WO2023243543A1 - 熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム - Google Patents

熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム Download PDF

Info

Publication number
WO2023243543A1
WO2023243543A1 PCT/JP2023/021420 JP2023021420W WO2023243543A1 WO 2023243543 A1 WO2023243543 A1 WO 2023243543A1 JP 2023021420 W JP2023021420 W JP 2023021420W WO 2023243543 A1 WO2023243543 A1 WO 2023243543A1
Authority
WO
WIPO (PCT)
Prior art keywords
epoxy resin
thermosetting epoxy
resin composition
searching
information processing
Prior art date
Application number
PCT/JP2023/021420
Other languages
English (en)
French (fr)
Inventor
侑太郎 西山
知之 今田
Original Assignee
Dic株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dic株式会社 filed Critical Dic株式会社
Priority to EP23823834.9A priority Critical patent/EP4425501A1/en
Priority to CN202380014278.1A priority patent/CN118202421A/zh
Publication of WO2023243543A1 publication Critical patent/WO2023243543A1/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
    • C—CHEMISTRY; METALLURGY
    • C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
    • C08G—MACROMOLECULAR COMPOUNDS OBTAINED OTHERWISE THAN BY REACTIONS ONLY INVOLVING UNSATURATED CARBON-TO-CARBON BONDS
    • C08G59/00—Polycondensates containing more than one epoxy group per molecule; Macromolecules obtained by polymerising compounds containing more than one epoxy group per molecule using curing agents or catalysts which react with the epoxy groups
    • C08G59/18—Macromolecules obtained by polymerising compounds containing more than one epoxy group per molecule using curing agents or catalysts which react with the epoxy groups ; e.g. general methods of curing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/40—Searching chemical structures or physicochemical data
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Definitions

