WO2020184240A1 - データ生成装置および方法、並びに学習装置および方法 - Google Patents

データ生成装置および方法、並びに学習装置および方法 Download PDF

Info

Publication number
WO2020184240A1
WO2020184240A1 PCT/JP2020/008589 JP2020008589W WO2020184240A1 WO 2020184240 A1 WO2020184240 A1 WO 2020184240A1 JP 2020008589 W JP2020008589 W JP 2020008589W WO 2020184240 A1 WO2020184240 A1 WO 2020184240A1
Authority
WO
WIPO (PCT)
Prior art keywords
reaction
condition
neural network
result
data set
Prior art date
Application number
PCT/JP2020/008589
Other languages
English (en)
French (fr)
Inventor
昌孝 長谷川
Original Assignee
富士フイルム株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 富士フイルム株式会社 filed Critical 富士フイルム株式会社
Priority to EP20769853.1A priority Critical patent/EP3936224A4/en
Priority to JP2021504931A priority patent/JP7098821B2/ja
Priority to CN202080019523.4A priority patent/CN113543874B/zh
Publication of WO2020184240A1 publication Critical patent/WO2020184240A1/ja
Priority to US17/407,770 priority patent/US20210390369A1/en

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J19/0006—Controlling or regulating processes
    • B01J19/0033—Optimalisation processes, i.e. processes with adaptive control systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J2219/00049—Controlling or regulating processes
    • B01J2219/00243—Mathematical modelling

