＭは、仮の機械学習モデルＰＭである。抽出部７８は、仮の機械学習モデルＰＭを用いて、関連データＰＲＤの複数の項目の中から高寄与項目を抽出する。高寄与項目は、生産物ＰＲの品質の予測の精度の向上に寄与する程度が予め設定された条件を満たす項目である。抽出部７８は、高寄与項目の抽出結果である高寄与項目情報ＨＣＩＩを学習部７７に出力する。また、図示は省略したが、抽出部７８は、高寄与項目情報ＨＣＩＩを第１ＲＷ制御部７５に出力し、第１ＲＷ制御部７５は、高寄与項目情報ＨＣＩＩをストレージデバイス６０Ａに記憶する。

学習部７７は、抽出部７８からの高寄与項目情報ＨＣＩＩを受け取る。学習部７７は、高寄与項目情報ＨＣＩＩに基づいて、高寄与項目の関連データＰＲＤを選択的に機械学習モデルＭに与えて学習させ、機械学習モデルＭを学習済みモデルＴＭとして出力する。すなわち、学習部７７は、本開示の技術に係る「本学習部」の一例である。以下、学習部７７が本学習部として機能する期間において用いられる機械学習モデルＭを、第２機械学習モデルＭ２（図２３参照）と表記する。

送信制御部７９は、第１ＲＷ制御部７５からの機械学習モデルＭを受け取る。送信制御部７９が第１ＲＷ制御部７５から受け取る機械学習モデルＭは、学習済みモデルＴＭである。送信制御部７９は、学習済みモデルＴＭを運用装置１１に送信する制御を行う。また、送信制御部７９は、学習済みモデルＴＭとともに高寄与項目情報ＨＣＩＩを第１ＲＷ制御部７５から受け取り、高寄与項目情報ＨＣＩＩも運用装置１１に送信する制御を行う。

図１２および図１３に示すように、第１導出部７６は、スペクトルデータＳＰＤを分けた複数の区間のそれぞれについて、関連データＰＲＤを導出する。第１導出部７６は、関連データＰＲＤとして、強度の代表値を導出する。なお、この関連データＰＲＤは、本開示の技術に係る「多次元物性関連データ」の一例である。

図１２では、スペクトルデータＳＰＤを分けた複数の区間として、スペクトルデータＳＰＤを２０等分に分けた２０個の区間ＩＮＴ１、ＩＮＴ２、ＩＮＴ３、・・・、ＩＮＴ２０を例示している。そして、図１３では、各区間ＩＮＴ１～ＩＮＴ２０の各スペクトルデータＳＰＤ＿ＩＮＴ１～ＳＰＤ＿ＩＮＴ２０の強度の代表値である平均値、最大値、最小値、中央値、分散、歪度、および尖度を、関連データＰＲＤ＿ＩＮＴ１～ＰＲＤ＿ＩＮＴ２０として導出した例を示している。この例の場合、関連データＰＲＤ＿ＩＮＴ１～ＰＲＤ＿ＩＮＴ２０を統合した関連データＰＲＤのトータルの項目数は、代表値が７種で区間が２０区間であるため、７×２０＝１４０個となる。

図１４に示すように、学習部７７は、第１処理部８５、評価部８６、および更新部８７を有する。第１処理部８５は、学習用入力データＩＤＬを機械学習モデルＭに与えて、機械学習モデルＭから学習用出力データＯＤＬを出力させる。学習用出力データＯＤＬは、品質データＱＤと同じく、分子量分散度および分子量で構成される（図１５等参照）。第１処理部８５は、学習用出力データＯＤＬを評価部８６に出力する。

評価部８６は、第１処理部８５からの学習用出力データＯＤＬを受け取る。評価部８６は、学習用出力データＯＤＬと品質データＱＤとを比較し、機械学習モデルＭの予測の精度を評価する。評価部８６は、評価結果を更新部８７に出力する。

評価部８６は、例えば、損失関数を用いて機械学習モデルＭの予測の精度を評価する。損失関数は、学習用出力データＯＤＬと品質データＱＤとの差異の程度を表す関数である。損失関数の算出値が０に近いほど、機械学習モデルＭの予測の精度が高いことを示す。

更新部８７は、評価部８６からの評価結果に応じて、機械学習モデルＭを更新する。例えば、更新部８７は、学習係数を伴う確率的勾配降下法等により、機械学習モデルＭの各種パラメータの値を変化させる。学習係数は、機械学習モデルＭの各種パラメータの値の変化幅を示す。すなわち、学習係数が比較的大きい値であるほど、各種パラメータの値の変化幅は大きくなり、機械学習モデルＭの更新度合いも大きくなる。

これら第１処理部８５による機械学習モデルＭへの学習用入力データＩＤＬの入力と評価部８６への学習用出力データＯＤＬの出力、評価部８６による予測の精度の評価、および更新部８７による機械学習モデルＭの更新は、予測の精度が予め設定されたレベルとなるまで、繰り返し続けられる。

図１５に示すように、学習部７７が仮学習部として機能する期間では、第１処理部８５は、生産条件データＰＣＤおよび関連データＰＲＤの複数の項目を、余すところなく学習用入力データＩＤＬとして第１機械学習モデルＭ１に与える。そして、評価部８６による第１機械学習モデルＭ１の予測の精度の評価、および更新部８７による第１機械学習モデルＭ１の更新が行われる。こうした処理が学習用入力データＩＤＬを変えつつ繰り返し続けられることで、第１機械学習モデルＭ１は予測の精度が予め設定されたレベルに達する。予測の精度が予め設定されたレベルに達した第１機械学習モデルＭ１は、仮の機械学習モデルＰＭとして、第１ＲＷ制御部７５によりストレージデバイス６０Ａに記憶される。

図１６に示すように、抽出部７８は、第２処理部９０、第３処理部９１、算出部９２、および判定部９３を有する。第２処理部９０は、学習用入力データＩＤＬを仮の機械学習モデルＰＭに与えて、仮の機械学習モデルＰＭから仮の出力データＰＯＤを出力させる。仮の出力データＰＯＤは、学習用出力データＯＤＬと同じく、分子量分散度および分子量で構成される（図１７等参照）。第２処理部９０は、仮の出力データＰＯＤを算出部９２に出力する。

第３処理部９１は、第２処理部９０で仮の機械学習モデルＰＭに与えたものと同じ生産条件データＰＣＤと、抽出用物性関連データ（以下、抽出用関連データと略す）ＰＲＤＥとを仮の機械学習モデルＰＭに与えて、仮の機械学習モデルＰＭから抽出用仮の出力データＰＯＤＥを出力させる。抽出用仮の出力データＰＯＤＥは、学習用出力データＯＤＬと同じく、分子量分散度および分子量で構成される（図１８等参照）。第３処理部９１は、抽出用仮の出力データＰＯＤＥを算出部９２に出力する。

算出部９２は、第２処理部９０からの仮の出力データＰＯＤと第３処理部９１からの抽出用仮の出力データＰＯＤＥとを受け取る。算出部９２は、仮の出力データＰＯＤおよび抽出用仮の出力データＰＯＤＥに基づいて、関連データＰＲＤの項目が第１機械学習モデルＭ１の品質の予測の精度の向上に寄与する程度である関連データＰＲＤの項目の寄与度を算出する。算出部９２は、寄与度の算出結果である寄与度情報ＣＩを判定部９３に出力する。

判定部９３は、算出部９２からの寄与度情報ＣＩを受け取る。判定部９３は、寄与度情報ＣＩと設定条件ＳＣとに基づいて、関連データＰＲＤの複数の項目の各々が高寄与項目であるか否かを判定する。判定部９３は、判定結果として高寄与項目情報ＨＣＩＩを学習部７７に出力する。

図１７に示すように、第２処理部９０においては、図１５で示した第１処理部８５の場合と同様に、関連データＰＲＤの複数の項目が余すところなく仮の機械学習モデルＰＭに与えられる。対して図１８に示すように、第３処理部９１においては、関連データＰＲＤの複数の項目のうちの１つの項目が除かれた抽出用関連データＰＲＤＥが仮の機械学習モデルＰＭに与えられる。なお、図１８では、第１区間ＩＮＴ１の関連データＰＲＤ＿ＩＮＴ１の平均値の項目が除かれた例を示している。

図１９および図２０に示すように、算出部９２は、まず、仮の出力データＰＯＤおよび抽出用仮の出力データＰＯＤＥから、変化率を算出する。変化率は、以下の（式１）で求められる。
変化率＝｜仮の出力データと抽出用仮の出力データとの差分｜／仮の出力データ・・・（式１）
変化率は、抽出用関連データＰＲＤＥにおいて除かれた項目の影響で、仮の機械学習モデルＰＭの出力データがどの程度変化するかを示す値である。

次いで、算出部９２は、変化率を寄与度に変換する変換表１００を用いて、変化率を寄与度に変換する。変換表１００には、変化率が０以上０．０５未満の場合に寄与度０が、変化率が０．０５以上０．１未満の場合に寄与度１が、・・・、変化率が０．４５以上０．５未満の場合に寄与度９が、変化率が０．５以上の場合に寄与度１０が、それぞれ登録されている。