  • the present disclosure relates to a method for searching for a thermosetting epoxy resin composition, an information processing device, and a program.
  • CFRP CFRP
  • CFRP is a fiber-reinforced composite material in which the base material is plastic and the reinforcing fibers are carbon fibers.
  • CFRP is a high-performance material that is lighter than general structural metal materials, has excellent specific strength and specific rigidity, and has excellent electrical properties and corrosion resistance.
  • CFRP has been used as a material to replace metal materials in a wide range of applications such as aerospace structures, structural members such as automobiles, motorcycles, and boats, large industrial machine parts, and sporting goods.
  • Thermosetting epoxy resin compositions used as raw materials for composite materials such as CFRP are required to have properties such as strength and heat resistance depending on the use of the composite material.
  • some of these properties of thermosetting epoxy resin compositions may conflict with each other, and it is not always easy to search for a thermosetting epoxy resin composition that has the necessary properties in a well-balanced manner.
  • only a limited number of thermosetting epoxy resin compositions have been used as raw materials for composite materials such as CFRP, and there is a desire to explore new thermosetting epoxy resins. .
  • thermosetting epoxy resin compositions were not particularly considered in the prior art.
  • An object of the present disclosure made in view of such circumstances, is to improve the search technology for thermosetting epoxy resin compositions.
  • a method for searching for a thermosetting epoxy resin composition includes: A method for searching for a thermosetting epoxy resin composition executed by an information processing device, the method comprising: training a plurality of predictive models each corresponding to a plurality of objective variables using actual data related to the thermosetting epoxy resin composition; searching for a thermosetting epoxy resin composition having a desired physical property balance by inverse analysis using the plurality of prediction models; including;
  • the performance data includes the polymer composition, structural formula, epoxy equivalent, and compounding conditions related to the thermosetting epoxy resin,
  • the objective variables include flexural modulus, flexural strain, flexural strength, and glass transition temperature.
  • the search method includes: In the step of training the plurality of prediction models, a feature amount is calculated based on the performance data, and the feature amount is used as an explanatory variable of the plurality of prediction models.
  • the feature amount includes at least one of a molecular fingerprint and a molecular descriptor.
  • the feature amount further includes the distance between oxygen atoms related to the thermosetting epoxy resin.
  • the search method includes:
  • the performance data includes performance data of a thermosetting epoxy resin composition used for a predetermined application and performance data of a thermosetting epoxy resin composition used for a purpose other than the predetermined application,
  • the step of training the plurality of predictive models After training the plurality of predictive models using actual data of thermosetting epoxy resin compositions used for purposes other than the specified application, using actual data of the thermosetting epoxy resin composition used for the specified application. and re-trains the plurality of prediction models.
  • the information processing device includes: An information processing device for searching for a thermosetting epoxy resin composition, comprising a control section,
  • the control unit includes: Using actual data related to thermosetting epoxy resin compositions, we train multiple predictive models each corresponding to multiple target variables, Searching for a thermosetting epoxy resin composition having a desired physical property balance by inverse analysis using the plurality of prediction models,
  • the performance data includes the polymer composition, structural formula, epoxy equivalent, and compounding conditions related to the thermosetting epoxy resin,
  • the objective variables include flexural modulus, flexural strain, flexural strength, and glass transition temperature.
  • a non-transitory computer-readable recording medium includes: A non-transitory computer-readable storage medium having instructions stored thereon, the instructions, when executed by the processor, causing the processor to: training a plurality of predictive models each corresponding to a plurality of objective variables using actual data related to a thermosetting epoxy resin composition; searching for a thermosetting epoxy resin composition having a desired physical property balance by inverse analysis using the plurality of predictive models;
  • the performance data includes the polymer composition, structural formula, epoxy equivalent, and compounding conditions related to the thermosetting epoxy resin,
  • the objective variables include flexural modulus, flexural strain, flexural strength, and glass transition temperature.
  • thermosetting epoxy resin composition According to the method for searching for a thermosetting epoxy resin composition, the information processing device, and the program according to an embodiment of the present disclosure, it is possible to improve the search technique for a thermosetting epoxy resin composition.
  • FIG. 1 is a diagram illustrating an overview of an embodiment of the present disclosure.
  • FIG. 1 is a block diagram showing a schematic configuration of an information processing device that searches for a thermosetting epoxy resin composition according to an embodiment of the present disclosure.
  • 1 is a flowchart showing the operation of a learning process of an information processing device that searches for a thermosetting epoxy resin composition according to an embodiment of the present disclosure.
  • 1 is a flowchart showing the operation of a search process of an information processing device that searches for a thermosetting epoxy resin composition according to an embodiment of the present disclosure.
  • thermosetting epoxy resin composition according to an embodiment of the present disclosure will be described with reference to the drawings.
  • thermosetting epoxy resin composition An overview of the method for searching for a thermosetting epoxy resin composition according to the present embodiment will be explained with reference to FIGS. 1 and 2.
  • performance data 100 shown in FIG. 1 is used. Further, the method for searching for a thermosetting epoxy resin composition according to the present embodiment is executed by the information processing device 10 shown in FIG. 2 .
  • the information processing device 10 uses performance data 100 related to thermosetting epoxy resin compositions to train a plurality of predictive models 400 each corresponding to a plurality of target variables.
  • the track record data 100 includes track record data 110 for other uses and track record data 120 for predetermined uses.
  • the performance data 120 for the predetermined use is, for example, performance data related to a thermosetting epoxy resin composition for a composite material. That is, the track record data 120 includes track record data related to thermosetting epoxy resin compositions used for CFRP, for example.
  • the track record data 110 for other uses is track record data of thermosetting epoxy resin compositions used in uses other than the predetermined use (here, uses other than composite materials).
  • Performance data 110 for other applications and performance data 120 for predetermined applications include the polymer composition, structural formula, epoxy equivalent, compounding conditions, test piece thickness, and first to Nth physical properties of the thermosetting epoxy resin composition, respectively. including.
  • the blending conditions are conditions related to the blending ratio of the thermosetting epoxy resin and the curing agent (for example, amine).
  • the test piece thickness is the thickness of a test piece in measuring physical properties, and is, for example, 2 mm or 4 mm.
  • the first to Nth physical properties correspond to multiple objective variables.
  • N is a positive integer.
  • the information processing device 10 trains first to Nth prediction models respectively corresponding to N objective variables.
  • Multiple objective variables include contradictory characteristics.
  • the plurality of objective variables include flexural modulus, flexural strength, flexural strain, and heat resistance.
  • bending elastic modulus and bending strain are contradictory.
  • heat resistance may be the glass transition temperature (the temperature at which the change in elastic modulus is maximum when measured by a viscoelasticity measuring device). In this embodiment, an example will be described in which a glass transition temperature is used as an index of heat resistance.
  • the information processing device 10 performs a learning process 310 of the prediction model 400 using the performance data 110 for other uses.
  • the information processing device 10 calculates the feature amount 210 from the performance data 110 for other uses.
  • the information processing device 10 trains a plurality of predictive models 400 using the feature amount 210 as an explanatory variable and each physical property as an objective variable. Specifically, the information processing device 10 trains a first prediction model using the feature amount 210 as an explanatory variable and the first physical property as an objective variable.
  • the information processing device 10 also trains a second prediction model using the feature amount 210 as an explanatory variable and the second physical property as an objective variable.
  • the information processing device 10 trains the Nth prediction model using the feature quantity 210 as an explanatory variable and the Nth physical property as an objective variable.
  • the feature quantities 210 used in the learning process of the first to Nth prediction models can be selected as appropriate depending on the relationship between each feature quantity and the objective variable. In other words, the details of the feature amounts 210 used for learning the first to Nth prediction models may be different from each other.
  • the information processing device 10 performs a relearning process 320 of the prediction model 400 using the performance data 110 for other uses.
  • the information processing device 10 calculates the feature amount 220 from the performance data 110 for other uses.
  • the information processing device 10 performs a relearning process for each prediction model using the feature amount 220 as an explanatory variable and each physical property as an objective variable.
  • the information processing device 10 performs relearning processing of the first prediction model using the feature amount 220 as an explanatory variable and the first physical property as an objective variable.
  • the information processing device 10 also performs relearning processing of the second prediction model using the feature amount 220 as an explanatory variable and the second physical property as an objective variable.
  • the information processing device 10 also performs relearning processing for the Nth prediction model using the feature amount 220 as an explanatory variable and the Nth physical property as an objective variable.
  • the feature amounts 220 used in the relearning process of the first to Nth prediction models can be selected as appropriate depending on the relationship between each feature amount and the objective variable. In other words, the details of the feature amounts 220 used for learning the first to Nth prediction models may be different from each other.
  • the information processing device 10 searches for a thermosetting epoxy resin composition having a desired balance of physical properties through inverse analysis using the first prediction model to the Nth prediction model learned in this manner.
  • thermosetting epoxy resin composition having a desired balance of physical properties is searched for by back analysis using these plural prediction models. Therefore, the search technique is improved in that it is possible to search for a thermosetting epoxy resin composition having a desired property balance.
  • the information processing device 10 is any device used by a user.
  • a personal computer, a server computer, a general-purpose electronic device, or a dedicated electronic device can be employed as the information processing device 10.
  • the information processing device 10 includes a control section 11, a storage section 12, an input section 13, and an output section 14.
  • the control unit 11 includes at least one processor, at least one dedicated circuit, or a combination thereof.
  • the processor is a general-purpose processor such as a CPU (central processing unit) or a GPU (graphics processing unit), or a dedicated processor specialized for specific processing.
  • the dedicated circuit is, for example, an FPGA (field-programmable gate array) or an ASIC (application specific integrated circuit).
  • the control unit 11 executes processing related to the operation of the information processing device 10 while controlling each part of the information processing device 10 .
  • the storage unit 12 includes at least one semiconductor memory, at least one magnetic memory, at least one optical memory, or a combination of at least two of these.
  • the semiconductor memory is, for example, RAM (random access memory) or ROM (read only memory).
  • the RAM is, for example, SRAM (static random access memory) or DRAM (dynamic random access memory).
  • the ROM is, for example, an EEPROM (electrically erasable programmable read only memory).
  • the storage unit 12 functions as, for example, a main storage device, an auxiliary storage device, or a cache memory.
  • the storage unit 12 stores data used for the operation of the information processing device 10 and data obtained by the operation of the information processing device 10.
  • the input unit 13 includes at least one input interface.
  • the input interface is, for example, a physical key, a capacitive key, a pointing device, or a touch screen integrated with a display. Further, the input interface may be, for example, a microphone that accepts voice input, a camera that accepts gesture input, or the like.
  • the input unit 13 accepts an operation for inputting data used for the operation of the information processing device 10 .
  • the input unit 13 may be connected to the information processing device 10 as an external input device instead of being included in the information processing device 10.
  • any method such as USB (Universal Serial Bus), HDMI (registered trademark) (High-Definition Multimedia Interface), or Bluetooth (registered trademark) can be used.
  • the output unit 14 includes at least one output interface.
  • the output interface is, for example, a display that outputs information in the form of images.
  • the display is, for example, an LCD (liquid crystal display) or an organic EL (electro luminescence) display.
  • the output unit 14 displays and outputs data obtained by the operation of the information processing device 10.
  • the output unit 14 may be connected to the information processing device 10 as an external output device instead of being included in the information processing device 10.
  • any method such as USB, HDMI (registered trademark), or Bluetooth (registered trademark) can be used.
  • the functions of the information processing device 10 are realized by executing the program according to the present embodiment by a processor corresponding to the information processing device 10. That is, the functions of the information processing device 10 are realized by software.
  • the program causes the computer to function as the information processing device 10 by causing the computer to execute the operations of the information processing device 10 . That is, the computer functions as the information processing device 10 by executing the operations of the information processing device 10 according to the program.
  • the program can be recorded on a computer-readable recording medium.
  • a computer readable recording medium includes a non-transitory computer readable medium, such as a magnetic recording device, an optical disk, a magneto-optical recording medium, or a semiconductor memory.
