WO2023195152A1 - 推奨データ生成装置、推奨データ生成方法、及び非一時的なコンピュータ可読媒体 - Google Patents

推奨データ生成装置、推奨データ生成方法、及び非一時的なコンピュータ可読媒体 Download PDF

Info

Publication number
WO2023195152A1
WO2023195152A1 PCT/JP2022/017347 JP2022017347W WO2023195152A1 WO 2023195152 A1 WO2023195152 A1 WO 2023195152A1 JP 2022017347 W JP2022017347 W JP 2022017347W WO 2023195152 A1 WO2023195152 A1 WO 2023195152A1
Authority
WO
WIPO (PCT)
Prior art keywords
physical property
node
information
nodes
property information
Prior art date
Application number
PCT/JP2022/017347
Other languages
English (en)
French (fr)
Inventor
直樹 鍬守
昭裕 撫佐
佳彦 佐藤
広明 小林
豪太 菊川
朋永 岡部
一彦 小松
吉晃 川越
Original Assignee
日本電気株式会社
国立大学法人東北大学
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 日本電気株式会社, 国立大学法人東北大学 filed Critical 日本電気株式会社
Priority to PCT/JP2022/017347 priority Critical patent/WO2023195152A1/ja
Publication of WO2023195152A1 publication Critical patent/WO2023195152A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Definitions