図２０は、図１７で示した仮の出力データＰＯＤの分子量分散度＝１．５８６５、分子量＝２２０００、図１８で示した抽出用仮の出力データＰＯＤＥの分子量分散度＝１．６０４３、分子量＝２６０００の場合を例示している。この場合、分子量分散度の変化率＝｜１．５８６５－１．６０４３｜／１．５８６５≒０．０１である。変換表１００によれば、変化率が０．０１の場合、寄与度は０であるため、分子量分散度の変化率を変換した寄与度は０と算出される。同様に、分子量の変化率＝｜２２０００－２６０００｜／２２０００≒０．１８であるので、分子量の変化率を変換した寄与度は３と算出される。こうして算出した寄与度は、抽出用関連データＰＲＤＥにおいて除かれた項目（図２０においては関連データＰＲＤ＿ＩＮＴ１の平均値の項目）の寄与度である。

第３処理部９１は、除く項目を１つずつ変更しながら、次々に抽出用関連データＰＲＤＥを仮の機械学習モデルＰＭに与えていく。本例においては、関連データＰＲＤの項目数は１４０個あるため、第３処理部９１は１４０個の抽出用関連データＰＲＤＥを仮の機械学習モデルＰＭに与える。また、算出部９２は、各抽出用関連データＰＲＤＥについて寄与度を算出する。なお、変化率の値の信頼性を高めるため、１組の生産条件データＰＣＤと関連データＰＲＤだけでなく、異なる複数の組の生産条件データＰＣＤと関連データＰＲＤについて変化率を算出し、その平均値を寄与度に変換してもよい。

図２１に示すように、寄与度情報ＣＩには、関連データＰＲＤの複数の項目の各々の寄与度が登録されている。各項目の横の２つの数値が寄与度であり、左側は分子量分散度の変化率を変換した寄与度、右側は分子量の変化率を変換した寄与度である。例えば、第１区間ＩＮＴ１の最大値の分子量分散度の変化率を変換した寄与度は８、分子量の変化率を変換した寄与度は６である。

図２２は、設定条件ＳＣが、「分子量分散度の変化率を変換した寄与度および分子量の変化率を変換した寄与度がともに６以上」で、寄与度情報ＣＩが図２１に例示したものであった場合を示す。この場合、判定部９３は、分子量分散度の変化率を変換した寄与度および分子量の変化率を変換した寄与度がともに６以上である、第１区間ＩＮＴ１の最大値、分散、歪度、尖度、第２区間ＩＮＴ２の中央値、分散、歪度、尖度、・・・、第２０区間ＩＮＴ２０の平均値、最大値、最小値、歪度のハッチングで示す各項目を、高寄与項目であると判定する。

なお、このように、複数のデータ（本例においては関連データＰＲＤの複数の項目）から本質部分（本例においては高寄与項目）を抽出する手法は、スパースモデリングと呼ばれる。こうしたスパースモデリングは、例えば、Ｒ言語上で動作可能なｇｌｍｎｅｔパッケージを用いて行うことができる。スパースモデリングの詳細アルゴリズムは、例えば、「Ｊｏｕｒｎａｌ ｏｆ ｓｔａｔｉｓｔｉｃａｌ ｓｏｆｔｗａｒｅ， ｖｏｌ．３３－１（２０１０） “Ｒｅｇｕｌａｒｉｚａｔｉｏｎ Ｐａｔｈｓ ｆｏｒ Ｇｅｎｅｒａｌｉｚｅｄ Ｌｉｎｅａｒ Ｍｏｄｅｌｓ ｖｉａ Ｃｏｏｒｄｉｎａｔｅ Ｄｅｓｃｅｎｔ”」に記載されている。

図２３に示すように、学習部７７が本学習部として機能する期間では、第１処理部８５において、高寄与項目の関連データＰＲＤが選択的に第２機械学習モデルＭ２に与えられる。逆を言えば、高寄与項目以外の項目が選択的に除かれて、第２機械学習モデルＭ２に与えられる。そして、評価部８６による第２機械学習モデルＭ２の予測の精度の評価、および更新部８７による第２機械学習モデルＭ２の更新が行われる。こうした処理が学習用入力データＩＤＬを変えつつ繰り返し続けられることで、第２機械学習モデルＭ２は予測の精度が予め設定されたレベルに達する。予測の精度が予め設定されたレベルに達した第２機械学習モデルＭ２は、学習済みモデルＴＭとして、第１ＲＷ制御部７５によりストレージデバイス６０Ａに記憶される。なお、学習部７７が本学習部として機能する期間で用いられる第２機械学習モデルＭ２は、学習部７７が仮学習部として機能する期間で用いられる第１機械学習モデルＭ１と、種類、性能といった特性は同じである。

図２４において、運用装置１１のストレージデバイス６０Ｂには、第２作動プログラム１１０が記憶されている。第２作動プログラム１１０は、コンピュータを運用装置１１として機能させるためのアプリケーションプログラムである。

ストレージデバイス６０Ｂには、学習装置１０からの学習済みモデルＴＭと高寄与項目情報ＨＣＩＩ、および物性分析装置１４からの予測用物性データＰＤＦも記憶される。また、ストレージデバイス６０Ｂには、予測用生産条件データＰＣＤＦも記憶される。予測用生産条件データＰＣＤＦは、入力デバイス６５Ｂを介してオペレータにより入力される。より詳しくは、予測用生産条件データＰＣＤＦの各項目の入力ボックスが用意された入力画面がディスプレイ６４Ｂに表示され、入力画面を通じて予測用生産条件データＰＣＤＦが入力される。予測用生産条件データＰＣＤＦおよび予測用物性データＰＤＦは、品質が未知で、これから学習済みモデルＴＭを用いて品質を予測する生産物ＰＲの生産条件データＰＣＤおよび物性データＰＤである。

また、ストレージデバイス６０Ｂには、予測用物性データＰＤＦから導出された予測用物性関連データ（以下、予測用関連データと略す）ＰＲＤＦも記憶される。

第２作動プログラム１１０が起動されると、運用装置１１を構成するコンピュータのＣＰＵ６２Ｂは、メモリ６１等と協働して、第２ＲＷ制御部１１５、第２導出部１１６、第４処理部１１７、および表示制御部１１８として機能する。

第２ＲＷ制御部１１５は、学習装置１０の第１ＲＷ制御部７５と同様、ストレージデバイス６０Ｂ内の各種データの読み出し、およびストレージデバイス６０Ｂへの各種データの記憶を制御する。第２ＲＷ制御部１１５は、ストレージデバイス６０Ｂから予測用物性データＰＤＦおよび高寄与項目情報ＨＣＩＩを読み出し、予測用物性データＰＤＦおよび高寄与項目情報ＨＣＩＩを第２導出部１１６に出力する。また、第２ＲＷ制御部１１５は、第２導出部１１６からの予測用関連データＰＲＤＦをストレージデバイス６０Ｂに記憶する。

第２ＲＷ制御部１１５は、ストレージデバイス６０Ｂから学習済みモデルＴＭを読み出し、学習済みモデルＴＭを第４処理部１１７に出力する。第２ＲＷ制御部１１５は、学習済みモデルＴＭをストレージデバイス６０Ｂから読み出すことで、学習済みモデルＴＭを取得していることになる。すなわち、第２ＲＷ制御部１１５は、本開示の技術に係る「第２取得部」の一例である。

第２ＲＷ制御部１１５は、ストレージデバイス６０Ｂから予測用関連データＰＲＤＦおよび予測用生産条件データＰＣＤＦを読み出し、これらを第４処理部１１７に出力する。第２ＲＷ制御部１１５は、予測用関連データＰＲＤＦをストレージデバイス６０Ｂから読み出すことで、予測用関連データＰＲＤＦを取得していることになる。すなわち、第２ＲＷ制御部１１５は、本開示の技術に係る「第３取得部」の一例である。

第２導出部１１６は、第２ＲＷ制御部１１５からの予測用物性データＰＤＦおよび高寄与項目情報ＨＣＩＩを受け取る。第２導出部１１６は、予測用物性データＰＤＦから予測用関連データＰＲＤＦを導出する。より詳しくは、第２導出部１１６は、学習装置１０の第１導出部７６と同じように、スペクトルデータＳＰＤを分けた複数の区間ＩＮＴ１～ＩＮＴ２０のそれぞれについて、強度の平均値、最大値、最小値、中央値、分散、歪度、および尖度を導出する。ただし、第２導出部１１６は、高寄与項目情報ＨＣＩＩに基づいて、高寄与項目を選択的に導出し、高寄与項目以外の項目は導出しない。このため、予測用関連データＰＲＤＦは、図２３の関連データＰＲＤと同様に、高寄与項目以外の項目が選択的に除かれたものとなる（図２５参照）。