Definitions

  • the present disclosure relates to a data generation device and method, and a learning device and method.
  • the continuous reaction is called a flow reaction because it reacts while flowing the raw materials.
  • the flow reaction treatment the reaction is carried out continuously, so that the product can be easily obtained with uniform properties. Further, the flow reaction process has an advantage that the productivity is higher than that of the batch method.
  • Patent Document 1 data under an abnormal state of each measuring instrument of a chemical reaction apparatus is calculated by a neural network that has been learned and stored in advance in a program. Then, when this calculated value deviates from the set normal permissible band value, the abnormal reaction is controlled by outputting an abnormal signal to the neurocontroller and sending a correction control signal to each part of the chemical reaction apparatus. As a result, the abnormal state of the chemical reaction apparatus is detected immediately, and quick and accurate control is performed.
  • Patent Document 2 describes a technique for calculating prediction items by applying a created prediction model to an unknown sample as a method for predicting the physical properties of a compound. This technique calculates the similarity between the unknown sample and each training sample based on a plurality of parameter values acquired for the unknown sample and the individual learning sample, and obtains a learning sample having a similarity equal to or higher than a preset threshold value. It is taken out to form a subsample set. Then, the data analysis of the subsample set is performed to create a prediction model, and this prediction model is applied to an unknown sample to calculate the prediction items. Further, in Patent Document 3, the flow reaction is controlled by using a genetic algorithm, thereby producing a target product.
  • the flow reaction process reacts while flowing the raw materials, it is usually more difficult to find the optimum reaction conditions than the batch type reaction process. This is because the flow reaction has conditional parameters such as flow velocity or flow rate that are unique to the flow reaction.
  • Such a flow reaction with many condition parameters requires a lot of trials and time for setting conditions before starting a new reaction process, and is particularly remarkable in a condition search in a new reaction system. Further, even if one of a plurality of conditional parameters must be changed for some reason, it is not easy to determine which of the other conditional parameters should be changed. Therefore, it is conceivable to set more preferable conditions by learning the neural network using the data whose reaction result is known as the learning data.
  • the data generator according to the present disclosure is a neural network in which a plurality of layers are connected by a plurality of connection weights in a process for producing a product, which outputs a production result corresponding to the process condition when a process condition is input.
  • a data generator that generates a dataset consisting of multiple training data for training a network.
  • a process condition setting unit that sets a plurality of process conditions of 2 ⁇ M0 or more when the total number of connection weights of the neural network is M0.
  • a production result acquisition unit that acquires production results corresponding to each of a plurality of process conditions, which is derived by producing a product under each of a plurality of process conditions. It includes a generation unit that generates a plurality of learning data consisting of each of a plurality of process conditions and production results corresponding to each process condition as a data set.
  • the process condition setting unit may set a plurality of process conditions of 2 ⁇ M0 or more and 10 ⁇ M0 or less.
  • the process condition setting unit may set the upper limit and the lower limit of the process condition.
  • the process may be a flow reaction process in which the raw materials are reacted while flowing the raw materials to produce a product.
  • the first learning device In the process for producing a product, the first learning device according to the present disclosure outputs a production result corresponding to a process condition when a process condition is input. A plurality of layers are combined by a plurality of binding weights. It is a learning device that learns a neural network. Using the data set generated by the data generator of the present disclosure, a first calculation unit that performs a first calculation for deriving the connection weight of the neural network, and a first calculation unit. Prediction data that associates the process condition with the prediction result by calculating the prediction result for each process condition of the condition data set having multiple process conditions whose production result is unknown using the neural network in which the connection weight is calculated.
  • a second operation that generates a set identifies the prediction result closest to the preset target result among the obtained plurality of prediction results, and extracts the process condition associated with the specified prediction result as the extraction process condition.
  • the second arithmetic unit that performs When the number of data sets is Nj and the number of connection weights of the neural network is Mj, the degree of difference between the production result when the product is produced under the extraction process condition and the prediction result associated with the extraction process condition is Judgment is made as to whether or not it is within the preset allowable range, and if the judgment is denied, the production information associated with the extraction process condition and the production result when produced under the extraction process condition is used as training data.
  • the number Nj of the data set is updated, and the number Mj of the new connection weight of the neural network is updated so that Mj-1 ⁇ Mj ⁇ Nj / 2, and if the judgment is affirmed, , Equipped with a judgment unit that determines the extraction process conditions as the process conditions used in the process.
  • the first operation, the second operation, and the determination are repeated based on the updated data set and the updated neural network with the connection weights until the determination is affirmed.
  • the second learning device In the process for producing a product, the second learning device according to the present disclosure outputs a production result corresponding to a process condition when a process condition is input.
  • a plurality of layers are combined by a plurality of binding weights. It is a learning device that learns a neural network.
  • a first calculation unit that performs a first operation for deriving a connection weight of a neural network using a data set consisting of a plurality of training data consisting of each of a plurality of process conditions and a production result corresponding to each process condition.
  • Prediction data that associates the process condition with the prediction result by calculating the prediction result for each process condition of the condition data set having multiple process conditions whose production result is unknown using the neural network in which the connection weight is calculated.
  • a second operation that generates a set identifies the prediction result closest to the preset target result among the obtained plurality of prediction results, and extracts the process condition associated with the specified prediction result as the extraction process condition.
  • the second arithmetic unit that performs When the number of data sets is Nj and the number of connection weights of the neural network is Mj, the degree of difference between the production result when the product is produced under the extraction process condition and the prediction result associated with the extraction process condition is Judgment is made as to whether or not it is within the preset allowable range, and if the judgment is denied, the production information associated with the extraction process condition and the production result when produced under the extraction process condition is used as training data.
  • the number Nj of the data set is updated, and the number Mj of the new connection weight of the neural network is updated so that Mj-1 ⁇ Mj ⁇ Nj / 2, and if the judgment is affirmed, , Equipped with a judgment unit that determines the extraction process conditions as the process conditions used in the process.
  • the first operation, the second operation, and the determination are repeated based on the updated data set and the updated neural network with the connection weights until the determination is affirmed.
  • the process may be a flow reaction process in which the raw materials are reacted while flowing the raw materials to produce a product.
  • the data generation method is a neural network in which a plurality of layers are connected by a plurality of connection weights in a process for producing a product, which outputs a production result corresponding to the process conditions when a process condition is input.
  • a data generation method that generates a dataset consisting of multiple training data for training a network. When the total number of connection weights of the neural network is M0, a plurality of process conditions of 2 ⁇ M0 or more are set. Obtain the production results corresponding to each of the multiple process conditions, which are derived by producing the product under each of the multiple process conditions.
  • a plurality of training data consisting of each of a plurality of process conditions and production results corresponding to each process condition are generated as a data set.
  • the first learning method is that in a process for producing a product, when a process condition is input, a plurality of layers are connected by a plurality of binding weights to output a production result corresponding to the process condition.
  • a learning method for learning a neural network Using the data set generated by the data generation method of the present disclosure, the first operation for deriving the connection weight of the neural network is performed.
  • Prediction data that associates the process condition with the prediction result by calculating the prediction result for each process condition of the condition data set having multiple process conditions whose production result is unknown using the neural network in which the connection weight is calculated.
  • a second operation that generates a set identifies the prediction result closest to the preset target result among the obtained plurality of prediction results, and extracts the process condition associated with the specified prediction result as the extraction process condition.
  • the degree of difference between the production result when the product is produced under the extraction process conditions and the prediction result associated with the extraction process conditions is Judgment is made as to whether or not it is within the preset allowable range, and if the judgment is denied, the production information that associates the extraction process condition with the production result when produced under the extraction process condition is used as training data.
  • the number Nj of the data set is updated, the number Mj of the new connection weight of the neural network is updated so that Mj-1 ⁇ Mj ⁇ Nj / 2, and if the judgment is affirmed, , Determine the extraction process conditions as the process conditions to be used in the process, The first operation, the second operation, and the determination are repeated based on the updated data set and the updated neural network with the connection weights until the determination is affirmed.
  • the second learning method in the process for producing a product, when a process condition is input, a production result corresponding to the process condition is output, and a plurality of layers are combined by a plurality of binding weights.
  • a learning method for learning a neural network Using a data set consisting of a plurality of training data consisting of each of a plurality of process conditions and a production result corresponding to each process condition, the first operation for deriving the connection weight of the neural network is performed.
  • Prediction data that associates the process condition with the prediction result by calculating the prediction result for each process condition of the condition data set having multiple process conditions whose production result is unknown using the neural network in which the connection weight is calculated.
  • a second operation that generates a set identifies the prediction result closest to the preset target result among the obtained plurality of prediction results, and extracts the process condition associated with the specified prediction result as the extraction process condition.
  • the degree of difference between the production result when the product is produced under the extraction process conditions and the prediction result associated with the extraction process conditions is Judgment is made as to whether or not it is within the preset allowable range, and if the judgment is denied, the production information that associates the extraction process condition with the production result when produced under the extraction process condition is used as training data.
  • the number Nj of the data set is updated, the number Mj of the new connection weight of the neural network is updated so that Mj-1 ⁇ Mj ⁇ Nj / 2, and if the judgment is affirmed, , Determine the extraction process conditions as the process conditions to be used in the process, The first operation, the second operation, and the determination are repeated based on the updated data set and the updated neural network with the connection weights until the determination is affirmed.
  • the conditions of the production process can be set appropriately.
  • Schematic diagram of flow reaction processing equipment Schematic of another flow reactor Schematic block diagram showing the configuration of the data generator Conceptual diagram of the layer structure of the neural network Explanatory diagram of the initial dataset
  • Block diagram showing the configuration of the flow reaction support device
  • Explanatory diagram of conditional data set Explanatory diagram of the forecast data set
  • Explanatory diagram of comparison data Flowchart showing processing performed in this embodiment
  • Flowchart of data generation processing performed in this embodiment The figure which shows the verification result of the learning accuracy of the neural network in this embodiment
  • FIG. 1 is a diagram showing a flow reaction facility which is one aspect of a production process facility to which a data generation device and a learning device according to the embodiment of the present disclosure are applied.
  • the flow reaction equipment 10 includes a flow reaction device 11, a flow reaction support device (hereinafter, simply referred to as “support device”) 12, a data generation device 13, a system controller 15, a setting unit 16, and a detection unit.
  • support device a flow reaction support device
  • a unit 17 and the like are provided.
  • the flow reaction device 11 is a device for performing a flow reaction process and obtaining a product.
  • the flow reaction performed by the flow reactor 11 includes, for example, a synthetic reaction for synthesizing a compound which is a monomer, a polymerization reaction for producing a polymer by reacting monomers with each other, and for example, a start reaction and a stop reaction such as an anionic polymerization reaction. It may be an elementary reaction of. Therefore, the reactant that is the target of the flow reaction may be, for example, a compound at the growth stage that is the target of the arrest reaction. In the present embodiment, a stop reaction for stopping the growth (growth) of lithium polystyryl lithium with methanol is carried out by a flow reaction.
  • the flow reactor 11 includes a first supply unit 21, a second supply unit 22, a reaction section 23, and a recovery section 26.
  • the first supply section 21 and the second supply section 22 are respectively connected to the upstream end of the reaction section 23 by piping, and the recovery section 26 is connected to the downstream end of the reaction section 23 by piping.
  • the first supply unit 21 is for supplying the first raw material for the flow reaction to the reaction section 23.
  • the first raw material of the present embodiment is a first liquid in which lithium polystyryl is dissolved in a solvent, and lithium polystyryl is an example of a reactant of the flow reaction treatment.
  • the first supply unit 21 supplies the first liquid in which porstyryllithium is dissolved in a solvent to the reaction section 23.
  • Tetrahydrofuran hereinafter referred to as THF
  • THF Tetrahydrofuran
  • the raw material for the flow reaction may be a mixture of the reactant and another substance, or may be composed of only the reactant.
  • the first supply unit 21 includes a pump (not shown), and the flow rate of the first raw material to the reaction section 23 is adjusted by adjusting the rotation speed of the pump.
  • the second supply unit 22 is for supplying the second raw material for the flow reaction to the reaction section 23.
  • the second raw material of the present embodiment is a mixture of methanol and water, that is, an aqueous methanol solution, and methanol is used as a stop agent for the stop reaction.
  • the second supply unit 22 also includes a pump (not shown) like the first supply unit 21, and the flow rate of methanol to the reaction section 23 is adjusted by adjusting the rotation speed of the pump.
  • the first supply unit 21 and the second supply unit 22 supply the liquid to the reaction section 23 in this embodiment, but the supply is not limited to the liquid and may be a solid or a gas.
  • the reaction section 23 is for performing a stop reaction as a flow reaction, and includes a merging unit 31, a reaction unit 32, and a temperature control unit 33.
  • the merging portion 31 is a T-shaped branch, that is, a T-shaped pipe.
  • the first pipe section 31a of the merging section 31 is connected to the first supply section 21, the second pipe section 31b is connected to the second supply section 22, and the third tube section 31c is connected to the reaction section 32.
  • the reaction unit 32 is a tube in which a plurality of tubular members are connected in the length direction.
  • the length L32 of the reaction unit 32 is changed by changing at least one of the number of tubular members and the length of each tubular member used. Further, by changing the tubular member to another tubular member having a different inner diameter, the reaction path diameter D32, which is the inner diameter of the reaction portion 32, is changed.
  • the inside of the reaction unit 32 is a flow path of a mixture of the first raw material and the second raw material (hereinafter, referred to as a mixed raw material), and the hollow portion in the pipe is defined as a reaction field.
  • the termination reaction of anionic polymerization proceeds while passing through the reaction section 32 to produce polystyrene.
  • the reaction proceeds slightly in the third pipe portion 31c of the merging portion 31, the length of the third pipe portion 31c of the merging portion 31 is very large with respect to the length L32 of the reaction portion 32 (8 m in the present embodiment). It is short, and the length of the third pipe portion 31c of the present embodiment is approximately 0.03 m.
  • the length of the third tube portion 31c is ignored, and the length L32 of the reaction portion 32 is regarded as the length of the field where the flow reaction is performed (hereinafter, referred to as the reaction path length).
  • the reaction path length is regarded as the length of the field where the flow reaction is performed.
  • reference numeral L32 is used for the reaction path length.
  • the inner diameter D32 of the reaction unit 32 is regarded as the diameter of the field where the flow reaction is performed (hereinafter, referred to as the reaction path diameter), and the reference numeral D32 is used for the reaction path diameter.
  • the temperature control unit 33 is for adjusting the temperature of the flow reaction (hereinafter referred to as the reaction temperature).
  • the temperature control unit 33 adjusts the temperature (reaction temperature) of the mixed raw material flowing through the merging unit 31 and the reaction unit 32.
  • the set temperature may be regarded as the reaction temperature. This is also done in this embodiment. If the difference between the set temperature and the temperature of the mixed raw material is large, for example, a temperature detector for detecting the temperature may be provided in the reaction unit 32 or the like, and the detection result of this temperature detector may be used as the reaction temperature. Good.
  • Recovery section 26 is for recovering polystyrene, which is the product of the flow reaction.
  • the recovery section 26 is composed of a precipitation section, a sampling section, a drying section, and the like (not shown).
  • the precipitation part is for precipitating polystyrene, which is a product.
  • a container equipped with a stirrer is used as the precipitation part. Methanol is placed in a container, and polystyrene is precipitated by putting the polystyrene solution guided from the reaction section into the stirred methanol.
  • the sampling part is for collecting the precipitated polystyrene from a mixed solution of methanol and THF and the like.
  • a filter is used as a sampling unit.
  • the drying part is for drying the collected polystyrene.
  • a constant temperature bath having a decompression function is used as the drying part.
  • Polystyrene can be obtained by heating the inside of the constant temperature bath under reduced pressure.
  • the reaction section and the recovery section are not limited to the above examples, and are appropriately changed according to at least one such as the type of flow reaction and the type of product.
  • a container may be provided in place of the recovery section 26, and the polystyrene solution guided from the reaction section 23 may be temporarily stored in this container.
  • the stored polystyrene solution may be guided to the recovery section 26 and obtained by precipitating, collecting and drying the polystyrene.
  • the detection unit 17 is connected to the recovery section 26 and the support device 12, detects the reaction result which is the processing result of the flow reaction, and outputs the reaction result to the determination unit 56 (see FIG. 6) of the support device 12.
  • the reaction results correspond to the production results of the present disclosure.
  • the parameters resulting from the reaction include the properties of the product such as the purity, molecular weight, or molecular weight dispersion (hereinafter, simply referred to as dispersion) of the product, as well as the yield and the like. Be done.
  • the concentration of the product (molar concentration, etc.) in the solution may be detected as a result parameter.
  • the detection unit 17 may detect various properties such as the yield or purity of the by-product as result parameters. There may be a plurality of result parameters constituting the reaction result.
  • the molecular weight and the degree of dispersion of the polystyrene obtained in the recovery section 26 are detected by the detection unit 17. That is, the result parameters in this embodiment are two, molecular weight and dispersity.
  • the detected molecular weight is the number average molecular weight (Mn).
  • Mn number average molecular weight
  • the molecular weight and dispersibility are determined by dissolving polystyrene in THF to prepare a polystyrene solution, and using this polystyrene solution by gel permeation chromatography (hereinafter referred to as GPC, GPC is an abbreviation for Gel Permeation Chromatography).
  • the degree of dispersion is Mw / Mn obtained by dividing the weight average molecular weight (Mw) by the number average molecular weight.
  • Detection of result parameters is not limited to GPC.
  • infrared spectroscopy IR, infrared spectroscopy
  • nuclear magnetic resonance spectroscopy NMR, Nuclear Magnetic Resonance spectroscopy
  • HPLC high performance liquid chromatography
  • HPLC High Performance Liquid Chromatography
  • GC Gas Chromatography
  • GPC GPC is measured under the following conditions.
  • Equipment HLC-8220GPC (manufactured by Tosoh Corporation)
  • Detector Differential refractometer (RI (Refractive Index) detector)
  • Pre-column TSKGUARDCOLUMN HXL-L 6mm x 40mm (manufactured by Tosoh Corporation)
  • Sample side column The following three columns (1) to (3) are directly connected in order (all manufactured by Tosoh Corporation).
  • TSK-GEL GMHXL 7.8 mm x 300 mm (2) TSK-GEL G4000HXL 7.8 mm x 300 mm (3) TSK-GEL G2000HXL 7.8 mm x 300 mm
  • Reference side column TSK-GEL G1000HXL 7.8 mm x 300 mm
  • Constant temperature bath temperature 40 ° C
  • Moving layer THF Sample side moving layer flow rate: 1.0 mL / min Reference side moving layer flow rate: 1.0 mL / min Sample concentration: 0.1% by mass Sample injection volume: 100 ⁇ L Data collection time: 5 to 45 minutes after sample injection Sampling pitch: 300 msec
  • the system controller 15 comprehensively controls the flow reaction device 11.
  • the system controller 15 is connected to each of the pumps of the first supply unit 21 and the second supply unit 22, and the temperature control unit 33, respectively.
  • the system controller 15 adjusts the flow rates of the first raw material and the second raw material by adjusting the rotation speeds of the pumps of the first supply unit 21 and the second supply unit 22, thereby heading to the reaction section 23.
  • the flow velocities of the first raw material and the second raw material are controlled.
  • the flow velocity of the first raw material is such that the flow rate of the first raw material sent from the first supply unit 21 to the reaction section 23 is X1 (unit: m 3 / sec), and is between the first supply unit 21 and the reaction section 23.
  • the cross-sectional area of the pipe is X2 (unit is m 2 ), it is calculated by X1 / X2.
  • the flow rate of the second raw material sent from the second supply unit 22 to the reaction section 23 is X1
  • the cross-sectional area of the pipe between the second supply unit 22 and the reaction section 23 is X2 (unit). Is m 2 ) and is calculated by X1 / X2.
  • the flow rates of the first raw material and the second raw material are obtained from the rotation speed based on the catalog data of each pump which is a commercially available product.