  • the present disclosure relates to technology for providing information related to product development.
  • Patent Document 1 discloses a system that uses a self-organizing map to support understanding of causal relationships between tire design values and physical property values.
  • Patent Document 1 a self-organizing map is used to identify which variable is an important factor among multiple design variables of a tire. Therefore, it is not assumed that the self-organizing map will be used for any other purpose.
  • the present disclosure has been made in view of such problems, and the purpose of the present disclosure is to provide a new technology that provides information useful for product development.
  • the recommended data generation device of the present disclosure acquires a plurality of pieces of material specification information indicating material specifications, and, for each of the material specification information, results that can be generated with the material specifications indicated in the material specification information.
  • the method includes a selection means for selecting one or more target nodes, and a second generation means for generating recommended data indicating the material specifications corresponding to the target nodes.
  • the recommendation data generation method of the present disclosure is executed by a computer.
  • the recommended data generation method acquires a plurality of pieces of material specification information indicating material specifications, and, for each of the material specification information, generates a product that can be generated with the material specifications indicated in the material specification information.
  • an acquisition step of acquiring physical property information indicating physical property quantities for each of the plurality of physical properties, and using the physical property information, a physical property vector indicating a value regarding the physical property quantity of each of the plurality of types of physical properties of the artifact is acquired for each of the plurality of physical properties on the map space.
  • the non-transitory computer-readable medium of the present disclosure stores a program that causes a computer to execute the recommended data generation method of the present disclosure.
  • FIG. 2 is a diagram illustrating an overview of the operation of the recommended data generation device of the first embodiment
  • FIG. 1 is a block diagram illustrating a functional configuration of a recommended data generation device according to a first embodiment
  • FIG. 1 is a block diagram illustrating the hardware configuration of a computer that implements the recommended data generation device of the first embodiment
  • FIG. 3 is a flowchart illustrating the flow of processing executed by the recommended data generation device of the first embodiment. It is a figure which illustrates material specification information in a table format.
  • FIG. 3 is a diagram illustrating physical property information in a table format.
  • FIG. 3 is a flowchart illustrating the flow of processing for selecting a target node.
  • FIG. 3 is a diagram illustrating a map space divided into a plurality of partial areas.
  • FIG. 3 is a diagram illustrating, in a table format, the configuration of a self-organizing map in which a specification vector is assigned to each node. It is a figure which illustrates a map image.
  • 7 is a diagram illustrating an overview of the operation of the recommended data generation device according to the second embodiment.
  • FIG. FIG. 2 is a block diagram illustrating a functional configuration of a recommended data generation device according to a second embodiment.
  • 7 is a flowchart illustrating the flow of processing executed by the recommended data generation device according to the second embodiment.
  • predetermined information such as a predetermined value or a threshold value is stored in advance in a storage device or the like that can be accessed by a device that uses the information.
  • the storage unit is configured by one or more arbitrary number of storage devices.
  • FIG. 1 is a diagram illustrating an overview of the operation of the recommended data generation device 2000 of the first embodiment.
  • FIG. 1 is a diagram for easy understanding of the outline of the recommended data generation device 2000, and the operation of the recommended data generation device 2000 is not limited to that shown in FIG. 1.
  • the recommended data generation device 2000 generates a self-organizing map 30 that represents the distribution of physical properties of various products 70 that may be generated in a specific process of product development (hereinafter referred to as a target process).
  • the product 70 is something that is predicted to be produced by processing the material 60 in the production process of the target process, or something that is actually produced.
  • the material 60 is a material used to generate the product 70. In the target process, materials 60 with various patterns can be used.
  • the physical properties of the product 70 may vary depending on the material 60 used.
  • One pattern of material 60 is specified by material specifications. In other words, materials 60 having different material specifications are treated as materials 60 with different patterns. On the other hand, materials 60 having the same material specifications are treated as materials 60 having the same pattern.
  • the material specifications are represented by, for example, the type of material, the type of substances that make up the material, the blending ratio of each substance, and the type of processing performed to create the material.
  • Examples of the material include carbon fiber reinforced plastic and stainless steel.
  • the material specifications of the material 60 include the types of each of the one or more carbon fibers that make up the material 60 (such as polyacrylonitrile fibers and carbonized cellulose fibers), and each of the one or more resins that make up the material 60. (e.g., epoxy, polyether tephthalate, etc.) and the blending ratio of those substances.
  • the material specifications may further include the type of fiber directional polymerization method, the type of compression bonding method, the resin composition, and the like.
  • the target process may be one process or a combination of multiple consecutive processes.
  • product 70 is a product that can be produced by processing material 60 in these multiple successive steps.
  • the target process is a combination of process P1 and process P2.
  • the product 70 is obtained by processing the material 60 in the generation process of step P1 and then processing the product of step P1 in the generation process of step P2.
  • the self-organizing map 30 has a plurality of nodes arranged on an m-dimensional map space.
  • m is set to 2 or 3 so that the map space can be expressed visually (for example, as an image).
  • each node is represented by, for example, a square or a grid on a grid.
  • Each node of the self-organizing map 30 is assigned multidimensional data (hereinafter referred to as a physical property vector) representing the magnitude of the physical property quantity of each of a plurality of types of physical properties.
  • a physical property vector representing the magnitude of the physical property quantity of each of a plurality of types of physical properties.
  • the physical property vector is four-dimensional data representing the magnitude of the physical property quantity of each of these four types of physical properties.
  • the number of dimensions of the physical property vector is assumed to be n.
  • n>m that is, in the self-organizing map 30, the space of physical property vectors is a high-dimensional space, and the map space is a low-dimensional space.
  • the recommendation data generation device 2000 calculates the material Material specification information 10 representing the material specifications of 60 and physical property information 20 corresponding to the material specification information 10 are acquired. That is, the recommended data generation device 2000 acquires a plurality of pairs of material specification information 10 and physical property information 20.
  • the physical property information 20 corresponding to the material specification information 10 includes information on the physical properties of each of a plurality of types of the product 70 that can be generated in the target process using the material 60 of the material specification represented by the material specification information 10. Indicates physical properties.
  • the types of physical properties include, for example, the above-mentioned flame retardancy, heat resistance, elastic modulus, and toughness. Note that the number of types of physical properties indicated by the physical property information 20 is greater than or equal to the number of dimensions n of the physical property vector.
  • the recommended data generation device 2000 identifies nodes (hereinafter referred to as corresponding nodes) of the self-organizing map 30 that correspond to each piece of physical property information 20.
  • the corresponding node of the physical property information 20 is a node to which a physical property vector most similar to the physical property vector obtained from the physical property information 20 is associated, among the nodes of the self-organizing map 30. That is, the corresponding node of the physical property information 20 is a node representing the physical property closest to the physical property represented by the physical property information 20, among the nodes of the self-organizing map 30.
  • the recommended data generation device 2000 selects one of the nodes that do not correspond to any of the physical property information 20 (in other words, among the nodes that are not corresponding nodes) based on the arrangement of corresponding nodes of each physical property information 20 in the map space. Select the above nodes as target nodes. For example, a node located far away from each corresponding node in the map space is selected as the target node.
  • the recommendation data generation device 2000 uses the self-organizing map 30 to estimate material specifications corresponding to the target node. Then, the recommendation data generation device 2000 generates recommendation data 80 indicating the estimated material specifications.
  • the pair of material specification information 10 and physical property information 20 that the recommended data generation device 2000 acquires is generated based on the results of a simulation or experimental generation of the product 70 that has already been performed. Therefore, the pair of material specification information 10 and physical property information 20 can be said to be knowledge about the correspondence between material specifications and physical properties obtained through simulations performed so far.
  • one possible method to efficiently increase knowledge is to perform simulations etc. to obtain a product 70 whose physical properties are as similar as possible to the product 70 obtained so far. . By doing this, it is possible to obtain knowledge about the correspondence with material specifications for various physical properties that do not have a high degree of similarity. In other words, it is possible to avoid obtaining knowledge about only similar physical properties.
  • the nodes (corresponding nodes) of the self-organizing map 30 corresponding to each piece of physical property information 20 are identified, and based on the arrangement of the corresponding nodes in the map space of the self-organizing map 30, , one or more target nodes are selected.
  • the arrangement of corresponding nodes in the map space represents the distribution of physical properties on the map space for which knowledge has already been obtained. Therefore, by selecting a target node based on the arrangement of corresponding nodes in the map space, a node representing a physical property that does not have a high degree of similarity to physical properties for which knowledge has already been obtained can be selected as a target node.
  • the material specifications corresponding to the target node are estimated, and recommendation data 80 indicating the material specifications is generated.
  • the material specifications corresponding to the target node are material specifications that are estimated to yield a product 70 having physical properties corresponding to the target node. Therefore, by performing a simulation or the like using these material specifications, there is a high probability that a product 70 having physical properties that are not highly similar to physical properties for which knowledge has already been obtained can be obtained by the simulation or the like. Therefore, the recommended data generation device 2000 can easily obtain material specifications that allow efficient simulation of generation of the product 70, etc.
  • FIG. 2 is a block diagram illustrating the functional configuration of the recommended data generation device 2000 of the first embodiment.
  • the recommended data generation device 2000 includes an acquisition section 2020, a first generation section 2040, a selection section 2060, and a second generation section 2080.
  • the acquisition unit 2020 acquires material specification information 10 and physical property information 20 for each of the plurality of patterns of materials 60.
  • the first generation unit 2040 generates the self-organizing map 30 using the physical property vectors obtained from each piece of physical property information 20.
  • the selection unit 2060 identifies the corresponding node of each piece of physical property information 20.
  • the selection unit 2060 selects one or more of the nodes that are not corresponding nodes as target nodes based on the arrangement of each corresponding node in the map space.
  • the second generation unit 2080 generates recommended data 80 indicating material specifications corresponding to the target node.
  • Each functional component of the recommended data generation device 2000 may be realized by hardware that implements each functional component (e.g., a hardwired electronic circuit, etc.), or by a combination of hardware and software (e.g., a hardwired electronic circuit, etc.). (e.g., a combination of an electronic circuit and a program that controls it).
  • a combination of hardware and software e.g., a combination of an electronic circuit and a program that controls it.
  • FIG. 3 is a block diagram illustrating the hardware configuration of the computer 1000 that implements the recommended data generation device 2000 of the first embodiment.
  • Computer 1000 is any computer.
  • the computer 1000 is a stationary computer such as a PC (Personal Computer) or a server machine.
  • the computer 1000 is a portable computer such as a smartphone or a tablet terminal.
  • Computer 1000 may be a dedicated computer designed to implement recommended data generation device 2000, or may be a general-purpose computer.
  • each function of the recommended data generation device 2000 is realized on the computer 1000 by installing a predetermined application on the computer 1000.
  • the application described above is composed of programs for realizing each functional component of the recommended data generation device 2000.
  • the method for acquiring the above program is arbitrary.
  • the program can be obtained from a storage medium (DVD disc, USB memory, etc.) in which the program is stored.
  • the program can be obtained by downloading the program from a server device that manages a storage device in which the program is stored.
  • the computer 1000 has a bus 1020, a processor 1040, a memory 1060, a storage device 1080, an input/output interface 1100, and a network interface 1120.
  • the bus 1020 is a data transmission path through which the processor 1040, memory 1060, storage device 1080, input/output interface 1100, and network interface 1120 exchange data with each other.
  • the method for connecting the processors 1040 and the like to each other is not limited to bus connection.
  • the processor 1040 is a variety of processors such as a CPU (Central Processing Unit), a GPU (Graphics Processing Unit), or an FPGA (Field-Programmable Gate Array).
  • the memory 1060 is a main storage device implemented using RAM (Random Access Memory) or the like.
  • the storage device 1080 is an auxiliary storage device implemented using a hard disk, an SSD (Solid State Drive), a memory card, a ROM (Read Only Memory), or the like.
  • the input/output interface 1100 is an interface for connecting the computer 1000 and an input/output device.
  • an input device such as a keyboard
  • an output device such as a display device are connected to the input/output interface 1100.
  • the network interface 1120 is an interface for connecting the computer 1000 to a network.
  • This network may be a LAN (Local Area Network) or a WAN (Wide Area Network).
  • the storage device 1080 stores programs that implement each functional component of the recommended data generation device 2000 (programs that implement the aforementioned applications).
  • the processor 1040 implements each functional component of the recommended data generation device 2000 by reading this program into the memory 1060 and executing it.
  • the recommended data generation device 2000 may be realized by one computer 1000 or by multiple computers 1000. In the latter case, the configurations of each computer 1000 do not need to be the same and can be different.
  • FIG. 4 is a flowchart illustrating the flow of processing executed by the recommended data generation device 2000 of the first embodiment.
  • the acquisition unit 2020 acquires material specification information 10 and physical property information 20 for each of the plurality of patterns of materials 60 (S102).
  • the first generation unit 2040 generates the self-organizing map 30 using the physical property vectors obtained from each piece of physical property information 20 (S104).
  • the selection unit 2060 identifies the corresponding node of each piece of physical property information 20 (S106).
  • the selection unit 2060 selects a target node based on the arrangement of the corresponding node in the map space (S108).
  • the second generation unit 2080 generates recommended data 80 indicating material specifications corresponding to the target node (S110).
  • FIG. 5 is a diagram illustrating the material specification information 10 in a table format.
  • the table 100 in FIG. 5 has columns called material identification information 102 and material specifications 104.
  • Material identification information 102 indicates identification information assigned to material 60.
  • Material specifications 104 indicate specifications of material 60.
  • material specification information 10 is represented by one record in a table 100. That is, the material specification information 10 associates the identification information of the material 60 with the material specifications of the material 60 having the identification information.
  • FIG. 6 is a diagram illustrating the physical property information 20 in a table format.
  • the table 200 in FIG. 6 has columns called product identification information 202 and physical properties 204.
  • Deliverable identification information 202 indicates identification information of the deliverable 70.
  • Physical properties 204 indicate physical properties of the product 70.
  • the physical properties of the product 70 are represented by showing a correspondence of "label representing the type of physical property: physical property amount of the physical property" for each physical property.
  • the physical property information 20 is represented by one record in the table 200. That is, the physical property information 20 associates the identification information of the product 70 with the physical properties of the product 70 having the identification information.
  • the acquisition unit 2020 acquires multiple pairs of material specification information 10 and physical property information 20. There are various methods for the acquisition unit 2020 to acquire the pair of material specification information 10 and physical property information 20. For example, a pair of material specification information 10 and physical property information 20 is stored in advance in any storage unit that is accessible from the recommended data generation device 2000. The acquisition unit 2020 acquires the pair of material specification information 10 and physical property information 20 by accessing this storage unit. In addition, for example, the acquisition unit 2020 may acquire a pair of material specification information 10 and physical property information 20 by accepting a user input for inputting a pair of material specification information 10 and physical property information 20. In addition, for example, the acquisition unit 2020 may acquire a pair of material specification information 10 and physical property information 20 by receiving a pair of material specification information 10 and physical property information 20 transmitted from another device. good.
  • the pair of material specification information 10 and physical property information 20 is generated by simulating the generation of the product 70. Specifically, by giving specific material specifications as input and executing a simulation, physical property information 20 indicating the predicted value of the physical property amount of each physical property of the product 70 is generated. Then, a pair of the generated physical property information 20 and material specification information 10 indicating the material specifications given as input is obtained.
  • the pair of material specification information 10 and physical property information 20 may be generated by actually generating the product 70.
  • the product 70 is experimentally generated by using the material 60 represented by specific material specifications in the target process.
  • physical property information 20 is generated by measuring the physical property amount of each physical property of the generated product 70. As a result, a pair of generated physical property information 20 and material specification information 10 representing the material 60 used is obtained.
  • the physical property information 20 acquired by the acquisition unit 2020 may include data expressed in different ways. For example, different labels may be used for essentially the same physical properties. Furthermore, it is conceivable that physical property quantities of the same physical property are expressed in different units. In such a case, it is preferable that the acquisition unit 2020 unify the data representation method by unifying labels, converting units, etc. In this way, the physical property information 20 has different data representation methods, for example, the physical property information 20 generated using simulation and the physical property information 20 generated by actually generating the product 70. This is thought to be possible when acquiring both. Incidentally, it is preferable that such unification of the data expression method is similarly performed for the material specification information 10 as well.
  • the first generation unit 2040 generates a self-organizing map 30 using each piece of physical property information 20 (S104).
  • Each node of the self-organizing map 30 is assigned an n-dimensional physical property vector.
  • FIG. 7 is a diagram illustrating the configuration of the self-organizing map 30 in a table format.
  • Table 300 has two columns: node 302 and property vector 304.
  • Each record in the table 300 indicates that the physical property vector shown in the physical property vector 304 of that record is assigned to the node specified by the node 302 of that record.
  • a node 302 indicates the coordinates of the node on the map space.
  • Assignment of physical property vectors to each node is performed by training the self-organizing map 30.
  • Training of the self-organizing map 30 can be performed by inputting n-dimensional training data used for training into the self-organizing map 30.
  • an existing method can be used as a specific method for training a self-organizing map using training data.
  • the first generation unit 2040 initializes the self-organizing map 30 using an arbitrary method.
  • an initialization method for example, a method of initializing the physical property vector of each node to a random value can be adopted.
  • the first generation unit 2040 obtains a plurality of physical property vectors by obtaining a physical property vector from each of the plurality of pieces of physical property information 20.
  • the first generation unit 2040 generates the self-organizing map 30 by treating each of the plurality of physical property vectors as training data and training the self-organizing map 30.
  • the physical property vector corresponding to each node of the self-organizing map 30 becomes n-dimensional data indicating values related to each of the physical property quantities of n types of physical properties.
  • the selection unit 2060 identifies the corresponding node of each piece of physical property information 20 (S106).
  • the corresponding node of the physical property information 20 is a node of the self-organizing map 30 that has a physical property vector that is most similar to the physical property vector obtained from the physical property information 20.
  • the degree of similarity between physical property vectors can be determined based on the distance between physical property vectors, for example. Therefore, for example, the selection unit 2060 performs the following processing on each piece of physical property information 20. First, the selection unit 2060 calculates the distance between the physical property vector obtained from the physical property information 20 and the physical property vector of each node of the self-organizing map 30. Then, the selection unit 2060 identifies the node with the smallest calculated distance as the node having the physical property vector most similar to the physical property vector obtained from the physical property information 20. Therefore, the node specified here is specified as the corresponding node of the physical property information 20.
  • the selection unit 2060 selects a target node from nodes other than the corresponding node based on the arrangement of the corresponding node in the map space (S108).
  • the selection unit 2060 selects a node located away from a corresponding node in the map space as a target node.
  • a method for selecting a target node will be specifically illustrated.
  • FIGS. 8A and 8B are flowcharts illustrating the flow of processing for selecting a target node.
  • FIG. 8A and FIG. 8B will be collectively referred to as FIG. 8.
  • the selection unit 2060 divides the map space into a plurality of partial regions (S202). Each partial area includes a predetermined number of nodes.
  • FIG. 9 is a diagram illustrating a map space 32 divided into a plurality of partial areas. In the map space 32 of FIG. 9, each partial area 36 is a rectangular area surrounded by a thick frame, and has four nodes 34 therein. A node 34 marked with a circle is a corresponding node.
  • S204 to S212 constitute a loop process L1 that is executed for each of the plurality of partial regions.
  • the selection unit 2060 determines whether the loop process L1 has been executed for all partial regions. If the loop process L1 has already been executed for all partial areas, the process in FIG. 8 proceeds to S214. On the other hand, if there are partial regions that have not yet been subjected to the loop processing L1, the selection unit 2060 selects one of them. The partial area selected here will be referred to as "partial area R.” Thereafter, the process in FIG. 8 proceeds to S206.
  • the selection unit 2060 calculates an evaluation score for the representative point of the partial region R based on the positional relationship between the representative point and each corresponding node (S206).
  • the representative point of the partial region R is, for example, one of the vertices of the partial region R, the center of the partial region R, or the like.
  • the evaluation score of the representative point is defined, for example, by the following equation (1).
  • S[i][j] represents the evaluation score of the representative point P(i,j) of the partial region R located i-th from the top and j-th from the left.
  • d_k[i][j] represents the distance between the representative point P(i,j) and the k-th corresponding node. Note that the underscore represents a subscript.
  • the evaluation score becomes smaller as the representative point is located in a place with lower density.
  • the coordinates of the representative point are expressed by the coordinates of that node.