第４処理部１１７は、第２ＲＷ制御部１１５からの予測用生産条件データＰＣＤＦ、予測用関連データＰＲＤＦ、および学習済みモデルＴＭを受け取る。第４処理部１１７は、学習済みモデルＴＭに予測用生産条件データＰＣＤＦおよび予測用関連データＰＲＤＦを与えて品質を予測させる。すなわち、第４処理部１１７は、本開示の技術に係る「処理部」の一例である。第４処理部１１７は、学習済みモデルＴＭによる品質の予測結果である品質予測データＱＦＤを表示制御部１１８に出力する。品質予測データＱＦＤは、品質データＱＤと同じく、分子量分散度および分子量で構成される（図２５等参照）。

表示制御部１１８は、各種画面をディスプレイ６４Ｂに表示する制御を行う。各種画面には、前述の予測用生産条件データＰＣＤＦの入力画面の他、品質予測データＱＦＤを表示する品質予測表示画面１２０（図２６参照）がある。すなわち、表示制御部１１８は、本開示の技術に係る「出力制御部」の一例である。

図２５は、ＩＤがＰＲ０５００の、品質が未知の生産物ＰＲの品質を、学習済みモデルＴＭで予測する様子を示している。図２３で示した場合と同じく、第４処理部１１７において、複数の項目のうちの高寄与項目の予測用関連データＰＲＤＦが選択的に学習済みモデルＴＭに与えられる。逆を言えば、高寄与項目以外の項目が選択的に除かれて、学習済みモデルＴＭに与えられる。

図２６において、表示制御部１１８の制御の下でディスプレイ６４Ｂに表示される品質予測表示画面１２０には、学習済みモデルＴＭから出力された品質予測データＱＦＤが表示される。品質予測表示画面１２０は、ＯＫボタン１２１を選択することで表示が消える。

次に、上記構成による作用について、図２７～図３１のフローチャートを参照して説明する。まず、学習装置１０において第１作動プログラム７０が起動されると、図１１で示したように、学習装置１０のＣＰＵ６２Ａは、第１ＲＷ制御部７５、第１導出部７６、学習部７７、抽出部７８、および送信制御部７９として機能される。学習部７７は、図１４で示したように、第１処理部８５、評価部８６、および更新部８７として機能される。また、抽出部７８は、図１６で示したように、第２処理部９０、第３処理部９１、算出部９２、および判定部９３として機能される。

学習装置１０では、第１ＲＷ制御部７５によりストレージデバイス６０Ａから物性データＰＤであるスペクトルデータＳＰＤが読み出され、第１導出部７６に出力される。そして、図１２および図１３で示したように、第１導出部７６により、スペクトルデータＳＰＤを分けた複数の区間ＩＮＴ１～ＩＮＴ２０のそれぞれについて、強度の代表値（平均値、最大値、最小値、中央値、分散、歪度、および尖度）が関連データＰＲＤとして導出される。関連データＰＲＤは、第１導出部７６から第１ＲＷ制御部７５に出力され、第１ＲＷ制御部７５によりストレージデバイス６０Ａに記憶される。関連データＰＲＤの導出は、物性分析装置１４から新たな物性データＰＤが送信される度に行われる。

図２７において、学習装置１０では、主として、仮学習（ステップＳＴ１００）、高寄与項目の抽出（ステップＳＴ２００）、および本学習（ステップＳＴ３００）が行われる。仮学習では、第１機械学習モデルＭ１が学習されて、仮の機械学習モデルＰＭとされる。高寄与項目の抽出では、仮の機械学習モデルＰＭが用いられる。本学習では、第２機械学習モデルＭ２が学習されて、学習済みモデルＴＭとされる。

図２８に示すように、仮学習では、まず、第１ＲＷ制御部７５により、生産工程において設定された生産条件データＰＣＤおよび関連データＰＲＤの組で構成される学習用入力データＩＤＬがストレージデバイス６０Ａから読み出される（ステップＳＴ１００１）。学習用入力データＩＤＬは、第１ＲＷ制御部７５から学習部７７に出力される。なお、ステップＳＴ１００１は、本開示の技術に係る「第１取得ステップ」の一例である。

学習部７７では、図１５で示したように、第１処理部８５において、生産条件データＰＣＤおよび関連データＰＲＤの複数の項目が、余すところなく学習用入力データＩＤＬとして第１機械学習モデルＭ１に与えられ、第１機械学習モデルＭ１から学習用出力データＯＤＬが出力される（ステップＳＴ１００２）。そして、評価部８６において、学習用出力データＯＤＬと品質データＱＤとが比較され、第１機械学習モデルＭ１による生産物ＰＲの品質の予測の精度が評価される（ステップＳＴ１００３）。

評価部８６による第１機械学習モデルＭ１の予測の精度の評価結果が、第１機械学習モデルＭ１の予測の精度が予め設定されたレベル未満であるという内容であった場合（ステップＳＴ１００４でＮＯ）、更新部８７により第１機械学習モデルＭ１が更新される（ステップＳＴ１００５）。そして、更新後の第１機械学習モデルＭ１を用いて、ステップＳＴ１００１、ステップＳＴ１００２、およびステップＳＴ１００３の処理が繰り返される。これらのステップＳＴ１００１～ステップＳＴ１００３の各処理は、評価部８６による第１機械学習モデルＭ１の予測の精度の評価結果が、第１機械学習モデルＭ１の予測の精度が予め設定されたレベルに達したという内容であった場合（ステップＳＴ１００４でＹＥＳ）に終了される。予測の精度が予め設定されたレベルに達した第１機械学習モデルＭ１は、仮の機械学習モデルＰＭとして学習部７７から第１ＲＷ制御部７５に出力される（ステップＳＴ１００６）。仮の機械学習モデルＰＭは、第１ＲＷ制御部７５によりストレージデバイス６０Ａに記憶される。なお、これら一連のステップＳＴ１００１～ステップＳＴ１００６は、本開示の技術に係る「仮学習ステップ」の一例である。

図２９に示すように、高寄与項目の抽出では、図１６および図１７で示したように、第２処理部９０において、生産条件データＰＣＤおよび関連データＰＲＤの複数の項目が、余すところなく仮の機械学習モデルＰＭに与えられ、仮の機械学習モデルＰＭから仮の出力データＰＯＤが出力される（ステップＳＴ２００１）。仮の出力データＰＯＤは、第２処理部９０から算出部９２に出力される。

また、図１６および図１８で示したように、第３処理部９１において、生産条件データＰＣＤと、関連データＰＲＤの複数の項目の１つが除かれた抽出用関連データＰＲＤＥとが仮の機械学習モデルＰＭに与えられ、仮の機械学習モデルＰＭから抽出用仮の出力データＰＯＤＥが出力される（ステップＳＴ２００２）。抽出用仮の出力データＰＯＤＥは、第３処理部９１から算出部９２に出力される。

図１９および図２０で示したように、算出部９２において、仮の出力データＰＯＤおよび抽出用仮の出力データＰＯＤＥに基づいて、抽出用関連データＰＲＤＥで除いた１つの項目の寄与度が算出される（ステップＳＴ２００３）。これらステップＳＴ２００２およびステップＳＴ２００３は、関連データＰＲＤの全ての項目の寄与度が算出される（ステップＳＴ２００４でＹＥＳ）まで、除く項目が１つずつ変更されつつ、繰り返し行われる。こうして算出された関連データＰＲＤの全ての項目の寄与度は、図２１で示した寄与度情報ＣＩとして算出部９２から判定部９３に出力される。

判定部９３では、図２２で示したように、寄与度情報ＣＩと設定条件ＳＣとに基づいて、関連データＰＲＤの複数の項目の各々が、高寄与項目であるか否かが判定される（ステップＳＴ２００５）。そして、この判定結果が、高寄与項目情報ＨＣＩＩとして判定部９３から学習部７７に出力される（ステップＳＴ２００６）。なお、これら一連のステップＳＴ２００１～ステップＳＴ２００６は、本開示の技術に係る「抽出ステップ」の一例である。

図３０に示すように、本学習では、第１ＲＷ制御部７５により、生産条件データＰＣＤおよび関連データＰＲＤの組で構成される学習用入力データＩＤＬがストレージデバイス６０Ａから読み出される（ステップＳＴ３００１）。学習用入力データＩＤＬは、第１ＲＷ制御部７５から学習部７７に出力される。

学習部７７では、図２３で示したように、第１処理部８５において、生産条件データＰＣＤと高寄与項目の関連データＰＲＤが選択的に学習用入力データＩＤＬとして第２機械学習モデルＭ２に与えられ、第２機械学習モデルＭ２から学習用出力データＯＤＬが出力される（ステップＳＴ３００２）。そして、評価部８６において、学習用出力データＯＤＬと品質データＱＤとが比較され、第２機械学習モデルＭ２による生産物ＰＲの品質の予測の精度が評価される（ステップＳＴ３００３）。