  • the system controller 15 controls the temperature of the mixed raw material by adjusting the temperature control unit 33. In this way, the system controller 15 comprehensively controls the flow reaction device 11 by adjusting each part of the flow reaction device 11.
  • the setting unit 16 is for setting the processing conditions (hereinafter, referred to as reaction conditions) for the flow reaction processing in the flow reaction device 11.
  • the reaction conditions correspond to the process conditions of the present disclosure.
  • the reaction condition is a combination of a plurality of condition parameters.
  • the setting unit 16 has an operation unit (not shown), sets reaction conditions by inputting an operation signal from the operation unit, and thereby controls the flow reaction device 11 to the set reaction conditions via the system controller 15. .
  • reaction conditions are set by clicking or selecting with the mouse of the operation unit and / or inputting characters with the keyboard.
  • the setting unit 16 is connected to the support device 12, and in addition to or instead of the operation signal from the operation unit, the determination reaction condition CS described later read from the third storage unit 51c described later of the support device 12 is used.
  • the reaction conditions are set, whereby the flow reaction device 11 is controlled to the predetermined reaction conditions via the system controller 15.
  • the setting unit 16 of the present embodiment can also give an input signal to the support device 12 as described later.
  • the condition parameter set by the setting unit 16 may be determined depending on the type of flow reaction processing to be performed, and is not particularly limited. For example, at least one of the flow rate and flow rate of the raw materials such as the first raw material and the second raw material, the temperature of the raw materials to be fed into the reaction section 23, the reaction temperature, the reaction time, and the like can be mentioned.
  • the condition parameters are the flow rate of the first raw material, the flow rate of the second raw material, the shape of the confluence, the reaction path diameter D32, the reaction path length L32, and the reaction temperature.
  • the condition parameter of the flow reaction process may include a condition parameter (hereinafter referred to as a fixed parameter) that is fixed to a predetermined constant value.
  • the fixed parameters of this embodiment are the concentration of the reactant in the first raw material and the second raw material, and the reaction path length L32.
  • the concentrations of the reactants in the first and second raw materials and the reaction path length L32 are predetermined in this embodiment and are controlled via the system controller 15 (for example, the concentration is changed higher or lower). Controls such as doing) are not performed.
  • the flow reaction may have conditional parameters that are not controlled by the system controller 15 and are changed, for example, in the raw material preparation step and the assembly step of the flow reaction device 11.
  • the flow reaction device 11 can be replaced with another flow reaction device.
  • the flow reaction device 41 shown in FIG. 2 can be replaced with the flow reaction device 11 shown in FIG.
  • the flow reactor 41 includes a reaction section 43 in which the confluence 31 is replaced with a confluence 42.
  • the same members as those in FIG. 1 are designated by the same reference numerals as those in FIG. 1, and the description thereof will be omitted.
  • the merging portion 42 is a pipe branched into a cross, that is, a cross tube.
  • the first pipe portion 42a of the merging portion 42 is in the second supply portion 22
  • the second pipe portion 42b and the third pipe portion 42c intersecting with the first pipe portion 42a are in the first supply portion 21, and the remaining fourth pipe portion 42d are connected to the reaction unit 32, respectively.
  • the guided first raw material and the second raw material are merged and sent to the reaction unit 32 in a mixed state.
  • the support device 12 provides support for quickly determining a plurality of condition parameters that are reaction conditions for the flow reaction process performed by the flow reaction device 11. Details of the support device 12 will be described later.
  • the data generation device 13 is a neural network in which a plurality of layers are connected by a plurality of connection weights to output a reaction result corresponding to the reaction condition when the reaction condition is input for the flow reaction process performed by the flow reaction device 11. Generate a dataset consisting of multiple training data for training.
  • FIG. 3 is a schematic block diagram showing the configuration of the data generation device.
  • the data generation device 13 includes a reaction condition setting unit 52, a reaction result acquisition unit 53, and a generation unit 54.
  • the reaction condition setting unit 52 and the reaction result acquisition unit 53 correspond to the process condition setting unit and the production result acquisition unit of the present disclosure, respectively.
  • the reaction condition setting unit 52 sets a plurality of reaction conditions of 2 ⁇ M0 or more when the total number of coupling weights of the neural network is M0.
  • the reaction condition setting unit 52 also sets the upper limit and the lower limit of each condition parameter included in the reaction condition.
  • FIG. 4 is a conceptual diagram of the layer structure of the neural network used in the present embodiment. As shown in FIG. 4, the neural network 70 has a three-layer structure of an input layer L1, an intermediate layer (hidden layer) L2, and an output layer L3.
  • the input layer L1 is composed of the value xi of the condition parameter which is an explanatory variable.
  • the hidden layer L2 is composed of three nodes u1 to u3, and is one layer in the present embodiment.
  • the output layer L3 is composed of the value ym of the result parameter which is the objective variable.
  • the detailed configuration of the neural network 70 will be described later.
  • the upper limit of the flow rate of the first raw material and the flow rate of the second raw material as the condition parameters may be determined based on the capacity of the pump provided in the first supply unit 21 and the second supply unit.
  • the lower limit of the flow rate may be the speed at which the pipe is filled with the raw material. If the flow velocity becomes excessively low, the pipes will not be filled with raw materials, air will be mixed into the pipes, and reaction unevenness will occur. Therefore, the speed at which the raw material is filled in the pipe means the lowest speed at which the raw material can be supplied so that air does not enter the pipe.
  • reaction unevenness occurs remarkably if the pipe is not filled with the raw material.
  • the occurrence of reaction unevenness can be prevented by determining the lower limit of the flow rate of the first raw material and the flow rate of the second raw material at the speed at which the raw material is filled in the pipe.
  • the quality of the collected learning data is important. That is, it is important to collect the learning data in which the upper and lower limits of the condition parameters included in the learning data are evenly dispersed in the learning data. Depending on how the condition parameters are assigned when collecting the training data, the training data may be biased, and as a result, only poor quality training data may be obtained. Therefore, when collecting training data, especially in the flow reaction process, it is effective to swing the condition parameters using the physical quantities strongly expressed on the microscale or milliscale of the flow reaction.
  • a condition parameter included in the training data in order to make the flow rate vary, first, a value of 50% with respect to the upper and lower limits of the flow rate is derived as an intermediate value. Then, the flow rate is shaken within the first range of the lower limit or more and less than the intermediate value of the flow rate. Next, the flow rate is adjusted within the second range of the intermediate value or more and the upper limit or less of the flow rate.
  • the number of training data is preferably the same in the first range and the second range, but if at least 30% of the training data is within the first range or the second range. Good. This makes it possible to continuously collect unbiased learning data within the upper and lower limits of the flow rate. By using such a method, it is possible to generate high-quality learning data with variations in conditional parameters. Further, the flow rate may be swayed within the second range first, and then the flow rate may be swayed within the first range.
  • the reaction result acquisition unit 53 acquires the reaction result derived by causing the flow reaction apparatus 11 to perform the flow reaction process according to each of the plurality of reaction conditions set by the reaction condition setting unit 52. That is, the reaction result, that is, the result parameter is acquired for each of the set reaction conditions. At this time, one reaction information is generated by associating the individual reaction conditions with the reaction result. This one reaction information becomes learning data.
  • the generation unit 54 generates 42 reaction information consisting of a combination of reaction conditions and reaction results, that is, learning data as a data set.
  • the generated data set is input to the support device 12.
  • FIG. 5 is a diagram showing a data set. As shown in FIG. 5, the data set consists of 42 training data. Each learning data includes reaction conditions including the flow rate of the first raw material, the flow rate of the second raw material, the shape of the confluence, the reaction path diameter in the reaction part, and the reaction temperature, and the reaction result including the dispersity and molecular weight of the product. It is associated.
  • FIG. 6 is a schematic block diagram showing the configuration of the support device 12.
  • the support device 12 includes a calculation section 50, a first storage unit 51a to a third storage unit 51c, a determination unit 56, and the like.
  • the first storage unit 51a to the third storage unit 51c are configured separately from the calculation section 50, but may be configured as a part of the calculation section 50.
  • the calculation section 50 and the determination unit 56 constitute the learning device of the present disclosure.
  • the first storage unit 51a stores a data set composed of a plurality of learning data generated by the data generation device 13. Further, when the reaction result is acquired in the flow reaction device 11 due to the reaction condition that is not in the data set, the reaction information including the reaction condition and the reaction result is stored as new learning data.
  • the first storage unit 51a stores the reaction information in a state in which it can be read only under the reaction conditions. For example, the first storage unit 51a stores the reaction conditions and the reaction results included in the learning data in different fields, and stores the reaction conditions and the association information of the reaction results. Alternatively, a field for storing both the reaction conditions and known reaction results and a field for storing only the reaction conditions may be provided.
  • the reaction information included in the data set generated by the data generation device 13 is used for learning as learning data.
  • a data set consisting of 42 learning data shown in FIG. 5 is stored in the first storage unit 51a.
  • the data set stored in the first storage unit 51a stores a plurality of learning data in a table structure in the present embodiment.
  • the types of learning data are arranged in a vertical column, and the types of learning data, reaction conditions, and reaction results are arranged in a horizontal column.
  • the vertical column and the horizontal column may be reversed.
  • the storage mode of the data set in the first storage unit 51a is not limited to the table structure, and the reaction conditions and the reaction result may be associated with each other. Therefore, for example, the reaction conditions and the reaction results may be provided and stored in their respective fields.
  • the calculation section 50 has a learning mode and a calculation mode, and performs a target calculation process according to the mode.
  • the calculation section 50 includes a first calculation unit 61 to a third calculation unit 63, and the first calculation unit 61 performs arithmetic processing in the learning mode, and in the calculation mode, a hibernation state in which the calculation is paused and a first calculation mode as described later.
  • the state of reading the storage unit 51a is repeated.
  • the second calculation unit 62 and the third calculation unit 63 are in a dormant state in the learning mode, and perform calculation processing in the calculation mode.
  • the first calculation unit 61 reads out the data set stored in the first storage unit 51a, and learns the relationship between the reaction condition and the reaction result using the learning data included in the read data set. Then, the first calculation unit 61 generates a function that associates the reaction condition and the reaction result by learning, and writes the generated function in the second storage unit 51b.
  • Each of the plurality of condition parameters constituting the reaction condition and the result parameter constituting the reaction result are variables in the function, and when the condition parameter and the result parameter have already been determined, the generation of the function is a coefficient in the function. Means the generation of.
  • the first calculation unit 61 derives a weighting coefficient representing the connection weight of the neural network by learning using each condition parameter of the reaction condition as an explanatory variable and the result parameter of the reaction result as the objective variable.
  • a trained neural network that has completed the first training is constructed.
  • the explanatory variables correspond to the input variables
  • the objective variables correspond to the output variables.
  • the following functions (1A) and (1B) are generated by the neural network constructed in the first arithmetic unit 61.
  • xi (i is a natural number) is the value of the condition parameter, and the maximum value of i is the number of condition parameters.
  • i is 5 in this embodiment.
  • ym (m is a natural number) is the value of the result parameter, and the maximum value of m is the number of result parameters. Therefore, in this embodiment, m is 2.
  • ul (l is a natural number) is a node of the hidden layer L2, and the maximum value of l is the number of nodes.
  • l is 3.
  • w xiul and w ulym are weighting coefficients representing the connection weight of the neural network. Specifically, it is as follows. For the following flow rates, 1 mL (milliliter) / min can be converted as 1 x 10-6 x (1/60) m 3 / sec.
  • a neural network can be constructed using a commercially available neural network fitting application.
  • a neural network is constructed by using a Matlab Neural Fitting tool manufactured by MathWorks.
  • the neural network fitting application is not limited to the above, and for example, a keras package manufactured by RSstudio, which can operate on the R language, can be used.
  • the neural network has a three-layer structure of an input layer L1, a hidden layer L2, and an output layer L3.
  • the input layer L1 is composed of conditional parameter values x1 to x5, which are explanatory variables.
  • the hidden layer L2 is composed of three nodes u1 to u3, and is one layer in the present embodiment. Each of the nodes u1 to u3 is the sum of the values obtained by weighting x1 to x5 with the weighting coefficient w xiul corresponding to each of x1 to x5.
  • the output layer L3 is composed of the result parameter values y1 and y2, which are objective variables.
  • Each of the value y1 and y2 of the result parameter is a value obtained by weighting the nodes u1 to u3 with the weighting coefficient w ulym corresponding to each of the nodes u1 to u3 .
  • the black circles “ ⁇ ” in FIG. 4 indicate the weighting coefficients w xiul and w ulym .
  • the layer structure of the neural network is not limited to this embodiment.
  • the calculation section 50 switches the learning mode to the calculation mode when the function is written in the second storage unit 51b by the first calculation unit 61.
  • the second calculation unit 62 reads the reaction conditions of the learning data from the first storage unit 51a in the calculation mode, and generates a condition data set including a plurality of reaction conditions whose reaction results are unknown based on the read reaction conditions. Then, it is written in the second storage unit 51b.
  • the condition data set may include reaction conditions for which the read reaction result is known, and this is also done in this embodiment.
  • the second calculation unit 62 generates a condition data set by assigning the value of at least one condition parameter among the plurality of condition parameters forming the reaction condition and generating the reaction condition whose reaction result is unknown.
  • the flow rate of the first raw material among the plurality of condition parameters the flow rate of the first raw material within the reaction conditions in the learning data generated by the data generator 13 is 1 mL / min, 10 mL / min, 11 mL / min, 20 mL / min. , 100 mL / min is included, for example, the reaction results when the values are 2 mL / min, 5 mL / min, 6 mL / min, etc. are unknown, so reaction conditions for these values are generated.
  • the value of the condition parameter generated so that the reaction result becomes an unknown reaction condition is a value between the minimum value and the maximum value of the condition parameter of the reaction condition read from the first storage unit 51a, and in addition to these, the minimum value. It may include a value and a maximum value. For example, in the above example, since the minimum value of the flow rate of the first raw material is 1 mL / min and the maximum value is 100 mL / min, a plurality of conditional parameter values are generated between these two values. In this embodiment, in addition to these, a minimum value of 1 mL / min and a maximum value of 100 mL / min may be included.
  • the plurality of values between the maximum value and the minimum value are preferably values in which the maximum value and the minimum value are carved at equal intervals, and in the present embodiment, the flow rate of the first raw material is described. Is a value at 1 mL / min intervals as described later (see FIG. 7).
  • the condition parameter to which the value is assigned is a condition parameter that can be determined to be changed in the flow reaction device 11.
  • a plurality of reaction conditions in which values are assigned for each of the flow rate of the first raw material, the flow rate of the second raw material, the type of the merging part (the merging part 31 and the merging part 42), the reaction path diameter D32, and the reaction temperature. Is generated (see FIG. 7).
  • the second storage unit 51b stores the function output from the first calculation unit 61 and the condition data set output from the second calculation unit 62 shown in FIG. 7.
  • the second calculation unit 62 generates the condition data set, but the condition data set may be generated by using another calculation device, for example, a personal computer or the like.
  • the condition data set generated by the second calculation unit 62 also has a table structure in the present embodiment. Therefore, the condition data set having a table structure is stored in the second storage unit 51b.
  • different reaction conditions are arranged in a vertical column, and condition parameters are arranged in a horizontal column. However, the vertical column and the horizontal column may be reversed.
  • the condition data set is not limited to the table structure as in the learning data, and may be individually readable and readable for each reaction condition and stored in the second storage unit 51b.
  • the maximum value and the minimum value, and the value between the maximum value and the minimum value are set at equal intervals.
  • the flow rate of the first raw material is a value obtained by carving from the minimum value of 1 mL / min to the maximum value of 100 mL / min at 1 mL / min intervals
  • the flow rate of the second raw material is the minimum value of 0. It is a value obtained by carving from 6 mL / min to the maximum value of 55.0 mL / min at 0.1 mL / min intervals.
  • the merging portion has two shapes, the merging portion 31 and the merging portion 42.
  • the reaction path diameter D32 is a value obtained by carving the minimum value of 1 mm to the maximum value of 10 mm at 1 mm intervals, and the reaction temperature is from the minimum value (minimum value) of 1 ° C. to the maximum value (maximum value) of 10. Values up to ° C are defined at 1 ° C intervals. However, the interval when the values are carved at equal intervals is not limited to this.
  • the third calculation unit 63 reads the function and condition data set from the second storage unit 51b, generates a prediction data set, and writes the generated prediction data set to the third storage unit 51c.
  • the forecast data set is composed of a plurality of forecast information.
  • the prediction information is prediction data in which the reaction result is predicted for each reaction condition of the condition data set and the obtained prediction result is associated with the reaction condition. Therefore, the number of prediction information is equal to the number of reaction conditions in the condition dataset. Prediction is an arithmetic process performed using the read function.
  • the third calculation unit 63 identifies and extracts the prediction information indicating the best prediction result from the plurality of prediction information. Then, the third calculation unit 63 writes the reaction condition of the extracted prediction information as the extraction reaction condition CP in the third storage unit 51c, and associates the prediction result RP of the extracted prediction information with the extraction reaction condition CP. Write to the third storage unit 51c.
  • the target reaction result (hereinafter referred to as the target result) RA is input in advance as an operation signal by the input in the operation unit of the setting unit 16, for example, in the present embodiment.
  • the third calculation unit 63 compares the target result RA with the prediction result of each prediction information of the prediction data set, and is the closest to the target result RA among the plurality of prediction results (the difference from the target result RA is the smallest). ) Identify the prediction result as the "best prediction result" above. If there is the same prediction result as the target result RA, the prediction result is specified as the "best prediction result".
  • the learning data is read from the first storage unit 51a, the reaction conditions of the learning data whose reaction result is closest to the target result RA are referred to, and the following process is performed. Identify the "best prediction results".
  • the condition parameters of each prediction information of the prediction data set are x1 to x5, the result parameters are y1, the contribution to y1 is a1 to a5, and a1 to a5 are defined by the following equations (1C) to (1G). To do.
  • a1 w x1u 1 ⁇ w u1y1 + w x1u2 ⁇ w u2y1 + w x1u3 ⁇ w u3y1 +... + w x1ul ⁇ w uly1 ...
  • a2 w x2u1 ⁇ w u1y1 + w x2u2 ⁇ w u2y1 + w x2u3 ⁇ w u3y1 +... + w x2ul ⁇ w uly1 ...
  • a3 w x3u1 ⁇ w u1y1 + w x3u2 ⁇ w u2y1 + w x3u3 ⁇ w u3y1 +... + w x3ul ⁇ w uly1 ...
  • a4 w x4u1 ⁇ w u1y1 + w x4u
  • the signs of a1 to a5 are positive, they have a positive contribution to the prediction result, and if the signs are negative, they have a negative contribution to the prediction result, and the absolute value is The larger the value, the higher the contribution to the prediction result.
  • the reaction result and the reaction condition closest to the target result RA are selected from the training data, the reaction result is y1n, and the absolute value of the difference between y1n and the target result RA is the equation
  • the target result RA is input in a state where the plurality of result parameters are weighted, and the third calculation unit 63 specifies the "best prediction result" based on the weighting.
  • the identification based on the weight may be, for example, the first method of specifying only the result parameter having the largest weight, or for example, a plurality of candidates are narrowed down from the prediction results closest to the target result RA with the result parameter having the largest weight.
  • a second method may be used in which the prediction result closest to the target result RA is specified as the "best prediction result" in the result parameter having a lower weighting rank from the narrowed down prediction results. In the present embodiment, it is specified by the second method.
  • the target result RA in this embodiment has a molecular weight of ⁇ 1% or less of 25200 and a dispersity of 1.03 or less.
  • the third storage unit 51c stores the prediction data set output from the third calculation unit 63, the extraction reaction condition CP, and the prediction result RP associated with the extraction reaction condition CP. These prediction data sets, extraction reaction condition CP, and prediction result RP are stored in a separately readable state.
  • FIG. 8 is a diagram showing a prediction data set generated by the third calculation unit 63.
  • the prediction data set generated by the third calculation unit 63 also has a table structure in the present embodiment, and therefore, the prediction data set having a table structure is stored in the third storage unit 51c.
  • the types of prediction information are arranged in a vertical column, and the condition parameters of the reaction conditions and the result parameters, which are the prediction results, are arranged in a horizontal column.
  • the vertical column and the horizontal column may be reversed.
  • the prediction data set is not limited to the table structure, the reaction condition and the prediction result are associated with each other, and at least the extraction reaction condition CP is readable and stored in the third storage unit 51c. Just do it.
  • FIG. 8 shows a prediction data set generated based on the condition data set of FIG.
  • the two result parameters are weighted as described above, and the weighting of the molecular weight is made larger than the degree of dispersion.
  • the prediction information number hereinafter referred to as prediction information No.