  • the program is distributed, for example, by selling, transferring, or lending a portable recording medium such as a DVD (digital versatile disc) or a CD-ROM (compact disc read only memory) on which the program is recorded.
  • the program may be distributed by storing the program in the storage of an external server and transmitting the program from the external server to another computer.
  • the program may also be provided as a program product.
  • a part or all of the functions of the information processing device 10 may be realized by a dedicated circuit corresponding to the control unit 11. That is, some or all of the functions of the information processing device 10 may be realized by hardware.
  • the storage unit 12 stores performance data 100, feature quantities 210 and 220, and a prediction model 400.
  • the feature amounts 210 and 220 are calculated based on the performance data 100.
  • various methods can be used to calculate the feature amount.
  • the feature amounts 210 and 220 may be calculated by calculation processing based on at least one characteristic data of the performance data 100.
  • the feature amounts 210 and 220 may be determined by selecting characteristic data from the performance data 100.
  • "calculating a feature amount based on performance data” includes at least one of calculating based on performance data and determining based on performance data.
  • the characteristic amount 210 may include any data representing the characteristics of the thermosetting epoxy resin composition.
  • the feature amount 210 may include the epoxy equivalent of the thermosetting epoxy resin and the blending conditions.
  • the feature amount 210 may include at least one of a molecular fingerprint or a molecular descriptor.
  • the molecular descriptor can be obtained from the information on the thermosetting epoxy resin expressed in SMILES by using RDKit, which is a publicly available molecular descriptor generation library, alvaDesc, which is commercially available software, and the like.
  • RDKit is a publicly available molecular descriptor generation library, alvaDesc, which is commercially available software, and the like.
  • Such molecular descriptors include molecular weight, number of atoms in a molecule, number of bonds, etc. as zero-dimensional descriptors.
  • Examples of one-dimensional descriptors include the number of functional groups, the number of alicyclic structures, and the number of aromatic rings in the molecule.
  • Examples of two-dimensional descriptors include topological descriptors that express molecules based on graph theory, such as Wiener index, Chi connectivity index, Balaban index, and BCUT descriptor.
  • Examples of the three-dimensional descriptor include those calculated based on the three-dimensional structure of molecules such as 3D-MoRSE, WHIM, CoMFA, and CoMSIA.
  • Examples of the four-dimensional descriptor include those calculated by taking interactions into account, such as Hopfinger, and can be selected and used as appropriate.
  • the feature amount 210 may include the distance between oxygen atoms related to the thermosetting epoxy resin.
  • the distance between oxygen atoms in the thermosetting epoxy resin is the distance between the glycidyl group in the thermosetting epoxy resin and the oxygen in the ether moiety that forms the bond between the main skeleton. This distance can be measured using a conventional three-dimensional molecular structure model and its average value can be used, or the distance can be measured using a conventional three-dimensional molecular structure model and the target oxygen in the thermosetting epoxy resin in a stable state of the three-dimensional molecular structure drawn using molecular drawing software It can also be determined by measuring the distance between atoms on a computer. Examples of software used for drawing three-dimensional molecular structures include Chem3D and Gaussian.
  • the molecular structure of a thermosetting epoxy resin in a stable state can be determined by, for example, a molecular mechanics method, a molecular dynamics method, a semi-empirical molecular orbital method, an ab initio method based on the structural formula of a thermosetting epoxy resin. ), density functional theory, and ab initio molecular dynamics method (classical molecular dynamics method, Monte Carlo method).
  • the characteristic amount 220 may include any data representing the characteristics of the thermosetting epoxy resin composition.
  • the feature amount 220 may include the epoxy equivalent of the thermosetting epoxy resin and the blending conditions.
  • the feature amount 220 may include at least one of a molecular fingerprint or a molecular descriptor.
  • Such molecular descriptors are, for example, MaxPartialCharge, MinPartialCharge, MaxEStateIndex, MinEStateIndex, QED, MolMR, MolWt, ExactMolWt, HeavyAtomCount, HeavyAtomMolWt, NHOHCount, NOCount, NumHAcceptors, NumHDonors, NumHeteroatoms, NumRotatableBonds, NumValenceElectrons, NumAmideBonds, NumA romaticRings, NumSaturatedRings, NumAliphaticRings, NumAromaticHeterocycles , NumSaturatedHeterocycles, NumAliphaticHeterocycles, NumAromaticCarbocycles, NumSaturatedCarbocycles, NumAliphaticCarbocycles, RingCount, FractionCSP3, NumSpiroAtoms, NumBridgeheadAtom
  • the performance data 100, the feature quantities 210 and 220, and the prediction model 400 may be stored in an external device separate from the information processing device 10.
  • the information processing device 10 may include an external communication interface.
  • the communication interface may be either a wired communication interface or a wireless communication interface.
  • the communication interface is, for example, a LAN interface or USB.
  • the communication interface is, for example, an interface compatible with mobile communication standards such as LTE, 4G, or 5G, or an interface compatible with short-range wireless communication such as Bluetooth (registered trademark).
  • the communication interface can receive data used for the operation of the information processing device 10 and can transmit data obtained by the operation of the information processing device 10.
  • FIG. 3 is a flowchart illustrating an example of learning processing and relearning processing executed by the information processing device 10 according to the present embodiment.
  • FIG. 4 is a flowchart showing a search process executed by the information processing device 10 according to the present embodiment.
  • FIG. 3 an example of learning processing and relearning processing executed by the information processing device 10 will be shown.
  • Step S101 The control unit 11 of the information processing device 10 acquires performance data 110 of thermosetting epoxy resin compositions used for other purposes. Any method can be used to obtain the performance data 110.
  • the control unit 11 may obtain the performance data 110 by receiving input of performance data from the user through the input unit 13.
  • the control unit 11 may acquire the performance data 110 from an external device that stores the performance data 110 via a communication interface.
  • Step S102 The control unit 11 calculates the feature amount 210 based on the input performance data 110. Specifically, the control unit 11 calculates the feature amount 210 based on the polymer composition, structural formula, epoxy equivalent, and blending conditions included in the performance data 110. In order to calculate the feature amount 210, the control unit 11 may refer to a database, library, etc. as appropriate. In this case, such a database, library, etc. may be stored in the storage unit 12.
  • Step S103 The control unit 11 trains a plurality of prediction models 400 (first to Nth prediction models) using the calculated feature amount 210 as an explanatory variable and each physical property as an objective variable.
  • the predictive model is, for example, a support vector machine, a linear model, a nonlinear model, etc., but is not limited thereto.
  • the predictive model 400 may be a model trained based on a multilayer perceptron consisting of an input layer, a hidden layer, and an output layer.
  • the predictive model 400 may be a model trained based on a machine learning algorithm such as Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), or other deep learning.
  • CNN Convolutional Neural Network
  • RNN Recurrent Neural Network
  • Step S104 The control unit 11 acquires performance data 120 of the thermosetting epoxy resin composition used in this application. Any method can be used to obtain the performance data 120.
  • the control unit 11 may obtain the performance data 120 by receiving input of performance data from the user through the input unit 13 . Further, for example, the control unit 11 may acquire the performance data 120 from an external device that stores the performance data 120 via a communication interface. Note that the actual performance data 120 may be smaller than the actual performance data 110.
  • Step S105 The control unit 11 calculates the feature amount 220 based on the input performance data 120. Specifically, the control unit 11 calculates the feature amount 220 based on the polymer composition, structural formula, epoxy equivalent, and blending conditions included in the performance data 120. In order to calculate the feature amount 210, the control unit 11 may refer to a database, library, etc. as appropriate. In this case, such a database, library, etc. may be stored in the storage unit 12.
  • Step S106 The control unit 11 relearns the plurality of prediction models 400 (first prediction model to Nth prediction model) trained in step S103, using the calculated feature amount 220 as an explanatory variable and each physical property as an objective variable. .
  • the prediction model 400 according to this embodiment is constructed.
  • the accuracy of the prediction model 400 constructed by the above process may be verified based on known data. As a result of the verification, if the accuracy is within the practical range, the prediction model 400 may be used to search for a thermosetting epoxy resin composition.
  • thermosetting epoxy resin composition executed by the information processing device 10
  • the information processing device 10 searches for a thermosetting epoxy resin composition having a desired balance of physical properties through back analysis using a plurality of prediction models 400.
  • Step S201 The control unit 11 of the information processing device 10 acquires the physical properties (hereinafter referred to as target properties) related to the desired thermosetting epoxy resin composition, and acquires the physical properties (hereinafter referred to as target properties) of each of the prediction models 400 (first prediction model to Nth prediction model). ). For example, the control unit 11 acquires the target characteristics by receiving input of the target characteristics from the user through the input unit 13.
  • target properties the physical properties related to the desired thermosetting epoxy resin composition
  • Step S202 The control unit 11 uses each prediction model 400 to predict the feature amount of the thermosetting epoxy resin composition that can obtain the target characteristics acquired in step S201.
  • Step S203 The control unit 11 performs optimization processing on the prediction result obtained in step S202, and outputs the search result through the output unit 14. For example, the control unit 11 outputs, as the search results, the polymer composition, structural formula, epoxy equivalent, and blending conditions of a thermosetting epoxy resin composition having a desired balance of physical properties through the output unit 14 . Alternatively, the control unit 11 may output, as a search result, a feature quantity related to at least one thermosetting epoxy resin composition having a desired balance of physical properties through the output unit 14.
  • the evaluation function is maximized or minimized using optimization processing, steep descent method, Bayesian optimization, Gaussian process optimization, Python libraries such as GPyOpt, Optuna, HyperOpt, genetic algorithms, etc.
  • the method is not limited to these methods, and one or more methods suitable for the object to be optimized can be selected.
  • thermosetting epoxy resin composition having a desired balance of physical properties.
  • a thermosetting epoxy resin composition having desired strength and heat resistance can be easily searched for.
  • thermosetting epoxy resin compositions based on the experience and intuition of the person in charge, without using the search method according to this embodiment.
  • we conduct preliminary experiments on known thermosetting epoxy resin compositions and unknown thermosetting epoxy resin compositions perform least squares regression calculations on the experimental results, and use the experience and intuition of the person in charge. Based on this, we understand the correlation between given conditions and physical properties. After understanding the correlation, a synthesis experiment of several thermosetting epoxy resin compositions related to search candidates will be conducted. A least squares regression calculation is further performed on the results of the experiment. It is also possible to search for a desired thermosetting epoxy resin composition by repeating these steps.
  • thermosetting epoxy resin composition can be searched in parallel within the information processing device 10 based on the prediction model 400, and the search can be performed in a short time. This can significantly reduce development man-hours.
  • the track record data 100 includes track record data 110 for other uses and track record data 120 for a predetermined use, and the learning process and re-learning process of the prediction model 400 are performed using these pieces, respectively.
  • the teaching data is wider than the predetermined usage, it is possible to prevent a decrease in accuracy due to extrapolation.
  • the teaching data is limited to this purpose. By doing so, a highly accurate predictive model can be trained in searching for a thermosetting epoxy resin composition for a given use.
  • learning processing and relearning processing are performed respectively, but as long as the accuracy is within a practical range, only learning processing may be performed and relearning processing may not be performed.
  • the learning process may use either performance data for a predetermined purpose or performance data for another purpose. By doing so, the predictive model can be trained in a shorter time.
  • the above-mentioned predetermined application is for composite materials, but is not limited thereto.
  • certain applications may be electronic materials, paints, civil engineering and construction materials, adhesives, flame retardants, composite materials.
  • the feature amount may include at least one of a molecular fingerprint or a molecular descriptor. Since the molecular fingerprint or molecular descriptor can indicate the characteristics of the thermosetting epoxy resin composition, the accuracy of the prediction model 400 can be improved by using the characteristic amount as an explanatory variable.
  • the feature amount may include the distance between oxygen atoms related to the thermosetting epoxy resin.
  • the distance between oxygen atoms has a high correlation with the bending modulus, bending strain, bending strength, and glass transition temperature of the thermosetting epoxy resin composition, and by using the distance between oxygen atoms as an explanatory variable, the predictive model 400 Accuracy can be improved.
  • Tables 1 and 2 show the results when the distance between oxygen atoms was not used as an explanatory variable and when the distance between oxygen atoms was used as an explanatory variable in the learning of the prediction model 400.
  • eXtreme Gradient Boosting XGBoost
  • R 2 is a coefficient of determination, and the closer it is to 1, the higher the accuracy of the model is.
  • RMSE is an index that aggregates the root mean square of prediction errors, and the closer it is to 0, the higher the performance of the model is.
  • the R 2 and RMSE of the learning model are better than when the distance between oxygen atoms is not used as an explanatory variable. . That is, by using the distance between oxygen atoms as an explanatory variable, the accuracy of the prediction model 400 can be improved. As a result, it is possible to design a thermosetting epoxy resin composition in which R 2 of the learning model exceeds 0.50 for all objective variables and has a desired balance of physical properties.

