WO2024024957A1 - 設計支援装置、設計支援方法及び設計支援プログラム - Google Patents

設計支援装置、設計支援方法及び設計支援プログラム Download PDF

Info

Publication number
WO2024024957A1
WO2024024957A1 PCT/JP2023/027807 JP2023027807W WO2024024957A1 WO 2024024957 A1 WO2024024957 A1 WO 2024024957A1 JP 2023027807 W JP2023027807 W JP 2023027807W WO 2024024957 A1 WO2024024957 A1 WO 2024024957A1
Authority
WO
WIPO (PCT)
Prior art keywords
target
target value
probability
design
achievement probability
Prior art date
Application number
PCT/JP2023/027807
Other languages
English (en)
French (fr)
Inventor
恭平 花岡
Original Assignee
株式会社レゾナック
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 株式会社レゾナック filed Critical 株式会社レゾナック
Publication of WO2024024957A1 publication Critical patent/WO2024024957A1/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

Definitions

  • One aspect of the present disclosure relates to a design support device, a design support method, and a design support program.
  • target values are set for observed values of characteristic items that indicate the characteristics of products, etc.
  • setting appropriate target values is important for efficiently proceeding with product development, determining whether to continue or discontinue development, and making decisions such as changing development policy.
  • a product or the like has many characteristic items and a large number of target values for the characteristic items to be set, it is not easy to set appropriate target values.
  • the present invention has been made in view of the above-mentioned problems, and it is an object of the present invention to easily set target values of characteristic items constituting target variables in the manufacturing process of products, work-in-progress, semi-finished products, parts, or prototypes.
  • the purpose is to
  • the design support device includes a plurality of characteristic items indicating characteristics of a product, a work in process, a semi-finished product, a part, or a prototype manufactured based on a design parameter group consisting of a plurality of design parameters.
  • a design support device that supports the setting of target values for observed values of a design parameter group and observed values of each of a plurality of characteristic items regarding manufactured products, work in progress, semi-finished products, parts, or prototypes.
  • a data acquisition unit that acquires multiple pieces of performance data
  • a model construction unit that constructs a prediction model based on the performance data that predicts the observed value of a characteristic item as a probability distribution or its approximation or alternative index based on a group of design parameters.
  • a target value acquisition unit that acquires the target value for the observed value of each characteristic item, and an overall achievement that is calculated based on the prediction model using the design parameter group as a variable, and is the probability that the target value of all the characteristic items will be achieved.
  • a score function construction unit that constructs a score function that includes at least a goal achievement probability term representing a probability, a goal achievement probability acquisition unit that obtains an overall achievement probability by optimizing the score function, and an output unit that outputs the overall achievement probability; Equipped with.
  • the design support method includes a plurality of characteristic items indicating characteristics of a product, work in process, semi-finished product, part, or prototype manufactured based on a design parameter group consisting of a plurality of design parameters.
  • a design support method in a design support device that supports the setting of target values for observed values of a design parameter group and each of a plurality of characteristic items regarding manufactured products, work in process, semi-finished products, parts, or prototypes.
  • the design support program is configured to cause a computer to perform a plurality of design parameters that indicate the characteristics of a product, a work-in-progress, a semi-finished product, a component, or a prototype to be manufactured based on a design parameter group consisting of a plurality of design parameters.
  • a data acquisition function that acquires multiple pieces of performance data consisting of a group of design parameters and observed values of each of multiple characteristic items, and a function that predicts observed values of characteristic items based on the group of design parameters as a probability distribution, its approximation, or an alternative indicator.
  • a model construction function that builds a prediction model based on actual data, a target value acquisition function that acquires target values for the observed values of each characteristic item, and a function that calculates all characteristics calculated using design parameters as variables based on the prediction model.
  • a score function construction function that constructs a score function that includes at least a goal achievement probability term that represents the overall achievement probability, which is the probability that the target value of an item is achieved, and a goal achievement probability acquisition function that obtains the overall achievement probability by optimizing the score function. and an output function that outputs the overall achievement probability.
  • a prediction model is constructed based on performance data, a target value for each characteristic item is obtained, and a score function including an overall achievement probability term is calculated based on the obtained target value and the prediction model. Constructed. Then, by optimizing the score function, the overall achievement probability is obtained and output. Therefore, it is possible to determine whether or not the target value is appropriate by referring to the output overall achievement probability, making it easy to set an appropriate target value.
  • the target value acquisition unit acquires the target value regarding at least one characteristic item among the plurality of characteristic items based on input by the user. It may also be acquired by
  • the user can easily set the target value of each characteristic item. Therefore, by repeatedly inputting the target value and outputting the overall achievement probability while changing the input target value, it becomes possible to easily set an appropriate target value.
  • the target value acquisition unit acquires a target value for at least one characteristic item among the plurality of characteristic items. It is also possible to obtain the target value from a predetermined database that stores the target value in advance.
  • the overall achievement probability can be output using the target value of each characteristic item stored in advance.
  • the target value group that has a track record as an appropriate target value is stored in the database in advance, that target value group is acquired as the initial target value and some of the target values are corrected. This makes it easier to set appropriate target values. Further, by storing actual performance values as observed values of each characteristic item in the database in advance and using the performance values as initial target values, appropriate target setting becomes easy.
  • the output unit outputs the target value acquired by the target value acquisition unit together with the overall achievement probability. It may also be a thing.
  • the target value of the characteristic item in the optimization of the score function and the overall achievement probability obtained by the optimization are output together, for example, in a display format, so that the target value group and the overall The correspondence relationship with achievement probability can be easily recognized.
  • the target value acquisition unit acquires a target value range regarding the observed value of at least one characteristic item among the plurality of characteristic items.
  • the score function construction unit constructs a score function corresponding to each target value within the target value range, and the target achievement probability acquisition unit optimizes each score function to calculate the obtained target value.
  • the overall achievement probability corresponding to each target value within the range of the set target value may be obtained, and the output unit may output each target value in association with the corresponding overall achievement probability within the set target value range. .
  • the target achievement probability acquisition unit acquires the achievement probability of the target value of each characteristic item, and outputs it.
  • the unit may output the probability of achieving the target value of each characteristic item together with the overall probability of achieving the target value.
  • the target value of the characteristic item that is a bottleneck to achieving a high overall achievement probability can be Recognizable. Therefore, the overall achievement probability can be easily improved by adjusting the target value.
  • a score function of at least one design parameter among each design parameter included in the design parameter group is provided.
  • An optimization range acquisition unit that acquires an optimization range that is a search range in optimization of a design parameter, wherein the optimization range of a design parameter includes an upper limit value, a lower limit value, an upper and lower limit value, and a fixed value of the value of the design parameter.
  • the target achievement probability obtaining section may further include an optimization range obtaining section defined by at least one of the above, and the goal achievement probability obtaining section may optimize the score function based on the obtained optimization range.
  • the model construction unit in the design support device according to any one of the first to seventh aspects, the model construction unit generates a predictive model for at least one characteristic item among the plurality of characteristic items.
  • the prediction model may be constructed based on input of parameters constituting the prediction model.
  • part of the calculation of the probability that the target value of the characteristic item is achieved does not depend on performance data. Therefore, for example, in the case where there is not enough performance data, it is possible to prevent the accuracy of the overall achievement probability from decreasing due to the deterioration of the estimation accuracy of the distribution of observed values of the characteristic items in the prediction model.
  • the goal achievement probability acquisition unit maximizes the overall achievement probability by optimizing the score function.
  • the design parameter group may be acquired, and the output unit may output the design parameter group that maximizes the overall achievement probability.
  • the output design parameter group by referring to the output design parameter group, it can be confirmed whether the output design parameter group that can achieve the overall achievement probability is appropriate. Further, by referring to the output design parameter group, it is possible to manufacture products and conduct experiments.
  • FIG. 1 is a diagram illustrating an overview of a material design process to which a design support device according to an embodiment is applied;
  • FIG. 1 is a block diagram showing an example of a functional configuration of a design support device according to an embodiment.
  • FIG. FIG. 1 is a hardware block diagram of a design support device according to an embodiment.
  • FIG. 3 is a diagram showing an example of a group of design parameters related to manufactured materials.
  • FIG. 3 is a diagram showing an example of observed values of characteristic items regarding manufactured materials. It is a figure which shows the example of the target value of the acquired characteristic item.
  • FIG. 2 is a diagram schematically showing an example of a display screen (user interface) for inputting a target value and outputting an overall achievement probability.
  • FIG. 1 is a diagram illustrating an overview of a material design process to which a design support device according to an embodiment is applied;
  • FIG. 1 is a block diagram showing an example of a functional configuration of a design support device according to an embodiment.
  • FIG. 1
  • FIG. 6 is a diagram illustrating an example of an optimization range of acquired design parameters.
  • 3 is a flowchart illustrating an example of the content of a design support method in a design support apparatus according to an embodiment.
  • FIG. 3 is a diagram schematically showing an example of a display screen (user interface) that displays a target value and an overall achievement probability in association with each other.
  • FIG. 2 is a diagram showing the configuration of a design support program.
  • FIG. 1 is a diagram illustrating an overview of the process of design and development of materials as an example of the process of design and development of products, work-in-progress, semi-finished products, parts, or prototypes to which the design support device according to the embodiment is applied.
  • products, etc "products, work-in-progress, semi-finished products, parts, or prototypes" will be referred to as "products, etc.”
  • the design support apparatus 10 of this embodiment can be applied to the process of design and development of any product having a plurality of characteristic items indicating the characteristics of the product, etc., and a target value for each characteristic item. Specifically, the design support device 10 determines design parameters (explanatory variables), manufactures products etc.
  • the design support device 10 can be applied to, for example, the design of products such as automobiles and drugs, and the optimization of the molecular structure of drugs. Further, the design support device 10 of this embodiment can be applied as a communication tool. Specifically, refer to the target value of the characteristic item output by the design support device 10 and the probability that the target value will be achieved between the manufacturer of the product, etc. and the person requesting the manufacturing of the product, etc. (customer). At the same time, it can be used to build consensus regarding the setting of target values to be achieved for the product, etc. In this embodiment, as described above, the design support processing by the design support apparatus 10 will be explained using an example of design and development of materials as an example of design and development of products and the like.
  • the design support processing by the design support device 10 is applied to material production and experiments in a plant, a laboratory A, etc., as an example. That is, according to the set design parameter group x, a material is produced in the plant, laboratory A, etc., and based on the produced material, observed values y of a plurality of characteristic items indicating the characteristics of the material are acquired. Note that material preparation and experiments in the plant and laboratory A may be simulations.
  • the design support device 10 supports setting of target values based on performance data consisting of a design parameter group x and observed values y of a plurality of characteristic items of a material manufactured based on the design parameter group x. Specifically, the design support device 10 constructs a prediction model that predicts observed values of characteristic items based on performance data consisting of a design parameter group x and observed values y, and calculates all the values calculated based on the prediction model. A score function including an overall achievement probability term representing the overall achievement probability that the target value of the characteristic item is achieved is constructed, and the overall achievement probability is obtained and output by optimizing the score function.