評価部８６による第２機械学習モデルＭ２の予測の精度の評価結果が、第２機械学習モデルＭ２の予測の精度が予め設定されたレベル未満であるという内容であった場合（ステップＳＴ３００４でＮＯ）、更新部８７により第２機械学習モデルＭ２が更新される（ステップＳＴ３００５）。そして、更新後の第２機械学習モデルＭ２を用いて、ステップＳＴ３００１、ステップＳＴ３００２、およびステップＳＴ３００３の処理が繰り返される。これらのステップＳＴ３００１～ステップＳＴ３００３の各処理は、評価部８６による第２機械学習モデルＭ２の予測の精度の評価結果が、第２機械学習モデルＭ２の予測の精度が予め設定されたレベルに達したという内容であった場合（ステップＳＴ３００４でＹＥＳ）に終了される。予測の精度が予め設定されたレベルに達した第２機械学習モデルＭ２は、学習済みモデルＴＭとして学習部７７から第１ＲＷ制御部７５に出力される（ステップＳＴ３００６）。学習済みモデルＴＭは、第１ＲＷ制御部７５によりストレージデバイス６０Ａに記憶される。そして、学習済みモデルＴＭは、送信制御部７９によって運用装置１１に送信される。なお、これら一連のステップＳＴ３００１～ステップＳＴ３００６は、本開示の技術に係る「本学習ステップ」の一例である。

運用装置１１において第２作動プログラム１１０が起動されると、図２４で示したように、運用装置１１のＣＰＵ６２Ｂは、第２ＲＷ制御部１１５、第２導出部１１６、第４処理部１１７、および表示制御部１１８として機能される。

運用装置１１では、第２ＲＷ制御部１１５によりストレージデバイス６０Ｂから予測用物性データＰＤＦおよび高寄与項目情報ＨＣＩＩが読み出され、第２導出部１１６に出力される。そして、第２導出部１１６により、予測用物性データＰＤＦのスペクトルデータＳＰＤを分けた複数の区間ＩＮＴ１～ＩＮＴ２０のそれぞれについて、高寄与項目に限って、強度の代表値が導出される。こうして第２導出部１１６において予測用関連データＰＲＤＦが導出される。予測用関連データＰＲＤＦは、第２ＲＷ制御部１１５によりストレージデバイス６０Ｂに記憶される。

図３１に示すように、運用装置１１では、第２ＲＷ制御部１１５によりストレージデバイス６０Ｂから学習済みモデルＴＭが読み出される（ステップＳＴ５００）。また、第２ＲＷ制御部１１５によりストレージデバイス６０Ｂから生産工程における設定された予測用生産条件データＰＣＤＦおよび予測用関連データＰＲＤＦが読み出される（ステップＳＴ６００）。学習済みモデルＴＭ、予測用生産条件データＰＣＤＦ、および予測用関連データＰＲＤＦは、第２ＲＷ制御部１１５から第４処理部１１７に出力される。

図２５で示したように、第４処理部１１７において、予測用生産条件データＰＣＤＦと予測用関連データＰＲＤＦが学習済みモデルＴＭに与えられ、学習済みモデルＴＭから品質予測データＱＦＤが出力される（ステップＳＴ７００）。品質予測データＱＦＤは、第４処理部１１７から表示制御部１１８に出力される。

表示制御部１１８により、図２６で示した品質予測表示画面１２０がディスプレイ６４Ｂに表示される（ステップＳＴ８００）。この品質予測表示画面１２０によって、品質予測データＱＦＤがオペレータの閲覧に供される。

以上説明したように、学習装置１０は、関連データＰＲＤを含む学習用入力データＩＤＬを第１ＲＷ制御部７５で取得し、学習部７７において、学習用入力データＩＤＬを第１機械学習モデルＭ１に与えて学習させ、仮の機械学習モデルＰＭを出力する。次いで、抽出部７８により、仮の機械学習モデルＰＭを用いて、関連データＰＲＤの複数の項目の中から高寄与項目を抽出する。そして、学習部７７において、高寄与項目の関連データＰＲＤを選択的に第２機械学習モデルＭ２に与えて学習させ、学習済みモデルＴＭとして出力する。したがって、高寄与項目以外の関連データＰＲＤが与えられて学習した場合よりも、学習済みモデルＴＭによる生産物ＰＲの品質の予測の精度を向上させることができる。

より具体的には図３２の表１２５に示すように、生産条件データＰＣＤと高寄与項目の関連データＰＲＤを学習用入力データＩＤＬとして与えた実施例は、比較例１および比較例２よりも分子量分散度の決定係数および分子量の決定係数が高い、という結果が得られた。なお、比較例１は、生産条件データＰＣＤのみを学習用入力データＩＤＬとして与えた場合、比較例２は、生産条件データＰＣＤおよび関連データＰＲＤの複数の項目を、余すところなく学習用入力データＩＤＬとして与えて学習させた場合である。このように、高寄与項目の関連データＰＲＤを学習用入力データＩＤＬとして与えて学習させることで、学習済みモデルＴＭによる生産物ＰＲの品質の予測の精度をより向上させることができることが確かめられた。

また、予測の精度の向上に寄与度の低い項目に学習の労力が割かれることが防がれるため、学習の効率を高めることができる。

学習用入力データＩＤＬは、関連データＰＲＤだけでなく生産条件データＰＣＤも含んでいる。このため、生産条件データＰＣＤの影響も考慮した品質予測データＱＦＤを、機械学習モデルＭから出力させることができる。また、生産条件データＰＣＤの影響も考慮して高寄与項目を抽出することができ、高寄与項目の妥当性をより高めることができる。

物性データＰＤは、生産物ＰＲを分光分析して検出されたスペクトルデータＳＰＤを含む。そして、関連データＰＲＤは、スペクトルデータＳＰＤを分けた複数の区間ＩＮＴ１～ＩＮＴ２０のそれぞれについて導出した強度の代表値である。スペクトルデータＳＰＤの各波数の強度を全て関連データＰＲＤとする場合と比べて、関連データＰＲＤのデータ量を減らすことができる。

運用装置１１は、学習済みモデルＴＭおよび予測用関連データＰＲＤＦを第２ＲＷ制御部１１５で取得する。次いで、第４処理部１１７において、学習済みモデルＴＭに予測用関連データＰＲＤＦを与えて品質を予測させる。そして、表示制御部１１８の制御の下で、学習済みモデルＴＭによる品質の予測結果である品質予測データＱＦＤを含む品質予測表示画面１２０をディスプレイ６４Ｂに表示させる。したがって、オペレータは、生産物ＰＲをわざわざ品質評価装置１５にかけて実際に品質を評価させることなく、簡単に生産物ＰＲの品質がどの程度であるかを把握することができる。

ここで、品質評価装置１５において生産物ＰＲの品質を実際に評価する場合、生産物ＰＲの前処理および品質の評価処理に、例えば１週間～２週間程度の比較的長い時間が掛かる。対して、学習済みモデルＴＭを用いれば、ごく短い時間で生産物ＰＲの品質を予測することができる。しかも、図３２で実施例として示したように学習済みモデルＴＭの予測の精度が比較的高いので、オペレータは品質予測データＱＦＤを大いに参考にして今後の生産物ＰＲの生産計画を立てることができる。

［第２実施形態］
図３３～図３５に示す第２実施形態では、生産物ＰＲを撮影して得られる画像データＩＭＤを物性データＰＤとする。

図３３において、第２実施形態の物性分析装置１３０は、例えばデジタル光学顕微鏡であり、生産物ＰＲを撮影して画像データＩＭＤを物性データＰＤとして出力する。なお、画像データＩＭＤは、本開示の技術に係る「多次元物性データ」の一例である。

図３４および図３５に示すように、第２実施形態の第１導出部１３５は、画像データＩＭＤを等分した複数の領域ＡＲ１－１、ＡＲ１－２、・・・、ＡＲ１０－１０のそれぞれについて、関連データＰＲＤ＿ＡＲ１－１、ＰＲＤ＿ＡＲ１－２、・・・、ＰＲＤ＿ＡＲ１０－１０を導出する。具体的には、第１導出部１３５は、関連データＰＲＤ＿ＡＲ１－１～ＰＲＤ＿ＡＲ１０－１０として、各領域ＡＲ１－１～ＡＲ１０－１０の画像データＩＭＤ＿ＡＲ１－１～ＩＭＤ＿ＡＲ１０－１０の赤色画素値、緑色画素値、青色画素値の各々の平均値を導出する。なお、各色画素値の平均値に代えて、あるいは加えて、各色画素値の最大値、最小値、中央値、分散といった他の代表値を関連データＰＲＤとして導出してもよい。また、図示および詳細な説明は省略するが、運用装置の第２導出部においても、第１導出部１３５と同様に、品質が未知の生産物ＰＲの画像データＩＭＤの各領域ＡＲ１－１～ＡＲ１０－１０の赤色画素値、緑色画素値、青色画素値の各々の平均値が、予測用関連データＰＲＤＦとして導出される。