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Medicinal Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Organic Chemistry (AREA)
  • Polymers & Plastics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Epoxy Resins (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

熱硬化性エポキシ樹脂組成物の探索技術を改善する。　情報処理装置が実行する熱硬化性エポキシ樹脂組成物の探索方法であって、熱硬化性エポキシ樹脂組成物に係る実績データを用いて、複数の目的変数に各々対応した複数の予測モデルを訓練するステップと、前記複数の予測モデルを用いた逆解析により、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索するステップと、を含み、前記実績データは、熱硬化性エポキシ樹脂に係るポリマー組成と、構造式と、エポキシ当量と、配合条件とを含み、前記目的変数は、曲げ弾性率と、曲げ歪みと、曲げ強度と、ガラス転移温度とを含む。

Description

熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム
　本開示は、熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラムに関する。本願は、２０２２年６月１５日に、日本に出願された特願２０２２―０９６８１６に基づき優先権を主張し、その内容をここに援用する。
　従来から、炭素繊維に、熱硬化性エポキシ樹脂等を含む組成物（以下、熱硬化性エポキシ樹脂組成物ともいう。）を含浸して加熱硬化させることで製造される炭素繊維強化プラスチック（Carbon Fiber Reinforced Plastic、以下、ＣＦＲＰともいう。）等の複合材料が知られている。ＣＦＲＰは母材をプラスチック、強化繊維を炭素繊維とした繊維強化複合材料である。ＣＦＲＰは一般の構造用金属材料に比べて軽量で、また比強度及び比剛性に優れ、電気的特性及び耐腐食性においても優れた特性を有する高性能な材料である。そのため近年では、ＣＦＲＰが、金属材料にとって代わる材料として航空宇宙構造物、自動車、二輪車、船艇等の構造用部材、大型の産業用機械部品、スポーツ用品等、広範囲の用途で使用されている。かかるＣＦＲＰ等の複合材料の原料として用いられる熱硬化性エポキシ樹脂組成物には、複合材料の用途に応じた強度、耐熱性等の特性が要求される。しかしながら、熱硬化性エポキシ樹脂組成物のこれらの特性の一部は相反することがあり、必要な特性をバランス良く有する熱硬化性エポキシ樹脂組成物を探索することは必ずしも容易ではない。また、ＣＦＲＰ等の複合材料の原料として用いられる熱硬化性エポキシ樹脂組成物は、従来は特定の限られたものしか用いられておらず、新規の熱硬化性エポキシ樹脂の探索が望まれている。
　他方、物質モデルをモデリングして当該物質モデルを機械学習により学習した後、学習された物質モデルを用いて、目標物性情報から新規物質の構造を探索する技術が知られている（例えば特許文献１）。
特許第６８３２６７８号
　特許文献１に記載の物質の探索技術は一般的な物質モデルを対象としたものであるところ、熱硬化性エポキシ樹脂組成物を探索することについては従来技術では特段考慮されていなかった。
　かかる事情に鑑みてなされた本開示の目的は、熱硬化性エポキシ樹脂組成物の探索技術を改善することにある。
　本開示の一実施形態に係る熱硬化性エポキシ樹脂組成物の探索方法は、
　情報処理装置が実行する熱硬化性エポキシ樹脂組成物の探索方法であって、
　熱硬化性エポキシ樹脂組成物に係る実績データを用いて、複数の目的変数に各々対応した複数の予測モデルを訓練するステップと、
　前記複数の予測モデルを用いた逆解析により、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索するステップと、
　を含み、
　前記実績データは、熱硬化性エポキシ樹脂に係るポリマー組成と、構造式と、エポキシ当量と、配合条件とを含み、
　前記目的変数は、曲げ弾性率と、曲げ歪みと、曲げ強度と、ガラス転移温度とを含む。
　また本開示の一実施形態に係る探索方法は、
　前記複数の予測モデルを訓練するステップにおいて、前記実績データに基づき特徴量を算出し、該特徴量を前記複数の予測モデルの説明変数として用いる。
　また本開示の一実施形態に係る探索方法において、
　前記特徴量は、分子指紋又は分子記述子の少なくとも一方を含む。
　また本開示の一実施形態に係る探索方法において、
　前記特徴量はさらに、熱硬化性エポキシ樹脂に係る酸素原子間距離を含む。
　また本開示の一実施形態に係る探索方法は、
　前記実績データは所定用途で使用される熱硬化性エポキシ樹脂組成物の実績データと、前記所定用途以外で使用される熱硬化性エポキシ樹脂組成物の実績データとを含み、
　前記複数の予測モデルを訓練するステップにおいて、
　前記所定用途以外で使用される熱硬化性エポキシ樹脂組成物の実績データを用いて前記複数の予測モデルを訓練した後に、前記所定用途で使用される熱硬化性エポキシ樹脂組成物の実績データを用いて前記複数の予測モデルを再学習させる。
　また本開示の一実施形態に係る情報処理装置は、
　制御部を備える熱硬化性エポキシ樹脂組成物の探索をする情報処理装置であって、
　前記制御部は、
　熱硬化性エポキシ樹脂組成物に係る実績データを用いて、複数の目的変数に各々対応した複数の予測モデルを訓練し、
　前記複数の予測モデルを用いた逆解析により、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索し、
　前記実績データは、熱硬化性エポキシ樹脂に係るポリマー組成と、構造式と、エポキシ当量と、配合条件とを含み、
　前記目的変数は、曲げ弾性率と、曲げ歪みと、曲げ強度と、ガラス転移温度とを含む。
　また本開示の一実施形態に係る非一時的なコンピュータ読取可能記録媒体は、
　命令を記憶した非一時的なコンピュータ読取可能記録媒体であって、前記命令は、プロセッサによって実行された時に、プロセッサに、
　熱硬化性エポキシ樹脂組成物に係る実績データを用いて、複数の目的変数に各々対応した複数の予測モデルを訓練することと、
　前記複数の予測モデルを用いた逆解析により、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索することと、を実行させ、
　前記実績データは、熱硬化性エポキシ樹脂に係るポリマー組成と、構造式と、エポキシ当量と、配合条件とを含み、
　前記目的変数は、曲げ弾性率と、曲げ歪みと、曲げ強度と、ガラス転移温度とを含む。
　本開示の一実施形態に係る熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラムによれば、熱硬化性エポキシ樹脂組成物の探索技術を改善することができる。
本開示の一実施形態の概要を示す図である。 本開示の一実施形態に係る熱硬化性エポキシ樹脂組成物の探索をする情報処理装置の概略構成を示すブロック図である。 本開示の一実施形態に係る熱硬化性エポキシ樹脂組成物の探索をする情報処理装置の学習処理の動作を示すフローチャートである。 本開示の一実施形態に係る熱硬化性エポキシ樹脂組成物の探索をする情報処理装置の探索処理の動作を示すフローチャートである。
　以下、本開示の実施形態にかかる熱硬化性エポキシ樹脂組成物の探索方法ついて、図面を参照して説明する。
　各図中、同一又は相当する部分には、同一符号を付している。本実施形態の説明において、同一又は相当する部分については、説明を適宜省略又は簡略化する。
　図１及び図２を参照して、本実施形態に係る熱硬化性エポキシ樹脂組成物の探索方法の概要を説明する。
　まず、本実施形態の概要について説明する。本実施形態に係る熱硬化性エポキシ樹脂組成物の探索方法では図１に示す実績データ１００が用いられる。また本実施形態に係る熱硬化性エポキシ樹脂組成物の探索方法は図２に示す情報処理装置１０が実行する。情報処理装置１０は、熱硬化性エポキシ樹脂組成物に係る実績データ１００を用いて、複数の目的変数に各々対応した複数の予測モデル４００を訓練する。
　実績データ１００は、他用途の実績データ１１０と所定用途の実績データ１２０とを含む。所定用途の実績データ１２０は、例えば複合材材料用の熱硬化性エポキシ樹脂組成物に係る実績データである。すなわち実績データ１２０は、例えばＣＦＲＰ用に用いられる熱硬化性エポキシ樹脂組成物に係る実績データを含む。他用途の実績データ１１０は、所定用途以外の用途（ここでは複合材材料用以外の用途）で用いられる熱硬化性エポキシ樹脂組成物の実績データである。他用途の実績データ１１０及び所定用途の実績データ１２０は、それぞれ熱硬化性エポキシ樹脂組成物に係るポリマー組成、構造式、エポキシ当量、配合条件、試験片厚み、第１の物性～第Nの物性を含む。配合条件は、熱硬化性エポキシ樹脂と硬化剤（例えばアミン）との配合比率に係る条件である。試験片厚みは、物性測定における試験片の厚みであり、例えば2mmまたは4mmである。
　第１の物性から第Nの物性は、複数の目的変数に相当する。Nは正の整数である。情報処理装置１０は、Ｎ個の目的変数に各々対応した第１予測モデル～第Ｎ予測モデルを訓練する。複数の目的変数は、相反する特性を含む。例えば複数の目的変数は、曲げ弾性率、曲げ強度、曲げ歪み、耐熱性を含む。この中で曲げ弾性率と曲げ歪みとは相反する。なお、耐熱性の一例はガラス転移温度（粘弾性測定装置による測定において、弾性率変化が最大となる温度）でありうる。本実施形態では、耐熱性の指標としてガラス転移温度を用いる例について説明する。
　まず情報処理装置１０は、他用途の実績データ１１０により、予測モデル４００の学習処理３１０を行う。情報処理装置１０は、他用途の実績データ１１０から特徴量２１０を算出する。情報処理装置１０は、当該特徴量２１０を説明変数、各物性を目的変数とする複数の予測モデル４００を訓練する。具体的には情報処理装置１０は、特徴量２１０を説明変数、第１の物性を目的変数とする第１予測モデルを訓練する。また情報処理装置１０は、特徴量２１０を説明変数、第２の物性を目的変数とする第２予測モデルを訓練する。このように情報処理装置１０は、特徴量２１０を説明変数、第Nの物性を目的変数とする第N予測モデルを訓練する。なお、第１予測モデル～第N予測モデルの学習処理に用いられる特徴量２１０は、各特徴量と目的変数の関係に応じて適宜選択され得る。換言すると第１予測モデル～第N予測モデルの学習に用いられる特徴量２１０の内訳は、それぞれ異なっていてもよい。
　次に情報処理装置１０は、他用途の実績データ１１０により、予測モデル４００の再学習処理３２０を行う。まず情報処理装置１０は、他用途の実績データ１１０から特徴量２２０を算出する。情報処理装置１０は、当該特徴量２２０を説明変数、各物性を目的変数として、各予測モデルの再学習処理を行う。具体的には情報処理装置１０は、特徴量２２０を説明変数、第１の物性を目的変数として、第１予測モデルの再学習処理を行う。また情報処理装置１０は、特徴量２２０を説明変数、第２の物性を目的変数として、第２予測モデルの再学習処理を行う。また情報処理装置１０は、特徴量２２０を説明変数、第Nの物性を目的変数として、第N予測モデルの再学習処理を行う。なお、第１予測モデル～第N予測モデルの再学習処理に用いられる特徴量２２０は、各特徴量と目的変数の関係に応じて適宜選択され得る。換言すると第１予測モデル～第N予測モデルの学習に用いられる特徴量２２０の内訳は、それぞれ異なっていてもよい。このようにして学習された第１予測モデル～第N予測モデルを用いた逆解析により、情報処理装置１０は、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索する。