  • the design support device 10 sets a group of design parameters such as the blending amount of each polymer and additive as design variables.
  • the observed values of the characteristic items such as the modulus of elasticity and the coefficient of thermal expansion, are used as objective variables to set target values for a plurality of characteristic items.
  • FIG. 2 is a block diagram showing an example of the functional configuration of the design support device according to the embodiment.
  • the design support apparatus 10 of this embodiment is an apparatus that supports setting of target values regarding observed values of a plurality of characteristic items indicating the characteristics of a material manufactured based on a design parameter group consisting of a plurality of design parameters.
  • the design support device 10 may include functional units configured in the processor 101, a design parameter storage unit 21, an observed value storage unit 22, a target value storage unit 23, and an optimization range storage unit 24. Each functional unit will be described later.
  • FIG. 3 is a diagram showing an example of the hardware configuration of the computer 100 that constitutes the design support apparatus 10 according to the embodiment. Note that the computer 100 can constitute the design support apparatus 10.
  • the computer 100 includes a processor 101, a main storage device 102, an auxiliary storage device 103, and a communication control device 104 as hardware components.
  • the computer 100 constituting the design support apparatus 10 may further include an input device 105 such as a keyboard, touch panel, or mouse, and an output device 106 such as a display.
  • the processor 101 is a computing device that executes an operating system and application programs. Examples of processors include a CPU (Central Processing Unit) and a GPU (Graphics Processing Unit), but the type of processor 101 is not limited to these.
  • processor 101 may be a combination of sensors and dedicated circuitry.
  • the dedicated circuit may be a programmable circuit such as an FPGA (Field-Programmable Gate Array), or may be another type of circuit.
  • the main storage device 102 is a device that stores programs for implementing the design support device 10 and the like, calculation results output from the processor 101, and the like.
  • the main storage device 102 includes, for example, at least one of ROM (Read Only Memory) and RAM (Random Access Memory).
  • the auxiliary storage device 103 is generally a device that can store a larger amount of data than the main storage device 102.
  • the auxiliary storage device 103 is configured by a nonvolatile storage medium such as a hard disk or flash memory.
  • the auxiliary storage device 103 stores a design support program P1 and various data for causing the computer 100 to function as the design support device 10 or the like.
  • the communication control device 104 is a device that executes data communication with other computers via a communication network.
  • the communication control device 104 is configured by, for example, a network card or a wireless communication module.
  • Each functional element of the design support device 10 is realized by loading a corresponding program P1 onto the processor 101 or the main storage device 102 and causing the processor 101 to execute the program.
  • the program P1 includes codes for implementing each functional element of the corresponding server.
  • the processor 101 operates the communication control device 104 according to the program P1 to read and write data in the main storage device 102 or the auxiliary storage device 103. Through such processing, each functional element of the corresponding server is realized.
  • the program P1 may be provided after being permanently recorded on a tangible recording medium such as a CD-ROM, DVD-ROM, or semiconductor memory. Alternatively, at least one of these programs may be provided via a communication network as a data signal superimposed on a carrier wave.
  • the design support apparatus 10 includes a data acquisition section 11, a model construction section 12, a target value acquisition section 13, an optimization range acquisition section 14, a score function construction section 15, a target achievement probability acquisition section 16, An output section 17 is provided.
  • the design parameter storage unit 21, observed value storage unit 22, target value storage unit 23, and optimization range storage unit 24 may be configured in the design support device 10, as shown in FIG. It may also be configured as another device that can be accessed from.
  • the data acquisition unit 11 acquires a plurality of performance data regarding manufactured materials.
  • the performance data consists of pairs of design parameters and observed values of each of a plurality of characteristic items.
  • the design parameter storage unit 21 is a storage unit that stores a group of design parameters in actual performance data, and may be configured, for example, in the main storage device 102, the auxiliary storage device 103, or the like.
  • the observed value storage unit 22 is a storage means that stores observed values in performance data.
  • FIG. 4 is a diagram showing an example of a design parameter group stored in the design parameter storage unit 21.
  • the design parameter group x may include, for example, a blending amount v 1 of raw material A, a blending amount v 2 of raw material B, . . . design parameters v P , and vector data with a number of dimensions P corresponding to the number of design parameters Can be configured.
  • the design parameters may be, for example, non-vector data such as molecular structures and images. Further, the design parameters may be data indicating choices among a plurality of molecules.
  • FIG. 5 is a diagram showing an example of observed values y stored in the observed value storage unit 22.
  • the characteristic item m may include, for example, glass transition temperature y 1,t , adhesive force y 2,t , and characteristic item M(y M,t ).
  • a pair of the design parameter group x t and the observed value y m,t constitutes actual data.
  • the model construction unit 12 constructs a prediction model based on actual data.
  • the prediction model is a model that predicts the observed value y m of the characteristic item m as a probability distribution or its approximation or alternative index based on the design parameter group x.
  • the model constituting the prediction model may be any model that can predict the observed value y m as a probability distribution, its approximation, or an alternative index, and its type is not limited.
  • a prediction model that predicts the observed value y m as an alternative indicator of the probability distribution is, for example, the distribution of the predicted values of the predictors that make up the ensemble (random forest), the distribution obtained by Monte Carlo dropout (neural network), or the distribution under different conditions.
  • the probability distribution of observed values is predicted using the prediction distribution of multiple predictors (any machine learning method) as an alternative indicator.
  • the prediction model may be a regression model that takes the design parameter group x as input and outputs the probability distribution of observed values y m .
  • the prediction model may be configured by any one of regression models such as Gaussian process regression, random forest, and neural network, for example.
  • the model construction unit 12 may construct a predictive model using a well-known machine learning method using track record data.
  • the model construction unit 12 may construct a prediction model using a machine learning method that applies performance data to a prediction model and updates parameters of the prediction model.
  • the prediction model is based on the posterior distribution of the predicted value based on Bayesian theory, the distribution of the predicted value of the predictors forming the ensemble, the theoretical formula for the prediction interval and confidence interval of the regression model, Monte Carlo dropout, and multiple models under different conditions. It may be a machine learning model that predicts the probability distribution of observed values, its approximation, or alternative index using any one of the prediction distributions of individually constructed predictors. Predictions of probability distributions of observed values or alternative indicators thereof can be obtained by model-specific techniques.
  • the probability distribution of observed values or its approximation or substitute index is based on the posterior distribution of predicted values in the case of Gaussian process regression and Bayesian neural networks, or based on the distribution of predictions of the predictors forming the ensemble in the case of random forests.
  • linear regression it can be obtained based on the prediction interval and confidence interval, and in the case of neural network, it can be obtained based on Monte Carlo dropout.
  • the method for calculating the distribution of observed values for each machine learning model or its substitute index is not limited to the above method.
  • any model may be extended to a model that can predict the probability distribution of observed values or an alternative indicator thereof.
  • a model that uses the distribution of predicted values of each model, obtained by constructing multiple datasets using the bootstrap method etc. and constructing a predictive model for each, as a substitute indicator for the probability distribution of observed values. is given as an example.
  • the method of extending the machine learning model to a model that can predict the probability distribution of observed values or its substitute index is not limited to the above method.
  • prediction model may be constructed using linear regression, PLS regression, Gaussian process regression, bagging ensemble learning such as random forest, boosting ensemble learning such as gradient boosting, support vector machine, neural network, etc.
  • a prediction model constructed as a Gaussian process regression, by inputting into the model a group of design parameters x in actual data that constitute explanatory variables of training data, observed values y that constitute objective variables, and design parameters x to be predicted, The probability distribution of the observed values is predicted.
  • the model construction unit 12 may tune the hyperparameters of the predictive model using a well-known hyperparameter tuning method. That is, the model construction unit 12 generates a hyperlink of a prediction model constructed by Gaussian process regression using a vector representing a design parameter group x, which is an explanatory variable in actual data, and maximum likelihood estimation using an observed value y, which is an objective variable. Parameters may be updated.
  • the prediction model may be constructed using a classification model.
  • the model construction unit 12 can construct the predictive model using a machine learning method that can evaluate a well-known probability distribution using actual data.
  • model construction unit 12 constructing a prediction model using a predetermined regression model or classification model, it becomes possible to obtain a probability distribution of observed values of characteristic items based on an arbitrary design parameter group x.
  • the prediction model is a single-task model that predicts the observed value of one characteristic item as a probability distribution, its approximation, or an alternative indicator, or a single-task model that predicts the observed value of multiple characteristic items as a probability distribution, its approximation, or alternative indicator. It may also be a multitasking model. In this way, by constructing a prediction model using a multi-task model or a single-task model that is appropriately configured according to the nature of the characteristic item, it is possible to improve the accuracy of prediction of observed values by the prediction model.
  • the model construction unit 12 may construct a predictive model for at least one characteristic item among the plurality of characteristic items based on input of parameters constituting the predictive model. Specifically, the model construction unit 12 may construct the prediction model based on input of parameters that constitute the prediction model and contribute to probability calculation.
  • the model construction unit 12 calculates the standard deviation or variance of the Gaussian distribution, which is a parameter representing the distribution of observed values.
  • a predictive model for the characteristic item may be constructed based on the standard deviation or variance obtained based on input by the user or the like.
  • part of the probability calculation does not depend on actual data. Therefore, for example, in a case where there is no performance data with sufficient quantity and accuracy, it is possible to prevent a decrease in the accuracy of the overall achievement probability due to a deterioration in the estimation accuracy of the observed value of the characteristic item in the prediction model.
  • the target value acquisition unit 13 acquires target values regarding the observed values of each characteristic item.
  • FIG. 6 is a diagram showing an example of the target value y m (target) of each characteristic item stored in the target value storage unit 23.
  • the target value storage unit 23 is a storage unit that stores a target value input by the user via a predetermined user interface or a preset target value.
  • the target value y m (target) may include, for example, the target value y 1 (target) of the glass transition temperature, the target value y 2 (target) of the adhesive force, and the target value y M (target) of the characteristic item M. .
  • the target value acquisition unit 13 may acquire a target value regarding at least one characteristic item among the plurality of characteristic items based on input by the user.
  • FIG. 7 is a diagram schematically showing an example of a display screen (user interface) for inputting a target value and outputting an overall achievement probability.
  • the design support apparatus 10 can display a user interface G on a display, which is one aspect of the output device 106.
  • the user interface G includes an operation object gt for inputting a target value y m (target) .
  • the user interface G sets the respective target values y 1 (target), y 2 (target) , y 3 ( target), . . . of the characteristic items 1, 2, 3 , .
  • It includes operation objects gt1, gt2, gt3, . . . gtm for inputting y M (target) .
  • the target value acquisition unit 13 acquires the target value of the characteristic item based on the operation input by the user of the operation object gt.
  • the user can easily set the target value of each characteristic item. Therefore, by repeatedly inputting the target value and outputting the overall achievement probability while changing the input target value, it becomes possible to easily set an appropriate target value.
  • the objects ga and gb included in the user interface G will be described later.
  • the target value acquisition unit 13 may acquire a target value for at least one of the plurality of characteristic items from a predetermined database that stores target values of the characteristic items in advance.
  • a target value group that has a proven track record as an appropriate target value is stored in the target value storage unit 23 in advance, and the target value acquisition unit 13 acquires a target value group that has a proven track record from the target value storage unit 23. Good too.
  • the actual performance values as observed values of each characteristic item are stored in the target value storage unit 23 in advance, and the target value acquisition unit 13 acquires the actual values of each characteristic item from the target value storage unit 23. You can. In this way, by applying the actual value to the initial target value, it becomes easy to set an appropriate target.