  • the molecular weight with 8000 is 24870, and other prediction information No. Compared to the target result RA, it is the closest to each other and is equivalent to each other.
  • the third calculation unit 63 uses the prediction information No.
  • the prediction result of 6050 is specified as the above-mentioned "best prediction result", and the prediction information No.
  • the reaction condition of 6050 is specified as the extraction reaction condition CP. Then, the third calculation unit 63 determines the prediction information No. In the state where the reaction condition of 6050 is recorded as the extraction reaction condition CP (in Table 6, "*" is added next to the prediction information No. for convenience of explanation), the extraction reaction condition CP and The prediction result associated with the extraction reaction condition is stored in the third storage unit 51c.
  • the setting unit 16 reads the extraction reaction condition CP from the third storage unit 51c. In this way, the extraction reaction condition CP input from the third calculation unit 63 of the calculation section 50 via the third storage unit 51c is set as the input signal, and the extraction reaction condition CP is set as the reaction condition in the flow reaction device 11.
  • the detection unit 17 outputs the reaction result (hereinafter referred to as the actual measurement result) RR of the flow reaction processing performed under the extraction reaction condition CP to the determination unit 56 as described above.
  • the determination unit 56 reads the prediction result RP associated with the extraction reaction condition CP from the third storage unit 51c, compares the prediction result RP with the actual measurement result RR input from the detection unit 17, and compares the prediction result RP with the actual measurement. As a result, the degree of difference DR from RR is obtained.
  • the difference degree DR is obtained by the calculation formula of
  • the determination unit 56 generates comparison data when performing a comparison calculation between the prediction result RP and the actual measurement result RR.
  • the determination unit 56 has a comparison data storage unit (not shown) for storing comparison data.
  • FIG. 9 shows comparison data when performing comparison calculation.
  • the comparison data is generated in a table structure in which the result parameters of the prediction result RP and the result parameters of the actual measurement result RR are arranged side by side.
  • the prediction result RP and the actual measurement result RR are arranged in the vertical column, and the two result parameters of the degree of dispersion and the molecular weight are arranged in the horizontal column. It may be the opposite of the column. Further, as long as the same result parameters of the actually measured result RP and the actually measured result RR are stored in the comparison data storage unit in a readable state, the storage mode does not have to be a table structure.
  • the determination unit 56 obtains the difference degree DR of the molecular weight and the difference degree DR of the degree of dispersion by the above-mentioned calculation formulas, respectively.
  • the difference DR of the molecular weight is calculated as 9.9891, and the difference DR of the dispersion is 3.5107.
  • the permissible range DT of the degree of difference is input in advance as an operation signal, for example, in the present embodiment by the input in the operation unit of the setting unit 16.
  • the determination unit 56 determines whether or not the difference degree DR is within the allowable range DT.
  • the permissible range DT is set to 1%, but the permissible range can be appropriately set according to the type of result parameter and the like.
  • the permissible range DT (unit:%) can be calculated by the formula of (
  • the determination unit 56 determines that the difference degree DR is within the allowable range DT, the determination unit 56 sets the extraction reaction condition CP from the reaction condition group of the prediction data set stored in the third storage unit 51c to the flow reaction device 11.
  • the reaction conditions (hereinafter referred to as determination reaction conditions) CS of the subsequent flow reaction processing performed in 1) are set and written in the third storage unit 51.
  • the third storage is the reaction condition group of the prediction data set stored in the third storage unit 51c as the reaction data set used for the flow reaction processing of the flow reaction apparatus 11, including setting the extraction reaction condition CP as the determination reaction condition CS. It may be written in the part 51c, and this is also done in the present embodiment.
  • the determination unit 56 stores the reaction data set in the third storage unit 51c in a readable state for each reaction condition.
  • the third storage unit 51c has an area for storing the prediction data set and an area for storing the reaction information data set, but if the reaction data set is stored in a readable state for each reaction condition. , The determination unit 56 may rewrite the reaction condition group of the prediction data set into the reaction data set. In that case, the third calculation unit 63 stores the prediction data set in the third storage unit 51c in advance in a readable state for each reaction condition. Further, in the present embodiment, the reaction condition data set is stored in the third storage unit 51c, but a fourth storage unit (not shown) may be further provided and stored in the fourth storage unit.
  • the determination unit 56 determines that the difference degree DR is not within the allowable range DT
  • the determination unit 56 reads the extraction reaction condition CP from the third storage unit 51c and generates reaction information in which the extraction reaction condition CP and the actual measurement result RR are associated with each other. .. Then, the generated reaction information is written in the first storage unit 51a as new learning data.
  • the data set stored in the first storage unit 51a is rewritten, and the number of training data included in the data set changes.
  • the initial data set stored in the first storage unit 51a includes 42 learning data, and one reaction information is added as learning data by one writing by the determination unit 56. By doing so, the number of training data included in the data set is updated to 43.
  • the determination unit 56 updates the number of connection weights of the neural network 70.
  • the number of updated data sets is Nj
  • the number of connection weights of the neural network 70 before and after the update is Mj-1 and Mj, respectively
  • the determination unit 56 determines the number of new connection weights of the neural network Mj. Is updated so that Mj-1 ⁇ Mj ⁇ Nj / 2.
  • the number Mj-1 of the connection weights of the neural network before the update is 21, so the number Mj of the updated connection weights is maintained at 21.
  • the number of connection weights of the neural network 70 can be increased by increasing the number of hidden layers or the number of nodes ul in the hidden layer L2.
  • the first calculation unit 61 repeats the hibernation state and the reading of the first storage unit 51a in the calculation mode. Specifically, the first calculation unit 61 reads the learning data of the first storage unit 51a at a preset time interval, and whether or not the previously read data set is rewritten to a data set including new learning data. Is judged.
  • the calculation section 50 determines that the data set stored in the first storage unit 51a has not been rewritten, the calculation section 50 continues the calculation mode. When it is determined that the data has been rewritten, the calculation section 50 switches the calculation mode to the learning mode, and the first calculation unit 61 performs the next learning using the new learning data included in the rewritten data set. , A new function is generated, and the function stored in the second storage unit 51b is rewritten with the new function. Note that the generation of a new function and the rewriting of a new function mean the derivation of a new weighting coefficient in the function and the rewriting of the weighting coefficient in the function. For example, in the above-mentioned functions (1A) and (1B), the weighting coefficient w xiul is rewritten to w2 xiul . As a result, the following functions (2A) and (2B) are generated.
  • the second calculation unit 62 also newly generates a conditional data set when new learning data is generated.
  • the structure of the neural network is complicated in order to increase the correct answer rate, and learning is performed using a large amount of learning data.
  • the total number of connection weights is 120 million, and learning is performed using 4 million training data.
  • the total number of connection weights is 3 million, and learning is performed using the data of the Go board surface of 30 million phases as learning data.
  • the sampling theorem is the minimum frequency required when converting an analog signal into a digital signal.
  • the shape (frequency) of the original analog signal can be completely reproduced by sampling at a frequency twice or more that is included in the analog signal to generate the digital signal.
  • the sampling frequency is less than twice the frequency included in the analog signal, a false signal appears in the original analog signal and is distorted and reproduced. This phenomenon is called the alias effect. In this way, if sampling is performed at a frequency that is twice or more that included in the analog signal, the analog signal can be accurately converted into a digital signal.
  • the function expressing the relationship between the input layer (explanatory variable) and the output layer (objective variable) expressed by using the connection weight can be expressed by the above equations (1A) and (1B). It can.
  • This function is similar to a waveform function such as a sine waveform. Therefore, in the present disclosure, the inventor of the present disclosure prepares learning data that is at least twice the total number of connection weights M0 in order to express the characteristics of the target data by the neural network by using the sampling theorem. It came to my mind.
  • the time required for one reaction is one hour
  • the time required to prepare 210 training data is 210 hours (about 10 days), which is a sufficiently acceptable time. Therefore, in the present embodiment, the upper limit of the number of training data is set to 10 times the total number of connection weights M0.
  • FIG. 10 is a flowchart showing the processing performed in the present embodiment.
  • the target result RA is set (step ST1).
  • the target result RA of the present embodiment has a dispersity within 1.03 and a molecular weight within ⁇ 1% of 25200.
  • a data set including a plurality of training data is generated (step ST2). The order of setting the target result RA and generating the training data may be reversed.
  • FIG. 11 is a flowchart showing the learning data generation process performed in the present embodiment.
  • the reaction condition setting unit 52 of the data generation device 13 sets a plurality of reaction conditions of 2 ⁇ M0 or more when the total number of connection weights of the neural network 70 is M0 (step ST21).
  • the reaction result acquisition unit 53 acquires the reaction result derived by causing the flow reaction apparatus 11 to perform the flow reaction process according to each of the number of reaction conditions set by the reaction condition setting unit 52 (step ST22). ..
  • the generation unit 54 generates 42 reaction information consisting of a combination of the reaction condition and the reaction result, that is, learning data as a data set (step ST23), and ends the learning data generation process.
  • the data set is stored in the first storage unit 51a.
  • the support device 12 sets the mode to the learning mode, whereby the first calculation unit 61 reads the data set of the first learning data from the first storage unit 51a.
  • the data set may be output from the data generation device 13 to the first calculation unit 61 without providing (intervening) the first storage unit 51a.
  • the first calculation unit 61 into which the first data set is input performs an calculation for learning the relationship between the reaction condition and the reaction result based on the data set of the first learning data. Then, the first calculation unit 61 generates a function of the condition parameter and the result parameter, and writes the generated function in the second storage unit 51b (learning; step ST3).
  • the support device 12 switches the mode from the learning mode to the calculation mode, whereby the second arithmetic unit 62 reads the learning data data set from the first storage unit 51a. ..
  • the second calculation unit 62 assigns the value of the condition parameter based on the reaction condition of the training data included in the data set, specifically based on the value of each condition parameter, and the condition data composed of a plurality of different reaction conditions.
  • Generate a set (step ST4).
  • the generated condition data set is written in the second storage unit 51b in a readable state for each reaction condition.
  • the condition data set is generated by the maximum value and the minimum value, and the condition parameter in which the value between the maximum value and the minimum value is carved at equal intervals.
  • the flow rate of the first raw material is 100
  • the flow rate of the second raw material is 545
  • the shape of the confluence is 2
  • the reaction path diameter D32 is 10
  • the reaction temperature is 11, so the reaction of the condition data set.
  • the number of conditions is 100 ⁇ 545 ⁇ 2 ⁇ 10 ⁇ 11, which is a total of 11990000.
  • the first calculation unit 61 performs the learning (that is, step ST3) process, and the second calculation unit 62 generates the condition data set. (That is, the process of step ST4) may be performed at the same time.
  • the third calculation unit 63 reads out these function and condition data set from the second storage unit 51b.
  • the function is output from the first calculation unit 61 to the third calculation unit 63 without providing (intervening) the second storage unit 51b, and the condition data set is output from the second calculation unit 62 to the third calculation unit 63. You may output it.
  • the third calculation unit 63 in which the function and the condition data set are input in this way calculates the prediction result by using the function for each reaction condition of the read condition data set. Then, a prediction data set composed of a plurality of prediction information in which the reaction conditions and the prediction results are associated is generated (step ST5).
  • the third calculation unit 63 writes the generated prediction data set to the third storage unit 51c.
  • the number of prediction information of the generated prediction data set is 11990000 in the present embodiment, which is the same as the number of reaction conditions of the condition data set.
  • the third calculation unit 63 specifies the prediction information indicating the "best prediction result" by comparing the target result RA input in advance with the prediction result of each prediction information of the prediction data set (step ST6).
  • the reaction condition of the identified prediction information is extracted as the extraction reaction condition CP (step ST7), and the prediction information consisting of the extraction reaction condition CP and the prediction result RP corresponding to the extraction reaction condition CP is extracted reaction condition in the prediction data set. It is written in the third storage unit 51c as a prediction result RP associated with the CP and the extraction reaction condition CP.
  • the setting unit 16 After the extraction reaction condition CP is written in the third storage unit 51c, the setting unit 16 reads the extraction reaction condition CP from the third storage unit 51c.
  • the extraction reaction condition CP may be output from the third calculation unit 63 to the setting unit 16 without providing (intervening) the third storage unit 51c.
  • the setting unit 16 in which the extraction reaction condition CP is input in this way causes the flow reaction devices 11 and 41 to try the flow reaction processing under the extraction reaction condition CP (step ST8). Then, the actual measurement result RR, which is the reaction result of the trial, is output to the determination unit 56 by the detection unit 17.
  • the prediction result RP associated with the extraction reaction condition CP written in the third storage unit 51c is read out by the determination unit 56.
  • the prediction result RP may be output from the third calculation unit 63 to the determination unit 56 without interposing the third storage unit 51c.
  • the determination unit 56 into which the prediction result RP is input in this way compares the prediction result RP with the actual measurement result RR (step ST9), and obtains the difference degree DR.
  • the determination unit 56 determines whether or not the difference DR is the allowable range DT based on the difference tolerance DT (1% in the present embodiment) input in advance from the setting unit 16. (Step ST10).
  • the determination unit 56 writes the extraction reaction condition CP as the determination reaction condition CS in the third storage unit 51c, and describes the present embodiment.
  • the determination unit 56 further writes the reaction condition group of the prediction data set stored in the third storage unit 51c into the third storage unit 51c as a reaction data set used for the flow reaction processing of the flow reaction device 11 (step ST11).
  • the setting unit 16 sets the reaction condition in the flow reaction device 11 to the determination reaction condition CS, and performs the flow reaction in the flow reaction device 11 (step ST12). Since the determination reaction condition CS is a reaction condition in which it has already been determined that a reaction result very close to the measured result RR can be obtained, the product can be obtained with the desired molecular weight and dispersity. Further, the determination reaction condition CS is obtained by calculation from a huge number of reaction conditions such as 11990000 in the present embodiment, and the trial and time of the flow reaction processing are greatly shortened as compared with the conventional case.
  • the determination unit 56 reads the extraction reaction condition CP from the third storage unit 51c, and sets the extraction reaction condition CP and the actual measurement result RR. Generate reaction information associated with.
  • the generated reaction information is included in the data set stored in the first storage unit 51a as learning data (step ST13), and the data set of the learning data in the first storage unit 51a is rewritten to the second data set.
  • the first storage unit 51a stores a data set in which the number of training data is one more than that of the previous data set.
  • the determination unit 56 updates the number of connection weights of the neural network 70 so that Mj-1 ⁇ Mj ⁇ Nj / 2 (step ST14). Then, the processes of steps ST3 to ST10 are repeated until step ST10 is affirmed.
  • FIG. 12 is a diagram showing a verification result of the learning accuracy of the neural network in the present embodiment.
  • an index of learning accuracy when the number of learning data included in the data set is 250, 100, 42 is implemented. It is shown as Examples 1-3. Further, an index of learning accuracy when the number of learning data included in the data set is 10, is shown as a comparative example.
  • the degree of dispersion and molecular weight of the reaction result obtained by the neural network from the training data included in the data set of each example, the degree of dispersion of the actually measured reaction result obtained by the reaction condition of the training data, and A coefficient of determination R 2 was used to represent each correlation of molecular weight.
  • a coefficient of determination R 2 of 0.8 or more is regarded as acceptable.
  • the comparative example failed both the coefficient of determination of the degree of dispersion and the coefficient of determination of the molecular weight.
  • both the coefficient of determination of the degree of dispersion and the coefficient of determination of the molecular weight passed. Therefore, it can be seen from FIG. 12 that if the number of training data is set to be at least twice the total number of connection weights M0 of the neural network, the training of the neural network can be performed accurately.
  • FIG. 13 is a diagram showing the relationship between the number of training data included in the data set in the present embodiment and the number of neural network connections.
  • j is the number of trainings and 0 is the training with the initial dataset.
  • the number of training data included in the data set is updated to 57 and the number of nodes in the hidden layer of the neural network is updated to 4 after the completion of the 14th training. .. Learning was continued from the 14th time onward, and at the time of the 70th learning, the difference degree DR was within the permissible range DT, and the flow reaction process was performed under the extraction reaction conditions in the 70th time.
  • an appropriate number of learning data can be generated by appropriately setting the total number M0 of the connection weights of the neural network. Therefore, according to the present embodiment, by using the generated data set, when an unknown reaction condition is input, it is possible to efficiently learn a neural network that outputs a reaction result corresponding to the unknown reaction condition. Therefore, according to the present embodiment, the conditions for the flow reaction processing can be appropriately set.
  • the reaction process can be started more quickly, or one of the plurality of condition parameters must be changed for some reason. Even if there is none, a new reaction process can be performed quickly.
  • the raw material may be three or more kinds.
  • the flow rate according to the number of raw materials and the shape of the confluence according to the number of raw materials are added to the reaction conditions as condition parameters. Therefore, the total number of connection weights of the neural network 70 and the number of training data included in the data set are also changed.
  • three raw materials there are two merging portions, and a T-shaped and cross-branched pipe is used for each of them.
  • two types of reaction tubes are also used.
  • a data set containing 2 ⁇ M0 or more training data is generated to train the neural network. It is not limited. A data set containing an arbitrary number of training data may be generated to train the neural network.
  • the present disclosure is applied to the flow reaction process, but the present disclosure is not limited to this.
  • the present disclosure is applicable to various production processes that produce products. Specifically, the film transport process described in JP2013-129540, the coating process of the optically anisotropic layer in the process for producing an optical compensation sheet described in JP2007-52049, and JP2011. -006788
  • the present disclosure can be applied to the vacuum film forming process and the like in the gas barrier film manufacturing process described in Japanese Patent Application Laid-Open No. 2008.
  • the film transport process includes a film winding process
  • the process conditions corresponding to the reaction conditions in the flow reaction process include (1) film winding tension, (2) tension change timing during winding, and (3).
  • Winding speed and (4) air press pressure can be used, and (1) unwinding amount and (2) black belt can be used as the production result corresponding to the reaction result.
  • the number of nodes in the input layer is 4, and the number of nodes in the output layer is 2.
  • the process conditions include (1) set coating film thickness (line speed, wire bar count), (2) rubbing rotation speed, and (3).
  • the heating zone temperature, (4) UV irradiation output, and (5) film surface temperature at the time of UV irradiation can be used, and (1) retardation variation can be used as the production result.
  • the number of nodes in the input layer is 5, and the number of nodes in the output layer is 1.
  • (1) raw material gas supply flow rate, (2) applied power, and (3) film forming pressure are used as process conditions, and the production result is (1).
  • Water vapor permeability can be used.
  • a processing unit that executes various processes such as the first calculation unit 61 to the third calculation unit 63 of the calculation section 50, the support device 12, the data generation device 13, and the system controller 15.
  • the hardware structure of is the following various processors.
  • the circuit configuration can be changed after manufacturing the CPU (Central Processing Unit), FPGA (Field Programmable Gate Array), etc., which are general-purpose processors that execute software (programs) and function as various processing units.
  • a dedicated electric circuit which is a processor with a circuit configuration specially designed to execute a specific process such as a programmable logic device (PLD), an ASIC (Application Specific Integrated Circuit), etc. Is done.
  • PLD programmable logic device
  • ASIC Application Specific Integrated Circuit
  • One processing unit may be composed of one of these various processors, or may be composed of two or more processors of the same type or different types (for example, a plurality of FPGAs or a combination of a CPU and an FPGA). You may. Further, a plurality of processing units may be configured by one processor. As an example of configuring a plurality of processing units with one processor, first, one processor is configured by a combination of one or more CPUs and software, as represented by a computer such as a client or a server. There is a form in which the processor functions as a plurality of processing units.
  • SoC System On Chip
  • a processor that realizes the functions of the entire system including a plurality of processing units with one IC (Integrated Circuit) chip is used.
  • the various processing units are configured by using one or more of the above-mentioned various processors as a hardware-like structure.
  • circuitry that combines circuit elements such as semiconductor elements.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Organic Chemistry (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Evolutionary Biology (AREA)
  • Analytical Chemistry (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Physical Or Chemical Processes And Apparatus (AREA)
  • Feedback Control In General (AREA)