  • the coordinates of the representative point are determined based on the coordinates of each node adjacent to the representative point. For example, in the example of FIG. 9, it is assumed that the representative point of a partial area is one vertex of the partial area. In this case, the coordinates of the representative point are calculated, for example, as the coordinates of the centers of four nodes (nodes on the upper left, upper right, lower right, and lower left of the representative point) having the representative point as a vertex.
  • the distance between the representative point and the corresponding node may be expressed as a distance in the map space, or may be expressed as a distance in the high-dimensional space of the self-organizing map 30 (space of physical property vectors). In the latter case, the distance between the representative point and the corresponding node is expressed by the distance between the physical property vectors corresponding to these two points.
  • evaluation score of the representative point is not limited to the definition of equation (1).
  • evaluation score of the representative point may be defined by the following equation (2).
  • the selection unit 2060 determines whether the evaluation score of the representative point of the partial region R is lower than the evaluation score of any other representative point adjacent to the representative point (S208). If the evaluation score of the representative point of partial region R is lower than the evaluation score of any other representative point adjacent to the representative point (S208: YES), the selection unit 2060 selects the representative point of partial region R from is selected as a reference point to be used for evaluation, and stored in the reference point list Lp (S210).
  • S212 is the end of the loop process L1. Therefore, the process in FIG. 8 proceeds to S204.
  • S214 to S226 constitute a loop process L2 that is repeatedly executed until a predetermined termination condition is satisfied.
  • the predetermined termination condition is that the loop process L2 is executed a predetermined number of times.
  • the predetermined end condition is that the width of the evaluation area, which will be described later, is equal to or less than a predetermined threshold. Note that the predetermined number of times and the predetermined threshold value for determining the termination condition are set in advance by, for example, the user of the recommended data generation device 2000.
  • S216 to S224 constitute a loop process L3 that is executed for each reference point included in the list Lp.
  • the selection unit 2060 determines whether the loop processing L3 has been executed for all reference points included in Lp. If the loop process L3 has already been executed for all reference points, the process in FIG. 8 proceeds to S226. Since S226 is the end of the loop process L2, the process in FIG. 8 proceeds to S214.
  • the selection unit 2060 selects one of them.
  • the reference point selected here is expressed as reference point q. Thereafter, the process in FIG. 8 proceeds to S218.
  • the selection unit 2060 determines an evaluation region that is a region on the map space and is centered on the reference point q, and divides the determined evaluation region into a plurality of partial regions (S218).
  • the size of the evaluation area can be determined by multiplying the size of the map space by a predetermined ratio ⁇ that is less than 1. Calculated.
  • the size of the evaluation area is calculated by multiplying the size of the previous evaluation area by a ratio ⁇ that is less than 1. be done. By doing so, the size of the evaluation area becomes smaller each time the number of executions of the loop process L2 increases.
  • the method for determining the ratio ⁇ is arbitrary.
  • the ratio ⁇ is fixedly set by the administrator of the recommended data generation device 2000 or the like.
  • the ratio ⁇ may be specified by the user of the recommended data generation device 2000.
  • the value of the ratio ⁇ may be the same value each time, or may be a different value each time. In the latter case, for example, the value of the ratio ⁇ is individually set for each of the first repeated execution of the loop process L2 and the subsequent cases.
  • the selection unit 2060 calculates the aforementioned evaluation score for the representative points of each partial area obtained from the evaluation area (S220).
  • the selection unit 2060 replaces the reference point q stored in the list Lp with the representative point having the minimum evaluation score calculated in S220 (S222).
  • the reference point q included in Lp is replaced with a point with a smaller evaluation score that is included in the evaluation area around the reference point q.
  • the size of the evaluation area becomes smaller as the number of times the loop process L2 is executed increases. Therefore, by repeatedly executing the loop process L2, the position of each reference point is repeatedly corrected while gradually narrowing the correction range.
  • S224 is the end of loop processing L3. Therefore, the process in FIG. 8 proceeds to S216.
  • the selection unit 2060 selects the nodes corresponding to each reference point in the list Lp as target nodes.
  • the node corresponding to the reference point is, for example, a node that includes the reference point within its area when the map space is divided into a plurality of nodes as shown in FIG.
  • the node corresponding to the reference point is the node whose coordinates are closest to the coordinates of the reference point.
  • a so-called grid search is performed to search for a node with a small evaluation score as described above on the map space.
  • the evaluation score defined by Equation (1) a node located at a location with low density in the distribution of corresponding nodes in the map space is selected as the target node.
  • the evaluation score defined by Equation (2) the node that is far from the nearest corresponding node is selected as the target node.
  • the method for selecting the target node is not limited to the method shown in FIG. 8.
  • the selection unit 2060 may select nodes corresponding to each reference point included in the list Lp obtained in the loop process L1 as the target nodes, without performing the loop processes L2 and L3 in FIG. 8B.
  • the selection unit 2060 calculates evaluation scores for each node other than the corresponding node, and selects the node with the minimum evaluation score or the first predetermined number of nodes in ascending order of evaluation scores as target nodes. Good too.
  • the second generation unit 2080 estimates material specifications corresponding to the target node, and generates recommended data 80 indicating the estimated material specifications (S110). To this end, the second generation unit 2080 uses the material specification information 10 to generate information about each of multiple types of parameters (hereinafter referred to as specification parameters) of the material specifications for each node of the self-organizing map 30. Assign multidimensional data (hereinafter referred to as dimension vector) representing the value. For example, the specification vector is data that expresses the information shown in the material specification 104 in FIG. 5 as a vector. Then, the second generation unit 2080 estimates the specification vector assigned to the target node as the material specification corresponding to the target node.
  • the second generation unit 2080 assigns the specification vector obtained from each material specification information 10 to the node corresponding to that material specification information 10.
  • the node corresponding to the material specification information 10 is the corresponding node of the physical property information 20 corresponding to the material specification information 10.
  • the specification vector obtained from the material specification information 10 may indicate values for all specification parameters indicated by the material specification information 10, or may indicate values for some specification parameters among them. It's okay. That is, when the number of dimensions of the specification vector is set to k, the value of k may be the same as the number of specification parameters indicated by the material specification information 10, or the number of specification parameters indicated by the material specification information 10. may be smaller than the number of
  • the material specification information 10 indicates both a parameter that takes a continuous value (for example, the blending ratio of a substance) and a parameter that does not take a continuous value (for example, the type of processing).
  • the specification vector is generated by parameters that take continuous values.
  • the specification vector may indicate the values of the parameters indicated by the material specification information 10 as they are, or may convert the values of each parameter using a predetermined method (for example, by performing normalization or standardization). It is also possible to show the value obtained by
  • the second generation unit 2080 estimates a specification vector to be assigned to a node to which the material specification information 10 is not associated. Specifically, the second generation unit 2080 generates a specification vector in the map space based on the specification vector of each node to which the material specification information 10 is associated and the arrangement of those nodes on the map space. Estimate the distribution of Then, the second generation unit 2080 uses the estimated distribution to allocate specification vectors even to nodes to which material specification information 10 is not associated.
  • the second generation unit 2080 uses arbitrary interpolation processing such as linear interpolation or spline interpolation to generate the specification vector of each node associated with the material specification information 10 and the arrangement of those nodes on the map space. , estimate the distribution of dimension vectors in map space.
  • the second generation unit 2080 may estimate the distribution of specification vectors in the map space by sparse estimation. Note that when estimating the distribution of the specification vectors, the estimation accuracy may be improved by further applying Bayesian estimation.
  • FIG. 10 is a diagram illustrating, in a table format, the configuration of the self-organizing map 30 in which a specification vector is assigned to each node.
  • Table 300 in FIG. 10 has four columns: node 302, physical property vector 304, material identification information 306, and specification vector 308.
  • Table 300 has one record per node.
  • a node 302 indicates the coordinates of the node on the map space.
  • a physical property vector 304 represents a physical property vector assigned to a node.
  • the material identification information 306 indicates, for a node to which the material specification information 10 has been assigned, the identification information of the material 60 indicated by the material specification information 10 assigned to that node. In a record of a node to which material specification information 10 is not assigned, material identification information 306 indicates "-".
  • Specification vector 308 represents the specification vector assigned to the node.
  • the recommended data generation device 2000 outputs information representing the processing result (hereinafter referred to as output information) in an arbitrary manner.
  • output information the functional component of the recommended data generation device 2000 that outputs output information will be referred to as an output unit.
  • the output information indicates, for each of one or more target nodes, recommended data 80 representing material specifications corresponding to the target node in association with the coordinates of the target node.
  • the output unit stores the output information in an arbitrary storage unit.
  • the output unit displays the output information on the display device by outputting the output information to the display device.
  • the output unit transmits the output information to any other device (for example, the above-mentioned simulator).
  • the recommended data generation device 2000 may also generate a map image that visually represents the map space of the self-organizing map 30, and include the map image in the output information.
  • the map image is an image expressing the correspondence between the distribution of material specifications and the distribution of physical properties.
  • FIG. 11 is a diagram illustrating a map image.
  • map image 40 visually represents the map space of self-organizing map 30.
  • a material specification display 42 representing part or all of the material specification information 10 is superimposed on the node to which the material specification information 10 is assigned.
  • the nodes of the map image 40 are divided into clusters based on physical property vectors.
  • a thick frame in the map image 40 represents a cluster boundary.
  • the recommended data generation device 2000 performs clustering on the physical property vectors corresponding to each node of the self-organizing map 30. By dividing the physical property vectors into clusters in this manner, nodes corresponding to the physical property vectors can also be divided into clusters.
  • the recommended data generation device 2000 performs clustering of physical property vectors by using various clustering algorithms such as the k-means method.
  • Each node of the map image 40 may be colored based on the physical property vector.
  • various existing methods can be used to color each node of the self-organizing map according to the data associated with that node.
  • the recommendation data 80 is used for simulating the generation of the artifact 70 or experimentally generating the artifact 70.
  • the recommended data 80 may be referenced by a worker who performs the simulation or experimental generation, or may be referenced by a simulator that performs the simulation.
  • the worker performs a simulation by inputting the recommended data 80 into the simulator, or performs an experiment on the deliverable 70 by preparing the material 60 specified by the material specifications shown in the recommended data 80. It also generates information.
  • the latter case will be described as a second embodiment as follows.
  • FIG. 12 is a diagram illustrating an overview of the operation of the recommended data generation device 2000 of the second embodiment.
  • FIG. 12 is a diagram for easy understanding of the outline of the recommended data generation device 2000, and the operation of the recommended data generation device 2000 is not limited to that shown in FIG. 12.
  • the recommended data generation device 2000 causes the simulator 400 to execute a simulation by inputting the recommended data 80 to the simulator 400.
  • the simulator 400 simulates the generation process of the target process. Specifically, the simulator 400 acquires input data representing material specifications, and represents predicted physical properties of the product 70 that will be generated using the material 60 specified by the input data. Prediction data 410 is generated.
  • the simulator 400 any existing simulator that acquires input data representing material specifications, performs a simulation using the input data, and outputs predicted data of physical properties of a product can be used. Further, the simulator 400 may be implemented by a computer that implements the recommended data generation device 2000, or may be implemented by another computer.
  • the recommended data generation device 2000 acquires the predicted data 410 generated by the simulator 400 and outputs a pair of recommended data 80 and predicted data 410. As a result, a pair of recommended data 80 and predicted data 410 obtained by inputting the recommended data 80 into the simulator 400 is output.
  • the above pair corresponds to the pair of material specification information 10 and physical property information 20 described above. Therefore, by using the recommended data generation device 2000, it is possible to improve the efficiency of subsequent simulations based on the results of simulations and experiments for generating the artifact 70 that have already been performed.
  • the material specifications targeted for simulation or experimental generation are determined according to past knowledge or determined at random. After that, by inputting these results into the recommended data generation device 2000, it is predicted that a product with physical properties having a low degree of similarity to the physical properties of each product 70 obtained in simulations that have already been performed will be obtained.
  • the material specifications are estimated and output as recommended data 80. Then, by inputting the material specifications shown in the recommended data 80 into the simulator 400, a new pair of material specifications and physical properties is obtained.
  • the degree of similarity between the physical properties of the artifact 70 obtained in a new simulation and the physical properties of each artifact 70 obtained in a simulation that has already been performed becomes low. You can do it like this. Therefore, it is possible to avoid a situation in which only products 70 with similar physical properties are obtained through simulation, etc., and to increase the variation in the physical properties of the product 70 with fewer simulations.
  • the output mode of the pair of recommended data 80 and predicted data 410 is arbitrary.
  • the recommended data generation device 2000 stores the above pair in any storage unit that is accessible from the recommended data generation device 2000.
  • the recommended data generation device 2000 displays the pair on any display device that can be controlled by the recommended data generation device 2000.
  • the recommended data generation device 2000 transmits the above pair to any device that is communicably connected to the recommended data generation device 2000.
  • the recommended data generation device 2000 may update the self-organizing map 30 by further training the self-organizing map 30 using the prediction data 410 as new training data. Furthermore, the recommended data generation device 2000 may generate a map image 40 for the updated self-organizing map 30 and output it in an arbitrary manner.
  • the simulator 400 may execute a simulation using the recommendation data 80, or after generating a plurality of recommendation data 80, the recommendation data 80 may be generated.
  • the simulator 400 may be caused to sequentially execute simulations for each piece of data 80.
  • FIG. 13 is a block diagram illustrating the functional configuration of the recommended data generation device 2000 according to the second embodiment.
  • the recommended data generation device 2000 of the second embodiment further includes a simulator control section 2120 and a simulation result output section 2140.
  • the simulator control unit 2120 inputs the recommended data 80 to the simulator 400 and causes the simulator 400 to execute a simulation of generating the product 70 using the material 60 specified by the material specifications represented by the recommended data 80.
  • the simulation result output unit 2140 acquires the prediction data 410 output from the simulator 400 and outputs a pair of recommended data 80 and prediction data 410.
  • Example of hardware configuration The hardware configuration of the recommended data generation device 2000 of the second embodiment is shown in FIG. 3, for example, similarly to the recommended data generation device 2000 of the first embodiment.
  • the storage device 1080 of the second embodiment stores programs that implement each functional component of the recommended data generation device 2000 of the second embodiment.
  • FIG. 14 is a flowchart illustrating the flow of processing executed by the recommended data generation device 2000 of the second embodiment.
  • S102 to S110 are the same as those shown in FIG. 4, so they are not shown in FIG.
  • the simulator control unit 2120 inputs the recommended data 80 to the simulator 400 and causes the simulator 400 to execute the simulation.
  • the simulation result output unit 2140 acquires prediction data 410 from the simulator 400 (S114).
  • the simulation result output unit 2140 outputs a pair of recommended data 80 and predicted data 410 (S116).
  • the first generation unit 2040 updates the self-organizing map 30 by training using the prediction data 410 as training data (S118).
  • the program includes a set of instructions (or software code) for causing the computer to perform one or more of the functions described in the embodiments when loaded into the computer.
  • the program may be stored on a non-transitory computer readable medium or a tangible storage medium.
  • computer readable or tangible storage media may include random-access memory (RAM), read-only memory (ROM), flash memory, solid-state drive (SSD) or other memory technology, CD - Including ROM, digital versatile disc (DVD), Blu-ray disc or other optical disc storage, magnetic cassette, magnetic tape, magnetic disc storage or other magnetic storage device.
  • the program may be transmitted on a transitory computer-readable medium or a communication medium.
  • transitory computer-readable or communication media includes electrical, optical, acoustic, or other forms of propagating signals.
  • Additional note 1 Acquire a plurality of material specification information indicating material specifications, and for each of the material specification information, obtain physical properties of each of the plurality of physical properties of a product that can be produced with the material specifications indicated in the material specification information.
  • an acquisition means for acquiring physical property information indicating the amount
  • a first generating means that uses the physical property information to generate a self-organizing map in which a physical property vector indicating a value regarding the physical property quantity of each of the plurality of types of physical properties of the product is assigned to each node on the map space
  • Selection means for selecting one or more target nodes from the nodes of the self-organizing map based on the arrangement of the nodes corresponding to each of the physical property information in the map space
  • a second generation means for generating recommendation data indicating the material specifications corresponding to the target node.
  • the selection means calculates, for each of the plurality of locations on the map space, an evaluation score based on the distance between the location and the node corresponding to each of the physical property information, and selects the plurality of locations based on the evaluation score.
  • the recommended data generation device according to supplementary note 1, which selects one or more of the positions and selects the node corresponding to the selected position as the target node.
  • the evaluation score is the sum of reciprocals of the distances between the position and the node corresponding to each of the physical property information, or the minimum value of the distance between the position and the node corresponding to each of the physical property information.
  • the recommended data generation device according to appendix 2, which is a reciprocal number.
  • the second generating means is Using each of the material specification information, allocating a specification vector indicating a value regarding the material specification to each of the nodes;
  • the recommended data generating device according to any one of Supplementary Notes 1 to 3, which generates the recommended data indicating the specification vector assigned to the target node.
  • a simulation is performed using the material specifications represented by the recommended data as input to a simulator that generates predictive data of the physical properties of the deliverable that can be produced using the material specified by the input material specifications.
  • simulator control means for causing The recommended data generating device according to any one of Supplementary Notes 1 to 3, further comprising a simulation result output means for acquiring the predicted data generated by the simulator and outputting the predicted data and the recommended data.
  • (Appendix 6) Acquire a plurality of material specification information indicating material specifications, and for each of the material specification information, obtain physical properties of each of the plurality of physical properties of a product that can be produced with the material specifications indicated in the material specification information.
  • an acquisition step of acquiring physical property information indicating the amount a first generation step of generating, using the physical property information, a self-organizing map in which a physical property vector indicating a value related to the physical property quantity of each of the plurality of types of physical properties of the product is assigned to each node on the map space; a selection step of selecting one or more target nodes from the nodes of the self-organizing map based on the arrangement of the nodes corresponding to each of the physical property information in the map space; a second generation step of generating recommendation data indicating the material specifications corresponding to the target node; a method of generating recommendation data executed by a computer; (Appendix 7) In the selection step, for each of the plurality of positions on the map space, an evaluation score is calculated
  • the evaluation score is the sum of reciprocals of the distances between the position and the node corresponding to each of the physical property information, or the minimum value of the distance between the position and the node corresponding to each of the physical property information.
  • Appendix 9 In the second generation step, Using each of the material specification information, allocating a specification vector indicating a value regarding the material specification to each of the nodes; 9. The recommended data generation method according to any one of Supplementary Notes 6 to 8, wherein the recommended data indicating the specification vector assigned to the target node is generated.
  • a simulation is performed using the material specifications represented by the recommended data as input to a simulator that generates predictive data of the physical properties of the deliverable that can be produced using the material specified by the input material specifications.
  • a simulator control step for causing The recommended data generation method according to any one of Supplementary Notes 6 to 8, comprising a simulation result output step of acquiring the predicted data generated by the simulator and outputting the predicted data and the recommended data.
  • (Appendix 11) Acquire a plurality of material specification information indicating material specifications, and for each of the material specification information, obtain physical properties of each of the plurality of physical properties of a product that can be produced with the material specifications indicated in the material specification information.
  • a non-transitory computer-readable medium storing a program that causes a computer to execute a second generation step of generating recommended data indicating the material specifications corresponding to the target node.
  • an evaluation score is calculated based on the distance between the position and the node corresponding to each of the physical property information, and based on the evaluation score, the plurality of 12.
  • the evaluation score is the sum of reciprocals of the distances between the position and the node corresponding to each of the physical property information, or the minimum value of the distance between the position and the node corresponding to each of the physical property information.
  • Material specification information 20 Physical property information 30 Self-organizing map 32 Map space 34 Node 36 Partial area 40 Map image 42 Material specification display 60 Material 70 Deliverable 80 Recommended data 100 Table 102 Material identification information 104 Material specification 200 Table 202 Deliverable identification information 204 Physical properties 300 Table 302 Node 304 Physical property vector 306 Material identification information 308 Specification vector 400 Simulator 410 Prediction data 1000 Computer 1020 Bus 1040 Processor 1060 Memory 1080 Storage device 1100 Input/output interface 1120 Network interface 2000 Recommended data generation device 2020 Acquisition unit 2040 First generation unit 2060 Selection unit 2080 Second generation unit 2120 Simulator control unit 2140 Simulation result output unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