  • the pre-stored target value of each characteristic item as the initial target value, for example, when there are a large number of characteristic items, if the acquisition of the target value is based on the input by the user, the input Where the time and effort associated with this would be complicated, it is possible to save that time and effort.
  • the optimization range acquisition unit 14 acquires the optimization range of at least one design parameter among the design parameters included in the design parameter group.
  • the optimization range is the range of search for each design parameter that is an explanatory variable in the optimization of the score function.
  • the optimization range storage unit 24 is a storage means that stores the optimization range of the design parameter vp .
  • FIG. 8 is a diagram showing an example of the optimization range of each design parameter vp stored in the optimization range storage unit 24. As shown in FIG. 8, the optimization range storage unit 24 stores the optimization range of each design parameter vp .
  • the optimization range of the design parameter v p can be set in cases other than the case where the possible values of the design parameter as an explanatory variable are limited to a plurality of finite candidates.
  • the optimization range of the design parameter vp is defined by at least one of the upper limit value, lower limit value, upper and lower limit value, and fixed value of the value of the design parameter, and may be defined by a plurality of them. As shown in FIG. 8, the optimization range of the design parameter v1 is defined by upper and lower limit values, and is set to "0-10". The optimization range of the design parameter v2 is defined by a fixed value and is set to "5". The optimization range of the design parameter v3 is defined by two upper and lower limit values, and is set to "0-10, 30-49". The optimization range of the design parameter vP is defined by two fixed values and is set to "2or3".
  • the optimization range of the design parameter vp which represents the amount of expensive material
  • the optimization range of the design parameter v p can be set to a fixed value, for example.
  • the optimization range storage unit 24 may store the optimization range of each design parameter vp input by the user via the input device 105.
  • the optimization range acquisition unit 14 can acquire the optimization range of each design parameter vp input by the user. In this case, it is easy for the user to set and change the optimization range of the design parameter vp .
  • the score function is optimized within the optimization range of the acquired design parameters, and the overall achievement probability within the specified optimization range is obtained. Therefore, for example, by setting a range that can be easily adopted as a design parameter as an optimization range, it becomes possible to obtain the overall achievement probability within the range of design parameters that can be easily adopted. In addition, if the overall probability of achievement is low within a range of design parameters that can be easily adopted, by repeatedly changing the range of design parameters and checking the overall probability of achievement, it is possible to design a design that has a high probability of achieving the goal and that can be adopted relatively easily. It becomes possible to obtain a range of parameters.
  • the score function construction unit 15 constructs a score function that includes at least an overall achievement probability term.
  • the overall achievement probability term represents the overall achievement probability, which is the probability that the target values of all characteristic items are achieved.
  • the overall achievement probability is calculated based on the prediction model using the design parameter group as variables.
  • the structure of the score function is not limited as long as it includes an overall achievement probability term.
  • the score function construction unit 15 constructs a score function A(x) as shown in equation (1) below.
  • A(x) g(P(x))...(1)
  • g(P(x)) is a goal achievement probability term. That is, the score function A(x) includes at least the goal achievement probability term g(P(x)).
  • the score function in Equation (1) is just an example, and the score function may include terms other than the goal achievement probability term.
  • the goal achievement probability term can be configured to include the overall achievement probability P(x).
  • the overall achievement probability P(x) may be defined as shown in equation (2) below, assuming that the goal achievement events of each characteristic item are independent of each other.
  • the prediction model can predict the probability distribution of the observed values of the characteristic items based on the design parameter group x
  • the achievement probability Pm(x) of each characteristic item can be calculated using the design parameter group x using the prediction model of each characteristic item. It can be expressed as a function with input variables.
  • the overall achievement probability P(x) may be expressed as a function using a design parameter group x based on a prediction model of all characteristic items as an input variable, without calculating the achievement probability of each characteristic item. .
  • the prediction model is configured to output the probability distribution of observed values, the probability of achieving the target value Pm(x) of each characteristic item m according to the design parameter group x can be calculated. Obtainable. Since the overall achievement probability calculated by the sum of the achievement probability Pm(x) of the target value of each characteristic item m is included in the goal achievement probability term of the score function, the overall achievement probability is included in the score function to be optimized. Achievement probability is reflected appropriately.
  • the target achievement probability acquisition unit 16 acquires the overall achievement probability by optimizing the score function.
  • the score function A(x) is configured as shown in equation (4) based on equation (1) and equation (3) above.
  • A(x) P(x)...(4)
  • the goal achievement probability acquisition unit 16 can obtain the overall achievement probability as the output of the score function A(x) by optimizing (maximizing) the score function A(x).
  • the score function outputs the overall achievement probability, but if the output of the score function is a value obtained by multiplying or adding other elements to the overall achievement probability, the goal achievement probability
  • the acquisition unit 16 may acquire the overall achievement probability P(x) based on the design parameter group x and the target value of each characteristic item obtained by optimizing the score function.
  • the output unit 17 outputs the overall achievement probability acquired by the goal achievement probability acquisition unit 16.
  • the output unit 17 may display the overall achievement probability on a display, which is one mode of the output device 106. As shown in FIG. 7, the output unit 17 may display the overall achievement probability acquired by the goal achievement probability acquisition unit 16 in the overall achievement probability column ga of the user interface G.
  • the output unit 17 may output the target value acquired by the target value acquisition unit 13 together with the overall achievement probability.
  • the user interface G shown in FIG. 7 includes the operation object gt for inputting the target value y m (target) , so the output unit 17 displays the operation object gt and the overall achievement probability field ga. By displaying it, both the set target value and the overall achievement probability can be output and displayed.
  • the target value of the characteristic item in the optimization of the score function and the overall achievement probability obtained through the optimization are output together, for example, in a display format, so that the target value group and the overall achievement probability can be combined.
  • the correspondence relationship can be easily recognized.
  • the output unit 17 outputs the achievement probability (Pm(x)) of the target value of each characteristic item m that can be obtained by the goal achievement probability acquisition unit 16 in the process of obtaining the overall achievement probability, together with the overall achievement probability.
  • Pm(x) achievement probability
  • the output unit 17 outputs the achievement probability (Pm(x)) of the target value of each characteristic item m that can be obtained by the goal achievement probability acquisition unit 16 in the process of obtaining the overall achievement probability, together with the overall achievement probability.
  • the output unit 17 outputs the achievement probability (Pm(x)) of the target value of each characteristic item m that can be obtained by the goal achievement probability acquisition unit 16 in the process of obtaining the overall achievement probability, together with the overall achievement probability.
  • Pm(x) achievement probability of the target value of each characteristic item m that can be obtained by the goal achievement probability acquisition unit 16 in the process of obtaining the overall achievement probability, together with the overall achievement probability.
  • the output unit 17 outputs the achievement probability (Pm(x)) of the target value of each
  • the goal achievement probability acquisition unit 16 may further acquire a group of design parameters that maximize the overall achievement probability by optimizing the score function.
  • the output unit 17 may further output a group of design parameters that maximize the overall achievement probability, which are obtained by the target achievement probability acquisition unit 16.
  • the output design parameter group it can be confirmed whether the output design parameter group that can achieve the overall achievement probability is appropriate. Further, by referring to the output design parameter group, it is possible to manufacture products and conduct experiments.
  • the user interface G may include an instruction button gb for receiving an instruction to execute the optimization process based on the set target value.
  • an instruction button gb for receiving an instruction to execute the optimization process based on the set target value.
  • the design support device 10 accepts an instruction input by the user to the instruction button gb, a score function is constructed and optimized based on the set target value, and the overall achievement probability is displayed in the overall achievement probability column ga. In this way, an appropriate target value can be examined while repeatedly setting the target value, constructing and optimizing the score function, and outputting the overall achievement probability by referring to and operating the user interface G.
  • FIG. 9 is a flowchart illustrating an example of the content of the design support method in the design support apparatus 10 according to the embodiment.
  • the design support method is executed by loading the design support program P1 into the processor 101 and executing the program to realize each of the functional units 11 to 17.
  • step S1 the data acquisition unit 11 acquires performance data consisting of a pair of a design parameter group x t (t is an integer from 1 to T) and an observed value y m,t of each characteristic item.
  • step S2 the model construction unit 12 constructs a predictive model for each characteristic item m based on the actual data.
  • step S3 the target value acquisition unit 13 acquires the target value regarding the observed value of each characteristic item m.
  • step S4 the score function construction unit 15 constructs a score function based on the prediction model constructed in step S2 and the target value of each characteristic item acquired in step S3.
  • step S5 the goal achievement probability acquisition unit 16 optimizes the score function.
  • the optimization range acquisition unit 14 acquires the optimization range of each design parameter vp
  • the target achievement probability acquisition unit 16 optimizes the score function based on the acquired optimization range. .
  • step S6 the target achievement probability acquisition unit 16 acquires the overall achievement probability obtained based on the optimization of the score function A.
  • step S7 the output unit 17 outputs (displays) the overall achievement probability acquired by the goal achievement probability acquisition unit 16 in step S6.
  • FIG. 10 is a diagram schematically showing an example of a display screen (user interface) that displays the target value and the overall achievement probability in association with each other.
  • the target value acquisition unit 13 may acquire a target value range regarding the observed value of at least one characteristic item among the plurality of characteristic items. That is, the target value acquisition unit 13 may acquire a numerical range instead of a single value indicating the target value. In the example shown in FIG. 10, for convenience of explanation, the target value acquisition unit 13 calculates the numerical range of the target values of two characteristic items a and b among at least two characteristic items (y a (target) : 1.0 to 4.0, y b (target) : 10 to 40) is obtained based on input by the user, etc.
  • the score function construction unit 15 constructs a score function corresponding to each target value within the target value range. Specifically, the score function construction unit 15 constructs a score function for each combination of points obtained by dividing the target value range of each characteristic item at predetermined intervals, for example.
  • the target achievement probability acquisition unit 16 acquires the overall achievement probability corresponding to each combination of target values within the range of the acquired target values by optimizing each score function.
  • the output unit 17 outputs each target value within the set target value range in association with the corresponding overall achievement probability.
  • ) is set on the horizontal axis
  • the target value y b (target) is set on the vertical axis
  • the output unit 17 outputs the overall achievement probability corresponding to the combination of the target value y a (target) and the target value y b (target). Then, contour lines are drawn and output based on the output overall achievement probability.
  • FIG. 11 is a diagram showing the configuration of the design support program.
  • the design support program P1 includes a main module m10 that comprehensively controls design support processing in the design support apparatus 10, a data acquisition module m11, a model construction module m12, a target value acquisition module m13, an optimization range acquisition module m14, and a score function construction. It is configured to include a module m15, a target achievement probability acquisition module m16, and an output module m17.
  • Each of the modules m11 to m17 provides data acquisition section 11, model construction section 12, target value acquisition section 13, optimization range acquisition section 14, score function construction section 15, target achievement probability acquisition section 16, and output section 17. Each function is realized.
  • the design support program P1 may be transmitted via a transmission medium such as a communication line, or may be stored in a recording medium M1 as shown in FIG.
  • a prediction model is constructed based on actual data, a target value for each characteristic item is acquired, and the acquired target value and a score function including a goal achievement probability term is constructed based on the prediction model. Then, by optimizing the score function, the overall achievement probability is obtained and output. Therefore, it is possible to determine whether or not the target value is appropriate by referring to the output overall achievement probability, making it easy to set an appropriate target value.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