Abstract

データ生成装置および方法、並びに学習装置および方法において、産生プロセスの条件設定を適切に行うことができるようにする。 データ生成装置は、生成物を産生するためのプロセスにおいて、プロセス条件が入力されるとプロセス条件に対応する産生結果を出力する、複数の層が複数の結合重みにより結合されてなるニューラルネットワークを学習するための複数の学習データからなるデータセットを生成する。この際、ニューラルネットワークの結合重みの総数をＭ０としたときに、２×Ｍ０個以上の複数のプロセス条件が設定される。また、複数のプロセス条件のそれぞれにより生成物を産生することにより導出される、複数のプロセス条件のそれぞれに対応する産生結果が取得される。複数のプロセス条件および産生結果からなる複数の学習データがデータセットとして生成される。

Description

データ生成装置および方法、並びに学習装置および方法
　本開示は、データ生成装置および方法、並びに学習装置および方法に関するものである。
　反応物を含有する原料を反応させる手法には、原料を容器中に収容した状態で反応させるいわゆるバッチ式と、原料を流しながら反応させる連続式とがある。連続式の反応は、原料を流しながら反応させることからフロー反応と呼ばれる。フロー反応処理は、反応を連続的に実施することから生成物が均一な性状で得られやすい。また、フロー反応処理は、生産性がバッチ式に比べて高いという利点がある。
　ところで、化学反応処理に、例えばニューラルネットワークを用いた各種演算を利用する手法が提案されている。例えば、特許文献１では、化学反応装置の各計測器の異常状態下におけるデータをプログラム中に予め学習記憶させたニューラルネットワークによって演算させている。そして、この演算値が設定された正常許容帯値と乖離した場合には、異常信号をニューロコントローラに出力し、化学反応装置の各部に是正制御信号を送ることにより異常反応を制御している。これにより、化学反応装置の異常状態を早急に検出して、迅速かつ的確な制御を行っている。
　特許文献２には、化合物の物性予測の手法として、作成した予測モデルを未知サンプルに適用して予測項目を計算する技術が記載されている。この技術は、未知サンプルと個々の学習サンプルとについて取得した複数のパラメータ値に基づいて未知サンプルと個々の学習サンプルとの類似度を算出し、予め設定した閾値以上の類似度である学習サンプルを取り出してサブサンプルセットを構成している。そしてサブサンプルセットのデータ解析を行って予測モデルを作成し、この予測モデルを未知サンプルに適用して予測項目を計算している。また、特許文献３においては、遺伝的アルゴリズムを用いてフロー反応を制御しており、これにより目的とする生成物を産生している。
特開２００２－３０１３５９号公報 国際公開第２００９／０２５０４５号 特表２０１５－５２０６７４号公報
　フロー反応処理は、原料を流しながら反応させることから、最適な反応条件を見つけ出すことがバッチ式反応処理に比べて通常は難しい。流速あるいは流量等、フロー反応ならではの条件パラメータがフロー反応にはあるからである。
　このように条件パラメータが多いフロー反応は、新たな反応処理を開始するまでに、条件設定に関して多くの試行および時間を要し、特に新たな反応系での条件探索においては顕著である。また、なんらかの理由で例えば複数の条件パラメータのうちのひとつを変更せざるを得ない場合でも、他の条件パラメータのいずれをどう変更するかを決定することは簡単とはいえない。このため、反応結果が既知のデータを学習データとして用いてニューラルネットワークの学習を行うことにより、より好ましい条件設定を行うことが考えられる。
　一方、ニューラルネットワークを学習する場合、学習データが多いほど、学習の精度が向上する。しかしながら、フロー反応処理のような生成物を産生するための産生プロセスにおいては、多くの学習データを用意するためには、多くの原材料が必要となる。また、学習データを用意する間、生産設備が学習データの用意のために占有されてしまうこととなる。また、反応処理には長時間を要するものもある。このように、フロー反応処理のような産生プロセスにおいては、原材料、設備および反応処理の制約があるため、多くの学習データを用意することは困難である。その一方で、ある程度の数の学習データを用意しないと、ニューラルネットワークの学習を精度よく行うことができない。ニューラルネットワークの学習を精度よく行うことができないと、産生プロセスの条件設定を適切に行うことができない。
　本開示は上記事情に鑑みなされたものであり、産生プロセスの条件設定を適切に行うことができるようにすることを目的とする。
　本開示によるデータ生成装置は、生成物を産生するためのプロセスにおいて、プロセス条件が入力されるとプロセス条件に対応する産生結果を出力する、複数の層が複数の結合重みにより結合されてなるニューラルネットワークを学習するための複数の学習データからなるデータセットを生成するデータ生成装置であって、
　ニューラルネットワークの結合重みの総数をＭ０としたときに、２×Ｍ０個以上の複数のプロセス条件を設定するプロセス条件設定部と、
　複数のプロセス条件のそれぞれにより生成物を産生することにより導出される、複数のプロセス条件のそれぞれに対応する産生結果を取得する産生結果取得部と、
　複数のプロセス条件のそれぞれとそれぞれのプロセス条件に対応する産生結果からなる複数の学習データを、データセットとして生成する生成部とを備える。
　なお、本開示によるデータ生成装置においては、プロセス条件設定部は、２×Ｍ０個以上、１０×Ｍ０個以下の複数のプロセス条件を設定するものであってもよい。
　また、本開示によるデータ生成装置においては、プロセス条件設定部は、プロセス条件の上限および下限を設定するものであってもよい。
　また、本開示によるデータ生成装置においては、プロセスは、原料を流しながら原料を反応させて生成物を産生するフロー反応処理であってもよい。
　本開示による第１の学習装置は、生成物を産生するためのプロセスにおいて、プロセス条件が入力されるとプロセス条件に対応する産生結果を出力する、複数の層が複数の結合重みにより結合されてなるニューラルネットワークを学習する学習装置であって、
　本開示のデータ生成装置により生成されたデータセットを用いて、ニューラルネットワークの結合重みを導出する第１の演算を行う第１の演算部と、
　結合重みが演算されたニューラルネットワークを用いて、産生結果が未知である複数のプロセス条件を有する条件データセットのプロセス条件毎に予測結果を算出することにより、プロセス条件と予測結果を関連付けた予測データセットを生成し、得られた複数の予測結果のうち、予め設定した目標結果に最も近い予測結果を特定し、特定した予測結果に関連付けられたプロセス条件を抽出プロセス条件として抽出する第２の演算を行う第２の演算部と、
　データセットの数をＮｊ、ニューラルネットワークの結合重みの数をＭｊとしたときに、抽出プロセス条件で生産物を産生した場合の産生結果と、抽出プロセス条件に関連付けられた予測結果との相違度が予め設定した許容範囲であるか否かの判定を行い、判定が否定された場合には、抽出プロセス条件と抽出プロセス条件で産生させた場合の産生結果とを関連付けた産生情報を学習データとしてデータセットに加えることによりデータセットの数Ｎｊを更新し、ニューラルネットワークの新たな結合重みの数Ｍｊを、Ｍｊ－１≦Ｍｊ＜Ｎｊ／２となるように更新し、判定が肯定された場合には、抽出プロセス条件をプロセスに用いるプロセス条件に決定する判定部とを備え、
　判定が肯定されるまで、更新されたデータセットおよび結合重みが更新されたニューラルネットワークに基づいて、第１の演算、第２の演算および判定を繰り返す。
　本開示による第２の学習装置は、生成物を産生するためのプロセスにおいて、プロセス条件が入力されるとプロセス条件に対応する産生結果を出力する、複数の層が複数の結合重みにより結合されてなるニューラルネットワークを学習する学習装置であって、
　複数のプロセス条件のそれぞれとそれぞれのプロセス条件に対応する産生結果とからなる複数の学習データからなるデータセットを用いて、ニューラルネットワークの結合重みを導出する第１の演算を行う第１の演算部と、
　結合重みが演算されたニューラルネットワークを用いて、産生結果が未知である複数のプロセス条件を有する条件データセットのプロセス条件毎に予測結果を算出することにより、プロセス条件と予測結果を関連付けた予測データセットを生成し、得られた複数の予測結果のうち、予め設定した目標結果に最も近い予測結果を特定し、特定した予測結果に関連付けられたプロセス条件を抽出プロセス条件として抽出する第２の演算を行う第２の演算部と、
　データセットの数をＮｊ、ニューラルネットワークの結合重みの数をＭｊとしたときに、抽出プロセス条件で生産物を産生した場合の産生結果と、抽出プロセス条件に関連付けられた予測結果との相違度が予め設定した許容範囲であるか否かの判定を行い、判定が否定された場合には、抽出プロセス条件と抽出プロセス条件で産生させた場合の産生結果とを関連付けた産生情報を学習データとしてデータセットに加えることによりデータセットの数Ｎｊを更新し、ニューラルネットワークの新たな結合重みの数Ｍｊを、Ｍｊ－１≦Ｍｊ＜Ｎｊ／２となるように更新し、判定が肯定された場合には、抽出プロセス条件をプロセスに用いるプロセス条件に決定する判定部とを備え、
　判定が肯定されるまで、更新されたデータセットおよび結合重みが更新されたニューラルネットワークに基づいて、第１の演算、第２の演算および判定を繰り返す。
　なお、本開示による第１または第２の学習装置においては、プロセスは、原料を流しながら原料を反応させて生成物を産生するフロー反応処理であってもよい。
　本開示によるデータ生成方法は、生成物を産生するためのプロセスにおいて、プロセス条件が入力されるとプロセス条件に対応する産生結果を出力する、複数の層が複数の結合重みにより結合されてなるニューラルネットワークを学習するための複数の学習データからなるデータセットを生成するデータ生成方法であって、
　ニューラルネットワークの結合重みの総数をＭ０としたときに、２×Ｍ０個以上の複数のプロセス条件を設定し、
　複数のプロセス条件のそれぞれにより生成物を産生することにより導出される、複数のプロセス条件のそれぞれに対応する産生結果を取得し、
　複数のプロセス条件のそれぞれとそれぞれのプロセス条件に対応する産生結果からなる複数の学習データを、データセットとして生成する。
　本開示による第１の学習方法は、生成物を産生するためのプロセスにおいて、プロセス条件が入力されるとプロセス条件に対応する産生結果を出力する、複数の層が複数の結合重みにより結合されてなるニューラルネットワークを学習する学習方法であって、
　本開示のデータ生成方法により生成されたデータセットを用いて、ニューラルネットワークの結合重みを導出する第１の演算を行い、
　結合重みが演算されたニューラルネットワークを用いて、産生結果が未知である複数のプロセス条件を有する条件データセットのプロセス条件毎に予測結果を算出することにより、プロセス条件と予測結果を関連付けた予測データセットを生成し、得られた複数の予測結果のうち、予め設定した目標結果に最も近い予測結果を特定し、特定した予測結果に関連付けられたプロセス条件を抽出プロセス条件として抽出する第２の演算を行い、
　データセットの数をＮｊ、ニューラルネットワークの結合重みの数をＭｊとしたときに、抽出プロセス条件で生産物を産生した場合の産生結果と、抽出プロセス条件に関連付けられた予測結果との相違度が予め設定した許容範囲であるか否かの判定を行い、判定が否定された場合には、抽出プロセス条件と抽出プロセス条件で産生させた場合の産生結果とを関連付けた産生情報を学習データとしてデータセットに加えることによりデータセットの数Ｎｊを更新し、ニューラルネットワークの新たな結合重みの数Ｍｊを、Ｍｊ－１≦Ｍｊ＜Ｎｊ／２となるように更新し、判定が肯定された場合には、抽出プロセス条件をプロセスに用いるプロセス条件に決定し、
　判定が肯定されるまで、更新されたデータセットおよび結合重みが更新されたニューラルネットワークに基づいて、第１の演算、第２の演算および判定を繰り返す。
　本開示による第２の学習方法は、生成物を産生するためのプロセスにおいて、プロセス条件が入力されるとプロセス条件に対応する産生結果を出力する、複数の層が複数の結合重みにより結合されてなるニューラルネットワークを学習する学習方法であって、
　複数のプロセス条件のそれぞれとそれぞれのプロセス条件に対応する産生結果とからなる複数の学習データからなるデータセットを用いて、ニューラルネットワークの結合重みを導出する第１の演算を行い、
　結合重みが演算されたニューラルネットワークを用いて、産生結果が未知である複数のプロセス条件を有する条件データセットのプロセス条件毎に予測結果を算出することにより、プロセス条件と予測結果を関連付けた予測データセットを生成し、得られた複数の予測結果のうち、予め設定した目標結果に最も近い予測結果を特定し、特定した予測結果に関連付けられたプロセス条件を抽出プロセス条件として抽出する第２の演算を行い、
　データセットの数をＮｊ、ニューラルネットワークの結合重みの数をＭｊとしたときに、抽出プロセス条件で生産物を産生した場合の産生結果と、抽出プロセス条件に関連付けられた予測結果との相違度が予め設定した許容範囲であるか否かの判定を行い、判定が否定された場合には、抽出プロセス条件と抽出プロセス条件で産生させた場合の産生結果とを関連付けた産生情報を学習データとしてデータセットに加えることによりデータセットの数Ｎｊを更新し、ニューラルネットワークの新たな結合重みの数Ｍｊを、Ｍｊ－１≦Ｍｊ＜Ｎｊ／２となるように更新し、判定が肯定された場合には、抽出プロセス条件をプロセスに用いるプロセス条件に決定し、
　判定が肯定されるまで、更新されたデータセットおよび結合重みが更新されたニューラルネットワークに基づいて、第１の演算、第２の演算および判定を繰り返す。
　本開示によれば、産生プロセスの条件設定を適切に行うことができる。
フロー反応処理設備の概略図 別のフロー反応装置の概略図 データ生成装置の構成を示す概略ブロック図 ニューラルネットワークの層構造の概念図 初期のデータセットの説明図 フロー反応支援装置の構成を示すブロック図 条件データセットの説明図 予測データセットの説明図 対比データの説明図 本実施形態において行われる処理を示すフローチャート 本実施形態において行われるデータ生成処理のフローチャート 本実施形態におけるニューラルネットワークの学習精度の検証結果を示す図 本実施形態におけるデータセットに含まれる学習データの数と、ニューラルネットワークの結合数との関係を示す図
　以下、図面を参照して本開示の実施形態について説明する。図１は本開示の実施形態によるデータ生成装置および学習装置を適用した産生プロセスの設備の一態様であるフロー反応設備を示す図である。図１に示すように、フロー反応設備１０は、フロー反応装置１１、フロー反応支援装置（以下、単に「支援装置」と称する）１２、データ生成装置１３、システムコントローラ１５、設定部１６、および検出部１７等を備える。フロー反応装置１１は、フロー反応処理を行い、生成物を得るための装置である。
　フロー反応装置１１で行うフロー反応は、例えばモノマーである化合物を合成する合成反応、モノマー同士を反応させることにより重合体を生成させる重合反応の他、例えばアニオン重合反応等の開始反応および停止反応等の素反応であってもよい。したがって、フロー反応の対象となる反応物は、例えば停止反応の対象となる生長（成長）段階の化合物であってもよい。本実施形態では、ポリスチリルリチウムの生長（成長）をメタノールで停止させる停止反応をフロー反応で行っている。
　フロー反応装置１１は、第１供給部２１、第２供給部２２、反応セクション２３および回収セクション２６を備える。第１供給部２１および第２供給部２２はそれぞれ反応セクション２３の上流側端部に配管で接続されており、回収セクション２６は反応セクション２３の下流側端部に配管で接続されている。
　第１供給部２１は、フロー反応の第１原料を反応セクション２３へ供給するためのものである。本実施形態の第１原料はポリスチリルリチウムを溶媒に溶解した第１液であり、ポリスチリルリチウムはフロー反応処理の反応物の一例である。本実施形態においては、第１供給部２１は、ポルスチリルリチウムを溶媒に溶解した第１液を、反応セクション２３へ供給している。溶媒にはテトラヒドロフラン（以下、ＴＨＦと称する）を用いており、トルエンおよびヘキサンが第１液には少量混じっている。このようにフロー反応の原料は反応物と他の物質との混合物であってもよいし、あるいは反応物のみで構成されていてもよい。第１供給部２１は、ポンプ（図示無し）を備えており、ポンプの回転数を調節することにより、反応セクション２３への第１原料の流量が調節される。
　第２供給部２２は、フロー反応の第２原料を、反応セクション２３へ供給するためのものである。本実施形態の第２原料はメタノールと水との混合物、すなわちメタノール水溶液であり、メタノールを停止反応の停止剤として用いている。第２供給部２２も第１供給部２１と同様にポンプ（図示無し）を備えており、ポンプの回転数を調節することにより、反応セクション２３へのメタノールの流量が調節される。第１供給部２１および第２供給部２２は本実施形態では液体を反応セクション２３へ供給しているが、供給物は液体に限定されず、固体または気体であってもよい。
　反応セクション２３は、フロー反応としての停止反応を行うためのものであり、合流部３１、反応部３２、および温調部３３を備える。合流部３１はＴ字に分岐した管、すなわちＴ字管である。合流部３１の第１管部３１ａは第１供給部２１に、第２管部３１ｂは第２供給部２２に、第３管部３１ｃは反応部３２に、それぞれ接続されている。これにより、案内されてきた第１原料と第２原料とが合流し、混合した状態で反応部３２へ送られる。
　反応部３２は、複数の管状部材を長さ方向に繋げた管である。管状部材の本数および用いる個々の管状部材の長さの少なくとも一方を変えることにより、反応部３２の長さＬ３２は変更される。また、管状部材を内径が異なる他の管状部材に変えることにより、反応部３２の内径である反応路径Ｄ３２は変更される。
　反応部３２は内部が第１原料と第２原料との混合物（以下、混合原料と称する）の流路とされ、管内の中空部を反応の場として画定している。混合原料は、反応部３２を通過しながらアニオン重合の停止反応が進められ、ポリスチレンが生成される。合流部３１の第３管部３１ｃにおいても反応が若干は進むが、反応部３２の長さＬ３２（本実施形態では８ｍ）に対して合流部３１の第３管部３１ｃの長さは非常に短く、本実施形態の第３管部３１ｃの長さは概ね０．０３ｍとしている。そのため、第３管部３１ｃの長さは無視し、反応部３２の長さＬ３２を、フロー反応を行う場の長さ（以下、反応路長と称する）と見なしている。以下、反応路長に符号Ｌ３２を用いる。同様に、反応部３２の内径Ｄ３２を、フロー反応を行う場の径（以下、反応路径と称する）と見なし、反応路径に符号Ｄ３２を用いる。
　温調部３３は、フロー反応の温度（以下、反応温度と称する）を調節するためのものである。温調部３３は、合流部３１および反応部３２を介して、これらの中を流れる混合原料の温度（反応温度）を調節する。設定部１６によって設定した反応温度（以下、設定温度と称する）と、温調部３３によって温調された混合原料の温度とが同じである場合には、設定温度を反応温度とみなしてよく、本実施形態でもそのようにしている。なお、設定温度と、混合原料の温度との差が大きい場合等には、例えば反応部３２内等に温度を検出する温度検出器を設け、この温度検出器の検出結果を反応温度とすればよい。
　回収セクション２６は、フロー反応の生成物であるポリスチレンを回収するためのものである。回収セクション２６は、いずれも不図示の析出部、採取部および乾燥部等で構成されている。析出部は、生成物であるポリスチレンを析出させるためのものである。本実施形態においては、攪拌機を備えた容器を析出部として用いている。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、反応セクションから案内されてきたポリスチレン溶液を入れることにより、ポリスチレンを析出させている。
　採取部は、析出したポリスチレンをメタノールとＴＨＦ等との混合液から採取するためのものである。本実施形態ではろ過器を採取部として用いている。
　乾燥部は、採取されたポリスチレンを乾燥するためのものである。本実施形態では、乾燥部として、減圧機能をもつ恒温槽を用いている。恒温槽内部を減圧状態にした状態で加熱することによりポリスチレンが得られる。
　反応セクションおよび回収セクションは、上記の例に限られず、フロー反応の種類および生成物の種類等の少なくとも１つに応じて適宜変更される。例えば、回収セクション２６に代えて容器を設け、この容器に、反応セクション２３から案内されてきたポリスチレン溶液を一旦貯留してもよい。この場合には、貯留したポリスチレン溶液を、回収セクション２６に案内し、ポリスチレンを析出、採取、および乾燥させることにより得るとよい。
　検出部１７は、回収セクション２６および支援装置１２と接続されており、フロー反応の処理結果である反応結果を検出し、支援装置１２の判定部５６（図６参照）へ出力する。反応結果が、本開示の産生結果に対応する。反応結果となるパラメータ（以下、結果パラメータと称する）としては、生成物の純度、分子量、または分子量分散度（以下、単に分散度と称する）等の生成物の性状の他、収率等が挙げられる。また、回収セクション２６において生成物が例えば溶媒に溶けている溶液状態で得られる場合には、溶液における生成物の濃度（モル濃度等）も結果パラメータとして検出してよい。なお、検出部１７は、生成物のこれら各種性状に加えて、副生成物の収率あるいは純度等の各種性状を結果パラメータとして検出してもよい。反応結果を構成する結果パラメータは複数であってもよい。
　本実施形態では、回収セクション２６で得られたポリスチレンの分子量および分散度を検出部１７により検出している。すなわち、本実施形態での結果パラメータは分子量および分散度の２つである。検出している分子量は数平均分子量（Ｍｎ）である。分子量および分散度は、ポリスチレンをＴＨＦに溶解することによりポリスチレン溶液をつくり、この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と称する，ＧＰＣはGel Permeation Chromatographyの略）により求めている。なお、分散度は、重量平均分子量（Ｍｗ）を数平均分子量で除したＭｗ／Ｍｎである。結果パラメータの検出は、ＧＰＣに限られない。例えば、赤外分光法（ＩＲ，infrared spectroscopy）、核磁気共鳴分光法（ＮＭＲ，Nuclear Magnetic Resonance spectroscopy）、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、各種の手法で検出してもよい。
　ＧＰＣは、下記の条件で測定している。
　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：ＴＨＦ
　サンプル側移動層流量：１．０ｍＬ／分
　リファレンス側移動層流量：１．０ｍＬ／分
　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
　システムコントローラ１５は、フロー反応装置１１を統括的に制御する。システムコントローラ１５は、第１供給部２１および第２供給部２２の各ポンプ、および温調部３３のそれぞれと接続されている。システムコントローラ１５は、第１供給部２１および第２供給部２２の各ポンプの回転数を調節することによって第１原料および第２原料のそれぞれの流量を調節し、これにより、反応セクション２３へ向かう第１原料および第２原料の各流速を制御する。なお、第１原料の流速は、第１供給部２１から反応セクション２３へ送り出す第１原料の流量をＸ１（単位はｍ3／秒）とし、第１供給部２１と反応セクション２３との間の配管の断面積をＸ２（単位はｍ2）とするときに、Ｘ１／Ｘ２で求められる。第２原料の流速も同様に、第２供給部２２から反応セクション２３へ送り出す第２原料の流量をＸ１とし、第２供給部２２と反応セクション２３との間の配管の断面積をＸ２（単位はｍ2）とし、Ｘ１／Ｘ２で求められる。なお、第１原料および第２原料の各流量は本実施形態では市販品である各ポンプのカタログデータに基づいて回転数から求めている。また、システムコントローラ１５は、温調部３３の調節により、混合原料の温度を制御する。このように、システムコントローラ１５はフロー反応装置１１の各部を調節することにより、フロー反応装置１１を統括的に制御する。
　設定部１６は、フロー反応装置１１におけるフロー反応処理の処理条件（以下、反応条件と称する）を設定するためのものである。なお、反応条件が本開示のプロセス条件に対応する。反応条件は、複数の条件パラメータの組み合わせである。設定部１６は、不図示の操作部を有し、操作部からの操作信号の入力によって反応条件を設定し、これによりシステムコントローラ１５を介してフロー反応装置１１を設定された反応条件に制御する。例えば、操作部のマウスでのクリックあるいは選択、および／またはキーボードでの文字の入力等により反応条件が設定される。設定部１６は支援装置１２と接続されており、上記の操作部からの操作信号に加えて、または代わりに、支援装置１２の後述の第３記憶部５１ｃから読み出した後述の決定反応条件ＣＳに反応条件を設定し、これによりシステムコントローラ１５を介してフロー反応装置１１を予め定められた反応条件に制御する。なお、本実施形態の設定部１６は、支援装置１２に対しても後述のように入力信号を与えることができる。
　設定部１６で設定する条件パラメータは、実施するフロー反応処理の種類によって決定すればよく、特に限定されない。例えば、第１原料および第２原料等の原料の流量、流速、反応セクション２３へ送り込む原料の温度、反応温度、および反応時間等の少なくとも１つが挙げられる。本実施形態では、条件パラメータを、第１原料の流量、第２原料の流量、合流部の形状、反応路径Ｄ３２、反応路長Ｌ３２および反応温度としている。
　フロー反応処理の条件パラメータには、予め決定した一定の値に固定する条件パラメータ（以下、固定パラメータと称する）があってもよい。本実施形態の固定パラメータは、第１原料および第２原料における反応物の濃度、並びに反応路長Ｌ３２である。第１原料および第２原料における反応物の濃度、並びに反応路長Ｌ３２は、本実施形態では予め決定しており、システムコントローラ１５を介した制御（例えば、濃度をより高く変更する、より低く変更する等の制御）は行っていない。このように、フロー反応には、システムコントローラ１５による制御を行わず、例えば原料の調製工程およびフロー反応装置１１の組み立て工程等において変更を行う条件パラメータがあってもよい。