推奨データ生成装置（２０００）は、材料諸元を示す複数の材料諸元情報（１０）を取得し、なおかつ、各材料諸元情報（１０）について、その材料諸元情報（１０）に示される材料諸元で生成されうる成果物（７０）の複数の物性それぞれについての物性量を示す物性情報（２０）を取得する。推奨データ生成装置（２０００）は、物性情報（２０）を用いて、成果物（７０）の複数種類の物性それぞれの物性量に関する値を示す物性ベクトルがマップ空間上の各ノードに割り当てられている自己組織化マップ（３０）を生成する。推奨データ生成装置（２０００）は、各物性情報（２０）に対応するノードのマップ空間における配置に基づいて、自己組織化マップ（３０）のノードから、１つ以上のターゲットノードを選択する。推奨データ生成装置（２０００）は、ターゲットノードに対応する材料諸元を示す推奨データ（８０）を生成する。

Description

推奨データ生成装置、推奨データ生成方法、及び非一時的なコンピュータ可読媒体
　本開示は、製品開発に関連する情報を提供する技術に関する。
　製品開発では、材料と成果物の関係を把握することが有用である。そこで、材料と成果物の関係の把握を支援するシステムが開発されている。例えば特許文献１は、自己組織化マップを利用して、タイヤの設計値と物性値との因果関係の把握を支援するシステムを開示している。
特開２０１６－１４８９８８号公報
　特許文献１では、タイヤの複数の設計変数のうち、どの変数が重要な因子であるのかを特定するために、自己組織化マップが利用されている。そのため、それ以外の目的で自己組織化マップを利用することは想定されていない。本開示はこのような課題に鑑みたものであり、本開示の目的は、製品開発に有用な情報を提供する新たな技術を提供することである。
　本開示の推奨データ生成装置は、材料諸元を示す複数の材料諸元情報を取得し、なおかつ、各前記材料諸元情報について、その材料諸元情報に示される材料諸元で生成されうる成果物の複数の物性それぞれについての物性量を示す物性情報を取得する取得手段と、前記物性情報を用いて、前記成果物の複数種類の物性それぞれの物性量に関する値を示す物性ベクトルがマップ空間上の各ノードに割り当てられている自己組織化マップを生成する第１生成手段と、各前記物性情報に対応する前記ノードの前記マップ空間における配置に基づいて、前記自己組織化マップのノードから、１つ以上のターゲットノードを選択する選択手段と、前記ターゲットノードに対応する前記材料諸元を示す推奨データを生成する第２生成手段と、を有する。
　本開示の推奨データ生成方法は、コンピュータによって実行される。当該推奨データ生成方法は、材料諸元を示す複数の材料諸元情報を取得し、なおかつ、各前記材料諸元情報について、その材料諸元情報に示される材料諸元で生成されうる成果物の複数の物性それぞれについての物性量を示す物性情報を取得する取得ステップと、前記物性情報を用いて、前記成果物の複数種類の物性それぞれの物性量に関する値を示す物性ベクトルがマップ空間上の各ノードに割り当てられている自己組織化マップを生成する第１生成ステップと、各前記物性情報に対応する前記ノードの前記マップ空間における配置に基づいて、前記自己組織化マップのノードから、１つ以上のターゲットノードを選択する選択ステップと、前記ターゲットノードに対応する前記材料諸元を示す推奨データを生成する第２生成ステップと、を有する。
　本開示の非一時的なコンピュータ可読媒体は、本開示の推奨データ生成方法をコンピュータに実行させるプログラムを格納している。
　本開示によれば、製品開発に有用な情報を提供する新たな技術が提供される。
実施形態１の推奨データ生成装置の動作の概要を例示する図である。 実施形態１の推奨データ生成装置の機能構成を例示するブロック図である。 実施形態１の推奨データ生成装置を実現するコンピュータのハードウエア構成を例示するブロック図である。 実施形態１の推奨データ生成装置によって実行される処理の流れを例示するフローチャートである。 材料諸元情報をテーブル形式で例示する図である。 物性情報をテーブル形式で例示する図である。 自己組織化マップの構成をテーブル形式で例示する図である。 ターゲットノードを選択する処理の流れを例示するフローチャートである。 ターゲットノードを選択する処理の流れを例示するフローチャートである。 複数の部分領域に分割されたマップ空間を例示する図である。 各ノードに諸元ベクトルが割り当てられている自己組織化マップの構成をテーブル形式で例示する図である。 マップ画像を例示する図である。 実施形態２の推奨データ生成装置の動作の概要を例示する図である。 実施形態２の推奨データ生成装置の機能構成を例示するブロック図である。 実施形態２の推奨データ生成装置によって実行される処理の流れを例示するフローチャートである。
　以下では、本開示の実施形態について、図面を参照しながら詳細に説明する。各図面において、同一又は対応する要素には同一の符号が付されており、説明の明確化のため、必要に応じて重複説明は省略される。また、特に説明しない限り、所定値や閾値などといった予め定められている情報は、その情報を利用する装置からアクセス可能な記憶装置などに予め格納されている。さらに、特に説明しない限り、記憶部は、１つ以上の任意の数の記憶装置によって構成される。
［実施形態１］
＜概要＞
　図１は、実施形態１の推奨データ生成装置２０００の動作の概要を例示する図である。ここで、図１は、推奨データ生成装置２０００の概要の理解を容易にするための図であり、推奨データ生成装置２０００の動作は、図１に示したものに限定されない。
　推奨データ生成装置２０００は、製品開発の特定の工程（以下、対象工程）において生成されうる様々な成果物７０について、成果物７０の物性の分布を表す自己組織化マップ３０を生成する。成果物７０は、対象工程の生成プロセスで材料６０を処理することによって生成されると予測されるもの、又は、実際に生成されたものである。材料６０は、成果物７０の生成に利用される材料である。対象工程では、様々なパターンの材料６０を利用できる。成果物７０の物性は、利用する材料６０によって異なりうる。
　材料６０の１つのパターンは、材料諸元によって特定される。言い換えれば、材料諸元が互いに異なる材料６０は、互いに異なるパターンの材料６０として扱われる。一方、材料諸元が互いに同じである材料６０は、互いに同じパターンの材料６０として扱われる。
　材料諸元は、例えば、材料の種類、材料を構成する物質の種類、各物質の配合比率、及び材料を作成するために行われる加工の種類などで表される。材料の種類としては、例えば、炭素繊維強化プラスチックやステンレス鋼などがある。例えば、材料６０が炭素繊維強化プラスチックであるとする。この場合、材料６０の材料諸元は、材料６０を構成する１つ又は複数の炭素繊維それぞれの種類（ポリアクリルニトリル繊維やセルロース炭化繊維など）、材料６０を構成する１つ又は複数の樹脂それぞれの種類（エポキシやポリエーテルテフタレートなど）、及びそれらの物質の配合比率を含む。また、材料諸元には、繊維方向性重合方式の種類、圧着方式の種類、及び樹脂組成などがさらに含まれてもよい。
　なお、対象工程は、１つの工程であってもよいし、連続する複数の工程の組み合わせであってもよい。後者の場合、成果物７０は、材料６０をこれら複数の連続する工程で処理することによって生成されうる成果物である。例えば対象工程が工程Ｐ１と工程Ｐ２の組み合わせであるとする。この場合、成果物７０は、材料６０を工程Ｐ１の生成プロセスで処理した後に、工程Ｐ１の成果物を工程Ｐ２の生成プロセスで処理することによって得られる。
　自己組織化マップ３０は、ｍ次元のマップ空間上に配置された複数のノードを有する。ここで、マップ空間を視覚的に（例えば画像で）表現できるようにするために、ｍは２又は３とする。視覚的に表現されたマップ空間において、各ノードは、例えばマス目のマスや格子上の格子などで表される。
　自己組織化マップ３０の各ノードには、複数種類の物性それぞれの物性量の大きさを表す多次元データ（以下、物性ベクトル）が割り当てられる。例えば、難燃性、耐熱性、弾性率、及び靱性という４種類の物性を利用するとする。この場合、物性ベクトルは、これら４種類の物性それぞれの物性量の大きさを表す４次元データである。以下、物性ベクトルの次元数をｎとおく。ここで、ｎ＞ｍである。すなわち、自己組織化マップ３０において、物性ベクトルの空間が高次元空間であり、マップ空間が低次元空間である。
　このような自己組織化マップ３０を生成するために、推奨データ生成装置２０００は、複数パターンの材料６０それぞれについて（言い換えれば、複数パターンの材料諸元それぞれで特定される材料６０について）、その材料６０の材料諸元を表す材料諸元情報１０と、その材料諸元情報１０に対応する物性情報２０とを取得する。すなわち、推奨データ生成装置２０００は、材料諸元情報１０と物性情報２０のペアを複数取得する。材料諸元情報１０に対応する物性情報２０は、その材料諸元情報１０によって表される材料諸元の材料６０を利用して対象工程で生成されうる成果物７０について、複数種類の物性それぞれの物性量を示す。物性の種類は、例えば前述した、難燃性、耐熱性、弾性率、又は靱性などである。なお、物性情報２０が示す物性の種類の数は、物性ベクトルの次元数ｎ以上である。
　推奨データ生成装置２０００は、各物性情報２０に対応する自己組織化マップ３０のノード（以下、対応ノード）を特定する。ここで、物性情報２０の対応ノードは、自己組織化マップ３０のノードのうち、その物性情報２０から得られる物性ベクトルに最も類似する物性ベクトルが対応づけられているノードである。すなわち、物性情報２０の対応ノードは、自己組織化マップ３０のノードのうち、物性情報２０によって表される物性に最も近い物性を表すノードである。
　推奨データ生成装置２０００は、マップ空間における各物性情報２０の対応ノードの配置に基づいて、いずれの物性情報２０にも対応しないノードのうち（言い換えれば、対応ノードではないノードのうち）、１つ以上のノードを、ターゲットノードとして選択する。例えば、マップ空間において、各対応ノードから離れた位置にあるノードが、ターゲットノードとして選択される。
　推奨データ生成装置２０００は、自己組織化マップ３０を用いて、ターゲットノードに対応する材料諸元を推定する。そして、推奨データ生成装置２０００は、推定した材料諸元を示す推奨データ８０を生成する。
＜作用効果の一例＞
　推奨データ生成装置２０００が取得する材料諸元情報１０と物性情報２０のペアは、既に行われた成果物７０の生成のシミュレーションや実験的生成の結果に基づいて生成されたものである。そのため、材料諸元情報１０と物性情報２０のペアは、これまでに行われたシミュレーションなどによって得られた、材料諸元と物性の対応関係についての知見であると言える。
　シミュレーション等をさらに行って知見を増やす際、シミュレーション等に利用する材料諸元を適切に選択することにより、知見を効率よく増やすことが有用である。ここで、効率よく知見を増やす方法の一つとして、これまでに得られた成果物７０とは、できる限り物性が類似しない成果物７０が得られるように、シミュレーション等を行うという方法が考えられる。こうすることで、それぞれ類似度合いが高くない様々な物性について、材料諸元との対応関係についての知見を得ることができる。言い換えれば、似通った物性ばかりについて知見が得られてしまうことを避けることができる。
　この点、推奨データ生成装置２０００によれば、各物性情報２０に対応する自己組織化マップ３０のノード（対応ノード）が特定され、自己組織化マップ３０のマップ空間における対応ノードの配置に基づいて、１つ以上のターゲットノードが選択される。ここで、マップ空間における対応ノードの配置は、既に知見が得られている物性のマップ空間上の分布を表す。そのため、マップ空間における対応ノードの配置に基づいてターゲットノードを選択することにより、既に知見が得られている物性との類似度が高くない物性を表すノードを、ターゲットノードとして選択することができる。
　そして、推奨データ生成装置２０００によれば、ターゲットノードに対応する材料諸元が推定され、その材料諸元を示す推奨データ８０が生成される。ここで、ターゲットノードに対応する材料諸元は、そのターゲットノードに対応する物性を持つ成果物７０が得らえると推定される材料諸元である。そのため、この材料諸元を利用してシミュレーション等を行うことで、既に知見が得られている物性との類似度が高くない物性を持つ成果物７０を、シミュレーション等によって得られる蓋然性が高い。このことから、推奨データ生成装置２０００によれば、成果物７０の生成のシミュレーション等を効率よく行える材料諸元を容易に得ることができる。
　以下、本実施形態の推奨データ生成装置２０００について、より詳細に説明する。
＜機能構成の例＞
　図２は、実施形態１の推奨データ生成装置２０００の機能構成を例示するブロック図である。推奨データ生成装置２０００は、取得部２０２０、第１生成部２０４０、選択部２０６０、及び第２生成部２０８０を有する。取得部２０２０は、複数パターンの材料６０それぞれについて、材料諸元情報１０及び物性情報２０を取得する。第１生成部２０４０は、各物性情報２０から得られる物性ベクトルを用いて、自己組織化マップ３０を生成する。選択部２０６０は、各物性情報２０の対応ノードを特定する。選択部２０６０は、マップ空間における各対応ノードの配置に基づいて、対応ノードではないノードのうちの１つ以上を、ターゲットノードとして選択する。第２生成部２０８０は、ターゲットノードに対応する材料諸元を示す推奨データ８０を生成する。
＜ハードウエア構成の例＞
　推奨データ生成装置２０００の各機能構成部は、各機能構成部を実現するハードウエア（例：ハードワイヤードされた電子回路など）で実現されてもよいし、ハードウエアとソフトウエアとの組み合わせ（例：電子回路とそれを制御するプログラムの組み合わせなど）で実現されてもよい。以下、推奨データ生成装置２０００の各機能構成部がハードウエアとソフトウエアとの組み合わせで実現される場合について、さらに説明する。