設計支援装置は、製品等の設計パラメータ群と複数の特性項目の観測値とからなる実績データを複数取得するデータ取得部と、設計パラメータ群に基づいて特性項目の観測値を予測する予測モデルを、実績データに基づいて構築するモデル構築部と、各特性項目の観測値に関する目標値を取得する目標値取得部と、予測モデルに基づいて設計パラメータ群を変数として算出され、全ての特性項目の目標値が達成される確率である全体達成確率を表す目標達成確率項を少なくとも含むスコア関数を構築するスコア関数構築部と、スコア関数の最適化により全体達成確率を取得する目標達成確率取得部と、全体達成確率を出力する出力部とを備える。

Description

設計支援装置、設計支援方法及び設計支援プログラム
　本開示の一側面は、設計支援装置、設計支援方法及び設計支援プログラムに関する。
　機械学習を活用した製品設計が研究されている。製品設計の一分野として、例えば、機能性材料の設計においては、例えば、実験及び作製済みの材料に関する原材料配合比と特性とのペアからなる学習データとを用いた機械学習により材料の特性を推定するモデルを構築し、未実験の原材料配合比に対する特性の予測が行われている。このような特性の予測により実験計画を立てることにより、効率的に材料の特性及び原材料配合比等のパラメータを最適化することが可能となり、開発効率の向上が図られている。また、このような最適化の手法として、ベイズ最適化が有効であることが知られており、ベイズ最適化を用いて設計値を出力する設計装置が知られている（例えば、特許文献１参照）。
特開２０２０－５２７３７号公報
　一方、材料等の製品開発において、製品等の特性を示す特性項目の観測値に対して目標値が設定される。製品開発において、適切な目標値を設定することは、効率的に製品開発を進めたり、開発継続または中止を判断したり、開発方針変更等の意思決定をしたりする上で重要である。しかしながら、製品等が多くの特性項目を有し、設定すべき特性項目の目標値の数が多い場合には、適切な目標値を設定することは容易ではなかった。
　そこで、本発明は、上記問題点に鑑みてなされたものであり、製品、仕掛品、半製品、部品又は試作品の作製プロセスにおいて、目的変数を構成する特性項目の目標値を容易に設定することを目的とする。
　本開示の第１の一側面に係る設計支援装置は、複数の設計パラメータからなる設計パラメータ群に基づいて作製される製品、仕掛品、半製品、部品又は試作品の特性を示す複数の特性項目の観測値に関する目標値の設定を支援する設計支援装置であって、作製済みの製品、仕掛品、半製品、部品又は試作品に関しての、設計パラメータ群と複数の特性項目のそれぞれの観測値とからなる実績データを複数取得するデータ取得部と、設計パラメータ群に基づいて特性項目の観測値を確率分布若しくはその近似又は代替指標として予測する予測モデルを、実績データに基づいて構築するモデル構築部と、各特性項目の観測値に関する目標値を取得する目標値取得部と、予測モデルに基づいて設計パラメータ群を変数として算出され、全ての特性項目の目標値が達成される確率である全体達成確率を表す目標達成確率項を少なくとも含むスコア関数を構築するスコア関数構築部と、スコア関数の最適化により全体達成確率を取得する目標達成確率取得部と、全体達成確率を出力する出力部と、を備える。
　本開示の第１の一側面に係る設計支援方法は、複数の設計パラメータからなる設計パラメータ群に基づいて作製される製品、仕掛品、半製品、部品又は試作品の特性を示す複数の特性項目の観測値に関する目標値の設定を支援する設計支援装置における設計支援方法であって、作製済みの製品、仕掛品、半製品、部品又は試作品に関しての、設計パラメータ群と複数の特性項目のそれぞれの観測値とからなる実績データを複数取得するデータ取得ステップと、設計パラメータ群に基づいて特性項目の観測値を確率分布若しくはその近似又は代替指標として予測する予測モデルを、実績データに基づいて構築するモデル構築ステップと、各特性項目の観測値に関する目標値を取得する目標値取得ステップと、予測モデルに基づいて設計パラメータ群を変数として算出され全ての特性項目の目標値が達成される確率である全体達成確率を表す目標達成確率項を少なくとも含むスコア関数を構築するスコア関数構築ステップと、スコア関数の最適化により全体達成確率を取得する目標達成確率取得ステップと、全体達成確率を出力する出力ステップと、を有する。
　本開示の第１の一側面に係る設計支援プログラムは、コンピュータを、複数の設計パラメータからなる設計パラメータ群に基づいて作製される製品、仕掛品、半製品、部品又は試作品の特性を示す複数の特性項目の観測値に関する目標値の設定を支援する設計支援装置として機能させるための設計支援プログラムであって、コンピュータに、作製済みの製品、仕掛品、半製品、部品又は試作品に関しての、設計パラメータ群と複数の特性項目のそれぞれの観測値とからなる実績データを複数取得するデータ取得機能と、設計パラメータ群に基づいて特性項目の観測値を確率分布若しくはその近似又は代替指標として予測する予測モデルを、実績データに基づいて構築するモデル構築機能と、各特性項目の観測値に関する目標値を取得する目標値取得機能と、予測モデルに基づいて設計パラメータ群を変数として算出され全ての特性項目の目標値が達成される確率である全体達成確率を表す目標達成確率項を少なくとも含むスコア関数を構築するスコア関数構築機能と、スコア関数の最適化により全体達成確率を取得する目標達成確率取得機能と、全体達成確率を出力する出力機能と、を実現させる。
　このような側面によれば、実績データに基づいて予測モデルが構築され、各特性項目に関する目標値が取得され、取得された目標値及び予測モデルに基づいて、全体達成確率項を含むスコア関数が構築される。そして、スコア関数の最適化により、全体達成確率が取得及び出力される。従って、出力された全体達成確率の参照により、目標値が適切であるか否かを判断できるので、適切な目標値の設定が容易となる。
　第２の側面に係る設計支援装置では、第１の側面に係る設計支援装置において、目標値取得部は、複数の特性項目のうちの少なくとも一つの特性項目に関する目標値を、ユーザによる入力に基づいて取得することとしてもよい。
　このような側面によれば、ユーザは、各特性項目の目標値を容易に設定できる。従って、目標値の入力及び全体達成確率の出力を、入力する目標値を変えながら繰り返し行うことにより、容易に適切な目標値を設定することが可能となる。
　第３の側面に係る設計支援装置では、第１又は第２の側面に係る設計支援装置において、目標値取得部は、複数の特性項目のうちの少なくとも一つの特性項目に関する目標値を、特性項目の目標値を予め記憶している所定のデータベースから取得することとしてもよい。
　このような側面によれば、予め記憶された各特性項目の目標値を用いて、全体達成確率を出力できる。これにより、例えば、特性項目の数が多く且つ目標値の取得がユーザによる入力に基づく場合にはその入力に係る手間が煩雑になるところ、その手間の省力化が可能となる。また、例えば、適切な目標値としての実績がある目標値群が予めデータベースに記憶されている場合には、その目標値群を初期の目標値として取得して、一部の目標値を修正することにより、適切な目標値の設定が容易となる。また、各特性項目の観測値として実績のある実績値を、予めデータベースに記憶させておき、その実績値を初期の目標値として用いることにより、適切な目標設定が容易となる。
　第４の側面に係る設計支援装置では、第１～３の側面のいずれか一つに係る設計支援装置において、出力部は、目標値取得部により取得された目標値を全体達成確率と共に出力することとしてもよい。
　このような側面によれば、スコア関数の最適化における特性項目の目標値と、最適化により取得された全体達成確率とが、例えば表示といった態様により併せて出力されるので、目標値群と全体達成確率との対応関係を容易に認識できる。
　第５の側面に係る設計支援装置では、第４の側面に係る設計支援装置において、目標値取得部は、複数の特性項目のうちの少なくとも一つの特性項目の観測値に関する目標値の範囲を取得し、スコア関数構築部は、目標値の範囲内の各目標値に対応するスコア関数を構築し、目標達成確率取得部は、各スコア関数の最適化を実施することにより、取得された目標値の範囲内の各目標値に対応する全体達成確率を取得し、出力部は、設定された目標値の範囲内における、各目標値と対応する全体達成確率とを関連付けて出力することとしてもよい。
　このような側面によれば、各目標値と全体達成確率との関連付けの参照により、特性項目の目標値の変化に応じた全体達成確率の変化を認識できる。従って、適切な目標値を設定することが容易となる。
　第６の側面に係る設計支援装置では、第１～５の側面のいずれか一つに係る設計支援装置において、目標達成確率取得部は、各特性項目の目標値の達成確率を取得し、出力部は、各特性項目の目標値の達成確率を全体達成確率と共に出力することとしてもよい。
　このような側面によれば、各特性項目の目標値の達成確率が例えば表示といった態様により出力されることにより、高い全体達成確率を達成することに対するボトルネックとなっている特性項目の目標値を認識できる。従って、その目標値の調整により全体達成確率の改善が容易となる。
　第７の側面に係る設計支援装置では、第１～６の側面のいずれか一つに係る設計支援装置において、設計パラメータ群に含まれる各設計パラメータのうちの少なくとも一つの設計パラメータの、スコア関数の最適化における探索の範囲である最適化範囲を取得する最適化範囲取得部であって、設計パラメータの最適化範囲は、該設計パラメータの値の上限値、下限値、上下限値及び固定値の少なくともいずれか一つにより規定される、最適化範囲取得部、を更に備え、目標達成確率取得部は、取得された最適化範囲に基づいてスコア関数の最適化を実施することとしてもよい。
　このような側面によれば、取得された設計パラメータの最適化範囲内における全体達成確率を得ることができる。従って、例えば、全体達成確率を確認しながら複数回最適化範囲を設定しなおすことにより、製品等の開発における好適な設計パラメータの範囲を得ることが可能となる。
　第８の側面に係る設計支援装置では、第１～７の側面のいずれか一つに係る設計支援装置において、モデル構築部は、複数の特性項目のうちの少なくとも一つの特性項目の予測モデルを、当該予測モデルを構成するパラメータの入力に基づいて構築することとしてもよい。
　このような側面によれば、特性項目の目標値が達成される確率の算出の一部が実績データに依存しないこととなる。従って、例えば、十分な実績データがない場合等において、予測モデルにおける特性項目の観測値の分布の推定精度の悪化に起因する全体達成確率の精度の低下を防止できる。
　第９の側面に係る設計支援装置では、第１～８の側面のいずれか一つに係る設計支援装置において、目標達成確率取得部は、スコア関数の最適化により、全体達成確率を最大化する設計パラメータ群を取得し、出力部は、全体達成確率を最大化する設計パラメータ群を出力することとしてもよい。
　このような側面によれば、出力された設計パラメータ群の参照により、出力された全体達成確率を達成しうる設計パラメータ群が適切であるか否かを確認できる。また、出力された設計パラメータ群の参照により、製品等の作製及び実験を実施できる。