　なお、フロー反応設備１０において、フロー反応装置１１を他のフロー反応装置に置き換えることができる。例えば本実施形態では、図２に示すフロー反応装置４１を図２に示すフロー反応装置１１に置き換えることができる。フロー反応装置４１は、合流部３１を合流部４２に置き換えた反応セクション４３を備える。なお、図２において、図１と同じ部材については図１と同じ符号を付し、説明を略す。
　合流部４２は、十字(cross)に分岐した管、すなわち十字管(cross tube)である。合流部４２の第１管部４２ａは第２供給部２２に、第１管部４２ａと交差する第２管部４２ｂおよび第３管部４２ｃは第１供給部２１に、残る第４管部４２ｄは反応部３２に、それぞれ接続されている。これにより、案内されてきた第１原料と第２原料とが合流し、混合した状態で反応部３２へ送られる。
　支援装置１２は、フロー反応装置１１によって行うフロー反応処理について、反応条件となる複数の条件パラメータを迅速に決定するための支援を行う。支援装置１２の詳細は、後述する。
　データ生成装置１３は、フロー反応装置１１によって行うフロー反応処理について、反応条件が入力されると反応条件に対応する反応結果を出力する、複数の層が複数の結合重みにより結合されてなるニューラルネットワークを学習するための複数の学習データからなるデータセットを生成する。
　図３はデータ生成装置の構成を示す概略ブロック図である。図３に示すように、データ生成装置１３は、反応条件設定部５２、反応結果取得部５３および生成部５４を備える。
反応条件設定部５２および反応結果取得部５３が、それぞれ本開示のプロセス条件設定部および産生結果取得部に対応する。
　反応条件設定部５２は、ニューラルネットワークの結合重みの総数をＭ０としたときに、２×Ｍ０個以上の複数の反応条件を設定する。なお、反応条件設定部５２は、反応条件に含まれる各条件パラメータの上限および下限も設定する。図４は、本実施形態において使用するニューラルネットワークの層構造の概念図である。図４に示すように、ニューラルネットワーク７０は、入力層Ｌ１、中間層（隠れ層）Ｌ２および出力層Ｌ３の３層構造を有する。入力層Ｌ１は、説明変数である条件パラメータの値ｘｉで構成される。本実施形態においては、条件パラメータは、第１原料の流量、第２原料の流量、合流部の形状、反応路径Ｄ３２、反応路長Ｌ３２および反応温度であるため、ｉ＝１～５である。隠れ層Ｌ２は、３つのノードｕ１～ｕ３で構成され、本実施形態では１層となっている。出力層Ｌ３は目的変数である結果パラメータの値ｙｍで構成される。本実施形態においては、結果パラメータは分子量および分散度であるため、ｍ＝１，２である。なお、ニューラルネットワーク７０の詳細な構成については後述する。
　図４に示すようなニューラルネットワーク７０を使用する場合、ニューラルネットワークの結合の重みの総数Ｍ０は、５×３＋３×２＝２１個となる。このため、反応条件設定部５２は、２×２１＝４２個以上の反応条件を設定する。また、反応条件の数の上限としては、本実施形態においては、１０×Ｍ０を用いる。本実施形態においては、反応条件設定部５２が結合の重みの総数Ｍ０に基づいて設定した反応条件を初期反応条件として用いる。
　なお、条件パラメータとしての第１原料の流量および第２原料の流量の上限は、第１供給部２１および第２供給部が備えるポンプの能力に基づいて決定すればよい。一方、流量の下限は、配管に原料が充満される速度とすればよい。流速が過度に低くなると配管に原料が充満しなくなり、配管内にエアが混入し、反応ムラが生じてしまう。このため、配管に原料が充填される速度とは、配管にエアが混入しないように原料を供給することが可能な最低の速度を意味する。ここで、フロー反応装置のように反応路径が小さい場合、流体体積あたりの面積（比表面積）が大きいため、配管に原料が充満していないと反応ムラが顕著に発生してしまう。上記のように、第１原料の流量および第２原料の流量の下限を配管に原料が充満される速度に決定することにより、反応ムラの発生を防止することができる。
　一方、連続的な学習データを収集するにあたり、収集する学習データの質が重要となる。すなわち、学習データに含まれる条件パラメータの上限および下限が、学習データの中で均等にばらついている学習データを収集することが重要となる。学習データを収集する際の条件パラメータの振り方によっては、学習データに偏りが生じてしまい、その結果、質の悪い学習データしか得られない可能性がある。このため、学習データを収集するに際して、特にフロー反応プロセスにおいては、フロー反応のマイクロスケールまたはミリスケールで強く発現する物理量を利用して条件パラメータを振ることが有効である。すなわち、マイクロスケールまたはミリスケールの流路での混合では、流れが緻密な層流であるため、まず流体の分割および混合によって微小で規則的な流体塊を生成し、必要であれば衝突等の強制的な対流混合を利用しつつ、最終的に分子拡散によって混合が完了する。このため、マクロサイズにみられるような乱流によるランダムな混合状態にはならず、全体に亘って均一な混合操作が可能となる。対流混合の促進には流量が大きく依存する。
　したがって、学習データに含まれる条件パラメータとして、流量にばらつきを持たせるために、まず流量の上限および下限に対して５０％の値を中間値として導出する。そして、流量の下限以上中間値未満の第１の範囲内で流量を振る。次いで、流量の中間値以上上限以下の第２の範囲内で流量を振るようにする。なお、第１の範囲と第２の範囲とにおいては学習データの数は同一とすることが好ましいが、少なくとも３０％の数の学習データが第１の範囲内または第２の範囲内にあればよい。これにより、流量の上限および下限の範囲内において、偏りのない学習データを連続的に収集することが可能となる。このような方法を用いることにより、条件パラメータがばらつきを持った、良質な学習データを生成することが可能である。また、先に第２の範囲内で流量を振り、次いで、第１の範囲内で流量を振るようにしてもよい。
　反応結果取得部５３は、反応条件設定部５２が設定した複数の反応条件のそれぞれにより、フロー反応装置１１にフロー反応処理を行わせることにより導出される反応結果を取得する。すなわち、設定された反応条件のそれぞれについて、反応結果、すなわち結果パラメータが取得される。この際、個々の反応条件と反応結果とが関連付けられて１つの反応情報が生成される。この１つの反応情報が学習データとなる。
　生成部５４は、反応条件と反応結果との組み合わせからなる４２個の反応情報、すなわち学習データをデータセットとして生成する。生成されたデータセットは、支援装置１２に入力される。
　図５はデータセットを示す図である。図５に示すように、データセットは４２個の学習データからなる。各学習データは、第１原料の流量、第２原料の流量、合流部の形状、反応部における反応路径、および反応温度を含む反応条件と、生成物の分散度および分子量を含む反応結果とが対応づけられている。
　図６は支援装置１２の構成を示す概略ブロック図である。図６に示すように、支援装置１２は、演算セクション５０、第１記憶部５１ａ～第３記憶部５１ｃ、および判定部５６等から構成されている。本実施形態においては第１記憶部５１ａ～第３記憶部５１ｃは、演算セクション５０とは別に構成されているが、演算セクション５０の一部として構成されていてもよい。なお、演算セクション５０および判定部５６が、本開示の学習装置を構成する。
　第１記憶部５１ａは、データ生成装置１３が生成した複数の学習データからなるデータセットが記憶される。また、データセットにはない反応条件により、フロー反応装置１１において反応結果が取得されると、その反応条件と反応結果とからなる反応情報が新たな学習データとして記憶される。第１記憶部５１ａは、反応情報のうち反応条件のみで読み込み可能な状態に記憶する。例えば第１記憶部５１ａは、学習データに含まれる反応条件および反応結果を互いに異なるフィールドに記憶し、かつ反応条件および反応結果の関連付け情報を記憶する。または、反応条件および既知の反応結果をともに記憶しておくフィールドと、反応条件のみを記憶しておくフィールドとを設けてもよい。
　初期の学習時には、データ生成装置１３が生成したデータセットに含まれる反応情報が学習データとして学習に使用される。本実施形態においては、初期状態において図５に示す４２個の学習データからなるデータセットが第１記憶部５１ａに記憶される。
　なお、図５に示すように、第１記憶部５１ａに記憶されるデータセットは、本実施形態では複数の学習データを表構造で記憶している。具体的には、学習データの種別を縦欄に並んだ状態に配し、学習データの種別と反応条件と反応結果とを横欄に並んだ状態に配してある。但し、縦欄と横欄とは逆でもよい。第１記憶部５１ａにおけるデータセットの記憶態様は表構造に限られず、反応条件と反応結果とが関連付けられていればよい。したがって、例えば反応条件と反応結果とのそれぞれのフィールドを設けて記憶すればよい。
　演算セクション５０は、学習モードおよび算出モードを有し、モードに応じて目的とする演算処理を行う。演算セクション５０は、第１演算部６１～第３演算部６３を備え、第１演算部６１は、学習モードでは演算処理を行い、算出モードでは後述のように演算を休止した休止状態と第１記憶部５１ａを読み込む状態とを繰り返している。第２演算部６２および第３演算部６３は、学習モードでは休止状態となっており、算出モードでは演算処理を行う。
　第１演算部６１は、第１記憶部５１ａに記憶されているデータセットを読み出し、読み出したデータセットに含まれる学習データを用いて反応条件と反応結果との関連性を学習する。そして、第１演算部６１は、学習により、反応条件と反応結果とを関連付けた関数を生成し、生成した関数を第２記憶部５１ｂに書き込む。反応条件を構成する複数の条件パラメータと反応結果を構成する結果パラメータとのそれぞれは関数における変数であり、条件パラメータおよび結果パラメータを既に決めてある場合には、関数の生成とは、関数における係数の生成を意味する。
　本実施形態では、第１演算部６１は、反応条件の各条件パラメータを説明変数とし、反応結果の結果パラメータを目的変数として学習を行うことにより、ニューラルネットワークの結合重みを表す重み係数を導出し、１回目の学習を終えた学習済みのニューラルネットワークを構築する。なお、説明変数は入力変数に相当し、目的変数は出力変数に相当する。第１演算部６１において構築されたニューラルネットワークによって、本実施形態では、例えば以下の関数（１Ａ）および（１Ｂ）が生成される。
　y1=wu1y1/[1+exp{-(wx1u1×x1+wx2u1×x2+…+wx5u1×x5)}]
　　+wu2y1/[1+exp{-(wx1u2×x1+wx2u2×x2+…+wx5u2×x5)}]
　　+wu3y1/[1+exp{-(wx1u3×x1+wx2u3×x2+…+wx5u3×x5)}]　　…（１Ａ）
　y2=wu1y2/[1+exp{-(wx1u1×x1+wx2u1×x2+…+wx5u1×x5)}]
　　+wu2y2/[1+exp{-(wx1u2×x1+wx2u2×x2+…+wx5u2×x5)}]
　　+wu3y2/[1+exp{-(wx1u3×x1+wx2u3×x2+…+wx5u3×x5)}]　　…（１Ｂ）
　上記関数（１Ａ）および（１Ｂ）において、ｘｉ（ｉは自然数）は条件パラメータの値であり、ｉの最大値は条件パラメータの個数である。本実施形態においては、図４に示す構造のニューラルネットワークを使用するため、本実施形態ではｉは５である。ｙｍ（ｍは自然数）は結果パラメータの値であり、ｍの最大値は結果パラメータの個数である。したがって、本実施形態ではｍは２である。ｕｌ（ｌは自然数）は隠れ層Ｌ２のノードであり、ｌの最大値はノードの個数である。本実施形態ではｌは３である。ｗxiul、ｗulymはニューラルネットワークの結合重みを表す重み係数である。具体的には以下である。下記の流量に関し、１ｍＬ（ミリリットル）／ｍｉｎは、１×１０－６×（１／６０）ｍ3／秒として換算できる。
　ｙ１；ポリスチレンの分子量
　ｙ２；ポリスチレンの分散度
　ｘ１（単位はｍＬ／ｍｉｎ）；第１原料の流量（最小値０．５ｍＬ／ｍｉｎ、最大値１００ｍＬ／ｍｉｎ）
　ｘ５（単位はｍＬ／ｍｉｎ）；第２原料の流量（最小値０．５ｍＬ／ｍｉｎ、最大値１００ｍＬ／ｍｉｎ）
　ｘ３（無次元の値である）；合流部の形状がＴ字の場合を「１」、十字の場合を「２」と定義
　ｘ４（単位はｍｍ）；反応路径（最小値１ｍｍ、最大値１０ｍｍ）
　ｘ５（単位は℃）；反応温度（最小値０℃、最大値１０℃）
　ｕｌ；ノード
　ｗxiul；ｘｉとｕｌとの間の重み係数
　ｙｍ；結果パラメータの値
　ｗulym；ｕｌとｙｍとの間の重み係数
　ニューラルネットワークは、市販のニューラルネットワークフィッティングアプリケーションを用いて構築できる。例えば本実施形態では、ＭａｔｈＷｏｒｋｓ社製のＭａｔｌａｂ　Ｎｅｕｒａｌ　Ｆｉｔｔｉｎｇ　ｔｏｏｌを用いてニューラルネットワークを構築している。ニューラルネットワークフィッティングアプリケーションは、上記に限定されず、例えばＲ言語上で動作可能なＲＳｔｕｄｉｏ社製のｋｅｒａｓパッケージ等を用いることもできる。
　ニューラルネットワークは、上述した図４に示すように入力層Ｌ１と隠れ層Ｌ２と出力層Ｌ３との３層構造を有する。入力層Ｌ１は、説明変数である条件パラメータの値ｘ１～ｘ５で構成される。隠れ層Ｌ２は、３つのノードｕ１～ｕ３で構成され、本実施形態では１層となっている。ノードｕ１～ｕ３のそれぞれは、ｘ１～ｘ５をｘ１～ｘ５の各々に対応する重み係数ｗxiulで重み付けした値の総和である。出力層Ｌ３は目的変数である結果パラメータの値ｙ１，ｙ２で構成される。結果パラメータの値ｙ１，ｙ２のそれぞれは、ノードｕ１～ｕ３を用いて、ノードｕ１～ｕ３の各々に対応する重み係数ｗulymで重み付けし、求めた値である。図４における黒丸「●」は、重み係数ｗxiul，ｗulymを示している。なお、ニューラルネットワークの層構造は本実施形態に限定されない。
　演算セクション５０は、第１演算部６１によって第２記憶部５１ｂに関数が書き込まれた場合には、学習モードを算出モードに切り替える。第２演算部６２は、算出モードにおいて、第１記憶部５１ａから学習データの反応条件を読み出し、読み出した反応条件に基づいて、反応結果が未知である複数の反応条件を含む条件データセットを生成し、第２記憶部５１ｂに書き込む。条件データセットは、読み出した反応結果が既知である反応条件を含んでいてもよく、本実施形態でもそのようにしている。
　第２演算部６２は、反応条件を成す複数の条件パラメータのうち、少なくとも１つの条件パラメータの値を振り、反応結果が未知の反応条件を生成することにより、条件データセットを生成する。例えば、複数の条件パラメータのうち第１原料の流量について、データ生成装置１３が生成した学習データにおける反応条件内の第１原料の流量が１ｍＬ／ｍｉｎ，１０ｍＬ／ｍｉｎ，１１ｍＬ／ｍｉｎ，２０ｍＬ／ｍｉｎ，１００ｍＬ／ｍｉｎを含む場合には、例えば２ｍＬ／ｍｉｎ，５ｍＬ／ｍｉｎ，６ｍＬ／ｍｉｎ等の値である場合の反応結果は未知であるから、これらの値についての反応条件を生成する。
　反応結果が未知の反応条件となる状態に生成する条件パラメータの値は、第１記憶部５１ａから読み出した反応条件の条件パラメータにおける最小値と最大値との間の値とし、これらに加えて最小値および最大値を含んでいてもよい。例えば上記の例においては第１原料の流量の最小値は１ｍＬ／ｍｉｎ、最大値は１００ｍＬ／ｍｉｎであるから、これら両値の間で条件パラメータの値を複数生成する。本実施形態ではこれらに加えて最小値の１ｍＬ／ｍｉｎと最大値の１００ｍＬ／ｍｉｎも含んでいてもよい。さらに、最大値と最小値との間の複数の値は、最大値と最小値との間を等間隔に刻んだ値とすることが好ましく、本実施形態では、上記の第１原料の流量については後述のように１ｍＬ／ｍｉｎ間隔の値としている（図７参照）。
　反応条件を成す複数の条件パラメータのうち、値を振る条件パラメータは、フロー反応装置１１において変更してもよいと判断できる条件パラメータとする。本実施形態においては、第１原料の流量、第２原料の流量、合流部のタイプ（合流部３１と合流部４２）、反応路径Ｄ３２、および反応温度のそれぞれについて値を振った複数の反応条件を生成している（図７参照）。
　第２記憶部５１ｂは、第１演算部６１から出力された関数と、図７に示す第２演算部６２から出力された条件データセットとを記憶する。なお、本実施形態においては、第２演算部６２が条件データセットを生成しているが、条件データセットは他の演算機器、例えばパーソナルコンピュータ等を用いて生成してもよい。また、図７に示すように、第２演算部６２が生成する条件データセットも、本実施形態では表構造としており、したがって、第２記憶部５１ｂには表構造の条件データセットが記憶されている。具体的には、異なる反応条件を縦欄に並んだ状態に配し、条件パラメータを横欄に並んだ状態に配してある。但し、縦欄と横欄とは逆でもよい。また、条件データセットも学習データと同様に表構造に限られず、反応条件毎に個別に読み出し可能に生成し、第２記憶部５１ｂに記憶させていればよい。
　図７に示すように、条件データセットにおいては、上述したように、最大値および最小値、並びに最大値と最小値との間を等間隔に刻んだ値としている。例えば、第１原料の流量については最小値である１ｍＬ／ｍｉｎから最大値である１００ｍＬ／ｍｉｎまでを１ｍＬ／ｍｉｎ間隔で刻んだ値であり、第２原料の流量については最小値である０．６ｍＬ／ｍｉｎから最大値である５５．０ｍＬ／ｍｉｎまでを０．１ｍＬ／ｍｉｎ間隔で刻んだ値である。また、合流部については、合流部３１と合流部４２との２通りの形状にしている。反応路径Ｄ３２については最小値である１ｍｍから最大値である１０ｍｍまでを１ｍｍ間隔で刻んだ値であり、反応温度は最小値（最低値）である１℃から最大値（最高値）である１０℃までを１℃間隔で刻んだ値としている。但し、値を等間隔で刻む場合の間隔は、これに限られない。
　第３演算部６３は、第２記憶部５１ｂから関数および条件データセットを読み出し、予測データセットを生成し、生成した予測データセットを第３記憶部５１ｃに書き込む。予測データセットは、複数の予測情報で構成される。予測情報は、条件データセットの反応条件毎に反応結果を予測し、求めた予測結果を反応条件に関連付けた予測データである。したがって、予測情報の数は、条件データセットにおける反応条件の数に等しい。予測は、読み出した関数を用いて行う演算処理である。
　第３演算部６３は、複数の予測情報の中から、最もよい予測結果を示す予測情報を特定し、抽出する。そして、第３演算部６３は、抽出した予測情報の反応条件を抽出反応条件ＣＰとして第３記憶部５１ｃに書き込み、かつ、抽出した予測情報の予測結果ＲＰを抽出反応条件ＣＰに関連付けた状態で第３記憶部５１ｃに書き込む。
　第３演算部６３には、目標とする反応結果（以下、目標結果と称する）ＲＡが、例えば本実施形態では設定部１６の操作部での入力により操作信号で予め入力されている。第３演算部６３は、目標結果ＲＡと、予測データセットの各予測情報の予測結果とを対比し、複数の予測結果の中から目標結果ＲＡに最も近い（目標結果ＲＡとの差が最も小さい）予測結果を上記の「最もよい予測結果」として特定する。目標結果ＲＡと同じ予測結果がある場合には、その予測結果を「最もよい予測結果」として特定する。
　また、目標結果ＲＡに最も近い予測結果が複数ある場合には、第１記憶部５１ａから学習データを読み出し、反応結果が最も目標結果ＲＡに近い学習データの反応条件を参照し、以下のプロセスで「最もよい予測結果」を特定する。まず、予測データセットの各予測情報の条件パラメータをｘ１～ｘ５とし、結果パラメータをｙ１とし、ｙ１に対する寄与度をａ１～ａ５とし、ａ１～ａ５を以下の式（１Ｃ）～（１Ｇ）で定義する。
　a1=wx1u1×wu1y1+wx1u2×wu2y1+wx1u3×wu3y1+…+wx1ul×wuly1 …（１Ｃ）
　a2=wx2u1×wu1y1+wx2u2×wu2y1+wx2u3×wu3y1+…+wx2ul×wuly1 …（１Ｄ）
　a3=wx3u1×wu1y1+wx3u2×wu2y1+wx3u3×wu3y1+…+wx3ul×wuly1 …（１Ｅ）
　a4=wx4u1×wu1y1+wx4u2×wu2y1+wx4u3×wu3y1+…+wx4ul×wuly1 …（１Ｆ）
　a5=wx5u1×wu1y1+wx5u2×wu2y1+wx5u3×wu3y1+…+wx5ul×wuly1 …（１Ｇ）
　ここでａ１～ａ５をそれぞれ求めた場合の符号が正であれば予測結果に対して正の寄与度をもっており、符号が負であれば予測結果に対して負の寄与度をもっており、絶対値が大きいほど予測結果に対して寄与度が高いことを意味する。
　続いて、学習データの中から目標結果ＲＡに最も近い反応結果と反応条件とを選択し、その反応結果をｙ１ｎとし、ｙ１ｎと目標結果ＲＡとの差の絶対値を式｜ＲＡ－ｙ１ｎ｜／ＲＡの算出式で求める。次に、ａ１～ａ５の絶対値の大きさに着目する。例えばａ１～ａ５の各絶対値の中でａ１の絶対値が最も大きかった場合においては、以下の＜Ａ＞～＜Ｄ＞の４つの場合分けで「最も良い予測結果」が特定される。
　＜Ａ＞ｙ１ｎとＲＡとの差と、ｙ１ＲＡ－ｙ１ｎ／ｙ１ＲＡとがともに正であり、かつ、ａ１が正であった場合
　ｙ１ｎを正方向に大きくした場合にｙ１ｎはＲＡに近づく。そのため、学習データの最も目標結果ＲＡに近い反応条件のａ１の条件パラメータの値よりも正方向に最も大きい値をもつ条件パラメータを有する予測結果を、「最も良い予測結果」として特定する。
　＜Ｂ＞ｙ１ｎとＲＡとの差と、ｙ１ＲＡ－ｙ１ｎ／ｙ１ＲＡとがともに正であり、かつ、ａ１が負であった場合
　ｙ１ｎを正方向に大きくした場合にｙ１ｎはＲＡに近づく。そのため、学習データの最も目標結果ＲＡに近い反応条件のａ１の条件パラメータの値よりも負方向に最も大きい値をもつ条件パラメータを有する予測結果を、「最も良い予測結果」として特定する。
　＜Ｃ＞ｙ１ｎとＲＡとの差と、ｙ１ＲＡ－ｙ１ｎ／ｙ１ＲＡとがともに負であり、かつ、ａ１が正であった場合
　ｙ１ｎを負方向に大きくした場合にｙ１ｎはＲＡに近づく。そのため、学習データの最も目標結果ＲＡに近い反応条件のａ１の条件パラメータの値よりも負方向に最も大きい値をもつ条件パラメータを有する予測結果を、「最も良い予測結果」として特定する。
　＜Ｄ＞ｙ１ｎとＲＡとの差と、ｙ１ＲＡ－ｙ１ｎ／ｙ１ＲＡとがともに負であり、かつ、ａ１が負であった場合
　ｙ１ｎを負方向に大きくした場合にｙ１ｎはＲＡに近づく。そのため、学習データの最も目標結果ＲＡに近い反応条件のａ１の条件パラメータの値よりも正方向に最も大きい値をもつ条件パラメータを有する予測結果を、「最も良い予測結果」として特定する。
　反応結果の結果パラメータが複数ある場合には、複数の結果パラメータに重み付けをした状態で目標結果ＲＡが入力されており、第３演算部６３は、重み付けに基づいて「最もよい予測結果」を特定する。重み付けに基づいた特定は、例えば、重み付けが最も大きい結果パラメータのみで特定する第１の手法でもよいし、重み付けが最も大きい結果パラメータで目標結果ＲＡに最も近い予測結果から例えば複数の候補を絞りこみ、絞り込んだ予測結果の中から重み付けの順位が低い結果パラメータにおいて目標結果ＲＡに最も近い予測結果を「最もよい予測結果」として特定する第２の手法でもよい。本実施形態では第２の手法で特定している。なお、本実施形態での目標結果ＲＡは、分子量が２５２００の±１％以内であり、分散度が１．０３以内としている。
　第３記憶部５１ｃは、第３演算部６３から出力された予測データセットと、抽出反応条件ＣＰと、抽出反応条件ＣＰに関連付けられた予測結果ＲＰとを記憶する。これらの予測データセットと抽出反応条件ＣＰと予測結果ＲＰとは、個別に読み出し可能な状態に記憶されている。
　図８は、第３演算部６３が生成する予測データセットを示す図である。図８に示すように、第３演算部６３が生成する予測データセットも、本実施形態では表構造としており、したがって、第３記憶部５１ｃには表構造の予測データセットが記憶されている。具体的には、予測情報の種別を縦欄に並んだ状態に配し、反応条件の条件パラメータと予測結果である結果パラメータとを横欄に並んだ状態に配してある。但し、縦欄と横欄とは逆でもよい。予測データセットも学習データと同様に表構造に限られず、反応条件と予測結果とが関連付けられており、かつ、少なくとも抽出反応条件ＣＰが読み出し可能に生成し、第３記憶部５１ｃに記憶させていればよい。
　図８には、図７の条件データセットに基づき生成した予測データセットを示している。
本実施形態では２つの結果パラメータに前述の重み付けをしており、分子量の重み付けを分散度よりも大きくしている。本実施形態においては、図８に示すように、重み付けが大きい分子量について、予測情報番号（以下、予測情報Ｎｏ．と記載する）６０５０と予測情報Ｎｏ．８０００との分子量が２４８７０となっており、他の予測情報Ｎｏ．と比べてもっとも目標結果ＲＡに近く、互いに同値となっている。そして、予測情報Ｎｏ．６０５０と予測情報Ｎｏ．８０００とのうち、予測情報Ｎｏ．６０５０の方が、重み付けが分子量よりも低い分散度について目標結果ＲＡに近い。したがって第３演算部６３は、予測情報Ｎｏ．６０５０の予測結果を前述の「最もよい予測結果」として特定し、予測情報Ｎｏ．６０５０の反応条件を抽出反応条件ＣＰとして特定する。そして、第３演算部６３は、予測情報Ｎｏ．６０５０の反応条件に、抽出反応条件ＣＰであることの記録をした状態（表６においては説明の便宜上、予測情報Ｎｏ．の横に「＊」を付してある）で、抽出反応条件ＣＰとこの抽出反応条件に関連付けた予測結果とを第３記憶部５１ｃに記憶させている。
　設定部１６は、第３記憶部５１ｃから抽出反応条件ＣＰを読み出す。このように第３記憶部５１ｃを介して演算セクション５０の第３演算部６３から入力された抽出反応条件ＣＰを入力信号として、抽出反応条件ＣＰをフロー反応装置１１での反応条件として設定する。検出部１７は、抽出反応条件ＣＰで行ったフロー反応処理の反応結果（以下、実測結果と称する）ＲＲを前述の通り判定部５６へ出力する。
　判定部５６は、第３記憶部５１ｃから、抽出反応条件ＣＰに関連付けられた予測結果ＲＰを読み出し、予測結果ＲＰと検出部１７から入力された実測結果ＲＲとを対比し、予測結果ＲＰと実測結果ＲＲとの相違度ＤＲを求める。本実施形態では、｜ＲＰ－ＲＲ｜／ＲＲの算出式により相違度ＤＲを求めているが、予測結果ＲＰの確からしさの指標として用いることができる値が求められれば相違度ＤＲの求め方は特に限定されない。