　このように本実施形態によれば、熱硬化性エポキシ樹脂組成物に係る実績データに基づき複数の予測モデルを訓練する。そしてこれらの複数の予測モデルを用いた逆解析により、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索する。そのため、所望の特性バランスを有する熱硬化性エポキシ樹脂組成物の探索ができるという点で、探索技術が改善される。
（情報処理装置の構成）
　次に、情報処理装置１０の各構成について詳細に説明する。情報処理装置１０は、ユーザによって使用される任意の装置である。例えばパーソナルコンピュータ、サーバコンピュータ、汎用の電子機器、又は専用の電子機器が、情報処理装置１０として採用可能である。
　図２に示されるように、情報処理装置１０は、制御部１１と、記憶部１２と、入力部１３と、出力部１４とを備える。
　制御部１１には、少なくとも１つのプロセッサ、少なくとも１つの専用回路、又はこれらの組み合わせが含まれる。プロセッサは、ＣＰＵ（central processing unit）若しくはＧＰＵ（graphics processing unit）などの汎用プロセッサ、又は特定の処理に特化した専用プロセッサである。専用回路は、例えば、ＦＰＧＡ（field-programmable gate array）又はＡＳＩＣ（application specific integrated circuit）である。制御部１１は、情報処理装置１０の各部を制御しながら、情報処理装置１０の動作に関わる処理を実行する。
　記憶部１２には、少なくとも１つの半導体メモリ、少なくとも１つの磁気メモリ、少なくとも１つの光メモリ、又はこれらのうち少なくとも２種類の組み合わせが含まれる。半導体メモリは、例えば、ＲＡＭ（random access memory）又はＲＯＭ（read only memory）である。ＲＡＭは、例えば、ＳＲＡＭ（static random access memory）又はＤＲＡＭ（dynamic random access memory）である。ＲＯＭは、例えば、ＥＥＰＲＯＭ（electrically erasable programmable read only memory）である。記憶部１２は、例えば、主記憶装置、補助記憶装置、又はキャッシュメモリとして機能する。記憶部１２には、情報処理装置１０の動作に用いられるデータと、情報処理装置１０の動作によって得られたデータとが記憶される。
　入力部１３には、少なくとも１つの入力用インタフェースが含まれる。入力用インタフェースは、例えば、物理キー、静電容量キー、ポインティングデバイス、ディスプレイと一体的に設けられたタッチスクリーンである。また入力用インタフェースは、例えば、音声入力を受け付けるマイクロフォン、又はジェスチャー入力を受け付けるカメラ等であってもよい。入力部１３は、情報処理装置１０の動作に用いられるデータを入力する操作を受け付ける。入力部１３は、情報処理装置１０に備えられる代わりに、外部の入力機器として情報処理装置１０に接続されてもよい。接続方式としては、例えば、ＵＳＢ（Universal Serial Bus）、ＨＤＭＩ（登録商標）（High-Definition Multimedia Interface）、又はBluetooth（登録商標）などの任意の方式を用いることができる。
　出力部１４には、少なくとも１つの出力用インタフェースが含まれる。出力用インタフェースは、例えば、情報を映像で出力するディスプレイ等である。ディスプレイは、例えば、ＬＣＤ（liquid crystal display）又は有機ＥＬ（electro luminescence）ディスプレイである。出力部１４は、情報処理装置１０の動作によって得られるデータを表示出力する。出力部１４は、情報処理装置１０に備えられる代わりに、外部の出力機器として情報処理装置１０に接続されてもよい。接続方式としては、例えば、ＵＳＢ、ＨＤＭＩ（登録商標）、又はBluetooth（登録商標）などの任意の方式を用いることができる。
　情報処理装置１０の機能は、本実施形態に係るプログラムを、情報処理装置１０に相当するプロセッサで実行することにより実現される。すなわち、情報処理装置１０の機能は、ソフトウェアにより実現される。プログラムは、情報処理装置１０の動作をコンピュータに実行させることで、コンピュータを情報処理装置１０として機能させる。すなわち、コンピュータは、プログラムに従って情報処理装置１０の動作を実行することにより情報処理装置１０として機能する。
　本実施形態においてプログラムは、コンピュータで読取り可能な記録媒体に記録しておくことができる。コンピュータで読取り可能な記録媒体は、非一時的なコンピュータ読取可能な媒体を含み、例えば、磁気記録装置、光ディスク、光磁気記録媒体、又は半導体メモリである。プログラムの流通は、例えば、プログラムを記録したＤＶＤ（digital versatile disc）又はＣＤ－ＲＯＭ（compact disc read only memory）などの可搬型記録媒体を販売、譲渡、又は貸与することによって行う。またプログラムの流通は、プログラムを外部サーバのストレージに格納しておき、外部サーバから他のコンピュータにプログラムを送信することにより行ってもよい。またプログラムはプログラムプロダクトとして提供されてもよい。
　情報処理装置１０の一部又は全ての機能が、制御部１１に相当する専用回路により実現されてもよい。すなわち、情報処理装置１０の一部又は全ての機能が、ハードウェアにより実現されてもよい。
　本実施形態において記憶部１２は、実績データ１００、特徴量２１０、２２０、及び予測モデル４００を記憶する。特徴量２１０、２２０は実績データ１００に基づき算出される。なお本実施形態において、特徴量の算出は、種々の方法を取りうる。例えば特徴量２１０、２２０は、実績データ１００のうち特徴的な少なくとも１つのデータに基づく計算処理により算出されてもよい。また特徴量２１０、２２０は、実績データ１００から特徴的なデータを選択することにより決定されてもよい。換言すると本実施形態において、「実績データに基づき特徴量を算出する」ことは、実績データに基づき算出すること、及び実績データに基づき決定することの少なくともいずれかを含む。
　特徴量２１０は、熱硬化性エポキシ樹脂組成物の特徴を表す任意のデータを含んでよい。例えば特徴量２１０は、熱硬化性エポキシ樹脂に係るエポキシ当量と、配合条件とを含んでよい。また例えば特徴量２１０は、分子指紋又は分子記述子の少なくとも一方を含んでもよい。分子記述子は、ＳＭＩＬＥＳ表記の熱硬化性エポキシ樹脂の情報から、公知公用の分子記述子生成ライブラリであるＲＤＫｉｔ、市販のソフトウェアであるalvaDesc等を用いることで得ることができる。かかる分子記述子は、0次元記述子としては、分子量、分子内の原子の数、結合数等が挙げられる。1次元記述子としては、分子内の官能基の数、脂環式構造の数、芳香環の数等が挙げられる。2次元記述子としては、Wiener index、Chi connectivity index、Balaban index、BCUT記述子等のグラフ理論にもとづき分子を表現したトポロジカル記述子等が挙げられる。3次元記述子としては、3D-MoRSE、WHIM、CoMFA, CoMSIA等の分子の３次元構造に基づいて算出されたもの等が挙げられる。4次元記述子としては、Hopfinger等の、相互作用を加味して算出されたもの等が挙げられるが、適宜選択して用いることが可能である。中でも、例えば、MaxPartialCharge、MinPartialCharge、MaxEStateIndex、MinEStateIndex、QED、MolMR、MolWt、ExactMolWt、HeavyAtomCount、HeavyAtomMolWt、NHOHCount、NOCount、NumHAcceptors、NumHDonors、NumHeteroatoms、NumRotatableBonds、NumValenceElectrons、NumAmideBonds、NumAromaticRings、NumSaturatedRings、NumAliphaticRings、NumAromaticHeterocycles、NumSaturatedHeterocycles、NumAliphaticHeterocycles、NumAromaticCarbocycles、NumSaturatedCarbocycles、NumAliphaticCarbocycles、RingCount、FractionCSP3、NumSpiroAtoms、NumBridgeheadAtoms、TPSA、LabuteASA、PEOE_VSA1～PEOE_VSA14、SMR_VSA1～SMR_VSA10、SlogP_VSA1～SlogP_VSA12、EState_VSA1～EState_VSA11、VSA_EState1～VSA_EState10、BCUT2D、BalabanJ、BertzCT、Ipc、HallKierAlpha、Kappa1 - Kappa3、Phi、Chi0, Chi1、Chi0n～Chi4n、Chi0v～Chi4vなどの使用が挙げられ、これ以外にも生成された記述子で有用なものは適宜使用できる。
　また特徴量２１０は、熱硬化性エポキシ樹脂に係る酸素原子間距離を含んでよい。熱硬化性エポキシ樹脂に係る酸素原子間距離とは、熱硬化性エポキシ樹脂中のグリシジル基と主骨格の結合を形成するエーテル部分の酸素間の距離である。かかる距離は、旧来の3次元分子構造モデルにより計測し、その平均値を用いることもできるし、分子描画ソフトウェアを用いて描画した３次元分子構造の安定状態における熱硬化性エポキシ樹脂における対象の酸素原子間の距離をコンピューター上で測定することにより決定することもできる。３次元分子構造の描画に使用されるソフトウェアとしては、Ｃｈｅｍ３Ｄ、Ｇａｕｓｓｉａｎなどが挙げられる。安定状態における熱硬化性エポキシ樹脂の分子構造は、例えば熱硬化性エポキシ樹脂の構造式に基づく分子力学法、分子動力学法、半経験的分子軌道法、非経験的分子軌道法（ａｂ　ｉｎｉｔｉｏ法）、密度汎関数法、ａｂ　ｉｎｉｔｉｏ分子動力学法（古典分子動力学法、モンテカルロ法）などの公知公用の計算科学手法により得ることができる。
　特徴量２２０は、熱硬化性エポキシ樹脂組成物の特徴を表す任意のデータを含んでよい。例えば特徴量２２０は、熱硬化性エポキシ樹脂に係るエポキシ当量と、配合条件とを含んでよい。また例えば特徴量２２０は、分子指紋又は分子記述子の少なくとも一方を含んでもよい。かかる分子記述子は、例えばMaxPartialCharge、MinPartialCharge、MaxEStateIndex、MinEStateIndex、QED、MolMR、MolWt、ExactMolWt、HeavyAtomCount、HeavyAtomMolWt、NHOHCount、NOCount、NumHAcceptors、NumHDonors、NumHeteroatoms、NumRotatableBonds、NumValenceElectrons、NumAmideBonds、NumAromaticRings、NumSaturatedRings、NumAliphaticRings、NumAromaticHeterocycles、NumSaturatedHeterocycles、NumAliphaticHeterocycles、NumAromaticCarbocycles、NumSaturatedCarbocycles、NumAliphaticCarbocycles、RingCount、FractionCSP3、NumSpiroAtoms、NumBridgeheadAtoms、TPSA、LabuteASA、PEOE_VSA1～PEOE_VSA14、SMR_VSA1～SMR_VSA10、SlogP_VSA1～SlogP_VSA12、EState_VSA1～EState_VSA11、VSA_EState1～VSA_EState10、BCUT2D、BalabanJ、BertzCT、Ipc、HallKierAlpha、Kappa1 - Kappa3、Phi、Chi0, Chi1、Chi0n～Chi4n、Chi0v～Chi4vなどの使用が挙げられ、これ以外にも生成された記述子で有用なものは適宜使用できる。また特徴量２２０は、熱硬化性エポキシ樹脂に係る酸素原子間距離を含んでよい。