　本開示の一側面によれば、製品、仕掛品、半製品、部品又は試作品の作製プロセスにおいて、目的変数を構成する特性項目の目標値を容易に設定することが可能となる。
実施形態に係る設計支援装置が適用される材料設計のプロセスの概要を示す図である。 実施形態に係る設計支援装置の機能構成の一例を示すブロック図である。 実施形態に係る設計支援装置のハードブロック図である。 作製済みの材料に関する設計パラメータ群の例を示す図である。 作製済みの材料に関する特性項目の観測値の例を示す図である。 取得された特性項目の目標値の例を示す図である。 目標値の入力及び全体達成確率の出力のための表示画面例（ユーザインターフェース）の例を模式的に示す図である。 取得された設計パラメータの最適化範囲の例を示す図である。 実施形態に係る設計支援装置における設計支援方法の内容の一例を示すフローチャートである。 目標値と全体達成確率とを関連付けて表示する表示画面例（ユーザインターフェース）の例を模式的に示す図である。 設計支援プログラムの構成を示す図である。
　以下、添付図面を参照しながら本発明の実施形態を詳細に説明する。なお、図面の説明において同一又は同等の要素には同一の符号を付し、重複する説明を省略する。
　図１は、実施形態に係る設計支援装置が適用される製品、仕掛品、半製品、部品又は試作品の設計開発のプロセスの一例として、材料の設計開発のプロセスの概要を示す図である。なお、以下において、「製品、仕掛品、半製品、部品又は試作品」を「製品等」と記載する。本実施形態の設計支援装置１０は、当該製品等の特性を示す複数の特性項目及び各特性項目の目標値を有するあらゆる製品等の設計開発のプロセスに適用できる。具体的には、設計支援装置１０は、設計パラメータ（説明変数）の決定、決定された設計パラメータに基づく製品等の作製、及び、製品等の特性項目の観測値（目的変数）の取得からなるフローにおいて、特性項目の好適な目標値の設定に適用できる。設計支援装置１０は、材料の開発・設計の他に、例えば、自動車及び薬品等の製品の設計、薬品の分子構造の最適化等に適用できる。また、本実施形態の設計支援装置１０は、コミュニケーションツールとしての用途に適用できる。具体的には、製品等の作製者と製品等の作製の依頼者（顧客）との間において、設計支援装置１０により出力される特性項目の目標値及び目標値が達成される確率等を参照しながら、当該製品等において達成されるべき目標値の設定等に関する合意形成に供することができる。本実施形態では、上述のとおり、製品等の設計開発の一例としての材料の設計開発の例により、設計支援装置１０による設計支援処理を説明する。
　図１に示されるように、設計支援装置１０による設計支援処理は、一例として、プラント及び実験室Ａ等における材料の作製及び実験に適用される。即ち、設定された設計パラメータ群ｘにより、プラント及び実験室Ａ等において材料が作製され、作製された材料に基づいて、材料の特性を示す複数の特性項目の観測値ｙが取得される。なお、プラント及び実験室Ａにおける材料作製及び実験は、シミュレーションであってもよい。
　設計支援装置１０は、設計パラメータ群ｘ及び設計パラメータ群ｘに基づいて作製された材料の複数の特性項目の観測値ｙからなる実績データに基づいて、目標値の設定を支援する。具体的には、設計支援装置１０は、設計パラメータ群ｘ及び観測値ｙからなる実績データに基づいて、特性項目の観測値を予測する予測モデルを構築し、予測モデルに基づいて算出され全ての特性項目の目標値が達成される全体達成確率を表す全体達成確率項を含むスコア関数を構築し、スコア関数の最適化により全体達成確率を取得及び出力する。
　例えば、材料製品の設計開発の一例として、ある材料を複数のポリマー及び添加剤を混ぜて作製する場合において、設計支援装置１０は、各ポリマー及び添加剤の配合量等の設計パラメータ群を設計変数とし、特性項目である弾性率、熱膨張率の観測値を目的変数として、複数の特性項目の目標値の設定に用いられる。
　図２は、実施形態に係る設計支援装置の機能構成の一例を示すブロック図である。本実施形態の設計支援装置１０は、複数の設計パラメータからなる設計パラメータ群に基づいて作製される材料の特性を示す複数の特性項目の観測値に関する目標値の設定を支援する装置である。図２に示すように、設計支援装置１０は、プロセッサ１０１に構成された機能部、設計パラメータ記憶部２１、観測値記憶部２２、目標値記憶部２３及び最適化範囲記憶部２４を含み得る。各機能部については後述する。
　図３は、実施形態に係る設計支援装置１０を構成するコンピュータ１００のハードウェア構成の一例を示す図である。なお、コンピュータ１００は、設計支援装置１０を構成しうる。
　一例として、コンピュータ１００はハードウェア構成要素として、プロセッサ１０１、主記憶装置１０２、補助記憶装置１０３、および通信制御装置１０４を備える。設計支援装置１０を構成するコンピュータ１００は、入力デバイスであるキーボード、タッチパネル、マウス等の入力装置１０５及びディスプレイ等の出力装置１０６をさらに含むこととしてもよい。
　プロセッサ１０１は、オペレーティングシステムおよびアプリケーションプログラムを実行する演算装置である。プロセッサの例としてＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）およびＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）が挙げられるが、プロセッサ１０１の種類はこれらに限定されない。例えば、プロセッサ１０１はセンサおよび専用回路の組合せでもよい。専用回路はＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）のようなプログラム可能な回路でもよいし、他の種類の回路でもよい。
　主記憶装置１０２は、設計支援装置１０等を実現するためのプログラム、プロセッサ１０１から出力された演算結果などを記憶する装置である。主記憶装置１０２は例えばＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）およびＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）のうちの少なくとも一つにより構成される。
　補助記憶装置１０３は、一般に主記憶装置１０２よりも大量のデータを記憶することが可能な装置である。補助記憶装置１０３は例えばハードディスク、フラッシュメモリなどの不揮発性記憶媒体によって構成される。補助記憶装置１０３は、コンピュータ１００を設計支援装置１０等として機能させるための設計支援プログラムＰ１と各種のデータとを記憶する。
　通信制御装置１０４は、通信ネットワークを介して他のコンピュータとの間でデータ通信を実行する装置である。通信制御装置１０４は例えばネットワークカードまたは無線通信モジュールにより構成される。
　設計支援装置１０の各機能要素は、プロセッサ１０１または主記憶装置１０２の上に、対応するプログラムＰ１を読み込ませてプロセッサ１０１にそのプログラムを実行させることで実現される。プログラムＰ１は、対応するサーバの各機能要素を実現するためのコードを含む。プロセッサ１０１はプログラムＰ１に従って通信制御装置１０４を動作させ、主記憶装置１０２または補助記憶装置１０３におけるデータの読み出しおよび書き込みを実行する。このような処理により、対応するサーバの各機能要素が実現される。
　プログラムＰ１は、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリなどの有形の記録媒体に固定的に記録された上で提供されてもよい。あるいは、これらのプログラムの少なくとも一つは、搬送波に重畳されたデータ信号として通信ネットワークを介して提供されてもよい。
　再び図２を参照して、設計支援装置１０は、データ取得部１１、モデル構築部１２、目標値取得部１３、最適化範囲取得部１４、スコア関数構築部１５、目標達成確率取得部１６、出力部１７を備える。設計パラメータ記憶部２１、観測値記憶部２２、目標値記憶部２３及び最適化範囲記憶部２４は、図２に示されるように、設計支援装置１０に構成されてもよいし、設計支援装置１０からアクセス可能な他の装置として構成されてもよい。
　データ取得部１１は、作製済みの材料に関しての実績データを複数取得する。実績データは、設計パラメータ群と複数の特性項目のそれぞれの観測値とのペアからなる。設計パラメータ記憶部２１は、実績データにおける設計パラメータ群を記憶している記憶手段であって、例えば主記憶装置１０２及び補助記憶装置１０３等に構成されてもよい。観測値記憶部２２は、実績データにおける観測値を記憶している記憶手段である。
　図４は、設計パラメータ記憶部２１に記憶されている設計パラメータ群の例を示す図である。図４に示されるように、設計パラメータ記憶部２１は、第ｔの材料作製（ｔ＝１～Ｔ）における設計パラメータ群ｘｔを記憶している。設計パラメータ群ｘは、例えば、１～ＰのＰ個の設計パラメータｖｐ（ｐ＝１～Ｐ）からなる。設計パラメータ群ｘは、一例として、原材料Ａの配合量ｖ１、原材料Ｂの配合量ｖ２・・・設計パラメータｖＰを含んでもよく、設計パラメータの数に応じた次元数Ｐのベクトルデータを構成しうる。設計パラメータは、例示したものの他、例えば、分子構造及び画像等の非ベクトルデータ等であってもよい。また、設計パラメータは、複数の分子のうちの選択肢を示すデータであってもよい。
　図５は、観測値記憶部２２に記憶されている観測値ｙの例を示す図である。図５に示されるように、観測値記憶部２２は、第ｔの材料作製（ｔ＝１～Ｔ）における材料の特性を示す複数の特性項目ｍ（ｍ＝１～Ｍ）の観測値ｙｍ，ｔを記憶している。特性項目ｍは、一例として、ガラス転移温度ｙ１，ｔ、接着力ｙ２，ｔ及び特性項目Ｍ（ｙＭ，ｔ）を含んでもよい。設計パラメータ群ｘｔと観測値ｙｍ，ｔとのペアが実績データを構成する。
　モデル構築部１２は、実績データに基づいて予測モデルを構築する。予測モデルは、設計パラメータ群ｘに基づいて、特性項目ｍの観測値ｙｍを確率分布若しくはその近似又は代替指標として予測するモデルである。予測モデルを構成するモデルは、観測値ｙｍを確率分布若しくはその近似又は代替指標として予測可能なモデルであればよく、その種類は限定されない。観測値ｙｍを確率分布の代替指標として予測する予測モデルは、例えば、アンサンブルを構成する予測器の予測値の分布(ランダムフォレスト)、モンテカルロドロップアウトにより得られる分布(ニューラルネットワーク)、異なる条件で複数個構築した予測器の予測の分布(任意の機械学習手法)等を代替指標として、観測値の確率分布を予測する。
　例えば、予測モデルは、設計パラメータ群ｘを入力とし、観測値ｙｍの確率分布を出力とする回帰モデルであってもよい。予測モデルが回帰モデルである場合には、予測モデルは、例えば、ガウス過程回帰、ランダムフォレスト及びニューラルネットワークといった回帰モデルのうちのいずれか一つにより構成されてもよい。モデル構築部１２は、実績データを用いた周知の機械学習の手法により、予測モデルを構築してもよい。モデル構築部１２は、実績データを予測モデルに適用して当該予測モデルのパラメータを更新する機械学習の手法により、予測モデルを構築してもよい。