　図３は、実施形態１の推奨データ生成装置２０００を実現するコンピュータ１０００のハードウエア構成を例示するブロック図である。コンピュータ１０００は、任意のコンピュータである。例えばコンピュータ１０００は、PC（Personal Computer）やサーバマシンなどといった、据え置き型のコンピュータである。その他にも例えば、コンピュータ１０００は、スマートフォンやタブレット端末などといった可搬型のコンピュータである。コンピュータ１０００は、推奨データ生成装置２０００を実現するために設計された専用のコンピュータであってもよいし、汎用のコンピュータであってもよい。
　例えば、コンピュータ１０００に対して所定のアプリケーションをインストールすることにより、コンピュータ１０００で、推奨データ生成装置２０００の各機能が実現される。上記アプリケーションは、推奨データ生成装置２０００の各機能構成部を実現するためのプログラムで構成される。なお、上記プログラムの取得方法は任意である。例えば、当該プログラムが格納されている記憶媒体（DVD ディスクや USB メモリなど）から、当該プログラムを取得することができる。その他にも例えば、当該プログラムが格納されている記憶装置を管理しているサーバ装置から、当該プログラムをダウンロードすることにより、当該プログラムを取得することができる。
　コンピュータ１０００は、バス１０２０、プロセッサ１０４０、メモリ１０６０、ストレージデバイス１０８０、入出力インタフェース１１００、及びネットワークインタフェース１１２０を有する。バス１０２０は、プロセッサ１０４０、メモリ１０６０、ストレージデバイス１０８０、入出力インタフェース１１００、及びネットワークインタフェース１１２０が、相互にデータを送受信するためのデータ伝送路である。ただし、プロセッサ１０４０などを互いに接続する方法は、バス接続に限定されない。
　プロセッサ１０４０は、CPU（Central Processing Unit）、GPU（Graphics Processing Unit）、又は FPGA（Field－Programmable Gate Array）などの種々のプロセッサである。メモリ１０６０は、RAM（Random Access Memory）などを用いて実現される主記憶装置である。ストレージデバイス１０８０は、ハードディスク、SSD（Solid State Drive）、メモリカード、又は ROM（Read Only Memory）などを用いて実現される補助記憶装置である。
　入出力インタフェース１１００は、コンピュータ１０００と入出力デバイスとを接続するためのインタフェースである。例えば入出力インタフェース１１００には、キーボードなどの入力装置や、ディスプレイ装置などの出力装置が接続される。
　ネットワークインタフェース１１２０は、コンピュータ１０００をネットワークに接続するためのインタフェースである。このネットワークは、LAN（Local Area Network）であってもよいし、WAN（Wide Area Network）であってもよい。
　ストレージデバイス１０８０は、推奨データ生成装置２０００の各機能構成部を実現するプログラム（前述したアプリケーションを実現するプログラム）を記憶している。プロセッサ１０４０は、このプログラムをメモリ１０６０に読み出して実行することで、推奨データ生成装置２０００の各機能構成部を実現する。
　推奨データ生成装置２０００は、１つのコンピュータ１０００で実現されてもよいし、複数のコンピュータ１０００で実現されてもよい。後者の場合において、各コンピュータ１０００の構成は同一である必要はなく、それぞれ異なるものとすることができる。
＜処理の流れ＞
　図４は、実施形態１の推奨データ生成装置２０００によって実行される処理の流れを例示するフローチャートである。取得部２０２０は、複数パターンの材料６０それぞれについて、材料諸元情報１０及び物性情報２０を取得する（Ｓ１０２）。第１生成部２０４０は、各物性情報２０から得られる物性ベクトルを用いて、自己組織化マップ３０を生成する（Ｓ１０４）。選択部２０６０は、各物性情報２０の対応ノードを特定する（Ｓ１０６）。選択部２０６０は、マップ空間における対応ノードの配置に基づいて、ターゲットノードを選択する（Ｓ１０８）。第２生成部２０８０は、ターゲットノードに対応する材料諸元を示す推奨データ８０を生成する（Ｓ１１０）。
＜材料諸元情報１０及び物性情報２０の取得：Ｓ１０２＞
　取得部２０２０は、複数パターンの材料６０それぞれについて、その材料６０の材料諸元を表す材料諸元情報１０と、その材料６０を用いて生成されうる成果物７０についての物性情報２０とを取得する（Ｓ１０２）。図５は、材料諸元情報１０をテーブル形式で例示する図である。図５のテーブル１００は、材料識別情報１０２及び材料諸元１０４という列を有する。材料識別情報１０２は、材料６０に割り当てられた識別情報を示す。材料諸元１０４は、材料６０の諸元を示す。
　図５において、材料諸元情報１０は、テーブル１００の１つのレコードで表されている。すなわち、材料諸元情報１０は、材料６０の識別情報と、その識別情報を持つ材料６０の材料諸元とを対応づけている。
　図６は、物性情報２０をテーブル形式で例示する図である。図６のテーブル２００は、成果物識別情報２０２及び物性２０４という列を有する。成果物識別情報２０２は、成果物７０の識別情報を示す。物性２０４は、成果物７０の物性を示す。テーブル２００において、成果物７０の物性は、「物性の種類を表すラベル：その物性の物性量」という対応付けを物性ごとに示すことによって表されている。
　図６において、物性情報２０は、テーブル２００の１つのレコードで表されている。すなわち、物性情報２０は、成果物７０の識別情報と、その識別情報を持つ成果物７０の物性とを対応づけている。
　取得部２０２０は、材料諸元情報１０と物性情報２０のペアを複数取得する。取得部２０２０が材料諸元情報１０と物性情報２０のペアを取得する方法は様々である。例えば材料諸元情報１０と物性情報２０のペアは予め、推奨データ生成装置２０００からアクセス可能な任意の記憶部に格納されている。取得部２０２０は、この記憶部にアクセスすることにより、材料諸元情報１０と物性情報２０のペアを取得する。その他にも例えば、取得部２０２０は、材料諸元情報１０と物性情報２０のペアを入力するユーザ入力を受け付けることにより、材料諸元情報１０と物性情報２０のペアを取得してもよい。その他にも例えば、取得部２０２０は、他の装置から送信される材料諸元情報１０と物性情報２０のペアを受信することにより、材料諸元情報１０と物性情報２０のペアを取得してもよい。
　ここで、材料諸元情報１０と物性情報２０のペアを生成する方法は様々である。例えば、材料諸元情報１０と物性情報２０のペアは、成果物７０の生成のシミュレーションを行うことで生成される。具体的には、特定の材料諸元を入力として与えてシミュレーションを実行することにより、成果物７０について各物性の物性量の予測値を示す物性情報２０が生成される。そして、生成された物性情報２０と、入力として与えた材料諸元を示す材料諸元情報１０とのペアが得られる。ここで、材料諸元を入力として取得し、その材料諸元で特定される材料について、その材料を用いて特定の工程で生成される成果物の物性の予測データを出力するシミュレーションを実現する技術には、既存の技術を利用することができる。
　その他にも例えば、材料諸元情報１０と物性情報２０のペアは、成果物７０の生成を実際に行うことで生成されてもよい。具体的には、特定の材料諸元で表される材料６０を対象工程で利用することで、成果物７０が実験的に生成される。さらに、生成された成果物７０について、各物性の物性量の測定を行うことにより、物性情報２０が生成される。その結果、生成された物性情報２０と、利用した材料６０を表す材料諸元情報１０のペアが得られる。
　なお、取得部２０２０によって取得される物性情報２０の中には、データの表現方法が互いに異なるものが含まれうる。例えば、本質的に等しい物性に対し、互いに異なるラベルが利用されていることが考えられる。また、同一の物性の物性量が、互いに異なる単位で表されていることが考えられる。このような場合、取得部２０２０は、ラベルの統一や単位換算などを行うことで、データの表現方法を統一することが好適である。このように物性情報２０同士でデータの表現方法が互いに異なる状況は、例えば、シミュレーションを利用して生成された物性情報２０と、実際に成果物７０を生成することで生成された物性情報２０の双方を取得する場合に起こりうると考えられる。なお、このようなデータの表現方法の統一は、材料諸元情報１０についても同様に行われることが好ましい。
＜自己組織化マップ３０の生成：Ｓ１０４＞
　第１生成部２０４０は、各物性情報２０を用いて、自己組織化マップ３０を生成する（Ｓ１０４）。自己組織化マップ３０は、ｍ次元のマップ空間上に配置された複数のノードを有する（ｍ＝２又はｍ＝３）。マップ空間の次元数として２次元と３次元のどちらを採用するかは、予め定められていてもよいし、ユーザによって指定されてもよい。自己組織化マップ３０の各ノードには、ｎ次元の物性ベクトルが割り当てられる。
　図７は、自己組織化マップ３０の構成をテーブル形式で例示する図である。テーブル３００は、ノード３０２及び物性ベクトル３０４という２つの列を有する。テーブル３００の各レコードは、そのレコードのノード３０２で特定されるノードに対して、そのレコードの物性ベクトル３０４に示される物性ベクトルが割り当てられていることを表す。なお、図７において、ノード３０２は、マップ空間上のノードの座標を示す。
　各ノードに対する物性ベクトルの割り当ては、自己組織化マップ３０の訓練によって行われる。自己組織化マップ３０の訓練は、訓練に利用するｎ次元の訓練データを自己組織化マップ３０に入力することで行うことができる。ここで、訓練データを用いて自己組織化マップの訓練を行う具体的な方法には、既存の方法を利用することができる。
　例えば第１生成部２０４０は、自己組織化マップ３０を任意の方法で初期化する。初期化の方法としては、例えば、各ノードの物性ベクトルをランダムな値に初期化するといった方法を採用できる。第１生成部２０４０は、複数の物性情報２０それぞれから物性ベクトルを得ることで、複数の物性ベクトルを得る。第１生成部２０４０は、これら複数の物性ベクトルそれぞれを訓練データとして扱って自己組織化マップ３０の訓練を行うことにより、自己組織化マップ３０を生成する。その結果、自己組織化マップ３０の各ノードに対応する物性ベクトルは、ｎ種類の物性の物性量それぞれに関する値を示すｎ次元データとなる。
＜対応ノードの特定：Ｓ１０６＞
　選択部２０６０は、各物性情報２０の対応ノードを特定する（Ｓ１０６）。物性情報２０の対応ノードは、自己組織化マップ３０のノードのうち、その物性情報２０から得られる物性ベクトルに最も類似する物性ベクトルを持つノードである。
　物性ベクトル間の類似度合いは、例えば、物性ベクトル間の距離に基づいて定めることができる。そこで例えば、選択部２０６０は、各物性情報２０について以下の処理を行う。まず選択部２０６０は、物性情報２０から得られる物性ベクトルについて、自己組織化マップ３０の各ノードの物性ベクトルとの距離を算出する。そして、選択部２０６０は、算出された距離が最も小さいノードを、その物性情報２０から得られる物性ベクトルに最も類似する物性ベクトルを持つノードとして特定する。そのため、ここで特定されたノードが、その物性情報２０の対応ノードとして特定される。
＜ターゲットノードの選択：Ｓ１０８＞
　選択部２０６０は、マップ空間における対応ノードの配置に基づいて、対応ノード以外のノードの中から、ターゲットノードを選択する（Ｓ１０８）。概念的には、選択部２０６０は、マップ空間において、対応ノードから離れた位置にあるノードを、ターゲットノードとして選択する。以下、ターゲットノードの選択方法を具体的に例示する。
　図８Ａ及び図８Ｂは、ターゲットノードを選択する処理の流れを例示するフローチャートである。以下、図８Ａと図８Ｂを総称して、図８とも表記する。
　選択部２０６０は、マップ空間を複数の部分領域に分割する（Ｓ２０２）。各部分領域には、所定個のノードが含まれるようにする。図９は、複数の部分領域に分割されたマップ空間３２を例示する図である。図９のマップ空間３２において、各部分領域３６は、太枠で囲われた矩形領域であり、その中に４つのノード３４を有する。丸印が付されているノード３４は、対応ノードである。
　Ｓ２０４からＳ２１２は、複数の部分領域それぞれを対象として実行されるループ処理Ｌ１を構成する。Ｓ２０４において、選択部２０６０は、全ての部分領域を対象としてループ処理Ｌ１が実行されたか否かを判定する。全ての部分領域を対象としてループ処理Ｌ１が既に実行された場合、図８の処理はＳ２１４に進む。一方、まだループ処理Ｌ１の対象とされていない部分領域が存在する場合、選択部２０６０は、そのうちの１つを選択する。ここで選択された部分領域を「部分領域Ｒ」と表記する。その後、図８の処理はＳ２０６に進む。
　選択部２０６０は、部分領域Ｒの代表点について、その代表点と各対応ノードとの位置関係に基づく評価スコアを算出する（Ｓ２０６）。部分領域Ｒの代表点は、例えば、部分領域Ｒのいずれかの頂点や、部分領域Ｒの中心などである。
　代表点の評価スコアは、例えば以下の式（１）で定義される。
Figure JPOXMLDOC01-appb-M000001
 　ここで、S[i][j] は、上から i 番目かつ左から j 番目に位置する部分領域Ｒの代表点 P(i,j) の評価スコアを表す。d_k[i][j] は、代表点 P(i,j) と k 番目の対応ノードとの距離を表す。なお、アンダースコアは下付文字を表す。n は、対応ノードの総数を表す。図９の例では、対応ノードが１５個存在するため、n=15 である。
　式（１）によれば、マップ空間における対応ノードの分布において、密度が低い場所に位置する代表点ほど、評価スコアが小さくなる。
　ここで、代表点が或るノードの中心に位置する場合、その代表点の座標は、そのノードの座標で表される。一方、代表点がノードの中心に位置しない場合、例えば代表点の座標は、代表点に隣接する各ノードの座標に基づいて決定される。例えば図９の例において、部分領域の代表点が、その部分領域の１つの頂点であるとする。この場合、代表点の座標は、例えば、その代表点を頂点として持つ４つのノード（その代表点の左上、右上、右下、及び左下のノード）の中心の座標として算出される。