　なお実績データ１００、特徴量２１０、２２０、及び予測モデル４００は、情報処理装置１０とは別の外部装置に記憶されていてもよい。その場合、情報処理装置１０は、外部通信用インタフェースを備えていてもよい。通信用インタフェースは、有線通信又は無線通信のいずれのインタフェースであってよい。有線通信の場合、通信用インタフェースは例えばＬＡＮインタフェース、ＵＳＢである。無線通信の場合、通信用インタフェースは例えば、ＬＴＥ、４Ｇ、若しくは５Ｇなどの移動通信規格に対応したインタフェース、Bluetooth（登録商標）などの近距離無線通信に対応したインタフェースである。通信用インタフェースは、情報処理装置１０の動作に用いられるデータを受信し、また情報処理装置１０の動作によって得られるデータを送信可能である。
（情報処理装置の動作）
　図３及び図４を参照して、本実施形態に係る情報処理装置１０の動作について説明する。図３は本実施形態に係る情報処理装置１０が実行する学習処理及び再学習処理の一例を示すフローチャートである。図４は本実施形態に係る情報処理装置１０が実行する探索処理を示すフローチャートである。はじめに図３を参照して、情報処理装置１０が実行する学習処理及び再学習処理の一例を示す。
　ステップＳ１０１：情報処理装置１０の制御部１１は、他用途で使用される熱硬化性エポキシ樹脂組成物の実績データ１１０を取得する。実績データ１１０の取得には、任意の手法が採用可能である。例えば制御部１１は、ユーザからの実績データの入力を入力部１３により受け付けることで、実績データ１１０を取得してもよい。また例えば制御部１１は、実績データ１１０を記憶した外部装置から通信用インタフェースを介して、当該実績データ１１０を取得してもよい。
　ステップＳ１０２：制御部１１は、入力された実績データ１１０に基づき特徴量２１０を算出する。具体的には制御部１１は、実績データ１１０に含まれるポリマー組成、構造式、エポキシ当量、及び配合条件に基づき特徴量２１０を算出する。特徴量２１０の算出のために、制御部１１は、適宜データベース、ライブラリ等を参照してもよい。この場合、かかるデータベース、ライブラリ等は、記憶部１２に記憶されていてもよい。
　ステップＳ１０３：制御部１１は、算出した特徴量２１０を説明変数、各物性を目的変数とする複数の予測モデル４００（第１予測モデル～第N予測モデル）を訓練する。予測モデルは、例えばサポートベクターマシン、線形モデル、非線形モデル等の予測モデルであるがこれに限られない。例えば予測モデル４００は、入力層、隠れ層、及び出力層からなる多層パーセプトロンに基づき訓練されるモデルであってもよい。あるいは予測モデル４００は、Convolutional Neural Network（CNN）、Recurrent Neural Network（RNN）、その他のディープラーニング等の機械学習アルゴリズムに基づき訓練されるモデルであってもよい。
　ステップＳ１０４：制御部１１は、本用途で使用される熱硬化性エポキシ樹脂組成物の実績データ１２０を取得する。実績データ１２０の取得には、任意の手法が採用可能である。例えば制御部１１は、ユーザからの実績データの入力を入力部１３により受け付けることで、実績データ１２０を取得してもよい。また例えば制御部１１は、実績データ１２０を記憶した外部装置から通信用インタフェースを介して、当該実績データ１２０を取得してもよい。なお当該実績データ１２０は、実績データ１１０より少量であってよい。
　ステップＳ１０５：制御部１１は、入力された実績データ１２０に基づき特徴量２２０を算出する。具体的には制御部１１は、実績データ１２０に含まれるポリマー組成、構造式、エポキシ当量、及び配合条件に基づき特徴量２２０を算出する。特徴量２１０の算出のために、制御部１１は、適宜データベース、ライブラリ等を参照してもよい。この場合、かかるデータベース、ライブラリ等は、記憶部１２に記憶されていてもよい。
　ステップＳ１０６：制御部１１は、算出した特徴量２２０を説明変数、各物性を目的変数として、ステップＳ１０３にて訓練した複数の予測モデル４００（第１予測モデル～第N予測モデル）を再学習する。このようにして本実施形態にかかる予測モデル４００が構築される。
　なお、上記の処理により構築された予測モデル４００について、既知データに基づき精度検証を行ってもよい。検証の結果、精度が実用範囲内である場合には当該予測モデル４００を用いた熱硬化性エポキシ樹脂組成物の探索処理を行うようにしてもよい。
　次に図４を参照して、情報処理装置１０が実行する熱硬化性エポキシ樹脂組成物の探索処理の一例を示す。概略として情報処理装置１０は、複数の予測モデル４００を用いた逆解析により、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索する。
　ステップＳ２０１：情報処理装置１０の制御部１１は、所望の熱硬化性エポキシ樹脂組成物に係る物性（以下、目標特性という）を取得し、各予測モデル４００（第１予測モデル～第N予測モデル）に入力する。例えば制御部１１は、ユーザからの目標特性の入力を入力部１３により受け付けることで、目標特性を取得する。
　ステップＳ２０２：制御部１１は、ステップＳ２０１にて取得した目標特性を得られる熱硬化性エポキシ樹脂組成物の特徴量を各予測モデル４００により予測する。
　ステップＳ２０３：制御部１１は、ステップＳ２０２により得られた予測結果に対して、最適化処理を実行し、探索結果を出力部１４により出力する。例えば制御部１１は、探索結果として、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物に係るポリマー組成と、構造式と、エポキシ当量と、配合条件とを出力部１４により出力する。あるいは制御部１１は、探索結果として、所望の物性バランスを有する少なくとも１つの熱硬化性エポキシ樹脂組成物に係る特徴量を、出力部１４により出力してもよい。
　ここで最適化処理と再急降下法、ベイズ最適化、ガウシアン過程最適化、その機構を利用したGPyOpt、Optuna、HyperOptなどのPythonライブラリ、遺伝的アルゴリズム等により、評価関数の最大化あるいは最小化を実施できるが、これらの手法に限定されるものではなく、最適化する対象に適した手法を一つ乃至は複数選択することができる。
　このように、本実施形態によれば、熱硬化性エポキシ樹脂組成物に係る実績データ１００に基づき複数の予測モデル４００を訓練する。そしてこれらの複数の予測モデル４００を用いた逆解析により、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索することができる。例えば、所望の強度及び耐熱性を有する熱硬化性エポキシ樹脂組成物を容易に探索することができる。
　なお本実施形態による探索方法を用いずに、担当者の経験と勘に基づき熱硬化性エポキシ樹脂組成物を探索する方法も考えられる。この場合、既知の熱硬化性エポキシ樹脂組成物、未知の熱硬化性エポキシ樹脂組成物に係る予備実験を行って、実験結果に対して最小二乗法回帰計算を行い、担当者の経験と勘に基づき、所与の条件、物性の相関把握を行う。そして当該相関を把握した上で、探索候補に係るいくつかの熱硬化性エポキシ樹脂組成物の合成実験を実施する。当該実験の結果に対して、さらに最小二乗法回帰計算を行う。これらの繰り返しによって所望の熱硬化性エポキシ樹脂組成物を探索することも可能である。しかしながらかかる方法は、担当者の経験と勘に依存するものであり、また予備実験及び実験には膨大な工数が必要であり、一般的に１つの最適組成探索を実施するために、数ヶ月程度の時間を必要とする。他方、本実施形態によれば、予測モデル４００に基づき、情報処理装置１０内で、所望の熱硬化性エポキシ樹脂組成物を並列的に探索でき、また短時間で探索することができる。これにより開発工数を大幅に削減することができる。
　また本実施形態では、実績データ１００が他用途の実績データ１１０と、所定用途の実績データ１２０とを含み、これらによりそれぞれ予測モデル４００の学習処理及び再学習処理を行っている。このように学習処理では教師データを所定用途よりも広範囲としているため、外挿による精度の低下を防止することができる。また、再学習処理において、教師データを本用途に限定している。このようにすることで、所定用途の熱硬化性エポキシ樹脂組成物の探索において、高精度の予測モデルを訓練することができる。なお、本実施の形態では学習処理と再学習処理をそれぞれ行ったが、精度が実用範囲内であれば、学習処理のみを行い、再学習処理を行わなくてもよい。なお再学習処理を行わない場合において、学習処理では、所定用途の実績データ又は他用途の実績データのいずれを用いてもよい。このようにすることで、予測モデルの訓練をより短時間で行うことができる。
　なお本実施形態において、上記所定用途は、複合材材料用である例を示したがこれに限られない。例えば所定用途は、電子材料、塗料、土木建築材料、接着剤、難燃剤、複合材料であってもよい。
　また本実施形態では、特徴量に分子指紋又は分子記述子の少なくとも一方を含んでもよい。分子指紋又は分子記述子は、熱硬化性エポキシ樹脂組成物の特徴を示すことができるため、当該特徴量を説明変数として用いることで、予測モデル４００の精度を向上させることができる。
　また本実施形態では、特徴量に熱硬化性エポキシ樹脂に係る酸素原子間距離を含んでよい。酸素原子間距離は、熱硬化性エポキシ樹脂組成物の曲げ弾性率、曲げ歪み、曲げ強度及びガラス転移温度との相関性が高く、酸素原子間距離を説明変数として用いることで、予測モデル４００の精度を向上させることができる。
　予測モデル４００の学習において、酸素原子間距離を説明変数として用いなかった場合と、酸素原子間距離を説明変数として用いた場合の結果を表１及び表２に示す。ここで曲げ弾性率、ガラス転移温度、曲げ歪み、及び曲げ強度に係る学習モデルとして、いずれもeXtreme Gradient Boosting （XGBoost）を採用した。表１及び表２においてＲ2は決定係数であり１に近いほどモデルの精度が高いことを示す。また表１及び表２においてＲＭＳＥは予測誤差の二乗平均を集計した指標であり、０に近いほどモデルの性能が高いことを示す。
Figure JPOXMLDOC01-appb-T000001
Figure JPOXMLDOC01-appb-T000002
　表１及び表２に示されるように、酸素原子間距離を説明変数として用いた場合は、酸素原子間距離を説明変数として用いなかった場合よりも、学習モデルのR2及びRMSEが優れている。すなわち、酸素原子間距離を説明変数として用いることで、予測モデル４００の精度を向上させることができる。これにより、全ての目的変数について、学習モデルのR2が０．５０を上回り、所望物性バランスを有する熱硬化性エポキシ樹脂組成物を設計することができる。
　本開示を諸図面及び実施例に基づき説明してきたが、当業者であれば本開示に基づき種々の変形及び修正を行うことが容易であることに注意されたい。したがって、これらの変形及び修正は本開示の範囲に含まれることに留意されたい。例えば、各手段又は各ステップ等に含まれる機能等は論理的に矛盾しないように再配置可能であり、複数の手段又はステップ等を１つに組み合わせたり、或いは分割したりすることが可能である。
　１０　情報処理装置
　１１　制御部
　１２　記憶部
　１３　入力部
　１４　出力部
　１００　実績データ
　１１０　他用途の実績データ
　１２０　所定用途の実績データ
　２１０、２２０　特徴量
　３１０　学習処理
　３２０　再学習処理
　４００　予測モデル