このように、第２実施形態では、生産物ＰＲを撮影して得られる画像データＩＭＤを物性データＰＤとする。したがって、生産物ＰＲの物性をより容易に捉えることができる。

なお、画像データＩＭＤは、上記第１実施形態のスペクトルデータＳＰＤに代えて物性データＰＤとしてもよいし、スペクトルデータＳＰＤに加えて物性データＰＤとしてもよい。また、物性分析装置１３０は、例示のデジタル光学顕微鏡に限らず、走査型電子顕微鏡（ＳＥＭ；Ｓｃａｎｎｉｎｇ Ｅｌｅｃｔｒｏｎ Ｍｉｃｒｏｓｃｏｐｅ）等でもよい。

多次元物性データは、上記第１実施形態のスペクトルデータＳＰＤ、および上記第２実施形態の画像データＩＭＤに限らない。ヒトの五感である視覚、聴覚、臭覚、触覚、味覚のいずれかに関係する多次元物性データを用いてもよい。例えば生産物ＰＲの触覚データ、生産物ＰＲの生産時の臭気データ、生産物ＰＲの生産時の音声データ等が挙げられる。触覚データの場合は、生産物ＰＲの複数箇所の触感センサの出力を触覚データとし、複数箇所のそれぞれの触覚センサの出力の平均値等を関連データＰＲＤとして導出する。音声データの場合は、生産開始から終了までをマイクで録音して音声データとし、該音声データを複数の区間に分け、複数の区間のそれぞれの周波数の平均値、振幅の平均値等を関連データＰＲＤとして導出する。

［第３実施形態］
図３６～図４３に示す第３実施形態では、オートエンコーダＡＥに物性データＰＤとしての入力画像データＩＩＭＤを与えて出力画像データＯＩＭＤを出力させ、オートエンコーダＡＥに与えた入力画像データＩＩＭＤと出力画像データＯＩＭＤとの差分データＤＤに基づいて関連データＰＲＤを導出する。

図３６において、第３実施形態の第１導出部１４０は、オートエンコーダＡＥを用いて物性データＰＤとしての入力画像データＩＩＭＤから関連データＰＲＤを導出する。すなわち、第１導出部１４０は、本開示の技術に係る「導出部」の一例である。なお、以下では、本開示の技術に係る「多次元物性データ」の一例であるスペクトルＳＰの画像データＳＰＩＭＤを入力画像データＩＩＭＤとして用いた場合を説明する。

オートエンコーダＡＥは、入力画像データＩＩＭＤを解析する複数の階層を有し、階層毎に、入力画像データＩＩＭＤに含まれる空間周波数の周波数帯域が異なる特徴を抽出する、畳み込みニューラルネットワークで構成された階層型の機械学習モデルである。畳み込みニューラルネットワークは、例えばＵ－Ｎｅｔ（Ｕ－Ｓｈａｐｅｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＳｅｇＮｅｔ等である。

図３７に示すように、オートエンコーダＡＥは、エンコーダネットワーク１４５とデコーダネットワーク１４６とで構成される。エンコーダネットワーク１４５は、階層毎に、フィルタＦ（図３８参照）を用いた畳み込み演算を行って、画像特徴マップＣＭＰを抽出する畳み込み処理を行う。デコーダネットワーク１４６は、エンコーダネットワーク１４５の最下位階層から出力された最小の画像特徴マップＣＭＰの画像サイズを段階的に拡大する。そして、段階的に拡大された画像特徴マップＣＭＰと、エンコーダネットワーク１４５の各階層で出力された画像特徴マップＣＭＰとを結合して、入力画像データＩＩＭＤと同じ画像サイズの出力画像データＯＩＭＤを生成する。

エンコーダネットワーク１４５の各階層には、二次元に配列された複数の画素値をもつ入力データＤＩ（図３８参照）が入力される。エンコーダネットワーク１４５は、各階層において、入力データＤＩに対して畳み込み処理を行って画像特徴マップＣＭＰを抽出する。エンコーダネットワーク１４５の最上位の第１階層には、入力データＤＩとして入力画像データＩＩＭＤが入力される。第１階層は、入力画像データＩＩＭＤに畳み込み処理を行って、例えば、入力画像データＩＩＭＤと同じ画像サイズの画像特徴マップＣＭＰを出力する。第２階層以下では、入力データＤＩとして、上位の各階層で出力された画像特徴マップＣＭＰが入力される。第２階層以下では、画像特徴マップＣＭＰに対して畳み込み処理が行われて、例えば、入力された画像特徴マップＣＭＰと同じ画像サイズの画像特徴マップＣＭＰが出力される。

図３８において、畳み込み処理は、入力データＤＩに例えば３×３のフィルタＦを適用して、入力データＤＩ内の注目画素Ｉｐの画素値ｅと、注目画素Ｉｐに隣接する８個の画素Ｉｓの画素値ａ、ｂ、ｃ、ｄ、ｆ、ｇ、ｈ、ｉを畳み込むことにより、入力データＤＩと同様に、二次元状に画素値が配列された出力データＤＩｃを得る処理である。フィルタＦの係数をｒ、ｓ、ｔ、ｕ、ｖ、ｗ、ｘ、ｙ、ｚとした場合、注目画素Ｉｐに対する畳み込み演算の結果である、出力データＤＩｃの画素Ｉｃｐの画素値ｋは、例えば下記の（式２）を計算することで得られる。
ｋ＝ａｚ＋ｂｙ＋ｃｘ＋ｄｗ＋ｅｖ＋ｆｕ＋ｇｔ＋ｈｓ＋ｉｒ・・・（式２）

畳み込み処理では、入力データＤＩの各画素に対して上記のような畳み込み演算を行い、画素値ｋを出力する。こうして、二次元状に配列された画素値ｋをもつ出力データＤＩｃが出力される。出力データＤＩｃは、１個のフィルタＦに対して１つ出力される。種類が異なる複数のフィルタＦが使用された場合は、フィルタＦ毎に出力データＤＩｃが出力される。

図３９に示すように、出力データＤＩｃは、二次元状に画素値ｋが配列されたデータであり、幅と高さをもつ。また、種類が異なる複数のフィルタＦを適用して、複数の出力データＤＩｃが出力された場合は、画像特徴マップＣＭＰは、複数の出力データＤＩｃの集合になる。画像特徴マップＣＭＰにおいて、フィルタＦの数はチャンネル数と呼ばれる。図３９に示す画像特徴マップＣＭＰは、４個のフィルタＦを適用して出力された４つの出力データＤＩｃを有する、４チャンネルの画像特徴マップＣＭＰの例である。

図４０に示すように、オートエンコーダＡＥは、スペクトルデータＳＰＤの複数の区間ＩＮＴ１～ＩＮＴ２０毎に用意（オートエンコーダＡＥ＿ＩＮＴ１～ＡＥ＿ＩＮＴ２０）されている。各オートエンコーダＡＥ＿ＩＮＴ１～ＡＥ＿ＩＮＴ２０は、各区間ＩＮＴ１～ＩＮＴ２０のスペクトルＳＰの画像データＳＰＩＭＤ＿ＩＮＴ１～ＳＰＩＭＤ＿ＩＮＴ２０に特化したものである。なお、以下の説明では、オートエンコーダＡＥ＿ＩＮＴ１～ＡＥ＿ＩＮＴ２０をまとめてオートエンコーダＡＥと表記する場合がある。

図４１に示すように、オートエンコーダＡＥには、品質が予め設定されたレベルよりも良好な生産物ＰＲのスペクトルＳＰの画像データＳＰＩＭＤが、学習用入力画像データＩＩＭＤＬとして与えられる。そして、オートエンコーダＡＥは、学習用入力画像データＩＩＭＤＬと学習用出力画像データＯＩＭＤＬが一致するよう学習される。すなわち、オートエンコーダＡＥは、品質が予め設定されたレベルよりも良好な生産物ＰＲのスペクトルＳＰの画像データＳＰＩＭＤが入力画像データＩＩＭＤとして入力された場合に、理想的には、入力画像データＩＩＭＤのスペクトルＳＰと形状が同じスペクトルＳＰをもつ出力画像データＯＩＭＤを出力する。なお、予め設定されたレベルとは、例えば、分子量分散度が１．５以上、分子量が２５０００以上等である。

図４１では、各オートエンコーダＡＥ＿ＩＮＴ１～ＡＥ＿ＩＮＴ２０のうちのオートエンコーダＡＥ＿ＩＮＴ１を例示している。このため、学習用入力画像データＩＩＭＤＬは、区間ＩＮＴ１のスペクトルＳＰの画像データＳＰＩＭＤ＿ＩＮＴ１である。

図４２に示すように、第１導出部１４０は、スペクトルＳＰの画像データＳＰＩＭＤを入力画像データＩＩＭＤとしてオートエンコーダＡＥに与えて、出力画像データＯＩＭＤを出力させる。次いで、第１導出部１４０は、入力画像データＩＩＭＤと出力画像データＯＩＭＤとの差分データＤＤを算出する。具体的には、第１導出部１４０は、各区間ＩＮＴ１～ＩＮＴ２０のそれぞれについて、入力画像データＩＩＭＤと出力画像データＯＩＭＤの各波数における強度の差分を、差分データＤＤとして算出する。