　判定部５６は、予測結果ＲＰと実測結果ＲＲとの対比演算行う場合に、対比データを生成している。そして、判定部５６は対比データを記憶する対比データ記憶部（不図示）を有している。図９には、対比演算を行う場合の対比データを示している。対比データは、予測結果ＲＰの結果パラメータと実測結果ＲＲとの結果パラメータとを並べた状態の表構造に生成している。本実施形態においては、予測結果ＲＰと実測結果ＲＲとを縦欄に並べて状態で、かつ、分散度と分子量との２つの結果パラメータを横欄に並べた状態にしているが、縦欄と横欄とは逆でもよい。また、実測結果ＲＰと実測結果ＲＲとの同じ結果パラメータ同士を読み出し可能な状態で対比データ記憶部に記憶していれば、記憶の態様は表構造でなくてもよい。
　判定部５６は、この対比データを用いて、分子量の相違度ＤＲと、分散度の相違度ＤＲとを前述の算出式によりそれぞれ求めている。例えば図９に示す対比データを用いた場合には、分子量の相違度ＤＲは９．９８９１、分散度の相違度ＤＲは、３．５１０７として算出される。
　判定部５６には、相違度の許容範囲ＤＴが、例えば本実施形態では設定部１６の操作部での入力により操作信号として予め入力されている。判定部５６は、相違度ＤＲが許容範囲ＤＴであるか否かを判定する。なお、本実施形態では許容範囲ＤＴを１％と設定しているが、許容範囲は結果パラメータの種類等に応じて適宜設定できる。許容範囲ＤＴ（単位は％）は、（｜ＲＰ－ＲＲ｜／ＲＲ）×１００の算出式で求めることができる。
　判定部５６は、相違度ＤＲが許容範囲ＤＴであると判定した場合には、第３記憶部５１ｃに記憶されている予測データセットの反応条件群のうち抽出反応条件ＣＰを、フロー反応装置１１で行う以降のフロー反応処理の反応条件（以下、決定反応条件と称する）ＣＳにし、第３記憶部５１に書き込む。抽出反応条件ＣＰを決定反応条件ＣＳとすることを含め、第３記憶部５１ｃに記憶されている予測データセットの反応条件群をフロー反応装置１１のフロー反応処理に用いる反応データセットとして第３記憶部５１ｃに書き込んでもよく、本実施形態でもそのようにしている。
　本実施形態においては、判定部５６は、第３記憶部５１ｃに、反応データセットを反応条件毎に読み出し可能な状態に記憶させている。本実施形態においては、第３記憶部５１ｃは予測データセットを記憶する領域および反応情報データセットを記憶する領域をもつが、反応データセットにおいて反応条件毎に読み出し可能な状態で記憶させていれば、判定部５６は予測データセットの反応条件群を反応データセットに書き換えてもよい。その場合には、第３演算部６３は第３記憶部５１ｃに、予測データセットを、反応条件毎に読み出し可能な状態で予め記憶させる。また、本実施形態においては反応条件データセットを第３記憶部５１ｃに記憶させているが、第４記憶部（不図示）をさらに設け、この第４記憶部に記憶させてもよい。
　判定部５６は、相違度ＤＲが許容範囲ＤＴでないと判定した場合には、抽出反応条件ＣＰを第３記憶部５１ｃから読み出し、抽出反応条件ＣＰと実測結果ＲＲとを関連付けた反応情報を生成する。そして、生成した反応情報を、新たな学習データとして第１記憶部５１ａに書き込む。この書き込みにより、第１記憶部５１ａに記憶されたデータセットは書き換えられ、データセットに含まれる学習データの数は変化する。本実施形態においては、第１記憶部５１ａに記憶された初期のデータセットには４２個の学習データが含まれており、判定部５６の１回の書き込みによりひとつの反応情報が学習データとして追加されることにより、データセットに含まれる学習データの数が４３個に更新される。
　また、判定部５６は、データセットの数が更新されると、ニューラルネットワーク７０の結合重みの数を更新する。ここで、更新されたデータセットの数をＮｊ、更新前後のニューラルネットワーク７０の結合重みの数を、それぞれＭｊ－１、Ｍｊとすると、判定部５６は、ニューラルネットワークの新たな結合重みの数Ｍｊを、Ｍｊ－１≦Ｍｊ＜Ｎｊ／２となるように更新する。例えば、データセットの数が４３個に更新された場合、更新前のニューラルネットワークの結合重みの数Ｍｊ－１は２１であるため、更新された結合重みの数Ｍｊは２１が維持される。
　なお、ニューラルネットワーク７０の結合重みの数は、隠れ層の数または隠れ層Ｌ２におけるノードｕｌの数を増加させることにより、増加させることができる。ここで、隠れ層Ｌ２のノードの数を１つ増やして４個にすると、結合重みの総数は５×４＋４×２＝２８個となる。Ｍｊ＝２８となるように上述したＭｊ－１≦Ｍｊ＜Ｎｊ／２の関係を満足するためのデータセットの数Ｎｊの最小値は５７となる。このため、ニューラルネットワーク７０の結合重みの数は、データセットの数が５７となるまでは２１が維持され、データセットの数が５７となると、隠れ層Ｌ２のノードを１つ追加することにより、２８個に更新されることとなる。
　第１演算部６１は、本実施形態においては前述の通り、算出モードにおいては休止状態と第１記憶部５１ａの読み込みと繰り返している。具体的には、第１演算部６１は予め設定した時間間隔で第１記憶部５１ａの学習データを読み込んでおり、前回読み込んだデータセットが新たな学習データを含むデータセットに書き換えられているか否かを判定している。
　第１演算部６１が第１記憶部５１ａに記憶されたデータセットが書き換えられていないと判定した場合には、演算セクション５０は算出モードを継続させる。書き換えられていると判定した場合には、演算セクション５０は算出モードを学習モードに切り替え、第１演算部６１は、書き換えられたデータセットに含まれる新たな学習データを用いて次回の学習を行い、新たな関数を生成し、第２記憶部５１ｂに記憶されている関数を新たな関数に書き換える。なお、新たな関数の生成、および新たな関数の書き換えとは、関数における新たな重み係数の導出、および関数における重み係数の書き換えを意味する。例えば、前述の（１Ａ）および（１Ｂ）の関数は、重み係数ｗxiulがｗ2xiulに書き換えられる。これにより、下記（２Ａ）および（２Ｂ）の関数が生成される。
　y1=w2u1y1/[1+exp{-(w2x1u1×x1+w2x2u1×x2+…+w2x5u1×x5)}]
　　+w2u2y1/[1+exp{-(w2x1u2×x1+w2x2u2×x2+…+w2x5u2×x5)}]
　　+w2u3y1/[1+exp{-(w2x1u3×x1+w2x2u3×x2+…+w2x5u3×x5)}]        …（２Ａ）
　y2=w2u1y2/[1+exp{-(w2x1u1×x1+w2x2u1×x2+…+w2x5u1×x5)}]
　　+w2u2y2/[1+exp{-(w2x1u2×x1+w2x2u2×x2+…+w2x5u2×x5)}]
　　+w2u3y2/[1+exp{-(w2x1u3×x1+w2x2u3×x2+…+w2x5u3×x5)}]　　　　…（２Ｂ）
　また、第２演算部６２は、新たな学習データが生成された場合も同様に、条件データセットを新たに生成する。
　以下、ニューラルネットワーク７０の結合重みの総数をＭ０としたときに、反応条件の数を２×Ｍ０個以上とすることの意義について説明する。ニューラルネットワークを学習するためには、学習データの数は多いほど良いと言われるが、必ずしもそうとは限らず、明確な定義はない。しかしながら、対象の現象の特徴を表現できる程度に、ニューラルネットワークが充分に学習される程度の数の学習データが必要である。
　画像認識およびコンピュータ囲碁等に用いられているニューラルネットワークにおいては、正答率を高めるためにニューラルネットワークの構造を複雑にし、多数の学習データを使用して学習を行っている。例えば、ある顔認識のニューラルネットワークにおいては、結合重みの総数が１．２億個であり、４００万個の学習データを用いて学習を行っている。また、あるコンピュータ囲碁のニューラルネットワークにおいては、結合重みの総数が３００万個であり、３０００万局面の囲碁盤面のデータを学習データとして用いて学習を行っている。
　一方、本開示が対象とする生産プロセスにおいては、このような非常に多くの学習データを生成することは難しく、また、画像認識およびコンピュータ囲碁で使うニューラルネットワークほど、ニューラルネットワークの構造を複雑にする必要もない。
　本開示の発明者は、波形データのサンプリング定理に着目して、本開示に想到するに至ったものである。ここで、サンプリング定理とは、アナログ信号をデジタル信号に変換する際に最低限必要になる周波数のことである。連続したアナログ信号をデジタル信号に変換する場合、アナログ信号に含まれる２倍以上の周波数でサンプリングを行ってデジタル信号を生成すれば、完全に元のアナログ信号の形（周波数）を再現できる。一方、サンプリングの周波数がアナログ信号に含まれる周波数の２倍未満である場合、元のアナログ信号に偽信号が現れて歪んで再現される。この現象はエイリアス効果と呼ばれる。このように、アナログ信号に含まれる２倍以上の周波数でサンプリングを行えば、アナログ信号を精度よくデジタル信号に変換することができる。
　一方、ニューラルネットワークにおいて、結合重みを用いて表現される入力層（説明変数）と出力層（目的変数）との関係を表す関数は、上記式（１Ａ），（１Ｂ）のように表すことができる。この関数は、サイン波形のような波形関数と類似している。このため、本開示の発明者は、サンプリング定理を用いることにより、ニューラルネットワークによって対象データの特徴を表現するためには、結合重みの総数Ｍ０の２倍以上の学習データを用意するという本開示に想到するに至ったものである。
　一方、フロー反応処理においては、１つの反応に要する時間が１時間であるとすると、結合重みの数の１０倍程度であれば、実測により学習データを用意することが可能である。例えば、結合重みの数が２１個であれば、２１０個の学習データを用意するために要する時間は２１０時間（約１０日）となり、充分に許容できる時間である。このため、本実施形態においては、学習データの数の上限を結合重みの総数Ｍ０の１０倍としたものである。
　次いで、本実施形態において行われる処理について説明する。図１０は、本実施形態において行われる処理を示すフローチャートである。まず、本実施形態においては、目標結果ＲＡが設定される（ステップＳＴ１）。本実施形態の目標結果ＲＡは、上述したように、分散度が１．０３以内、分子量が２５２００の±１％以内としている。次に、複数の学習データを含むデータセットが生成される（ステップＳＴ２）。目標結果ＲＡの設定および学習データの生成の順序は逆であってもよい。
　図１１は本実施形態において行われる学習データの生成処理を示すフローチャートである。まず、データ生成装置１３の反応条件設定部５２が、ニューラルネットワーク７０の結合重みの総数をＭ０としたときに、２×Ｍ０個以上の複数の反応条件を設定する（ステップＳＴ２１）。そして、反応結果取得部５３が、反応条件設定部５２が設定した数の反応条件のそれぞれにより、フロー反応装置１１にフロー反応処理を行わせることにより導出される反応結果を取得する（ステップＳＴ２２）。さらに、生成部５４が、反応条件と反応結果との組み合わせからなる４２個の反応情報、すなわち学習データをデータセットとして生成し（ステップＳＴ２３）、学習データの生成処理を終了する。なお、データセットは、第１記憶部５１ａに記憶される。
　支援装置１２は、モードを学習モードに設定し、これにより第１演算部６１は第１記憶部５１ａから１回目の学習データのデータセットを読み出す。なお、第１記憶部５１ａを設けず（介在させず）に、データ生成装置１３から第１演算部６１へデータセットを出力してもよい。このようにして１回目のデータセットが入力された第１演算部６１は、１回目の学習データのデータセットに基づいて反応条件と反応結果との関連性を学習する演算を行う。そして、第１演算部６１は条件パラメータと結果パラメータとの関数を生成し、生成した関数を第２記憶部５１ｂに書き込む（学習；ステップＳＴ３）。
　関数が第２記憶部５１ｂに書き込まれた後に、支援装置１２は学習モードから算出モードにモードを切り替え、これにより、第２演算部６２は、第１記憶部５１ａから学習データのデータセットを読み出す。第２演算部６２は、データセットに含まれる学習データの反応条件に基づき、具体的には各条件パラメータの値に基づいて条件パラメータの値を振り、異なる複数の反応条件で構成された条件データセットを生成する（ステップＳＴ４）。生成した条件データセットは、反応条件毎に読み出し可能な状態に、第２記憶部５１ｂに書き込まれる。
　本実施形態においては前述の通り、最大値および最小値、並びに最大値と最小値との間を等間隔に刻んだ値に刻んだ条件パラメータで条件データセットを生成している。第１原料の流量については１００通り、第２原料の流量については５４５通り、合流部の形状は２通り、反応路径Ｄ３２については１０通り、反応温度は１１通りであるから、条件データセットの反応条件の個数は、１００×５４５×２×１０×１１の全１１９９００００個である。
　なお、支援装置１２が、学習と算出とを併行することができる場合には、第１演算部６１での学習（すなわちステップＳＴ３）の処理と、第２演算部６２での条件データセットの生成（すなわちステップＳＴ４）の処理とを同時に行ってもよい。
　関数および条件データセットが第２記憶部５１ｂに書き込まれた後に、第３演算部６３が第２記憶部５１ｂからこれら関数および条件データセットを読み出す。なお、第２記憶部５１ｂを設けず（介在させず）に、第１演算部６１から第３演算部６３へ関数を出力し、第２演算部６２から第３演算部６３へ条件データセットを出力してもよい。このようにして関数と条件データセットが入力された第３演算部６３は、読み出した条件データセットの反応条件毎に、関数を用いて予測結果を算出する。そして、反応条件と予測結果とを関連付けた複数の予測情報で構成された予測データセットを生成する（ステップＳＴ５）。第３演算部６３は、生成された予測データセットを第３記憶部５１ｃに書き込む。
　予測結果は、条件データセットの反応条件毎に算出されるから、生成される予測データセットの予測情報の個数は条件データセットの反応条件の個数と同じく、本実施形態では１１９９００００個である。
　第３演算部６３は、予め入力されている目標結果ＲＡと、予測データセットの各予測情報の予測結果との対比により「最もよい予測結果」を示す予測情報を特定する（ステップＳＴ６）。特定された予測情報の反応条件は抽出反応条件ＣＰとして抽出され（ステップＳＴ７）、抽出反応条件ＣＰと抽出反応条件ＣＰに対応する予測結果ＲＰとからなる予測情報が、予測データセットにおいて抽出反応条件ＣＰと抽出反応条件ＣＰに関連付けられた予測結果ＲＰとして第３記憶部５１ｃに書き込まれる。
　抽出反応条件ＣＰが第３記憶部５１ｃに書き込まれた後に、設定部１６は、第３記憶部５１ｃから抽出反応条件ＣＰを読み出す。なお、第３記憶部５１ｃを設けず（介在させず）に、第３演算部６３から設定部１６へ抽出反応条件ＣＰを出力してもよい。このようにして抽出反応条件ＣＰが入力された設定部１６は、抽出反応条件ＣＰでのフロー反応処理をフロー反応装置１１，４１に試行させる（ステップＳＴ８）。そして、試行の反応結果である実測結果ＲＲが検出部１７により判定部５６へ出力される。
　第３記憶部５１ｃに書き込まれている抽出反応条件ＣＰに関連付けられた予測結果ＲＰは、判定部５６により読み出される。なお、第３記憶部５１ｃを介在させずに、第３演算部６３から判定部５６へ予測結果ＲＰを出力してもよい。このようにして予測結果ＲＰが入力された判定部５６により、予測結果ＲＰと実測結果ＲＲとが対比され（ステップＳＴ９）、相違度ＤＲが求められる。
　次いで、判定部５６により、設定部１６から予め入力されている相違度の許容範囲ＤＴ（本実施形態では１％）に基づいて、相違度ＤＲが許容範囲ＤＴであるか否かが判定される（ステップＳＴ１０）。相違度ＤＲが許容範囲ＤＴであると判定された場合には（ステップＳＴ１０；ＹＥＳ）、判定部５６は抽出反応条件ＣＰを決定反応条件ＣＳとして、第３記憶部５１ｃに書き込み、本実施形態の判定部５６はさらに、第３記憶部５１ｃに記憶されている予測データセットの反応条件群をフロー反応装置１１のフロー反応処理に用いる反応データセットとして第３記憶部５１ｃに書き込む（ステップＳＴ１１）。
　抽出反応条件ＣＰが決定反応条件ＣＳとして書き込まれた後に、設定部１６はフロー反応装置１１での反応条件を決定反応条件ＣＳに設定し、フロー反応装置１１でフロー反応を行う（ステップＳＴ１２）。決定反応条件ＣＳは、既に実測結果ＲＲに極めて近い反応結果が得られると判定されている反応条件であるため、生成物は目的とする分子量および分散度で得られる。また、決定反応条件ＣＳは、本実施形態での例えば１１９９００００個という膨大な数の反応条件から演算を用いて求めており、フロー反応処理の試行および時間が従来に比べて大きく短縮されている。
　一方、相違度ＤＲが許容範囲ＤＴでないと判定された場合には（ステップＳＴ１０；ＮＯ）、判定部５６は抽出反応条件ＣＰを第３記憶部５１ｃから読み出し、抽出反応条件ＣＰと実測結果ＲＲとを関連付けた反応情報を生成する。生成された反応情報は学習データとして第１記憶部５１ａに記憶されたデータセットに含められ（ステップＳＴ１３）、第１記憶部５１ａの学習データのデータセットは第２回目のデータセットに書き換えられる。この書き換えにより、第１記憶部５１ａには、学習データの数が、前回のデータセットよりも１つ多いデータセットが記憶される。また、判定部５６は、ニューラルネットワーク７０の結合重みの数をＭｊ－１≦Ｍｊ＜Ｎｊ／２となるように更新する（ステップＳＴ１４）。そして、ステップＳＴ１０が肯定されるまで、ステップＳＴ３～ステップＳＴ１０の処理が繰り返される。
　図１２は、本実施形態におけるニューラルネットワークの学習精度の検証結果を示す図である。図１２においては、図４に示す結合重みの総数が２１のニューラルネットワークを用いた場合において、データセットに含まれる学習データの数を２５０、１００、４２とした場合の学習精度の指標が、実施例１～３として示されている。また、データセットに含まれる学習データの数を１０とした場合の学習精度の指標が、比較例として示されている。学習精度の指標としては、各例のデータセットに含まれる学習データによりニューラルネットワークにより得られる反応結果の分散度および分子量のそれぞれと、学習データの反応条件により得られる実測の反応結果の分散度および分子量のそれぞれの相関を表す決定係数Ｒ2を用いた。本実施形態においては、決定係数Ｒ2が０．８以上を合格とした。図１２に示すように、比較例は、分散度および分子量のいずれの決定係数も不合格であった。一方、実施例１～３は、分散度および分子量のいずれの決定係数も合格であった。したがって、図１２により、学習データの数を、ニューラルネットワークの結合重みの総数Ｍ０の２倍以上とすれば、ニューラルネットワークの学習を精度よく行うことができることが分かる。
　図１３は、本実施形態におけるデータセットに含まれる学習データの数と、ニューラルネットワークの結合数との関係を示す図である。図１３において、ｊは学習の回数であり、０は初期のデータセットによる学習を示す。図１３に示すように、本実施形態においては、１４回目の学習の終了後にデータセットに含まれる学習データの数が５７に更新され、かつニューラルネットワークの隠れ層のノード数が４に更新される。１４回目以降も学習が続けられ、７０回目の学習時に、相違度ＤＲが許容範囲ＤＴ内になり、この第７０回目での抽出反応条件で、フロー反応処理が行われた。
　このように、本実施形態においては、ニューラルネットワークの結合重みの総数Ｍ０を適切に設定することにより、適切な数の学習データを生成することができる。したがって、本実施形態によれば、生成されたデータセットを用いることにより、未知の反応条件が入力されると、それに応じた反応結果を出力するニューラルネットワークを効率よく学習させることができる。よって、本実施形態によれば、フロー反応処理の条件設定を適切に行うことができる。
　また、本実施形態においては、条件パラメータが多いフロー反応において条件設定が簡便に行えるから、反応処理をより迅速に開始できたり、なんらかの理由で複数の条件パラメータのうちのひとつを変更せざるを得ない場合でも迅速に新たな反応処理を行うことができる。
　なお、上記実施形態においては、原料として第１原料と第２原料との２つを用いているが、これに限定されるものではない。原料は３種以上であってもよい。この場合、原料の数に応じた流量、原料の数に応じた合流部の形状が条件パラメータとして反応条件に加えられる。このため、ニューラルネットワーク７０の結合重みの総数およびデータセットに含まれる学習データの数も変更される。例えば、３つの原料を使用した場合、合流部は２つとなり、そのそれぞれについてＴ字および十字に分岐した管が用いられる。また、反応管も２種類使用される。このため、ニューラルネットワーク７０の入力層のノード数は、３（原料数）＋２×２（合流部の数×Ｔ字、十字）＋２（反応路径）＋１（反応温度）＝１０となる。隠れ層のノード数が３、出力層のノード数が２であれば、ニューラルネットワークの結合重みの総数は、１０×３＋３×２＝３６となる。この場合、初期のデータセットに含められる学習データの数は、３６×２＝７２以上、３６×１０＝３６０以下に設定される。
　また、上記実施形態においては、ニューラルネットワークの結合重みの総数をＭ０としたときに、２×Ｍ０個以上の学習データを含むデータセットを生成してニューラルネットワークの学習を行っているが、これに限定されるものではない。任意の数の学習データを含むデータセットを生成して、ニューラルネットワークの学習を行うようにしてもよい。
　また、上記実施形態においては、本開示をフロー反応処理に適用しているが、これに限定されるものではない。本開示は、生産物の産生を行う各種産生プロセスに適用可能である。具体的には、特開２０１３－１２９５４０号公報に記載されたフイルム搬送プロセス、特開２００７－５２０４９号に記載された光学補償シートの製造プロセスにおける光学異方性層の塗布プロセス、および特開２０１１－００６７８８号公報に記載されたガスバリアフィルムの製造プロセスにおける真空成膜プロセス等に本開示を適用できる。
　例えば、フイルム搬送プロセスにはフイルム巻取り工程があり、フロー反応処理における反応条件に対応するプロセス条件として、（１）フィルムの巻き取りテンション、（２）巻き取り時のテンション変更タイミング、（３）巻き取り速度、および（４）エアプレス圧を使用し、反応結果に対応する産生結果として（１）巻きズレ量、および（２）黒帯を使用することができる。この場合、ニューラルネットワークの構成としては、入力層のノード数が４、出力層のノード数が２となる。隠れ層を１層とし、かつ３つのノードを有するものとした場合、ニューラルネットワークの結合重みの総数は、４×３＋３×２＝１８となるため、初期のデータセットに含まれる学習データの数は３６以上、１８０以下となる。
　また、光学補償シートの製造プロセスにおける光学異方性層の塗布プロセスにおいては、プロセス条件として、（１）設定塗布膜厚（ライン速度、ワイヤーバー番手）、（２）ラビング回転速度、（３）加熱ゾーン温度、（４）紫外線照射出力、および（５）紫外線照射時のフィルム表面温度を使用し、産生結果として（１）レターデーションのばらつきを使用することができる。この場合、ニューラルネットワークの構成としては、入力層のノード数が５、出力層のノード数が１となる。隠れ層を１層とし、かつ３つのノードを有するものとした場合、ニューラルネットワークの結合重みの総数は、５×３＋３×１＝１８となるため、初期のデータセットに含まれる学習データの数は３６以上、１８０以下となる。
　また、ガスバリアフィルムの製造プロセスにおける真空成膜プロセスにおいては、プロセス条件として、（１）原料ガス供給流量、（２）印加電力、および（３）成膜圧力を使用し、産生結果として（１）水蒸気透過率を使用することができる。この場合、ニューラルネットワークの構成としては、入力層のノード数が３、出力層のノード数が１となる。
隠れ層を１層とし、かつ３つのノードを有するものとした場合、ニューラルネットワークの結合重みの総数は、３×３＋３×１＝１２となるため、初期のデータセットに含まれる学習データの数は２４以上、１２０以下となる。
　上述の各実施形態において、演算セクション５０の第１演算部６１～第３演算部６３、並びに支援装置１２、データ生成装置１３、及びシステムコントローラ１５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は、次に示すような各種のプロセッサ（processor）である。各種のプロセッサには、ソフトウェア（プログラム）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ＣＰＵ（Central Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）など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）など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などが含まれる。
　１つの処理部は、これら各種のプロセッサのうちの１つで構成されていてもよいし、同種または異種の２つ以上のプロセッサ（例えば、複数のＦＰＧＡ、あるいはＣＰＵとＦＰＧＡ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、クライアントやサーバなど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合せで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）など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を１つ以上用いて構成される。
　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は、より具体的には、半導体素子などの回路素子を組み合わせた電気回路（circuitry）である。
　１０　　フロー反応設備
　１１，４１　フロー反応装置
　１２　　支援装置
　１３　　データ生成装置
　１５　　システムコントローラ
　１６　　設定部
　１７　　検出部
　２１　　第１供給部
　２２　　第２供給部
　２３，４３　　反応セクション
　２６　　回収セクション
　３１，４２　　合流部
　３１ａ～３１ｃ　第１管部～第３管部
　３２　反応部
　３３　　温調部
　５０　　演算セクション
　５１ａ～５１ｃ　第１記憶部～第３記憶部
　５２　　反応条件設定部
　５３　　反応結果取得部
　５４　　生成部
　５６　　判定部
　６１～６３　第１演算部～第３演算部
　７０　　ニューラルネットワーク
　ＣＰ　　抽出反応条件
　ＣＳ　　決定反応条件
　ＤＴ　　許容範囲
　ＤＲ　　相違度
　Ｌ１　　入力層
　Ｌ２　　中間層
　Ｌ３　　出力層
　ｘｉ，ｘ１～ｘ５　条件パラメータの値
　ｕｌ、ｕ１～ｕ３　ノード値
　ｙｍ，ｙ１～ｙ２　結果パラメータの値
　ｗxiul，ｗx1u1～ｗx5u3，ｗulym，ｗu1y1～ｗu3y2　重み係数
　ＲＡ　　目標結果
　ＲＰ　　予測結果
　ＲＲ　　実測結果