Claims (7)

  1. 　情報処理装置が実行する熱硬化性エポキシ樹脂組成物の探索方法であって、
    　熱硬化性エポキシ樹脂組成物に係る実績データを用いて、複数の目的変数に各々対応した複数の予測モデルを訓練するステップと、
    　前記複数の予測モデルを用いた逆解析により、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索するステップと、
    　を含み、
    　前記実績データは、熱硬化性エポキシ樹脂に係るポリマー組成と、構造式と、エポキシ当量と、配合条件とを含み、
    　前記目的変数は、曲げ弾性率と、曲げ歪みと、曲げ強度と、ガラス転移温度とを含む、熱硬化性エポキシ樹脂組成物の探索方法。
  2. 　請求項１に記載の探索方法であって、
    　前記複数の予測モデルを訓練するステップにおいて、前記実績データに基づき特徴量を算出し、該特徴量を前記複数の予測モデルの説明変数として用いる、熱硬化性エポキシ樹脂組成物の探索方法。
  3. 　前記特徴量は、分子指紋又は分子記述子の少なくとも一方を含む、請求項２に記載の熱硬化性エポキシ樹脂組成物の探索方法。
  4. 　請求項３に記載の熱硬化性エポキシ樹脂組成物の探索方法であって、
    　前記特徴量はさらに、熱硬化性エポキシ樹脂に係る酸素原子間距離を含む、熱硬化性エポキシ樹脂組成物の探索方法。
  5. 　請求項１から４の何れか一項に記載の熱硬化性エポキシ樹脂組成物の探索方法であって、
    　前記実績データは所定用途で使用される熱硬化性エポキシ樹脂組成物の実績データと、前記所定用途以外で使用される熱硬化性エポキシ樹脂組成物の実績データとを含み、
    　前記複数の予測モデルを訓練するステップにおいて、
    　前記所定用途以外で使用される熱硬化性エポキシ樹脂組成物の実績データを用いて前記複数の予測モデルを訓練した後に、前記所定用途で使用される熱硬化性エポキシ樹脂組成物の実績データを用いて前記複数の予測モデルを再学習させる、熱硬化性エポキシ樹脂組成物の探索方法。
  6. 　制御部を備える熱硬化性エポキシ樹脂組成物の探索をする情報処理装置であって、
    　前記制御部は、
    　熱硬化性エポキシ樹脂組成物に係る実績データを用いて、複数の目的変数に各々対応した複数の予測モデルを訓練し、
    　前記複数の予測モデルを用いた逆解析により、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索し、
    　前記実績データは、熱硬化性エポキシ樹脂に係るポリマー組成と、構造式と、エポキシ当量と、配合条件とを含み、
    　前記目的変数は、曲げ弾性率と、曲げ歪みと、曲げ強度と、ガラス転移温度とを含む、情報処理装置。
  7. 　コンピュータに、
    　熱硬化性エポキシ樹脂組成物に係る実績データを用いて、複数の目的変数に各々対応した複数の予測モデルを訓練することと、
    　前記複数の予測モデルを用いた逆解析により、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索することと、を実行させ、
    　前記実績データは、熱硬化性エポキシ樹脂に係るポリマー組成と、構造式と、エポキシ当量と、配合条件とを含み、
    　前記目的変数は、曲げ弾性率と、曲げ歪みと、曲げ強度と、ガラス転移温度とを含む、熱硬化性エポキシ樹脂組成物を探索するプログラム。
PCT/JP2023/021420 2022-06-15 2023-06-08 熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム WO2023243543A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP23823834.9A EP4425501A1 (en) 2022-06-15 2023-06-08 Search method for thermosetting epoxy resin composition, information processing device, and program
CN202380014278.1A CN118202421A (zh) 2022-06-15 2023-06-08 热固性环氧树脂组合物的搜索方法、信息处理装置以及程序