　また、予測モデルは、ベイズ理論に基づく予測値の事後分布、アンサンブルを構成する予測器の予測値の分布、回帰モデルの予測区間及び信頼区間の理論式、モンテカルロドロップアウト、及び、異なる条件で複数個構築した予測器の予測の分布のうちのいずれか一つを用いて観測値の確率分布若しくはその近似又は代替指標を予測する機械学習モデルであってもよい。観測値の確率分布、又はその代替指標の予測は、モデル固有の手法によって得ることができる。観測値の確率分布若しくはその近似又は代替指標は、ガウス過程回帰及びベイジアンニューラルネットワークであれば予測値の事後分布に基づいて、ランダムフォレストであれば、アンサンブルを構成する予測器の予測の分布に基づいて、線形回帰であれば予測区間及び信頼区間に基づいて、及び、ニューラルネットワークであればモンテカルロドロップアウトに基づいて得ることができる。但し、各機械学習モデルに対する観測値の分布またはその代替指標の算出方法は上記手法に限定されない。
　また、任意のモデルは、観測値の確率分布またはその代替指標を予測できるモデルに拡張されてもよい。例えば、ブートストラップ法等で複数個のデータセットを構築し、それぞれに対して予測モデルを構築することで得られる、各モデルの予測値の分布を、観測値の確率分布の代替指標として用いるモデルが、その例として挙げられる。但し、機械学習モデルを観測値の確率分布またはその代替指標を予測できるモデルに拡張する方法は、上記手法に限定されない。
　また、予測モデルは、線形回帰、ＰＬＳ回帰、ガウス過程回帰、ランダムフォレストなどのバギングアンサンブル学習、勾配ブースティングなどのブースティングアンサンブル学習、サポートベクターマシーン、及びニューラルネットワーク等により構築されてもよい。
　ガウス過程回帰として構築される予測モデルでは、教師データの説明変数を構成する実績データにおける設計パラメータ群ｘ及び目的変数を構成する観測値ｙ並びに予測対象の設計パラメータｘをモデルに入力することにより、観測値の確率分布が予測される。
　また、モデル構築部１２は、予測モデルのハイパーパラメータを周知のハイパーパラメータチューニングの手法により、チューニングしてもよい。即ち、モデル構築部１２は、実績データにおける説明変数である設計パラメータ群ｘを表すベクトルと、目的変数である観測値ｙを用いた最尤推定により、ガウス過程回帰により構築される予測モデルのハイパーパラメータを更新してもよい。
　また、予測モデルは、分類モデルにより構築されてもよい。予測モデルが分類モデルである場合には、モデル構築部１２は、実績データを用いた周知の確率分布の評価が可能な機械学習の手法により予測モデルを構築できる。
　このように、モデル構築部１２が所定の回帰モデルまたは分類モデルにより予測モデルを構築することにより、任意の設計パラメータ群ｘに基づいて、特性項目の観測値の確率分布の取得が可能となる。
　また、予測モデルは、一の特性項目の観測値を確率分布若しくはその近似又は代替指標として予測するシングルタスクモデル、または、複数の特性項目の観測値を確率分布若しくはその近似又は代替指標として予測するマルチタスクモデルであってもよい。このように、特性項目の性質に応じて適宜に構成されたマルチタスクモデルまたはシングルタスクモデルにより予測モデルを構築することにより、予測モデルによる観測値の予測の精度を向上できる。
　モデル構築部１２は、複数の特性項目のうちの少なくとも一つの特性項目の予測モデルを、当該予測モデルを構成するパラメータの入力に基づいて構築してもよい。具体的には、モデル構築部１２は、予測モデルを構成し確率計算に寄与するパラメータの入力に基づいて，当該予測モデルを構築してもよい。
　例えば、予測モデルが、ガウス分布に従う特性項目の観測値を予測するモデルとして構成される場合には、モデル構築部１２は、観測値の分布を表すパラメータであるガウス分布の標準偏差または分散を、ユーザによる入力等に基づいて取得し、取得した標準偏差または分散に基づいて、当該特性項目の予測モデルを構築してもよい。
　このように、予測モデルを構成し確率の計算に寄与するパラメータが入力されることにより、確率計算の一部が実績データに依存しないこととなる。従って、例えば、十分な量及び精度を有する実績データがない場合等において、予測モデルにおける特性項目の観測値の推定精度の悪化に起因する全体達成確率の精度の低下を防止できる。
　目標値取得部１３は、各特性項目の観測値に関する目標値を取得する。図６は、目標値記憶部２３に記憶されている各特性項目の目標値ｙｍ（ｔａｒｇｅｔ）の例を示す図である。目標値記憶部２３は、所定のユーザインターフェースを介してユーザにより入力された目標値、又は、予め設定された目標値を記憶する記憶手段である。
　目標値記憶部２３は、図６に示されるように、特性項目ｍ（ｍ＝１～Ｍ）の目標値ｙｍ（ｔａｒｇｅｔ）を記憶している。目標値ｙｍ（ｔａｒｇｅｔ）は、一例として、ガラス転移温度の目標値ｙ１（ｔａｒｇｅｔ）、接着力の目標値ｙ２（ｔａｒｇｅｔ）及び特性項目Ｍの目標値ｙＭ（ｔａｒｇｅｔ）を含んでもよい。
　目標値取得部１３は、複数の特性項目のうちの少なくとも一つの特性項目に関する目標値を、ユーザによる入力に基づいて取得してもよい。
　図７は、目標値の入力及び全体達成確率の出力のための表示画面例（ユーザインターフェース）の例を模式的に示す図である。図７に示されるように、設計支援装置１０は、出力装置１０６の一態様であるディスプレイ等に、ユーザインターフェースＧを表示させることができる。ユーザインターフェースＧは、目標値ｙｍ（ｔａｒｇｅｔ）の入力のための操作オブジェクトｇｔを含む。具体的には、ユーザインターフェースＧは、特性項目１，２，３，・・・，Ｍのそれぞれの目標値ｙ１（ｔａｒｇｅｔ），ｙ２（ｔａｒｇｅｔ），ｙ３（ｔａｒｇｅｔ），・・・，ｙＭ（ｔａｒｇｅｔ）を入力するための操作オブジェクトｇｔ１，ｇｔ２，ｇｔ３，・・・ｇｔｍを含む。目標値取得部１３は、操作オブジェクトｇｔのユーザによる操作入力に基づいて、特性項目の目標値を取得する。
　このような目標値の取得の態様によれば、ユーザは、各特性項目の目標値を容易に設定できる。従って、目標値の入力及び全体達成確率の出力を、入力する目標値を変えながら繰り返し行うことにより、容易に適切な目標値を設定することが可能となる。なお、ユーザインターフェースＧに含まれるオブジェクトｇａ，ｇｂについては後述する。
　また、目標値取得部１３は、複数の特性項目のうちの少なくとも一つの特性項目に関する目標値を、特性項目の目標値を予め記憶している所定のデータベースから取得してもよい。
　例えば、適切な目標値としての実績がある目標値群を予め目標値記憶部２３に記憶させておき、目標値取得部１３は、実績がある目標値群を目標値記憶部２３から取得してもよい。このように、適切な目標値群を予め記憶させておくことにより、目標値の設定及び検討に際しての初期の目標値群を容易に取得できる。
　また、各特性項目の観測値として実績のある実績値を、予め目標値記憶部２３に記憶させておき、目標値取得部１３は、各特性項目の実績値を目標値記憶部２３から取得してもよい。このように、実績値を初期の目標値に適用することにより、適切な目標設定が容易となる。
　また、予め記憶された各特性項目の目標値を、初期の目標値として用いることにより、例えば、特性項目の数が多い場合においては、目標値の取得がユーザによる入力に基づく場合にはその入力に係る手間が煩雑になるところ、その手間の省力化が可能となる。
　最適化範囲取得部１４は、設計パラメータ群に含まれる各設計パラメータのうちの少なくとも一つの設計パラメータの最適化範囲を取得する。最適化範囲は、スコア関数の最適化における説明変数である各設計パラメータの探索の範囲である。
　最適化範囲記憶部２４は、設計パラメータｖｐの最適化範囲を記憶している記憶手段である。図８は、最適化範囲記憶部２４に記憶されている、各設計パラメータｖｐの最適化範囲の例を示す図である。図８に示されるように、最適化範囲記憶部２４は、各設計パラメータｖｐの最適化範囲を記憶している。設計パラメータｖｐの最適化範囲は、説明変数としての設計パラメータの取り得る値が複数の有限の候補に限定される場合以外の場合において設定され得る。
　設計パラメータｖｐの最適化範囲は、設計パラメータの値の上限値、下限値、上下限値及び固定値の少なくともいずれか一つにより規定され、それらの複数により規定されてもよい。図８に示されるように、設計パラメータｖ１の最適化範囲は、上下限値により規定され、「０－１０」に設定されている。設計パラメータｖ２の最適化範囲は、固定値により規定され、「５」に設定されている。設計パラメータｖ３の最適化範囲は、２つの上下限値により規定され、「０－１０，３０－４９」に設定されている。設計パラメータｖＰの最適化範囲は、２つの固定値により規定され、「２ｏｒ３」に設定されている。
　設計パラメータの値として所望の値がある場合には、その設計パラメータｖｐの最適化範囲を固定値により規定することにより、当該設計パラメータｖｐが固定されて最適化が実施されるので、最適化の結果として固定された所望の設計パラメータの下における全体達成確率を得ることができる。
　さらに具体的な例として、高額な材料の量を表す設計パラメータｖｐの最適化範囲を「０」に設定することにより、その材料を用いないことを条件とした最適化を実施することが可能となる。また、ある設計パラメータｖｐの最適化範囲を固定値に設定して最適化を実施した結果として、低い目標達成確率が得られた場合には、その設計パラメータｖｐの最適化範囲を、例えば一定程度の幅を有する上下限値に変更して、再度の最適化を実施して目標達成確率を評価することにより、好適な最適化範囲の検討を容易に行うことができる。
　最適化範囲記憶部２４は、入力装置１０５を介してユーザにより入力された各設計パラメータｖｐの最適化範囲を記憶してもよい。最適化範囲取得部１４は、ユーザにより入力された各設計パラメータｖｐの最適化範囲を取得できる。この場合には、ユーザによる設計パラメータｖｐの最適化範囲の設定及び変更が容易である。
　このように、取得された設計パラメータの最適化範囲内においてスコア関数の最適化が実施され、指定した最適化範囲内での全体達成確率が得られる。従って、例えば、設計パラメータとして容易に採用しうるような範囲を最適化範囲として設定することにより、容易に採用できる設計パラメータの範囲での全体達成確率を得ることが可能となる。また、容易に採用できる設計パラメータの範囲における全体達成確率が低い場合には設計パラメータの範囲の変更と全体達成確率の確認を繰り返すことで、目標達成の見込みが高く、比較的容易に採用できる設計パラメータの範囲を得ることが可能となる。
　スコア関数構築部１５は、全体達成確率項を少なくとも含むスコア関数を構築する。全体達成確率項は、全ての特性項目の目標値が達成される確率である全体達成確率を表す。全体達成確率は、予測モデルに基づいて設計パラメータ群を変数として算出される。スコア関数は、全体達成確率項を含む関数であれば、その構成は限定されない。
　具体的には、スコア関数構築部１５は、以下の式（１）に示すようなスコア関数Ａ（ｘ）を構築する。
Ａ（ｘ）＝ｇ（Ｐ（ｘ））　・・・（１）