図４２では、図４１と同様に、オートエンコーダＡＥ＿ＩＮＴ１のみを図示している。オートエンコーダＡＥ＿ＩＮＴ１には、入力画像データＩＩＭＤとして、区間ＩＮＴ１のスペクトルＳＰの画像データＳＰＩＭＤ＿ＩＮＴ１が与えられる。そして、入力画像データＩＩＭＤと、オートエンコーダＡＥ＿ＩＮＴ１の出力画像データＯＩＭＤとに基づいて、区間ＩＮＴ１の差分データＤＤ＿ＩＮＴ１が算出される。

ここで、オートエンコーダＡＥは、図４１で示したように、品質が予め設定されたレベルよりも良好な生産物ＰＲのスペクトルＳＰの画像データＳＰＩＭＤが、学習用入力画像データＩＩＭＤＬとして与えられて学習されたものである。このため、入力画像データＩＩＭＤの出所である生産物ＰＲの品質が、予め設定されたレベルよりも良好であったならば、入力画像データＩＩＭＤと略同じ出力画像データＯＩＭＤがオートエンコーダＡＥから出力される。したがって、強度の差分は比較的小さくなる。逆に、生産物ＰＲの品質が、予め設定されたレベル以下であったならば、入力画像データＩＩＭＤとは異なる出力画像データＯＩＭＤがオートエンコーダＡＥから出力される。したがって、強度の差分は比較的大きくなる。すなわち、差分データＤＤによれば、生産物ＰＲの品質が予め設定されたレベルよりも良好か否かが分かる。

図４３に示すように、第１導出部１４０は、各区間ＩＮＴ１～ＩＮＴ２０の差分データＤＤ＿ＩＮＴ１、ＤＤ＿ＩＮＴ２、・・・、ＤＤ＿ＩＮＴ２０のそれぞれについて、関連データＰＲＤ＿ＩＮＴ１、ＰＲＤ＿ＩＮＴ２、・・・、ＰＲＤ＿ＩＮＴ２０を導出する。具体的には、第１導出部１４０は、関連データＰＲＤ＿ＩＮＴ１～ＰＲＤ＿ＩＮＴ２０として、各区間ＩＮＴ１～ＩＮＴ２０の強度の差分の平均値および総和を導出する。なお、強度の差分の平均値および総和に代えて、あるいは加えて、強度の差分の最大値、最小値、中央値、分散といった他の代表値を、関連データＰＲＤとして導出してもよい。また、図示および詳細な説明は省略するが、運用装置の第２導出部においても、第１導出部１４０と同様に、品質が未知の生産物ＰＲのスペクトルＳＰの画像データＳＰＩＭＤの各区間ＩＮＴ１～ＩＮＴ２０の強度の差分の平均値および総和が、予測用関連データＰＲＤＦとして導出される。

このように、第３実施形態では、第１導出部１４０において、オートエンコーダＡＥに物性データＰＤとしての入力画像データＩＩＭＤを与えて出力画像データＯＩＭＤを出力させ、オートエンコーダＡＥに与えた入力画像データＩＩＭＤと出力画像データＯＩＭＤとの差分データＤＤに基づいて関連データＰＲＤを導出する。このため、上記第１実施形態で例示した、平均値、最大値、最小値、中央値、分散、歪度、尖度といった強度の代表値よりも、生産物ＰＲの物性を的確に表した数値（ここでは強度の差分の平均値および総和）を、関連データＰＲＤとして導出することができる。したがって、学習済みモデルＴＭの予測の精度をより向上させることができる。

なお、差分データＤＤに基づく関連データＰＲＤは、上記第１実施形態の平均値、最大値、最小値、中央値、分散、歪度、尖度といった強度の代表値に代えて用いてもよいし、加えて用いてもよい。

入力画像データＩＩＭＤは例示したスペクトルＳＰの画像データＳＰＩＭＤに限らない。スペクトルＳＰの画像データＳＰＩＭＤに代えて、あるいは加えて、上記第２実施形態の、生産物ＰＲを撮影して得られる画像データＩＭＤを入力画像データＩＩＭＤとしてもよい。この場合、オートエンコーダＡＥは、画像データＩＭＤの領域ＡＲ毎に用意される。

［第４実施形態］
図４４に示す第４実施形態では、オートエンコーダＡＥの一部であるエンコーダネットワーク１５５から出力された画像特徴マップＣＭＰに基づいて関連データＰＲＤを導出する。すなわち、画像特徴マップＣＭＰは、本開示の技術に係る「特徴データ」の一例である。

図４４において、第４実施形態の第１導出部１５０は、上記第３実施形態と同じく、物性データＰＤであるスペクトルＳＰの画像データＳＰＩＭＤを、入力画像データＩＩＭＤとしてオートエンコーダＡＥに与える。そして、オートエンコーダＡＥのエンコーダネットワーク１５５から画像特徴マップＣＭＰを出力させる。画像特徴マップＣＭＰは、例えば、エンコーダネットワーク１５５の最下位階層から出力された最小の画像特徴マップＣＭＰである。なお、第４実施形態のオートエンコーダＡＥは、上記第３実施形態のオートエンコーダＡＥと同じく、スペクトルデータＳＰＤの複数の区間ＩＮＴ１～ＩＮＴ２０毎に用意されている。ただし、第４実施形態のオートエンコーダＡＥは、上記第３実施形態のオートエンコーダＡＥとは異なり、品質のレベルに関係なく、種々の生産物ＰＲのスペクトルＳＰの画像データＳＰＩＭＤが学習用入力画像データＩＩＭＤＬとして与えられて学習されたものである。

第１導出部１５０は、画像特徴マップＣＭＰに基づいて関連データＰＲＤを導出する。図４４では、画像特徴マップＣＭＰが、チャンネル１（Ｃｈ１）の出力データＤＩｃ、チャンネル２（Ｃｈ２）の出力データＤＩｃ、チャンネル３（Ｃｈ３）の出力データＤＩｃ、チャンネル４（Ｃｈ４）の出力データＤＩｃで構成されていた場合を例示している。そして、第１導出部１５０により、チャンネル１～チャンネル４の出力データＤＩｃのそれぞれについて、画素値の平均値を関連データＰＲＤとして導出する例を示している。なお、平均値に代えて、あるいは加えて、最大値、最小値、中央値、分散等を関連データＰＲＤとして導出してもよい。また、図示および詳細な説明は省略するが、運用装置の第２導出部においても、第１導出部１５０と同様に、品質が未知の生産物ＰＲのスペクトルＳＰの画像データＳＰＩＭＤの各区間ＩＮＴ１～ＩＮＴ２０の画像特徴マップＣＭＰの出力データＤＩｃの画素値の平均値が、予測用関連データＰＲＤＦとして導出される。

図４４では、オートエンコーダＡＥ＿ＩＮＴ１のみを図示している。オートエンコーダＡＥ＿ＩＮＴ１には、入力画像データＩＩＭＤとして、区間ＩＮＴ１のスペクトルＳＰの画像データＳＰＩＭＤ＿ＩＮＴ１が与えられる。第１導出部１５０は、オートエンコーダＡＥ＿ＩＮＴ１のエンコーダネットワーク１５５の画像特徴マップＣＭＰから、区間ＩＮＴ１の関連データＰＲＤ＿ＩＮＴ１を導出する。なお、図示および説明は省略するが、他の区間ＩＮＴ２～ＩＮＴ２０についても、オートエンコーダＡＥ＿ＩＮＴ２～ＡＥ＿ＩＮＴ２０のエンコーダネットワーク１５５の画像特徴マップＣＭＰから、関連データＰＲＤ＿ＩＮＴ２～ＰＲＤ＿ＩＮＴ２０が導出される。

このように、第４実施形態では、オートエンコーダＡＥのエンコーダネットワーク１５５から出力された画像特徴マップＣＭＰに基づいて関連データＰＲＤを導出する。したがって、上記第３実施形態と同様に、生産物ＰＲの物性を的確に表した数値（ここでは出力データＤＩｃの画素値の平均値）を、関連データＰＲＤとして導出することができ、学習済みモデルＴＭの予測の精度をより向上させることができる。

画像特徴マップＣＭＰは、エンコーダネットワーク１５５の最下位階層以外の階層から出力されたものであってもよい。

なお、画像特徴マップＣＭＰに基づく関連データＰＲＤは、上記第１実施形態の平均値、最大値、最小値、中央値、分散、歪度、尖度といった強度の代表値に代えて用いてもよいし、加えて用いてもよい。また、画像特徴マップＣＭＰに基づく関連データＰＲＤは、上記第３実施形態の差分データＤＤに基づく関連データＰＲＤに代えて用いてもよいし、加えて用いてもよい。

第４実施形態においても上記第３実施形態と同じく、入力画像データＩＩＭＤは例示したスペクトルＳＰの画像データＳＰＩＭＤに限らない。スペクトルＳＰの画像データＳＰＩＭＤに代えて、あるいは加えて、上記第２実施形態の、生産物ＰＲを撮影して得られる画像データＩＭＤを入力画像データＩＩＭＤとしてもよい。この場合、オートエンコーダＡＥは、画像データＩＭＤの領域ＡＲ毎に用意される。