Claims (10)

  1. 　生成物を産生するためのプロセスにおいて、プロセス条件が入力されると該プロセス条件に対応する産生結果を出力する、複数の層が複数の結合重みにより結合されてなるニューラルネットワークを学習するための複数の学習データからなるデータセットを生成するデータ生成装置であって、
    　前記ニューラルネットワークの結合重みの総数をＭ０としたときに、２×Ｍ０個以上の複数のプロセス条件を設定するプロセス条件設定部と、
    　前記複数のプロセス条件のそれぞれにより前記生成物を産生することにより導出される、前記複数のプロセス条件のそれぞれに対応する産生結果を取得する産生結果取得部と、
    　前記複数のプロセス条件のそれぞれと該それぞれのプロセス条件に対応する前記産生結果からなる複数の学習データを、前記データセットとして生成する生成部とを備えたデータ生成装置。
  2. 　前記プロセス条件設定部は、２×Ｍ０個以上、１０×Ｍ０個以下の複数の前記プロセス条件を設定する請求項１に記載のデータ生成装置。
  3. 　前記プロセス条件設定部は、前記プロセス条件の上限および下限を設定する請求項１または２に記載のデータ生成装置。
  4. 　前記プロセスは、原料を流しながら該原料を反応させて前記生成物を産生するフロー反応処理である請求項１から３のいずれか１項に記載のデータ生成装置。
  5. 　生成物を産生するためのプロセスにおいて、プロセス条件が入力されると該プロセス条件に対応する産生結果を出力する、複数の層が複数の結合重みにより結合されてなるニューラルネットワークを学習する学習装置であって、
    　請求項１に記載のデータ生成装置により生成された前記データセットを用いて、前記ニューラルネットワークの結合重みを導出する第１の演算を行う第１の演算部と、
    　前記結合重みが演算されたニューラルネットワークを用いて、産生結果が未知である複数のプロセス条件を有する条件データセットの前記プロセス条件毎に予測結果を算出することにより、前記プロセス条件と前記予測結果を関連付けた予測データセットを生成し、得られた複数の前記予測結果のうち、予め設定した目標結果に最も近い前記予測結果を特定し、特定した前記予測結果に関連付けられたプロセス条件を抽出プロセス条件として抽出する第２の演算を行う第２の演算部と、
    　前記データセットの数をＮｊ、前記ニューラルネットワークの結合重みの数をＭｊとしたときに、前記抽出プロセス条件で生産物を産生した場合の産生結果と、前記抽出プロセス条件に関連付けられた前記予測結果との相違度が予め設定した許容範囲であるか否かの判定を行い、該判定が否定された場合には、前記抽出プロセス条件と前記抽出プロセス条件で産生させた場合の産生結果とを関連付けた産生情報を前記学習データとして前記データセットに加えることにより該データセットの数Ｎｊを更新し、前記ニューラルネットワークの新たな結合重みの数Ｍｊを、Ｍｊ－１≦Ｍｊ＜Ｎｊ／２となるように更新し、前記判定が肯定された場合には、前記抽出プロセス条件を前記プロセスに用いるプロセス条件に決定する判定部とを備え、
    　前記判定が肯定されるまで、更新された前記データセットおよび前記結合重みが更新された前記ニューラルネットワークに基づいて、前記第１の演算、前記第２の演算および前記判定を繰り返す学習装置。
  6. 　生成物を産生するためのプロセスにおいて、プロセス条件が入力されると該プロセス条件に対応する産生結果を出力する、複数の層が複数の結合重みにより結合されてなるニューラルネットワークを学習する学習装置であって、
    　複数のプロセス条件のそれぞれと該それぞれのプロセス条件に対応する前記産生結果とからなる複数の学習データからなるデータセットを用いて、前記ニューラルネットワークの結合重みを導出する第１の演算を行う第１の演算部と、
    　前記結合重みが演算されたニューラルネットワークを用いて、産生結果が未知である複数のプロセス条件を有する条件データセットの前記プロセス条件毎に予測結果を算出することにより、前記プロセス条件と前記予測結果を関連付けた予測データセットを生成し、得られた複数の前記予測結果のうち、予め設定した目標結果に最も近い前記予測結果を特定し、特定した前記予測結果に関連付けられたプロセス条件を抽出プロセス条件として抽出する第２の演算を行う第２の演算部と、
    　前記データセットの数をＮｊ、前記ニューラルネットワークの結合重みの数をＭｊとしたときに、前記抽出プロセス条件で生産物を産生した場合の産生結果と、前記抽出プロセス条件に関連付けられた前記予測結果との相違度が予め設定した許容範囲であるか否かの判定を行い、該判定が否定された場合には、前記抽出プロセス条件と前記抽出プロセス条件で産生させた場合の産生結果とを関連付けた産生情報を前記学習データとして前記データセットに加えることにより該データセットの数Ｎｊを更新し、前記ニューラルネットワークの新たな結合重みの数Ｍｊを、Ｍｊ－１≦Ｍｊ＜Ｎｊ／２となるように更新し、前記判定が肯定された場合には、前記抽出プロセス条件を前記プロセスに用いるプロセス条件に決定する判定部とを備え、
    　前記判定が肯定されるまで、更新された前記データセットおよび前記結合重みが更新された前記ニューラルネットワークに基づいて、前記第１の演算、前記第２の演算および前記判定を繰り返す学習装置。
  7. 　前記プロセスは、原料を流しながら該原料を反応させて前記生成物を産生するフロー反応処理である請求項５または６に記載の学習装置。
  8. 　生成物を産生するためのプロセスにおいて、プロセス条件が入力されると該プロセス条件に対応する産生結果を出力する、複数の層が複数の結合重みにより結合されてなるニューラルネットワークを学習するための複数の学習データからなるデータセットを生成するデータ生成方法であって、
    　前記ニューラルネットワークの結合重みの総数をＭ０としたときに、２×Ｍ０個以上の複数のプロセス条件を設定し、
    　前記複数のプロセス条件のそれぞれにより前記生成物を産生することにより導出される、前記複数のプロセス条件のそれぞれに対応する産生結果を取得し、
    　前記複数のプロセス条件のそれぞれと該それぞれのプロセス条件に対応する前記産生結果からなる複数の学習データを、前記データセットとして生成するデータ生成方法。
  9. 　生成物を産生するためのプロセスにおいて、プロセス条件が入力されると該プロセス条件に対応する産生結果を出力する、複数の層が複数の結合重みにより結合されてなるニューラルネットワークを学習する学習方法であって、
    　請求項８に記載のデータ生成方法により生成された前記データセットを用いて、前記ニューラルネットワークの結合重みを導出する第１の演算を行い、
    　前記結合重みが演算されたニューラルネットワークを用いて、産生結果が未知である複数のプロセス条件を有する条件データセットの前記プロセス条件毎に予測結果を算出することにより、前記プロセス条件と前記予測結果を関連付けた予測データセットを生成し、
    得られた複数の前記予測結果のうち、予め設定した目標結果に最も近い前記予測結果を特定し、特定した前記予測結果に関連付けられたプロセス条件を抽出プロセス条件として抽出する第２の演算を行い、
    　前記データセットの数をＮｊ、前記ニューラルネットワークの結合重みの数をＭｊとしたときに、前記抽出プロセス条件で生産物を産生した場合の産生結果と、前記抽出プロセス条件に関連付けられた前記予測結果との相違度が予め設定した許容範囲であるか否かの判定を行い、該判定が否定された場合には、前記抽出プロセス条件と前記抽出プロセス条件で産生させた場合の産生結果とを関連付けた産生情報を前記学習データとして前記データセットに加えることにより該データセットの数Ｎｊを更新し、前記ニューラルネットワークの新たな結合重みの数Ｍｊを、Ｍｊ－１≦Ｍｊ＜Ｎｊ／２となるように更新し、前記判定が肯定された場合には、前記抽出プロセス条件を前記プロセスに用いるプロセス条件に決定し、
    　前記判定が肯定されるまで、更新された前記データセットおよび前記結合重みが更新された前記ニューラルネットワークに基づいて、前記第１の演算、前記第２の演算および前記判定を繰り返す学習方法。
  10. 　生成物を産生するためのプロセスにおいて、プロセス条件が入力されると該プロセス条件に対応する産生結果を出力する、複数の層が複数の結合重みにより結合されてなるニューラルネットワークを学習する学習方法であって、
    　複数のプロセス条件のそれぞれと該それぞれのプロセス条件に対応する前記産生結果とからなる複数の学習データからなるデータセットを用いて、前記ニューラルネットワークの結合重みを導出する第１の演算を行い、
    　前記結合重みが演算されたニューラルネットワークを用いて、産生結果が未知である複数のプロセス条件を有する条件データセットの前記プロセス条件毎に予測結果を算出することにより、前記プロセス条件と前記予測結果を関連付けた予測データセットを生成し、得られた複数の前記予測結果のうち、予め設定した目標結果に最も近い前記予測結果を特定し、特定した前記予測結果に関連付けられたプロセス条件を抽出プロセス条件として抽出する第２の演算を行い、
    　前記データセットの数をＮｊ、前記ニューラルネットワークの結合重みの数をＭｊとしたときに、前記抽出プロセス条件で生産物を産生した場合の産生結果と、前記抽出プロセス条件に関連付けられた前記予測結果との相違度が予め設定した許容範囲であるか否かの判定を行い、該判定が否定された場合には、前記抽出プロセス条件と前記抽出プロセス条件で産生させた場合の産生結果とを関連付けた産生情報を前記学習データとして前記データセットに加えることにより該データセットの数Ｎｊを更新し、前記ニューラルネットワークの新たな結合重みの数Ｍｊを、Ｍｊ－１≦Ｍｊ＜Ｎｊ／２となるように更新し、前記判定が肯定された場合には、前記抽出プロセス条件を前記プロセスに用いるプロセス条件に決定し、
    　前記判定が肯定されるまで、更新された前記データセットおよび前記結合重みが更新された前記ニューラルネットワークに基づいて、前記第１の演算、前記第２の演算および前記判定を繰り返す学習方法。
PCT/JP2020/008589 2019-03-08 2020-03-02 データ生成装置および方法、並びに学習装置および方法 WO2020184240A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP20769853.1A EP3936224A4 (en) 2019-03-08 2020-03-02 DATA GENERATING DEVICE, DATA GENERATING METHOD, LEARNING DEVICE AND LEARNING METHOD
JP2021504931A JP7098821B2 (ja) 2019-03-08 2020-03-02 データ生成装置および方法、並びに学習装置および方法
CN202080019523.4A CN113543874B (zh) 2019-03-08 2020-03-02 学习装置及方法
US17/407,770 US20210390369A1 (en) 2019-03-08 2021-08-20 Data generation device and method, and learning device and method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019042363 2019-03-08
JP2019-042363 2019-03-08

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/407,770 Continuation US20210390369A1 (en) 2019-03-08 2021-08-20 Data generation device and method, and learning device and method

Publications (1)

Publication Number Publication Date
WO2020184240A1 true WO2020184240A1 (ja) 2020-09-17

Family

ID=72425969

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/008589 WO2020184240A1 (ja) 2019-03-08 2020-03-02 データ生成装置および方法、並びに学習装置および方法

Country Status (5)

Country Link
US (1) US20210390369A1 (ja)
EP (1) EP3936224A4 (ja)
JP (1) JP7098821B2 (ja)
CN (1) CN113543874B (ja)
WO (1) WO2020184240A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220043718A (ko) * 2020-09-29 2022-04-05 인하대학교 산학협력단 반응 조건 최적화를 위한 시스템 구축 방법 및 신경망 모델을 이용한 반응 조건 최적화 방법
WO2022131260A1 (ja) * 2020-12-18 2022-06-23 ファナック株式会社 データ収集計画生成装置及びデータ収集計画生成方法
WO2023105858A1 (ja) * 2021-12-09 2023-06-15 株式会社日立製作所 化学プラント管理装置、化学プラント管理システム及び化学プラント管理方法
WO2024116932A1 (ja) * 2022-11-30 2024-06-06 横河電機株式会社 反応性予測システム、反応性予測方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116045104B (zh) * 2023-01-10 2024-05-10 浙江伟众科技有限公司 空调软硬管连接密封装置及其方法
CN116310566B (zh) * 2023-03-23 2023-09-15 华谱科仪(北京)科技有限公司 色谱数据图处理方法、计算机设备和计算机可读存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002301359A (ja) 2001-04-04 2002-10-15 Todoroki Industry Co Ltd 化学反応装置における異常反応の制御システム
JP2007052049A (ja) 2005-08-15 2007-03-01 Fujifilm Corp 光学補償シート及びその製造方法
WO2009025045A1 (ja) 2007-08-22 2009-02-26 Fujitsu Limited 化合物の物性予測装置、物性予測方法およびその方法を実施するためのプログラム
JP2011006788A (ja) 2009-05-29 2011-01-13 Fujifilm Corp 成膜方法、成膜装置、およびガスバリアフィルムの製造方法
JP2013129540A (ja) 2013-04-01 2013-07-04 Fujifilm Corp フィルムの製造方法
JP2013161298A (ja) * 2012-02-06 2013-08-19 Nippon Steel & Sumitomo Metal 分類器作成装置、分類器作成方法、及びコンピュータプログラム
JP2015520674A (ja) 2012-05-25 2015-07-23 ザ ユニヴァーシティー コート オブ ザ ユニヴァーシティー オブ グラスゴーＴｈｅ Ｕｎｉｖｅｒｓｉｔｙ Ｃｏｕｒｔ Ｏｆ Ｔｈｅ Ｕｎｉｖｅｒｓｉｔｙ Ｏｆ Ｇｌａｓｇｏｗ 具現化された化学合成を含む進化的合成の方法
JP2018148367A (ja) * 2017-03-03 2018-09-20 キヤノン株式会社 画像処理装置、画像処理システム、画像処理方法、及びプログラム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8321187B2 (en) * 2009-04-24 2012-11-27 Rockwell Automation Technologies, Inc. Process simulation utilizing component-specific consumption data
JP6530783B2 (ja) * 2017-06-12 2019-06-12 ファナック株式会社 機械学習装置、制御装置及び機械学習プログラム
CN107918726A (zh) * 2017-10-18 2018-04-17 深圳市汉普电子技术开发有限公司 距离感应方法、设备及存储介质
CN108763857A (zh) * 2018-05-29 2018-11-06 浙江工业大学 一种基于相似度生成对抗网络的过程软测量建模方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002301359A (ja) 2001-04-04 2002-10-15 Todoroki Industry Co Ltd 化学反応装置における異常反応の制御システム
JP2007052049A (ja) 2005-08-15 2007-03-01 Fujifilm Corp 光学補償シート及びその製造方法
WO2009025045A1 (ja) 2007-08-22 2009-02-26 Fujitsu Limited 化合物の物性予測装置、物性予測方法およびその方法を実施するためのプログラム
JP2011006788A (ja) 2009-05-29 2011-01-13 Fujifilm Corp 成膜方法、成膜装置、およびガスバリアフィルムの製造方法
JP2013161298A (ja) * 2012-02-06 2013-08-19 Nippon Steel & Sumitomo Metal 分類器作成装置、分類器作成方法、及びコンピュータプログラム
JP2015520674A (ja) 2012-05-25 2015-07-23 ザ ユニヴァーシティー コート オブ ザ ユニヴァーシティー オブ グラスゴーＴｈｅ Ｕｎｉｖｅｒｓｉｔｙ Ｃｏｕｒｔ Ｏｆ Ｔｈｅ Ｕｎｉｖｅｒｓｉｔｙ Ｏｆ Ｇｌａｓｇｏｗ 具現化された化学合成を含む進化的合成の方法
JP2013129540A (ja) 2013-04-01 2013-07-04 Fujifilm Corp フィルムの製造方法
JP2018148367A (ja) * 2017-03-03 2018-09-20 キヤノン株式会社 画像処理装置、画像処理システム、画像処理方法、及びプログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ISO, TOSHIKI; SAKITA, KAZUTAKA; OHTSU: "Neural Network for Classification of Eye's Shape", IEICE TECHNICAL REPORT, no. 1990-CG-048, 14 December 1990 (1990-12-14), pages 65 - 72, XP009529702 *
See also references of EP3936224A4

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220043718A (ko) * 2020-09-29 2022-04-05 인하대학교 산학협력단 반응 조건 최적화를 위한 시스템 구축 방법 및 신경망 모델을 이용한 반응 조건 최적화 방법
KR102541084B1 (ko) * 2020-09-29 2023-06-07 인하대학교 산학협력단 반응 조건 최적화를 위한 시스템 구축 방법 및 신경망 모델을 이용한 반응 조건 최적화 방법
WO2022131260A1 (ja) * 2020-12-18 2022-06-23 ファナック株式会社 データ収集計画生成装置及びデータ収集計画生成方法
WO2023105858A1 (ja) * 2021-12-09 2023-06-15 株式会社日立製作所 化学プラント管理装置、化学プラント管理システム及び化学プラント管理方法
WO2024116932A1 (ja) * 2022-11-30 2024-06-06 横河電機株式会社 反応性予測システム、反応性予測方法

Also Published As

Publication number Publication date
CN113543874B (zh) 2023-06-30
EP3936224A4 (en) 2022-04-27
US20210390369A1 (en) 2021-12-16
CN113543874A (zh) 2021-10-22
JP7098821B2 (ja) 2022-07-11
EP3936224A1 (en) 2022-01-12
JPWO2020184240A1 (ja) 2021-12-02

Similar Documents

Publication Publication Date Title
WO2020184240A1 (ja) データ生成装置および方法、並びに学習装置および方法
Rosa et al. Performance comparison of artificial neural networks and expert systems applied to flow pattern identification in vertical ascendant gas–liquid flows
US20210162362A1 (en) Flow reaction support apparatus, flow reaction support method, flow reaction facility, and flow reaction method
JP2023171765A (ja) フロー反応設備及び方法
JPWO2016079972A1 (ja) 要因分析装置、要因分析方法とプログラム、及び、要因分析システム
Ebeling et al. Multiblock copolymers of styrene and butyl acrylate via polytrithiocarbonate-mediated RAFT polymerization
CN104899327A (zh) 一种无类别标签的时间序列异常检测方法
JP2021196710A (ja) 物性予測装置、物性予測方法及び製造方法
Brandl et al. Kinetic Monte Carlo simulation based detailed understanding of the transfer processes in semi-batch iodine transfer emulsion polymerizations of vinylidene fluoride
Stepišnik et al. A comprehensive comparison of molecular feature representations for use in predictive modeling
Drabek et al. Evaluation of thermally induced degradation of branched polypropylene by using rheology and different constitutive equations
Zhang et al. Rapid and non-destructive quality verification of epoxy resin product using ATR-FTIR spectroscopy coupled with chemometric methods
CN103675005B (zh) 最优模糊网络的工业熔融指数软测量仪表及方法
Kim et al. Molecular weight distribution in low-density polyethylene polymerization; impact of scission mechanisms in the case of a tubular reactor
Elfelly et al. A multimodel approach for complex systems modeling based on classification algorithms
JP2020095310A (ja) 高分子を探索し製造する方法
Zhao et al. Visualization of small-angle X-ray scattering datasets and processing-structure mapping of isotactic polypropylene films by machine learning
KR101748013B1 (ko) 고분자의 동일성 평가 방법 및 이를 이용한 시스템
JP7254950B2 (ja) 探索装置、探索方法、探索装置の作動プログラム、及びフロー反応設備
Zhang et al. Acoustic Signal-Based Method for Recognizing Fluid Flow States in Distillation Columns
Tenorio-López et al. Mathematical description of the RAFT copolymerization of styrene and glycidyl methacrylate using the terminal model
EP4105936A2 (en) Information processing apparatus, information processing method, and program to predict the quality of a product obtained by a process
EP4394780A1 (en) Methods and apparatuses for generating a digital representation of chemical substances, measuring physicochemical properties and generating control data for synthesizing chemical substances
Guo et al. Preparation of polymethylacrylic acid standard samples for GPC applications via a precipitation fractionation-separated step hydrolysis method
Jung Model-based synthesis of functional microgels

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20769853

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021504931

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2020769853

Country of ref document: EP