式（１）において、ｇ（Ｐ（ｘ））は、目標達成確率項である。即ち、スコア関数Ａ（ｘ）は、少なくとも目標達成確率項ｇ（Ｐ（ｘ））を含む。なお、式（１）のスコア関数は一例であって、スコア関数は目標達成確率項以外の項を含んでもよい。
　目標達成確率項は、全体達成確率Ｐ（ｘ）を含んで構成されることができる。例えば、全体達成確率Ｐ（ｘ）は、各特性項目の目標達成事象が互いに独立であるとすると、以下の式（２）にように定義されてもよい。
Ｐ（ｘ）＝Π１＜＝ｍ＜＝ＭＰｍ（ｘ）　・・・（２）
即ち、全体達成確率Ｐ（ｘ）は、各特性項目ｍ（ｍ＝１～Ｍ）の達成確率Ｐｍ（ｘ）の総乗である。予測モデルが、設計パラメータ群ｘに基づいて特性項目の観測値の確率分布を予測できるので、各特性項目の達成確率Ｐｍ（ｘ）は、各特性項目の予測モデルを用いた設計パラメータ群ｘを入力変数とする関数として表現できる。また、全体達成確率Ｐ（ｘ）は、各特性項目の達成確率の算出を経ないで、全ての特性項目の予測モデルに基づいた設計パラメータ群ｘを入力変数とする関数として表現されてもよい。
　例えば、目標達成確率項ｇ（Ｐ（ｘ））は、式（３）に示されるように全体達成確率Ｐ（ｘ）からなることとしてもよいし、式（４）に示されるように、全体達成確率Ｐ（ｘ）の対数からなることとしてもよい。
ｇ（Ｐ（ｘ））＝Ｐ（ｘ）　・・・（３）
ｇ（Ｐ（ｘ））＝ｌｏｇ（Ｐ（ｘ））　・・・（４）
また、目標達成確率項は、全体達成確率Ｐ（ｘ）または全体達成確率Ｐ（ｘ）の対数にさらに係数が乗じられた項であってもよいし、さらに他の要素が加算されるための項を含んでもよい。このように構築されたスコア関数の一例では、その最適化は、最大化問題として扱われることができる。
　このように本実施形態の一例では、観測値の確率分布を出力するように予測モデルが構成されるので、設計パラメータ群ｘに応じた各特性項目ｍの目標値の達成確率Ｐｍ（ｘ）を得ることができる。そして、各特性項目ｍの目標値の達成確率Ｐｍ（ｘ）の総乗により算出される全体達成確率が、スコア関数の目標達成確率項に含まれるので、最適化の対象となるスコア関数に全体達成確率が適切に反映される。
　目標達成確率取得部１６は、スコア関数の最適化により全体達成確率を取得する。本実施形態では、上記式（１）及び式（３）に基づいて、スコア関数Ａ（ｘ）を、式（４）のように構成する。
Ａ（ｘ）＝Ｐ（ｘ）　・・・（４）
そして、目標達成確率取得部１６は、スコア関数Ａ（ｘ）の最適化（最大化）により、スコア関数Ａ（ｘ）の出力としての全体達成確率を取得できる。
　式（４）の例では、スコア関数が全体達成確率を出力するが、スコア関数の出力が、全体達成確率に他の要素が乗じられたり加えられたりした値である場合には、目標達成確率取得部１６は、スコア関数の最適化により得られた設計パラメータ群ｘ及び各特性項目の目標値に基づいて全体達成確率Ｐ（ｘ）を取得してもよい。
　出力部１７は、目標達成確率取得部１６により取得された全体達成確率を出力する。出力の態様は限定されないが、出力部１７は、出力装置１０６の一態様であるディスプレイに、全体達成確率を表示させてもよい。図７に示されるように、出力部１７は、ユーザインターフェースＧの全体達成確率欄ｇａに、目標達成確率取得部１６により取得された全体達成確率を表示させてもよい。
　また、出力部１７は、目標値取得部１３により取得された目標値を全体達成確率と共に出力してもよい。前述のとおり、図７に示されるユーザインターフェースＧは、目標値ｙｍ（ｔａｒｇｅｔ）の入力のための操作オブジェクトｇｔを含むので、出力部１７は、操作オブジェクトｇｔと全体達成確率欄ｇａをディスプレイに表示させることにより、設定された目標値と全体達成確率とを共に出力及び表示できる。
　このように、スコア関数の最適化における特性項目の目標値と、最適化により取得された全体達成確率とが、例えば表示といった態様により併せて出力されることにより、目標値群と全体達成確率との対応関係を容易に認識できる。
　また、出力部１７は、目標達成確率取得部１６により全体達成確率の取得の過程で取得可能な各特性項目ｍの目標値の達成確率（Ｐｍ（ｘ））を、全体達成確率と共に出力してもよい。例えばディスプレイ等に各特性項目ｍの目標値の達成確率が表示されることにより、高い全体達成確率を達成することに対するボトルネックとなっている特性項目の目標値を認識できるので、その目標値を緩和等の調整をすることにより、全体達成確率の改善が容易となる。
　また、目標達成確率取得部１６は、スコア関数の最適化により、全体達成確率を最大化する設計パラメータ群を更に取得してもよい。そして、出力部１７は、目標達成確率取得部１６により取得された、全体達成確率を最大化するような設計パラメータ群を更に出力してもよい。出力された設計パラメータ群の参照により、出力された全体達成確率を達成しうる設計パラメータ群が適切であるか否かを確認できる。また、出力された設計パラメータ群の参照により、製品等の作製及び実験を実施できる。
　また、図７に示されるように、ユーザインターフェースＧは、設定された目標値に基づく最適化のプロセスの実行の指示を受け付けるための指示ボタンｇｂを含んでもよい。指示ボタンｇｂに対するユーザによる指示入力が設計支援装置１０において受け付けられると、設定された目標値に基づくスコア関数の構築及び最適化が実施され、全体達成確率欄ｇａに全体達成確率が表示される。このように、目標値の設定、スコア関数の構築及び最適化、並びに全体達成確率の出力を、ユーザインターフェースＧの参照及び操作により繰り返し実施しながら、適切な目標値の検討を実施できる。
　次に、本実施形態における設計支援装置１０による設計支援処理を詳細に説明する。図９は、実施形態に係る設計支援装置１０における設計支援方法の内容の一例を示すフローチャートである。設計支援方法は、プロセッサ１０１に設計支援プログラムＰ１が読み込まれて、そのプログラムが実行されることにより、各機能部１１～１７が実現されることにより実行される。
　ステップＳ１において、データ取得部１１は、設計パラメータ群ｘｔ（ｔは１～Ｔの整数）と各特性項目の観測値ｙｍ，ｔとのペアからなる実績データを取得する。
　ステップＳ２において、モデル構築部１２は、実績データに基づいて、特性項目ｍのそれぞれの予測モデルを構築する。
　ステップＳ３において、目標値取得部１３は、各特性項目ｍの観測値に関する目標値を取得する。
　ステップＳ４において、スコア関数構築部１５は、ステップＳ２において構築された予測モデル及びステップＳ３において取得された各特性項目の目標値に基づいて、スコア関数を構築する。
　ステップＳ５において、目標達成確率取得部１６は、スコア関数の最適化を実施する。ここで、最適化範囲取得部１４は、各設計パラメータｖｐの最適化範囲を取得し、目標達成確率取得部１６は、取得された最適化範囲に基づいて、スコア関数の最適化を実施する。
　ステップＳ６において、目標達成確率取得部１６は、スコア関数Ａの最適化に基づいて得られる全体達成確率を取得する。
　ステップＳ７において、出力部１７は、ステップＳ６において目標達成確率取得部１６により取得された全体達成確率を出力（表示）する。
　次に、図１０を参照して、全体達成確率の出力の他の例を説明する。図１０は、目標値と全体達成確率とを関連付けて表示する表示画面（ユーザインターフェース）の例を模式的に示す図である。
　目標値取得部１３は、複数の特性項目のうちの少なくとも一つの特性項目の観測値に関する目標値の範囲を取得してもよい。即ち、目標値取得部１３は、目標値を示す一の値ではなく、数値範囲を取得してもよい。図１０に示される例では、説明の便宜のため、目標値取得部１３が、少なくとも２以上の特性項目のうちの２つの特性項目ａ，ｂの目標値の数値範囲（ｙａ（ｔａｒｇｅｔ）：１．０～４．０，ｙｂ（ｔａｒｇｅｔ）：１０～４０）を、ユーザによる入力等に基づいて取得した場合の例が示されている。
　スコア関数構築部１５は、目標値の範囲内の各目標値に対応するスコア関数を構築する。具体的には、スコア関数構築部１５は、例えば、各特性項目の目標値の範囲内を所定間隔で刻んで得られる各点の組合せごとにスコア関数を構築する。
　目標達成確率取得部１６は、各スコア関数の最適化を実施することにより、取得された目標値の範囲内の各目標値の組合せに対応する全体達成確率を取得する。出力部１７は、設定された目標値の範囲内における、目標値の範囲内の各目標値と対応する全体達成確率とを関連付けて出力する、図１０に示す例では、目標値ｙａ（ｔａｒｇｅｔ）が横軸、目標値ｙｂ（ｔａｒｇｅｔ）が縦軸に設定され、出力部１７は、目標値ｙａ（ｔａｒｇｅｔ）と目標値ｙｂ（ｔａｒｇｅｔ）との組合せに対応する全体達成確率を出力し、出力された全体達成確率に基づく等高線を描画及び出力する。
　このような表示画面が出力されることにより、各目標値の組合せと全体達成確率との関連付けの参照により、特性項目の目標値の変化に応じた全体達成確率の変化を認識できる。従って、適切な目標値を設定することが容易となる。
　次に、コンピュータを、本実施形態の設計支援装置１０として機能させるための設計支援プログラムについて説明する。図１１は、設計支援プログラムの構成を示す図である。
　設計支援プログラムＰ１は、設計支援装置１０における設計支援処理を統括的に制御するメインモジュールｍ１０、データ取得モジュールｍ１１、モデル構築モジュールｍ１２、目標値取得モジュールｍ１３、最適化範囲取得モジュールｍ１４、スコア関数構築モジュールｍ１５、目標達成確率取得モジュールｍ１６及び出力モジュールｍ１７を備えて構成される。そして、各モジュールｍ１１～ｍ１７により、データ取得部１１、モデル構築部１２、目標値取得部１３、最適化範囲取得部１４、スコア関数構築部１５、目標達成確率取得部１６及び出力部１７のための各機能が実現される。
　なお、設計支援プログラムＰ１は、通信回線等の伝送媒体を介して伝送される態様であってもよいし、図１１に示されるように、記録媒体Ｍ１に記憶される態様であってもよい。
　以上説明した本実施形態の設計支援装置１０、設計支援方法及び設計支援プログラムＰ１によれば、実績データに基づいて予測モデルが構築され、各特性項目に関する目標値が取得され、取得された目標値及び予測モデルに基づいて、目標達成確率項を含むスコア関数が構築される。そして、スコア関数の最適化により、全体達成確率が取得及び出力される。従って、出力された全体達成確率の参照により、目標値が適切であるか否かを判断できるので、適切な目標値の設定が容易となる。
　以上、本発明をその実施形態に基づいて詳細に説明した。しかし、本発明は上記実施形態に限定されるものではない。本発明は、その要旨を逸脱しない範囲で様々な変形が可能である。
　１０…設計支援装置、１１…データ取得部、１２…モデル構築部、１３…目標値取得部、１４…最適化範囲取得部、１５…スコア関数構築部、１６…目標達成確率取得部、１７…出力部、２１…設計パラメータ記憶部、２２…観測値記憶部、２３…目標値記憶部、２４…最適化範囲記憶部、Ｍ１…記録媒体、ｍ１０…メインモジュール、ｍ１１…データ取得モジュール、ｍ１２…モデル構築モジュール、ｍ１３…目標値取得モジュール、ｍ１４…最適化範囲取得モジュール、ｍ１５…スコア関数構築モジュール、ｍ１６…目標達成確率取得モジュール、ｍ１７…出力モジュール、Ｐ１…設計支援プログラム。
 