スペクトルデータＳＰＤを分ける区間ＩＮＴは、互いにオーバーラップしていてもよい。同様に、画像データＩＭＤを分ける領域ＡＲも、互いにオーバーラップしていてもよい。

生産物ＰＲは、フロー合成法を用いて生産されたものに限らない。例えばバッチ合成法を用いて生産されたものでもよい。

なお、上記各実施形態では、フロー反応装置１３の設定部２５で受け付けられた生産条件を、生産条件データＰＣＤとしているが、これに限らない。第１流速センサ３５、第２流速センサ３６、第３流速センサ３７、温度センサ３８、第１流速センサ５１、第２流速センサ５２、第３流速センサ５３、および第４流速センサ５４で検出した実測値を、生産条件データＰＣＤとしてもよい。

上記各実施形態では、品質予測データＱＦＤの出力形態として、品質予測表示画面１２０を例示したが、これに限らない。品質予測表示画面１２０に代えて、あるいは加えて、品質予測データＱＦＤを紙媒体に印刷出力する形態、品質予測データＱＦＤをデータファイルとして出力する形態を採用してもよい。

なお、機械学習モデルＭとしては、線形回帰、ガウス過程回帰、サポートベクター回帰、決定木、アンサンブル法、バギング法、ブースティング法、勾配ブースティング法等を用いたものがある。また、単純パーセプトロン、多層パーセプトロン、ディープニューラルネットワーク、畳み込みニューラルネットワーク、ディープビリーフネットワーク、リカレントニューラルネットワーク、確率的ニューラルネットワーク等を用いたものがある。上記で例示したうちのいずれの機械学習モデルＭを用いるかは特に制限はなく、任意の手法の機械学習モデルＭを選択することができる。

アンサンブル法としてはランダムフォレストが挙げられる。ランダムフォレストは、周知のように、ランダムサンプリングされた学習データとランダムに選択された説明変数を用いることにより、相関の低い決定木群を複数作成し、それらの予測結果を統合および平均させることで予測の精度の向上を図る。この場合の機械学習モデルＭの制御パラメータとしては、選択する説明変数の数や決定木の分岐数がある。

ディープニューラルネットワークは、比較的制御パラメータの数が多く柔軟な組み合わせも可能であるため、多様なデータ構成に対して高い予測性能を発揮することができる。制御パラメータとしては、ネットワークのレイヤー数やノード数、活性化関数の種類、ドロップアウトの割合、ミニバッチサイズ、エポック数、学習率等がある。

こうした機械学習モデルＭは、実行フレームワークが複数存在し、その中から適宜選択することができる。例えば、Ｔｅｎｓｏｒｆｌｏｗ、ＣＮＴＫ（Ｃｏｇｎｉｔｉｖｅ Ｔｏｏｌｋｉｔ）、Ｔｈｅａｎｏ、Ｃａｆｆｅ、ｍｘｎｅｔ、Ｋｅｒａｓ、ＰｙＴｏｒｃｈ、Ｃｈａｉｎｅｒ、Ｓｃｉｋｉｔ－ｌｅａｒｎ、Ｃａｒｅｔ、ＭＡＴＬＡＢ（登録商標）等から選択することができる。

機械学習システム２を構成するコンピュータのハードウェア構成は種々の変形が可能である。例えば、学習装置１０と運用装置１１とを統合して、１台のコンピュータで構成してもよい。また、学習装置１０および運用装置１１のうちの少なくともいずれかを、処理能力および信頼性の向上を目的として、ハードウェアとして分離された複数台のコンピュータで構成することも可能である。例えば、学習装置１０の第１導出部７６の機能と、学習部７７の機能と、抽出部７８の機能とを、３台のコンピュータに分散して担わせる。この場合は３台のコンピュータで学習装置１０を構成する。

このように、機械学習システム２のコンピュータのハードウェア構成は、処理能力、安全性、信頼性等の要求される性能に応じて適宜変更することができる。さらに、ハードウェアに限らず、第１作動プログラム７０、第２作動プログラム１１０等のアプリケーションプログラムについても、安全性および信頼性の確保を目的として、二重化したり、あるいは、複数のストレージデバイスに分散して格納することももちろん可能である。

上記各実施形態において、例えば、第１ＲＷ制御部７５、第１導出部７６、１３５、１４０、１５０、学習部７７（第１処理部８５、評価部８６、更新部８７）、抽出部７８（第２処理部９０、第３処理部９１、算出部９２、判定部９３）、送信制御部７９、第２ＲＷ制御部１１５、第２導出部１１６、第４処理部１１７、表示制御部１１８といった各種の処理を実行する処理部（Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）のハードウェア的な構造としては、次に示す各種のプロセッサ（Ｐｒｏｃｅｓｓｏｒ）を用いることができる。各種のプロセッサには、上述したように、ソフトウェア（第１作動プログラム７０、第２作動プログラム１１０）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵ６２Ａ、６２Ｂに加えて、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ:ＰＬＤ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。

１つの処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種または異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせ、および／または、ＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。

複数の処理部を１つのプロセッサで構成する例としては、第１に、クライアントおよびサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（Ｓｙｓｔｅｍ Ｏｎ Ｃｈｉｐ:ＳｏＣ）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。

さらに、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子等の回路素子を組み合わせた電気回路（ｃｉｒｃｕｉｔｒｙ）を用いることができる。

以上の記載から、以下の付記項１、２に記載の発明を把握することができる。

［付記項１］
生産物の品質を予測する機械学習モデルに与える学習用入力データであり、前記生産物の物性を表す多次元物性データから導出された、複数の項目を有する多次元物性関連データを含む学習用入力データを取得する第１取得プロセッサと、
前記学習用入力データを前記機械学習モデルに与えて学習させ、仮の機械学習モデルを出力する仮学習プロセッサと、
前記仮の機械学習モデルを用いて、前記多次元物性関連データの前記複数の項目の中から、前記品質の予測の精度の向上に寄与する程度が予め設定された条件を満たす高寄与項目を抽出する抽出プロセッサと、
前記高寄与項目の前記多次元物性関連データを選択的に前記機械学習モデルに与えて学習させ、前記機械学習モデルを実際の運用に供する学習済みモデルとして出力する本学習プロセッサと、
を備える学習装置。

［付記項２］
付記項１に記載の学習装置の前記本学習プロセッサから出力された前記学習済みモデルを取得する第２取得プロセッサと、
品質が未知の生産物の予測用多次元物性関連データを取得する第３取得プロセッサと、
前記第２取得プロセッサにおいて取得した前記学習済みモデルに、前記第３取得プロセッサにおいて取得した前記予測用多次元物性関連データを与えて前記品質を予測させる処理プロセッサと、
前記学習済みモデルによる前記品質の予測結果を出力する制御を行う出力制御プロセッサと、
を備える運用装置。

本開示の技術は、上述の種々の実施形態と種々の変形例を適宜組み合わせることも可能である。また、上記各実施形態に限らず、要旨を逸脱しない限り種々の構成を採用し得ることはもちろんである。さらに、本開示の技術は、プログラムに加えて、プログラムを非一時的に記憶する記憶媒体にもおよぶ。

以上に示した記載内容および図示内容は、本開示の技術に係る部分についての詳細な説明であり、本開示の技術の一例に過ぎない。例えば、上記の構成、機能、作用、および効果に関する説明は、本開示の技術に係る部分の構成、機能、作用、および効果の一例に関する説明である。よって、本開示の技術の主旨を逸脱しない範囲内において、以上に示した記載内容および図示内容に対して、不要な部分を削除したり、新たな要素を追加したり、置き換えたりしてもよいことはいうまでもない。また、錯綜を回避し、本開示の技術に係る部分の理解を容易にするために、以上に示した記載内容および図示内容では、本開示の技術の実施を可能にする上で特に説明を要しない技術常識等に関する説明は省略されている。

本明細書において、「Ａおよび／またはＢ」は、「ＡおよびＢのうちの少なくとも１つ」と同義である。つまり、「Ａおよび／またはＢ」は、Ａだけであってもよいし、Ｂだけであってもよいし、ＡおよびＢの組み合わせであってもよい、という意味である。また、本明細書において、３つ以上の事柄を「および／または」で結び付けて表現する場合も、「Ａおよび／またはＢ」と同様の考え方が適用される。

本明細書に記載された全ての文献、特許出願および技術規格は、個々の文献、特許出願および技術規格が参照により取り込まれることが具体的かつ個々に記された場合と同程度に、本明細書中に参照により取り込まれる。