　代表点と対応ノードとの距離は、マップ空間における距離で表されてもよいし、自己組織化マップ３０の高次元空間（物性ベクトルの空間）における距離で表されてもよい。後者の場合、代表点と対応ノードの距離は、これら２つの点に対応する物性ベクトル間の距離で表される。
　代表点の評価スコアの定義は、式（１）の定義に限定されない。例えば代表点の評価スコアは、以下の式（２）で定義されてもよい。
Figure JPOXMLDOC01-appb-M000002
　式（２）によれば、最も近くにある対応ノードからの距離が遠い代表点ほど、評価スコアが小さくなる。
　選択部２０６０は、部分領域Ｒの代表点の評価スコアが、その代表点に隣接する他のいずれの代表点の評価スコアよりも低いか否かを判定する（Ｓ２０８）。部分領域Ｒの代表点の評価スコアが、その代表点に隣接する他のいずれの代表点の評価スコアよりも低い場合（Ｓ２０８：ＹＥＳ）、選択部２０６０は、部分領域Ｒの代表点を、その後の評価に利用する基準点として選択し、基準点のリスト Lp に格納する（Ｓ２１０）。
　一方、部分領域Ｒの代表点に隣接する他の代表点の中に、その評価スコアが、部分領域Ｒの代表点の評価スコア以下である代表点が存在する場合（Ｓ２０８：ＮＯ）、図８の処理はＳ２１２に進む。この場合、部分領域Ｒの代表点は、基準点として選択されない。
　例えば図９の例において、代表点には、隣接する代表点が８つ存在する。そして、隣接する８つの代表点のいずれの評価スコアよりも小さい評価スコアを持つ代表点が、基準点として選択される。
　Ｓ２１２は、ループ処理Ｌ１の終端である。そのため、図８の処理はＳ２０４に進む。
　ループ処理Ｌ１が終了すると、Ｓ２１４が実行される。Ｓ２１４からＳ２２６は、所定の終了条件が満たされるまで繰り返し実行されるループ処理Ｌ２を構成する。例えば所定の終了条件は、ループ処理Ｌ２が所定回数実行されることである。その他にも例えば、所定の終了条件は、後述する評価領域の広さが所定の閾値以下となることである。なお、終了条件を定める所定回数や所定の閾値は、例えば推奨データ生成装置２０００のユーザにより、予め設定される。
　Ｓ２１６からＳ２２４は、リスト Lp に含まれる各基準点について実行されるループ処理Ｌ３を構成する。Ｓ２１６において、選択部２０６０は、Lp に含まれる全ての基準点を対象としてループ処理Ｌ３が実行されたか否かを判定する。全ての基準点を対象として既にループ処理Ｌ３が実行された場合、図８の処理はＳ２２６に進む。Ｓ２２６はループ処理Ｌ２の終端であるため、図８の処理はＳ２１４に進む。
　一方、まだループ処理Ｌ３の対象とされていない基準点が存在する場合、選択部２０６０は、そのうちの１つを選択する。ここで選択された基準点を、基準点 q と表記する。その後、図８の処理はＳ２１８に進む。
　選択部２０６０は、マップ空間上の領域であって、なおかつ、基準点 q を中心とする領域である評価領域を決定し、決定した評価領域を複数の部分領域に分割する（Ｓ２１８）。ここで、現在のＳ２１８が、ループ処理Ｌ２の最初の繰り返し実行の中に含まれている場合、例えば評価領域のサイズは、マップ空間のサイズに対して１未満の所定の比率αを掛けることで算出される。一方、現在のＳ２１８が、ループ処理Ｌ２の２回目以降の繰り返し実行に含まれている場合、例えば評価領域のサイズは、前回の評価領域のサイズに対して１未満の比率αを掛けることで算出される。このようにすることで、ループ処理Ｌ２の実行回数が増える度に、評価領域のサイズが小さくなる。
　比率αを定める方法は任意である。例えば比率αは、推奨データ生成装置２０００の管理者等によって固定で設定される。その他にも例えば、比率αは、推奨データ生成装置２０００のユーザによって指定されてもよい。ここで、ループ処理Ｌ２の繰り返し実行において、比率αの値には、毎回同じ値がであってもよいし、それぞれ異なる値が用いられてもよい。後者の場合、例えば、ループ処理Ｌ２の最初の繰り返し実行の場合と、それ以降の場合のそれぞれについて、比率αの値が個別に設定される。
　選択部２０６０は、評価領域から得られた各部分領域の代表点について、前述した評価スコアを算出する（Ｓ２２０）。選択部２０６０は、リスト Lp に格納されている基準点 q を、Ｓ２２０で算出された評価スコアが最小である代表点で置き換える（Ｓ２２２）。
　Ｓ２２２の処理によれば、Lp に含まれる基準点 q が、基準点 q の周囲の評価領域に含まれる、より評価スコアが小さい点に置き換えられる。ここで、前述したように、評価領域のサイズは、ループ処理Ｌ２の実行回数が増えるごとに小さくなる。このことから、ループ処理Ｌ２を繰り返し実行することにより、各基準点の位置が、その修正範囲を少しずつ狭めながら、繰り返し修正されていく。
　Ｓ２２４はループ処理Ｌ３の終端である。そのため、図８の処理はＳ２１６に進む。
　ループ処理Ｌ３の完了後、選択部２０６０は、リスト Lp 内の各基準点に対応するノードを、ターゲットノードとして選択する。基準点に対応するノードは、例えば、図９のようにマップ空間を複数のノードで区分した場合において、その領域内に基準点を含むノードである。その他にも例えば、基準点に対応するノードは、基準点の座標に最も近い座標を持つノードである。
　図８に示した方法によれば、いわゆるグリッドサーチにより、マップ空間上で、前述した評価スコアが小さいノードが探索される。ここで、式（１）で定義される評価スコアが用いられる場合、マップ空間における対応ノードの分布において、密度が低い場所に位置するノードが、ターゲットノードとして選択される。一方、式（２）で定義される評価スコアが用いられる場合、最も近くにある対応ノードからの距離が遠いノードが、ターゲットノードとして選択される。
　ここで、ターゲットノードを選択する方法は、図８に示した方法に限定されない。例えば選択部２０６０は、図８Ｂのループ処理Ｌ２とＬ３は行わずに、ループ処理Ｌ１で得られたリスト Lp に含まれる各基準点に対応するノードを、ターゲットノードとして選択してもよい。その他にも例えば、選択部２０６０は、対応ノード以外の各ノードについて評価スコアを算出し、最小の評価スコアを持つノードや、評価スコアの昇順で先頭所定個のノードを、ターゲットノードとして選択してもよい。
＜推奨データ８０の生成：Ｓ１１０＞
　第２生成部２０８０は、ターゲットノードに対応する材料諸元を推定し、推定した材料諸元を示す推奨データ８０を生成する（Ｓ１１０）。そのために、第２生成部２０８０は、材料諸元情報１０を利用して、自己組織化マップ３０の各ノードに対して、材料諸元の複数種類のパラメータ（以下、諸元パラメータ）それぞれについての値を表す多次元データ（以下、諸元ベクトル）を割り当てる。例えば諸元ベクトルは、図５の材料諸元１０４に示されている情報をベクトルで表現したデータである。そして、第２生成部２０８０は、ターゲットノードに割り当てられた諸元ベクトルを、ターゲットノードに対応する材料諸元として推定する。
　以下、各ノードに対して諸元ベクトルを割り当てる方法について説明する。
　まず第２生成部２０８０は、各材料諸元情報１０から得られる諸元ベクトルを、その材料諸元情報１０に対応するノードに割り当てる。ここで、材料諸元情報１０に対応するノードは、その材料諸元情報１０に対応する物性情報２０の対応ノードである。
　材料諸元情報１０から得られる諸元ベクトルは、材料諸元情報１０によって示される全ての諸元パラメータについての値を示してもよいし、その中の一部の諸元パラメータについての値を示してもよい。すなわち、諸元ベクトルの次元数をｋとおくと、ｋの値は、材料諸元情報１０が示す諸元パラメータの数と同じであってもよいし、材料諸元情報１０が示す諸元パラメータの数より小さくてもよい。
　例えば材料諸元情報１０が、連続値をとるパラメータ（例えば、物質の配合比率）と、連続値をとらないパラメータ（例えば、加工の種類など）の双方を示すとする。この場合、例えば諸元ベクトルは、連続値をとるパラメータによって生成される。
　なお、材料諸元情報１０が示すパラメータのうち、どのパラメータを利用して諸元ベクトルを生成するのかについては、予め定められてもよいし、ユーザによって指定されてもよい。また、諸元ベクトルは、材料諸元情報１０によって示されているパラメータの値をそのまま示してもよいし、各パラメータの値を所定の方法で変換する（例えば、正規化や標準化を行う）ことで得られる値を示してもよい。
　さらに第２生成部２０８０は、材料諸元情報１０が対応づけられていないノードに割り当てる諸元ベクトルを、推定によって求める。具体的には、第２生成部２０８０は、材料諸元情報１０が対応づけられている各ノードの諸元ベクトル、及びマップ空間上におけるそれらのノードの配置に基づいて、マップ空間における諸元ベクトルの分布を推定する。そして、第２生成部２０８０は、材料諸元情報１０が対応づけられていないノードに対しても、推定された分布を利用して、諸元ベクトルを割り当てる。
　マップ空間における諸元ベクトルの分布を推定する方法は様々である。例えば第２生成部２０８０は、線形補間やスプライン補間などといった任意の補間処理により、材料諸元情報１０が対応づけられている各ノードの諸元ベクトル、及びマップ空間上におけるそれらのノードの配置から、マップ空間における諸元ベクトルの分布を推定する。その他にも例えば、第２生成部２０８０は、スパース推定により、マップ空間における諸元ベクトルの分布を推定してもよい。なお、諸元ベクトルの分布を推定する際、ベイズ推定をさらに適用することにより、推定精度の向上を図ってもよい。
　図１０は、各ノードに諸元ベクトルが割り当てられている自己組織化マップ３０の構成をテーブル形式で例示する図である。図１０のテーブル３００は、ノード３０２、物性ベクトル３０４、材料識別情報３０６、及び諸元ベクトル３０８という４つの列を有する。テーブル３００は、１つのノードにつき１つのレコードを有する。
　ノード３０２は、マップ空間上におけるノードの座標を示す。物性ベクトル３０４は、ノードに対して割り当てられている物性ベクトルを表す。材料識別情報３０６は、材料諸元情報１０が割り当てられたノードについて、そのノードに割り当てられた材料諸元情報１０が示す材料６０の識別情報を示す。材料諸元情報１０が割り当てられていないノードのレコードでは、材料識別情報３０６は「-」を示している。諸元ベクトル３０８は、ノードに対して割り当てられている諸元ベクトルを表す。
＜結果の出力＞
　推奨データ生成装置２０００は、処理結果を表す情報（以下、出力情報）を任意の態様で出力する。以下、出力情報の出力を行う推奨データ生成装置２０００の機能構成部を、出力部と呼ぶ。例えば出力情報は、１つ以上のターゲットノードそれぞれについて、そのターゲットノードの座標に対応づけて、そのターゲットノードに対応する材料諸元を表す推奨データ８０を示す。
　例えば出力部は、出力情報を任意の記憶部に格納する。その他にも例えば、出力部は、出力情報をディスプレイ装置に対して出力することで、出力情報をディスプレイ装置に表示させる。その他にも例えば、出力部は、出力情報を任意の他の装置（例えば、前述したシミュレータ）に送信する。
　また、推奨データ生成装置２０００は、自己組織化マップ３０のマップ空間を視覚的に表すマップ画像を生成し、マップ画像を出力情報に含めてもよい。マップ画像は、材料諸元の分布と物性の分布との対応関係を表現した画像である。
　図１１は、マップ画像を例示する図である。図１１において、マップ画像４０は、自己組織化マップ３０のマップ空間を視覚的に表す。材料諸元情報１０が割り当てられているノードには、その材料諸元情報１０の一部又は全てを表す材料諸元表示４２が重畳されている。
　マップ画像４０のノードは、物性ベクトルに基づいてクラスタに分けられている。マップ画像４０の太枠はクラスタの境界を表す。ノードをクラスタに分けるために、推奨データ生成装置２０００は、自己組織化マップ３０の各ノードに対応する物性ベクトルについてクラスタリングを行う。このように物性ベクトルをクラスタに分けることにより、物性ベクトルに対応するノードもクラスタに分けることができる。例えば推奨データ生成装置２０００は、k-means 法などといった種々のクラスタリングアルゴリズムを利用することで、物性ベクトルのクラスタリングを行う。
　マップ画像４０の各ノードは、物性ベクトルに基づいて彩色されてもよい。ここで、自己組織化マップの各ノードに対し、そのノードに対応づけられているデータに応じた彩色を行う手法には、既存の種々の手法を利用することができる。
＜推奨データ８０の利用方法の例＞
　例えば推奨データ８０は、成果物７０の生成のシミュレーションや、成果物７０の実験的な生成に利用される。ここで、推奨データ８０は、当該シミュレーションや実験的生成を行う作業者によって参照されてもよいし、シミュレーションを行うシミュレータによって参照されてもよい。前者の場合、作業者は、推奨データ８０をシミュレータに入力することでシミュレーションを行ったり、推奨データ８０に示されている材料諸元で特定される材料６０を用意することで成果物７０の実験的な生成を行ったりする。後者のケースについては、以下の通り、実施形態２として説明する。
［実施形態２］
　図１２は、実施形態２の推奨データ生成装置２０００の動作の概要を例示する図である。ここで、図１２は、推奨データ生成装置２０００の概要の理解を容易にするための図であり、推奨データ生成装置２０００の動作は、図１２に示したものに限定されない。
　推奨データ生成装置２０００は、推奨データ８０をシミュレータ４００に入力することで、シミュレータ４００にシミュレーションを実行させる。シミュレータ４００は、対象工程の生成プロセスのシミュレーションを行う。具体的には、シミュレータ４００は、材料諸元を表す入力データを取得し、その入力データで特定される材料６０を用いて生成される成果物７０について、予測された成果物７０の物性を表す予測データ４１０を生成する。ここで、シミュレータ４００としては、材料諸元を表す入力データを取得し、その入力データを利用してシミュレーションを行い、成果物の物性の予測データを出力する既存の任意のシミュレータを利用できる。また、シミュレータ４００は、推奨データ生成装置２０００を実現するコンピュータで実現されていてもよいし、他のコンピュータで実現されていてもよい。