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-096816 2022-06-15
JP2022096816A JP7248174B1 (ja) 2022-06-15 2022-06-15 熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム

Publications (1)

Publication Number Publication Date
WO2023243543A1 true WO2023243543A1 (ja) 2023-12-21

Family

ID=85726014

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/021420 WO2023243543A1 (ja) 2022-06-15 2023-06-08 熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム

Country Status (4)

Country Link
EP (1) EP4425501A1 (ja)
JP (1) JP7248174B1 (ja)
CN (1) CN118202421A (ja)
WO (1) WO2023243543A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021004933A (ja) * 2019-06-25 2021-01-14 旭化成株式会社 装置、方法、プログラム、感光性樹脂組成物の製造方法および感光性樹脂積層体の製造方法
JP2021026478A (ja) * 2019-08-05 2021-02-22 三井化学株式会社 物性情報推測方法、物性情報推測モデル生成方法、物性情報推測装置、物性情報推測モデル生成装置、物性情報推測プログラム、及び物性情報推測モデル生成プログラム
JP6832678B2 (ja) 2015-11-04 2021-02-24 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． 新規物質探索方法および装置
JP2022096816A (ja) 2020-12-18 2022-06-30 三星ダイヤモンド工業株式会社 レーザ加工方法及びレーザ加工装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7450905B2 (ja) * 2019-09-05 2024-03-18 国立研究開発法人物質・材料研究機構 硬化性組成物の探索方法、及び、硬化性組成物の探索装置
JP2021051141A (ja) * 2019-09-24 2021-04-01 旭化成株式会社 装置、方法、プログラム、感光性樹脂組成物の製造方法および感光性樹脂積層体の製造方法
JP2021149449A (ja) 2020-03-18 2021-09-27 株式会社豊田中央研究所 物質探索装置、物質探索方法及びプログラム
WO2021200281A1 (ja) 2020-03-31 2021-10-07 Ｍｉ－６株式会社 試験評価システム、プログラムおよび試験評価方法
JP2022013215A (ja) * 2020-07-03 2022-01-18 横浜ゴム株式会社 高分子原材料データ解析装置および高分子原材料データ解析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6832678B2 (ja) 2015-11-04 2021-02-24 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． 新規物質探索方法および装置
JP2021004933A (ja) * 2019-06-25 2021-01-14 旭化成株式会社 装置、方法、プログラム、感光性樹脂組成物の製造方法および感光性樹脂積層体の製造方法
JP2021026478A (ja) * 2019-08-05 2021-02-22 三井化学株式会社 物性情報推測方法、物性情報推測モデル生成方法、物性情報推測装置、物性情報推測モデル生成装置、物性情報推測プログラム、及び物性情報推測モデル生成プログラム
JP2022096816A (ja) 2020-12-18 2022-06-30 三星ダイヤモンド工業株式会社 レーザ加工方法及びレーザ加工装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
OKUNO, YOSHISHIGE: "Reducing the number of thermosetting polymer synthesis attempts by AI analysis", 13 April 2020 (2020-04-13), pages 1 - 15, Retrieved from the Internet <URL:https://www.admat.or.jp/library/5975666db3de4b020a7803ae/5e90c92e8ab23b4546c25a2e.pdf> [retrieved on 20230627] *

Also Published As

Publication number Publication date
CN118202421A (zh) 2024-06-14
JP7248174B1 (ja) 2023-03-29
JP2023183283A (ja) 2023-12-27
EP4425501A1 (en) 2024-09-04

Similar Documents

Publication Publication Date Title
Liu et al. iPromoter-2L: a two-layer predictor for identifying promoters and their types by multi-window-based PseKNC
Wu et al. DeepDist: real-value inter-residue distance prediction with deep residual convolutional network
Ghoreishi et al. Multi-information source fusion and optimization to realize ICME: Application to dual-phase materials
Khalkhali et al. A hybrid method of FEM, modified NSGAII and TOPSIS for structural optimization of sandwich panels with corrugated core
Zhang et al. An optimized cross-linked network model to simulate the linear elastic material response of a smart polymer
Moradi-Dastjerdi et al. Dynamic analysis of functionally graded nanocomposite cylinders reinforced by wavy carbon nanotube under an impact load
Gorba et al. Normal-mode flexible fitting of high-resolution structure of biological molecules toward one-dimensional low-resolution data
Nielsen et al. Chemical shift prediction for protein structure calculation and quality assessment using an optimally parameterized force field
Moore et al. Temperature-curvature relationships in asymmetric angle ply laminates by considering the effects of resin layers and temperature dependency of material properties
Dong et al. Combining pseudo dinucleotide composition with the Z curve method to improve the accuracy of predicting DNA elements: a case study in recombination spots
Lan et al. Molecular dynamics simulation on the binder of ethylene oxide–tetrahydrofuran copolyether cross-linked with N100
Yu et al. SOMPNN: an efficient non-parametric model for predicting transmembrane helices
Xu et al. WHISTLE: A Functionally Annotated High-Accuracy Map of Human m 6 A Epitranscriptome
Shireen et al. A machine learning enabled hybrid optimization framework for efficient coarse-graining of a model polymer
Si et al. Improved protein contact prediction using dimensional hybrid residual networks and singularity enhanced loss function
Zhao et al. Data-driven modeling for thermo-elastic properties of vacancy-defective graphene reinforced nanocomposites with its application to functionally graded beams
Chen et al. A general integrated machine learning pipeline: Its concept, main steps and application in shear strength prediction of RC beams strengthened with FRCM
WO2023243543A1 (ja) 熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム
WO2022146632A1 (en) Protein structure prediction
Melly et al. Improved Carroll's hyperelastic model considering compressibility and its finite element implementation
Zhao et al. Machine-learning-assisted multiscale modeling strategy for predicting mechanical properties of carbon fiber reinforced polymers
WO2023243544A1 (ja) 熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム
Song et al. Prodepth: predict residue depth by support vector regression approach from protein sequences only
Liu et al. Assessing protein model quality based on deep graph coupled networks using protein language model
Thalhamer et al. A black-box optimization strategy for customizable global elastic deformation behavior of unit cell-based tri-anti-chiral metamaterials

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: 23823834

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202380014278.1

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2023823834

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2023823834

Country of ref document: EP

Effective date: 20240530