２ 機械学習システム
１０ 学習装置
１１ 運用装置
１２ ネットワーク
１３ フロー反応装置
１４、１３０ 物性分析装置
１５ 品質評価装置
２０ 第１原料供給部
２１ 第２原料供給部
２２、４５ 反応セクション
２３ 温度調節部
２４ 回収廃棄セクション
２５ 設定部
２６ システムコントローラ
３０、４６ 合流部
３１ 反応部
３２～３４ 第１管部～第３管部
３５～３７ 第１流速センサ～第３流速センサ
３８ 温度センサ
４０ 回収部
４１ 廃棄部
４２ 三方弁
４７～５０ 第１管部～第４管部
５１～５４ 第１流速センサ～第４流速センサ
６０、６０Ａ、６０Ｂ ストレージデバイス
６１ メモリ
６２、６２Ａ、６２Ｂ ＣＰＵ
６３ 通信部
６４、６４Ｂ ディスプレイ
６５、６５Ｂ 入力デバイス
６６ バスライン
７０ 第１作動プログラム（学習装置の作動プログラム）
７５ 第１リードライト制御部（第１ＲＷ制御部、第１取得部）
７６、１３５、１４０、１５０ 第１導出部（導出部）
７７ 学習部（仮学習部、本学習部）
７８ 抽出部
７９ 送信制御部
８５ 第１処理部
８６ 評価部
８７ 更新部
９０ 第２処理部
９１ 第３処理部
９２ 算出部
９３ 判定部
１００ 変換表
１１０ 第２作動プログラム
１１５ 第２リードライト制御部（第２ＲＷ制御部、第２取得部、第３取得部）
１１６ 第２導出部
１１７ 第４処理部（処理部）
１１８ 表示制御部（出力制御部）
１２０ 品質予測表示画面
１２１ ＯＫボタン
１２５ 表
１４５、１５５ エンコーダネットワーク
１４６ デコーダネットワーク
ＡＥ オートエンコーダ
ＡＲ 領域
ＣＩ 寄与度情報
ＣＭＰ 画像特徴マップ
ＤＤ 差分データ
ＤＩ オートエンコーダの入力データ
ＤＩｃ オートエンコーダの出力データ
Ｆ フィルタ
ＨＣＩＩ 高寄与項目情報
Ｉｃｐ 出力データの画素
ＩＤＬ 学習用入力データ
ＩＩＭＤ 入力画像データ
ＩＩＭＤＬ 学習用入力画像データ
ＩＭＤ 画像データ
ＩＮＴ 区間
Ｉｐ 注目画素
Ｉｓ 隣接する画素
Ｌ 反応路長
Ｍ 機械学習モデル
Ｍ１、Ｍ２ 第１機械学習モデル、第２機械学習モデル
ＯＤＬ 学習用出力データ
ＯＩＭＤ 出力画像データ
ＯＩＭＤＬ 学習用出力画像データ
ＰＣＤ 生産条件データ
ＰＣＤＦ 予測用生産条件データ
ＰＤ 物性データ
ＰＤＦ 予測用物性データ
ＰＭ 仮の機械学習モデル
ＰＯＤ 仮の出力データ
ＰＯＤＥ 抽出用仮の出力データ
ＰＲ 生産物
ＰＲＤ 物性関連データ（関連データ）
ＰＲＤＥ 抽出用物性関連データ（抽出用関連データ）
ＰＲＤＦ 予測用物性関連データ（予測用関連データ）
ＱＤ 品質データ
ＱＦＤ 品質予測データ
ＲＭ 原料
ＲＭ１、ＲＭ２ 第１原料、第２原料
ＳＣ 設定条件
ＳＰ スペクトル
ＳＰＤ スペクトルデータ
ＳＰＩＭＤ スペクトルの画像データ
ＳＴ１００、ＳＴ２００、ＳＴ３００、ＳＴ５００、ＳＴ６００、ＳＴ７００、ＳＴ８００ ステップ
ＳＴ１００１～ＳＴ１００６ ステップ（仮学習ステップ）
ＳＴ２００１～ＳＴ２００６ ステップ（抽出ステップ）
ＳＴ３００１～ＳＴ３００６ ステップ（本学習ステップ）
ＴＭ 学習済みモデル
Φ 反応路径

Claims (13)

1. 生産物の品質を予測する機械学習モデルに与える学習用入力データであり、前記生産物の物性を表す多次元物性データから導出された、複数の項目を有する多次元物性関連データ、および、前記生産物の生産工程において設定された生産条件データを含む学習用入力データを取得する第１取得部と、
   前記学習用入力データを前記機械学習モデルに与えて学習させ、仮の機械学習モデルを出力する仮学習部と、
   前記仮の機械学習モデルを用いて、前記多次元物性関連データの前記複数の項目の中から、前記品質の予測の精度の向上に寄与する程度が予め設定された条件を満たす高寄与項目を抽出する抽出部と、
   前記高寄与項目の前記多次元物性関連データを選択的に前記機械学習モデルに与えて学習させ、前記機械学習モデルを実際の運用に供する学習済みモデルとして出力する本学習部と、
   を備える学習装置。
2. 前記多次元物性データは、前記生産物を分光分析して検出されたスペクトルデータを含む請求項１または請求項１に記載の学習装置。
3. 前記多次元物性関連データは、前記スペクトルデータを分けた複数の区間のそれぞれについて導出した強度の代表値である請求項２に記載の学習装置。
4. 前記多次元物性データは、前記生産物を撮影して得られる画像データを含む請求項１から請求項３のいずれか１項に記載の学習装置。
5. 前記生産物は、フロー合成法を用いて生産されたものである請求項１から請求項４のいずれか１項に記載の学習装置。
6. 前記多次元物性データにオートエンコーダの少なくとも一部を適用して、前記多次元物性関連データを導出する導出部を備える請求項１から請求項５のいずれか１項に記載の学習装置。
7. 前記オートエンコーダは、前記品質が予め設定されたレベルよりも良好な前記生産物の前記多次元物性データを与えられて学習されたものであり、
   前記導出部は、前記オートエンコーダに前記多次元物性データを与えて出力データを出力させ、前記オートエンコーダに与えた前記多次元物性データと前記出力データとの差分データに基づいて前記多次元物性関連データを導出する請求項６に記載の学習装置。
8. 前記導出部は、前記オートエンコーダに前記多次元物性データを与えて、前記オートエンコーダのエンコーダネットワークから特徴データを出力させ、前記特徴データに基づいて前記多次元物性関連データを導出する請求項６または請求項７に記載の学習装置。
9. 前記多次元物性データは、前記生産物を分光分析して検出されたスペクトルデータで表されるスペクトルの画像データを含む請求項６から請求項８のいずれか１項に記載の学習装置。
10. 前記導出部は、前記スペクトルデータを分けた複数の区間のそれぞれについて前記多次元物性関連データを導出する請求項９に記載の学習装置。
11. 請求項１から請求項１０のいずれか１項に記載の学習装置の前記本学習部から出力された前記学習済みモデルを取得する第２取得部と、
    品質が未知の生産物の予測用多次元物性関連データ、および、前記品質が未知の生産物の生産工程において設定された予測用生産条件データを取得する第３取得部と、
    前記第２取得部において取得した前記学習済みモデルに、前記第３取得部において取得した、前記品質が未知の生産物の前記予測用多次元物性関連データおよび前記予測用生産条件データを与えて前記品質を予測させる処理部と、
    前記学習済みモデルによる前記品質の予測結果を出力する制御を行う出力制御部と、を備える運用装置。
12. 生産物の品質を予測する機械学習モデルに与える学習用入力データであり、前記生産物の物性を表す多次元物性データから導出された、複数の項目を有する多次元物性関連データ、および、前記生産物の生産工程において設定された生産条件データを含む学習用入力データを取得する第１取得ステップと、
    前記学習用入力データを前記機械学習モデルに与えて学習させ、仮の機械学習モデルを出力する仮学習ステップと、
    前記仮の機械学習モデルを用いて、前記多次元物性関連データの前記複数の項目の中から、前記品質の予測の精度の向上に寄与する程度が予め設定された条件を満たす高寄与項目を抽出する抽出ステップと、
    前記高寄与項目の前記多次元物性関連データを選択的に前記機械学習モデルに与えて学習させ、前記機械学習モデルを実際の運用に供する学習済みモデルとして出力する本学習ステップと、
    を備える学習装置の作動方法。
13. 生産物の品質を予測する機械学習モデルに与える学習用入力データであり、前記生産物の物性を表す多次元物性データから導出された、複数の項目を有する多次元物性関連データ、および、前記生産物の生産工程において設定された生産条件データを含む学習用入力データを取得する第１取得部と、
    前記学習用入力データを前記機械学習モデルに与えて学習させ、仮の機械学習モデルを出力する仮学習部と、
    前記仮の機械学習モデルを用いて、前記多次元物性関連データの前記複数の項目の中から、前記品質の予測の精度の向上に寄与する程度が予め設定された条件を満たす高寄与項目を抽出する抽出部と、
    前記高寄与項目の前記多次元物性関連データを選択的に前記機械学習モデルに与えて学習させ、前記機械学習モデルを実際の運用に供する学習済みモデルとして出力する本学習部として、
    コンピュータを機能させる学習装置の作動プログラム。