　推奨データ生成装置２０００は、シミュレータ４００によって生成された予測データ４１０を取得し、推奨データ８０と予測データ４１０のペアを出力する。これにより、推奨データ８０と、その推奨データ８０をシミュレータ４００に入力することで得られた予測データ４１０とのペアが出力される。
　上記ペアは、前述した材料諸元情報１０と物性情報２０のペアに相当するものであると言える。このことから、推奨データ生成装置２０００を利用することにより、既に行われた成果物７０の生成のシミュレーションや実験の結果に基づいて、その後に行うシミュレーションの効率化が実現できる。
　例えば、最初のある程度の回数については、シミュレーションや実験的生成の対象とする材料諸元が、過去の知見に従って決められたり、ランダムに決められたりする。その後、これらの結果を推奨データ生成装置２０００に入力することで、既に行われたシミュレーション等で得られた各成果物７０の物性との類似度が低い物性を持つ成果物が得られると予測される材料諸元が推定され、推奨データ８０として出力される。そして、推奨データ８０に示されている材料諸元をシミュレータ４００に入力することで、材料諸元と物性との新たなペアが得られる。
　このように推奨データ生成装置２０００を利用することで、新たなシミュレーションで得られる成果物７０の物性と、既に行われたシミュレーション等で得られた各成果物７０の物性との類似度が低くなるようにできる。そのため、シミュレーション等によって似通った物性を持つ成果物７０ばかりが得られてしまうという状況を避け、より少ない回数のシミュレーション等で、成果物７０の物性のバリエーションを豊富にすることができる。
　推奨データ８０と予測データ４１０のペアの出力態様は任意である。例えば推奨データ生成装置２０００は、上記ペアを推奨データ生成装置２０００からアクセス可能な任意の記憶部に格納する。その他にも例えば、推奨データ生成装置２０００は、推奨データ生成装置２０００から制御可能な任意のディスプレイ装置に上記ペアを表示させる。その他にも例えば、推奨データ生成装置２０００は、推奨データ生成装置２０００と通信可能に接続されている任意の装置に対して、上記ペアを送信する。
　また、推奨データ生成装置２０００は、予測データ４１０を新たな訓練データとして用いて、自己組織化マップ３０の訓練をさらに行うことで、自己組織化マップ３０を更新してもよい。さらに、推奨データ生成装置２０００は、更新した自己組織化マップ３０についてマップ画像４０を生成し、任意の態様で出力してもよい。
　なお、推奨データ生成装置２０００は、推奨データ８０を生成する度に、その推奨データ８０を用いたシミュレーションをシミュレータ４００に実行させてもよいし、推奨データ８０を複数生成した後に、それら複数の推奨データ８０それぞれについて順次シミュレータ４００にシミュレーションを実行させてもよい。
＜機能構成の例＞
　図１３は、実施形態２の推奨データ生成装置２０００の機能構成を例示するブロック図である。実施形態２の推奨データ生成装置２０００は、シミュレータ制御部２１２０及びシミュレーション結果出力部２１４０をさらに有する。シミュレータ制御部２１２０は、推奨データ８０をシミュレータ４００に入力することで、推奨データ８０によって表される材料諸元で特定される材料６０を用いた成果物７０の生成のシミュレーションを、シミュレータ４００に実行させる。シミュレーション結果出力部２１４０は、シミュレータ４００から出力される予測データ４１０を取得し、推奨データ８０と予測データ４１０のペアを出力する。
＜ハードウエア構成の例＞
　実施形態２の推奨データ生成装置２０００のハードウエア構成は、実施形態１の推奨データ生成装置２０００と同様に、例えば図３で表される。ただし、実施形態２のストレージデバイス１０８０には、実施形態２の推奨データ生成装置２０００の各機能構成部を実現するプログラムが格納されている。
＜処理の流れ＞
　図１４は、実施形態２の推奨データ生成装置２０００によって実行される処理の流れを例示するフローチャートである。ここで、Ｓ１０２からＳ１１０は、図４に示されているものと同じであるため、図１４では図示されていない。Ｓ１１２において、シミュレータ制御部２１２０は、推奨データ８０をシミュレータ４００に入力して、シミュレータ４００にシミュレーションを実行させる。シミュレーション結果出力部２１４０は、シミュレータ４００から予測データ４１０を取得する（Ｓ１１４）。シミュレーション結果出力部２１４０は、推奨データ８０と予測データ４１０のペアを出力する（Ｓ１１６）。第１生成部２０４０は、予測データ４１０を訓練データとして用いた訓練により、自己組織化マップ３０を更新する（Ｓ１１８）。
　以上、実施の形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　なお、上述の例において、プログラムは、コンピュータに読み込まれた場合に、実施形態で説明された１又はそれ以上の機能をコンピュータに行わせるための命令群（又はソフトウェアコード）を含む。プログラムは、非一時的なコンピュータ可読媒体又は実体のある記憶媒体に格納されてもよい。限定ではなく例として、コンピュータ可読媒体又は実体のある記憶媒体は、random-access memory（RAM）、read-only memory（ROM）、フラッシュメモリ、solid-state drive（SSD）又はその他のメモリ技術、CD-ROM、digital versatile disc（DVD）、Blu-ray（登録商標）ディスク又はその他の光ディスクストレージ、磁気カセット、磁気テープ、磁気ディスクストレージ又はその他の磁気ストレージデバイスを含む。プログラムは、一時的なコンピュータ可読媒体又は通信媒体上で送信されてもよい。限定ではなく例として、一時的なコンピュータ可読媒体又は通信媒体は、電気的、光学的、音響的、またはその他の形式の伝搬信号を含む。
　上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
　（付記１）
　材料諸元を示す複数の材料諸元情報を取得し、なおかつ、各前記材料諸元情報について、その材料諸元情報に示される材料諸元で生成されうる成果物の複数の物性それぞれについての物性量を示す物性情報を取得する取得手段と、
　前記物性情報を用いて、前記成果物の複数種類の物性それぞれの物性量に関する値を示す物性ベクトルがマップ空間上の各ノードに割り当てられている自己組織化マップを生成する第１生成手段と、
　各前記物性情報に対応する前記ノードの前記マップ空間における配置に基づいて、前記自己組織化マップのノードから、１つ以上のターゲットノードを選択する選択手段と、
　前記ターゲットノードに対応する前記材料諸元を示す推奨データを生成する第２生成手段と、を有する推奨データ生成装置。
　（付記２）
　前記選択手段は、前記マップ空間上の複数の位置それぞれについて、その位置と各前記物性情報に対応する前記ノードとの間の距離に基づく評価スコアを算出し、前記評価スコアに基づいて前記複数の位置のいずれか１つ以上を選択し、選択した位置に対応する前記ノードを前記ターゲットノードとして選択する、付記１に記載の推奨データ生成装置。
　（付記３）
　前記評価スコアは、前記位置と各前記物性情報に対応する前記ノードとの間の距離の逆数の総和、又は、前記位置と各前記物性情報に対応する前記ノードとの間の距離の最小値の逆数である、付記２に記載の推奨データ生成装置。
　（付記４）
　前記第２生成手段は、
　　各前記材料諸元情報を用いて、材料諸元に関する値を示す諸元ベクトルを各前記ノードに対して割り当て、
　　前記ターゲットノードに割り当てられている前記諸元ベクトルを示す前記推奨データを生成する、付記１から３いずれか一項に記載の推奨データ生成装置。
　（付記５）
　入力された材料諸元で特定される材料を用いて生成されうる前記成果物について、その物性の予測データを生成するシミュレータに、前記推奨データで表される材料諸元を入力としたシミュレーションを実行させるシミュレータ制御手段と、
　前記シミュレータによって生成された前記予測データを取得し、その予測データと前記推奨データを出力するシミュレーション結果出力手段と、を有する付記１から３いずれか一項に記載の推奨データ生成装置。
　（付記６）
　材料諸元を示す複数の材料諸元情報を取得し、なおかつ、各前記材料諸元情報について、その材料諸元情報に示される材料諸元で生成されうる成果物の複数の物性それぞれについての物性量を示す物性情報を取得する取得ステップと、
　前記物性情報を用いて、前記成果物の複数種類の物性それぞれの物性量に関する値を示す物性ベクトルがマップ空間上の各ノードに割り当てられている自己組織化マップを生成する第１生成ステップと、
　各前記物性情報に対応する前記ノードの前記マップ空間における配置に基づいて、前記自己組織化マップのノードから、１つ以上のターゲットノードを選択する選択ステップと、
　前記ターゲットノードに対応する前記材料諸元を示す推奨データを生成する第２生成ステップと、を有する、コンピュータによって実行される推奨データ生成方法。
　（付記７）
　前記選択ステップにおいて、前記マップ空間上の複数の位置それぞれについて、その位置と各前記物性情報に対応する前記ノードとの間の距離に基づく評価スコアを算出し、前記評価スコアに基づいて前記複数の位置のいずれか１つ以上を選択し、選択した位置に対応する前記ノードを前記ターゲットノードとして選択する、付記６に記載の推奨データ生成方法。
　（付記８）
　前記評価スコアは、前記位置と各前記物性情報に対応する前記ノードとの間の距離の逆数の総和、又は、前記位置と各前記物性情報に対応する前記ノードとの間の距離の最小値の逆数である、付記７に記載の推奨データ生成方法。
　（付記９）
　前記第２生成ステップにおいて、
　　各前記材料諸元情報を用いて、材料諸元に関する値を示す諸元ベクトルを各前記ノードに対して割り当て、
　　前記ターゲットノードに割り当てられている前記諸元ベクトルを示す前記推奨データを生成する、付記６から８いずれか一項に記載の推奨データ生成方法。
　（付記１０）
　入力された材料諸元で特定される材料を用いて生成されうる前記成果物について、その物性の予測データを生成するシミュレータに、前記推奨データで表される材料諸元を入力としたシミュレーションを実行させるシミュレータ制御ステップと、
　前記シミュレータによって生成された前記予測データを取得し、その予測データと前記推奨データを出力するシミュレーション結果出力ステップと、を有する付記６から８いずれか一項に記載の推奨データ生成方法。
　（付記１１）
　材料諸元を示す複数の材料諸元情報を取得し、なおかつ、各前記材料諸元情報について、その材料諸元情報に示される材料諸元で生成されうる成果物の複数の物性それぞれについての物性量を示す物性情報を取得する取得ステップと、
　前記物性情報を用いて、前記成果物の複数種類の物性それぞれの物性量に関する値を示す物性ベクトルがマップ空間上の各ノードに割り当てられている自己組織化マップを生成する第１生成ステップと、
　各前記物性情報に対応する前記ノードの前記マップ空間における配置に基づいて、前記自己組織化マップのノードから、１つ以上のターゲットノードを選択する選択ステップと、
　前記ターゲットノードに対応する前記材料諸元を示す推奨データを生成する第２生成ステップと、をコンピュータに実行させるプログラムが格納されている非一時的なコンピュータ可読媒体。
　（付記１２）
　前記選択ステップにおいて、前記マップ空間上の複数の位置それぞれについて、その位置と各前記物性情報に対応する前記ノードとの間の距離に基づく評価スコアを算出し、前記評価スコアに基づいて前記複数の位置のいずれか１つ以上を選択し、選択した位置に対応する前記ノードを前記ターゲットノードとして選択する、付記１１に記載のコンピュータ可読媒体。
　（付記１３）
　前記評価スコアは、前記位置と各前記物性情報に対応する前記ノードとの間の距離の逆数の総和、又は、前記位置と各前記物性情報に対応する前記ノードとの間の距離の最小値の逆数である、付記１２に記載のコンピュータ可読媒体。
　（付記１４）
　前記第２生成ステップにおいて、
　　各前記材料諸元情報を用いて、材料諸元に関する値を示す諸元ベクトルを各前記ノードに対して割り当て、
　　前記ターゲットノードに割り当てられている前記諸元ベクトルを示す前記推奨データを生成する、付記１１から１３いずれか一項に記載のコンピュータ可読媒体。
　（付記１５）
　入力された材料諸元で特定される材料を用いて生成されうる前記成果物について、その物性の予測データを生成するシミュレータに、前記推奨データで表される材料諸元を入力としたシミュレーションを実行させるシミュレータ制御ステップと、
　前記シミュレータによって生成された前記予測データを取得し、その予測データと前記推奨データを出力するシミュレーション結果出力ステップと、を有する付記１１から１３いずれか一項に記載のコンピュータ可読媒体。
１０　　　　　　材料諸元情報
２０　　　　　　物性情報
３０　　　　　　自己組織化マップ
３２　　　　　　マップ空間
３４　　　　　　ノード
３６　　　　　　部分領域
４０　　　　　　マップ画像
４２　　　　　　材料諸元表示
６０　　　　　　材料
７０　　　　　　成果物
８０　　　　　　推奨データ
１００　　　　　　テーブル
１０２　　　　　　材料識別情報
１０４　　　　　　材料諸元
２００　　　　　　テーブル
２０２　　　　　　成果物識別情報
２０４　　　　　　物性
３００　　　　　　テーブル
３０２　　　　　　ノード
３０４　　　　　　物性ベクトル
３０６　　　　　　材料識別情報
３０８　　　　　　諸元ベクトル
４００　　　　　　シミュレータ
４１０　　　　　　予測データ
１０００　　　　　コンピュータ
１０２０　　　　　バス
１０４０　　　　　プロセッサ
１０６０　　　　　メモリ
１０８０　　　　　ストレージデバイス
１１００　　　　　入出力インタフェース
１１２０　　　　　ネットワークインタフェース
２０００　　　　　推奨データ生成装置
２０２０　　　　　取得部
２０４０　　　　　第１生成部
２０６０　　　　　選択部
２０８０　　　　　第２生成部
２１２０　　　　　シミュレータ制御部
２１４０　　　　　シミュレーション結果出力部

Claims (15)

  1. 　材料諸元を示す複数の材料諸元情報を取得し、なおかつ、各前記材料諸元情報について、その材料諸元情報に示される材料諸元で生成されうる成果物の複数の物性それぞれについての物性量を示す物性情報を取得する取得手段と、
    　前記物性情報を用いて、前記成果物の複数種類の物性それぞれの物性量に関する値を示す物性ベクトルがマップ空間上の各ノードに割り当てられている自己組織化マップを生成する第１生成手段と、
    　各前記物性情報に対応する前記ノードの前記マップ空間における配置に基づいて、前記自己組織化マップのノードから、１つ以上のターゲットノードを選択する選択手段と、
    　前記ターゲットノードに対応する前記材料諸元を示す推奨データを生成する第２生成手段と、を有する推奨データ生成装置。
  2. 　前記選択手段は、前記マップ空間上の複数の位置それぞれについて、その位置と各前記物性情報に対応する前記ノードとの間の距離に基づく評価スコアを算出し、前記評価スコアに基づいて前記複数の位置のいずれか１つ以上を選択し、選択した位置に対応する前記ノードを前記ターゲットノードとして選択する、請求項１に記載の推奨データ生成装置。
  3. 　前記評価スコアは、前記位置と各前記物性情報に対応する前記ノードとの間の距離の逆数の総和、又は、前記位置と各前記物性情報に対応する前記ノードとの間の距離の最小値の逆数である、請求項２に記載の推奨データ生成装置。
  4. 　前記第２生成手段は、
    　　各前記材料諸元情報を用いて、材料諸元に関する値を示す諸元ベクトルを各前記ノードに対して割り当て、
    　　前記ターゲットノードに割り当てられている前記諸元ベクトルを示す前記推奨データを生成する、請求項１から３いずれか一項に記載の推奨データ生成装置。
  5. 　入力された材料諸元で特定される材料を用いて生成されうる前記成果物について、その物性の予測データを生成するシミュレータに、前記推奨データで表される材料諸元を入力としたシミュレーションを実行させるシミュレータ制御手段と、
    　前記シミュレータによって生成された前記予測データを取得し、その予測データと前記推奨データを出力するシミュレーション結果出力手段と、を有する請求項１から３いずれか一項に記載の推奨データ生成装置。
  6. 　材料諸元を示す複数の材料諸元情報を取得し、なおかつ、各前記材料諸元情報について、その材料諸元情報に示される材料諸元で生成されうる成果物の複数の物性それぞれについての物性量を示す物性情報を取得する取得ステップと、
    　前記物性情報を用いて、前記成果物の複数種類の物性それぞれの物性量に関する値を示す物性ベクトルがマップ空間上の各ノードに割り当てられている自己組織化マップを生成する第１生成ステップと、
    　各前記物性情報に対応する前記ノードの前記マップ空間における配置に基づいて、前記自己組織化マップのノードから、１つ以上のターゲットノードを選択する選択ステップと、
    　前記ターゲットノードに対応する前記材料諸元を示す推奨データを生成する第２生成ステップと、を有する、コンピュータによって実行される推奨データ生成方法。
  7. 　前記選択ステップにおいて、前記マップ空間上の複数の位置それぞれについて、その位置と各前記物性情報に対応する前記ノードとの間の距離に基づく評価スコアを算出し、前記評価スコアに基づいて前記複数の位置のいずれか１つ以上を選択し、選択した位置に対応する前記ノードを前記ターゲットノードとして選択する、請求項６に記載の推奨データ生成方法。
  8. 　前記評価スコアは、前記位置と各前記物性情報に対応する前記ノードとの間の距離の逆数の総和、又は、前記位置と各前記物性情報に対応する前記ノードとの間の距離の最小値の逆数である、請求項７に記載の推奨データ生成方法。
  9. 　前記第２生成ステップにおいて、
    　　各前記材料諸元情報を用いて、材料諸元に関する値を示す諸元ベクトルを各前記ノードに対して割り当て、
    　　前記ターゲットノードに割り当てられている前記諸元ベクトルを示す前記推奨データを生成する、請求項６から８いずれか一項に記載の推奨データ生成方法。
  10. 　入力された材料諸元で特定される材料を用いて生成されうる前記成果物について、その物性の予測データを生成するシミュレータに、前記推奨データで表される材料諸元を入力としたシミュレーションを実行させるシミュレータ制御ステップと、
    　前記シミュレータによって生成された前記予測データを取得し、その予測データと前記推奨データを出力するシミュレーション結果出力ステップと、を有する請求項６から８いずれか一項に記載の推奨データ生成方法。
  11. 　材料諸元を示す複数の材料諸元情報を取得し、なおかつ、各前記材料諸元情報について、その材料諸元情報に示される材料諸元で生成されうる成果物の複数の物性それぞれについての物性量を示す物性情報を取得する取得ステップと、
    　前記物性情報を用いて、前記成果物の複数種類の物性それぞれの物性量に関する値を示す物性ベクトルがマップ空間上の各ノードに割り当てられている自己組織化マップを生成する第１生成ステップと、
    　各前記物性情報に対応する前記ノードの前記マップ空間における配置に基づいて、前記自己組織化マップのノードから、１つ以上のターゲットノードを選択する選択ステップと、
    　前記ターゲットノードに対応する前記材料諸元を示す推奨データを生成する第２生成ステップと、をコンピュータに実行させるプログラムが格納されている非一時的なコンピュータ可読媒体。
  12. 　前記選択ステップにおいて、前記マップ空間上の複数の位置それぞれについて、その位置と各前記物性情報に対応する前記ノードとの間の距離に基づく評価スコアを算出し、前記評価スコアに基づいて前記複数の位置のいずれか１つ以上を選択し、選択した位置に対応する前記ノードを前記ターゲットノードとして選択する、請求項１１に記載のコンピュータ可読媒体。
  13. 　前記評価スコアは、前記位置と各前記物性情報に対応する前記ノードとの間の距離の逆数の総和、又は、前記位置と各前記物性情報に対応する前記ノードとの間の距離の最小値の逆数である、請求項１２に記載のコンピュータ可読媒体。
  14. 　前記第２生成ステップにおいて、
    　　各前記材料諸元情報を用いて、材料諸元に関する値を示す諸元ベクトルを各前記ノードに対して割り当て、
    　　前記ターゲットノードに割り当てられている前記諸元ベクトルを示す前記推奨データを生成する、請求項１１から１３いずれか一項に記載のコンピュータ可読媒体。
  15. 　入力された材料諸元で特定される材料を用いて生成されうる前記成果物について、その物性の予測データを生成するシミュレータに、前記推奨データで表される材料諸元を入力としたシミュレーションを実行させるシミュレータ制御ステップと、
    　前記シミュレータによって生成された前記予測データを取得し、その予測データと前記推奨データを出力するシミュレーション結果出力ステップと、を有する請求項１１から１３いずれか一項に記載のコンピュータ可読媒体。
PCT/JP2022/017347 2022-04-08 2022-04-08 推奨データ生成装置、推奨データ生成方法、及び非一時的なコンピュータ可読媒体 WO2023195152A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/017347 WO2023195152A1 (ja) 2022-04-08 2022-04-08 推奨データ生成装置、推奨データ生成方法、及び非一時的なコンピュータ可読媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/017347 WO2023195152A1 (ja) 2022-04-08 2022-04-08 推奨データ生成装置、推奨データ生成方法、及び非一時的なコンピュータ可読媒体

Publications (1)

Publication Number Publication Date
WO2023195152A1 true WO2023195152A1 (ja) 2023-10-12

Family

ID=88242801

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/017347 WO2023195152A1 (ja) 2022-04-08 2022-04-08 推奨データ生成装置、推奨データ生成方法、及び非一時的なコンピュータ可読媒体

Country Status (1)

Country Link
WO (1) WO2023195152A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007087098A (ja) * 2005-09-22 2007-04-05 Nissan Motor Co Ltd 最適化システム、最適化方法、最適化プログラム、及びプログラム媒体
JP2008293315A (ja) * 2007-05-25 2008-12-04 Yokohama Rubber Co Ltd:The データ解析プログラム、データ解析装置、構造体の設計プログラム、および構造体の設計装置
JP2016099737A (ja) * 2014-11-19 2016-05-30 横浜ゴム株式会社 データの分析方法およびデータの表示方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007087098A (ja) * 2005-09-22 2007-04-05 Nissan Motor Co Ltd 最適化システム、最適化方法、最適化プログラム、及びプログラム媒体
JP2008293315A (ja) * 2007-05-25 2008-12-04 Yokohama Rubber Co Ltd:The データ解析プログラム、データ解析装置、構造体の設計プログラム、および構造体の設計装置
JP2016099737A (ja) * 2014-11-19 2016-05-30 横浜ゴム株式会社 データの分析方法およびデータの表示方法

Similar Documents

Publication Publication Date Title
Wehrens et al. Flexible self-organizing maps in kohonen 3.0
CN107025318B (zh) 用于探索新材料的方法和装置
Finnegan et al. Maximum entropy methods for extracting the learned features of deep neural networks
Eftimov et al. A novel statistical approach for comparing meta-heuristic stochastic optimization algorithms according to the distribution of solutions in the search space
US20190122097A1 (en) Data analysis apparatus, data analysis method, and data analysis program
JP6299759B2 (ja) 予測関数作成装置、予測関数作成方法、及びプログラム
CN116109121A (zh) 基于大数据分析的用户需求挖掘方法及系统
CN113377964A (zh) 知识图谱链接预测方法、装置、设备及存储介质
KR20150112832A (ko) 산출 프로그램, 산출 장치 및 산출 방법
WO2023195152A1 (ja) 推奨データ生成装置、推奨データ生成方法、及び非一時的なコンピュータ可読媒体
CN105740313B (zh) 设计等值域图
KR102158051B1 (ko) 컴퓨터 수행 가능한 클라우드 기반의 인공지능 연산 서비스 방법
KR101949448B1 (ko) 가우시안 프로세스 회귀분석을 이용한 클러스터링 방법 및 그 장치
EP4145327A1 (en) System for estimating characteristic value of material
JP2009265729A (ja) 推定装置および方法、並びにプログラム
WO2023181167A1 (ja) マップ生成装置、マップ生成方法、及び非一時的なコンピュータ可読媒体
WO2022196206A1 (ja) 推奨データ生成装置、制御方法、及び非一時的なコンピュータ可読媒体
WO2022196209A1 (ja) 物性マップ画像生成装置、制御方法、及び非一時的なコンピュータ可読媒体
CN113901616A (zh) 一种零件的搜索方法和系统
WO2022196207A1 (ja) マップ画像生成装置、制御方法、及び非一時的なコンピュータ可読媒体
CN115659900B (zh) 用于呈现集成电路版图的方法、设备和介质
Bates et al. Feasible region approximation: a comparison of search cone and convex hull methods
Tsolakis et al. A fuzzy-soft competitive learning approach for grayscale image compression
JP7224263B2 (ja) モデル生成方法、モデル生成装置及びプログラム
Bogoclu et al. Reliability analysis of non-linear and multimodal limit state functions using adaptive Kriging

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: 22936550

Country of ref document: EP

Kind code of ref document: A1