Claims (11)

  1. 　複数の設計パラメータからなる設計パラメータ群に基づいて作製される製品、仕掛品、半製品、部品又は試作品の特性を示す複数の特性項目の観測値に関する目標値の設定を支援する設計支援装置であって、
    　作製済みの前記製品、前記仕掛品、前記半製品、前記部品又は前記試作品に関しての、前記設計パラメータ群と前記複数の特性項目のそれぞれの観測値とからなる実績データを複数取得するデータ取得部と、
    　前記設計パラメータ群に基づいて前記特性項目の観測値を確率分布若しくはその近似又は代替指標として予測する予測モデルを、前記実績データに基づいて構築するモデル構築部と、
    　各特性項目の観測値に関する目標値を取得する目標値取得部と、
    　前記予測モデルに基づいて前記設計パラメータ群を変数として算出され、全ての特性項目の前記目標値が達成される確率である全体達成確率を表す目標達成確率項を少なくとも含むスコア関数を構築するスコア関数構築部と、
    　前記スコア関数の最適化により前記全体達成確率を取得する目標達成確率取得部と、
    　前記全体達成確率を出力する出力部と、
    　を備える設計支援装置。
  2. 　前記目標値取得部は、前記複数の特性項目のうちの少なくとも一つの特性項目に関する前記目標値を、ユーザによる入力に基づいて取得する、
    　請求項１に記載の設計支援装置。
  3. 　前記目標値取得部は、前記複数の特性項目のうちの少なくとも一つの特性項目に関する目標値を、前記特性項目の目標値を予め記憶している所定のデータベースから取得する、
    　請求項１に記載の設計支援装置。
  4. 　前記出力部は、前記目標値取得部により取得された前記目標値を前記全体達成確率と共に出力する、
    　請求項１に記載の設計支援装置。
  5. 　前記目標値取得部は、前記複数の特性項目のうちの少なくとも一つの特性項目の観測値に関する前記目標値の範囲を取得し、
    　前記スコア関数構築部は、前記目標値の範囲内の各目標値に対応する前記スコア関数を構築し、
    　前記目標達成確率取得部は、各スコア関数の最適化を実施することにより、取得された前記目標値の範囲内の各目標値に対応する前記全体達成確率を取得し、
    　前記出力部は、設定された前記目標値の範囲内における、各目標値と対応する前記全体達成確率とを関連付けて出力する、
    　請求項４に記載の設計支援装置。
  6. 　前記目標達成確率取得部は、各特性項目の目標値の達成確率を取得し、
    　前記出力部は、各特性項目の目標値の前記達成確率を前記全体達成確率と共に出力する、
    　請求項１に記載の設計支援装置。
  7. 　前記設計パラメータ群に含まれる各設計パラメータのうちの少なくとも一つの設計パラメータの、前記スコア関数の最適化における探索の範囲である最適化範囲を取得する最適化範囲取得部であって、前記設計パラメータの最適化範囲は、該設計パラメータの値の上限値、下限値、上下限値及び固定値の少なくともいずれか一つにより規定される、最適化範囲取得部、を更に備え、
    　前記目標達成確率取得部は、取得された前記最適化範囲に基づいて前記スコア関数の最適化を実施する、
    　請求項１に記載の設計支援装置。
  8. 　前記モデル構築部は、複数の特性項目のうちの少なくとも一つの特性項目の前記予測モデルを、当該予測モデルを構成するパラメータの入力に基づいて構築する、
    　請求項１に記載の設計支援装置。
  9. 　前記目標達成確率取得部は、前記スコア関数の最適化により、前記全体達成確率を最大化する前記設計パラメータ群を取得し、
    　前記出力部は、前記全体達成確率を最大化する前記設計パラメータ群を出力する、
    　請求項１に記載の設計支援装置。
  10. 　複数の設計パラメータからなる設計パラメータ群に基づいて作製される製品、仕掛品、半製品、部品又は試作品の特性を示す複数の特性項目の観測値に関する目標値の設定を支援する設計支援装置における設計支援方法であって、
    　作製済みの前記製品、前記仕掛品、前記半製品、前記部品又は前記試作品に関しての、前記設計パラメータ群と前記複数の特性項目のそれぞれの観測値とからなる実績データを複数取得するデータ取得ステップと、
    　前記設計パラメータ群に基づいて前記特性項目の観測値を確率分布若しくはその近似又は代替指標として予測する予測モデルを、前記実績データに基づいて構築するモデル構築ステップと、
    　各特性項目の観測値に関する目標値を取得する目標値取得ステップと、
    　前記予測モデルに基づいて前記設計パラメータ群を変数として算出され全ての特性項目の前記目標値が達成される確率である全体達成確率を表す目標達成確率項を少なくとも含むスコア関数を構築するスコア関数構築ステップと、
    　前記スコア関数の最適化により前記全体達成確率を取得する目標達成確率取得ステップと、
    　前記全体達成確率を出力する出力ステップと、
    　を有する設計支援方法。
  11. 　コンピュータを、複数の設計パラメータからなる設計パラメータ群に基づいて作製される製品、仕掛品、半製品、部品又は試作品の特性を示す複数の特性項目の観測値に関する目標値の設定を支援する設計支援装置として機能させるための設計支援プログラムであって、
    　前記コンピュータに、
    　作製済みの前記製品、前記仕掛品、前記半製品、前記部品又は前記試作品に関しての、前記設計パラメータ群と前記複数の特性項目のそれぞれの観測値とからなる実績データを複数取得するデータ取得機能と、
    　前記設計パラメータ群に基づいて前記特性項目の観測値を確率分布若しくはその近似又は代替指標として予測する予測モデルを、前記実績データに基づいて構築するモデル構築機能と、
    　各特性項目の観測値に関する目標値を取得する目標値取得機能と、
    　前記予測モデルに基づいて前記設計パラメータ群を変数として算出され全ての特性項目の前記目標値が達成される確率である全体達成確率を表す目標達成確率項を少なくとも含むスコア関数を構築するスコア関数構築機能と、
    　前記スコア関数の最適化により前記全体達成確率を取得する目標達成確率取得機能と、
    　前記全体達成確率を出力する出力機能と、
    　を実現させる設計支援プログラム。
     
PCT/JP2023/027807 2022-07-29 2023-07-28 設計支援装置、設計支援方法及び設計支援プログラム WO2024024957A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022121561A JP2024018309A (ja) 2022-07-29 2022-07-29 設計支援装置、設計支援方法及び設計支援プログラム
JP2022-121561 2022-07-29

Publications (1)

Publication Number Publication Date
WO2024024957A1 true WO2024024957A1 (ja) 2024-02-01

Family

ID=89706776

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/027807 WO2024024957A1 (ja) 2022-07-29 2023-07-28 設計支援装置、設計支援方法及び設計支援プログラム

Country Status (2)

Country Link
JP (1) JP2024018309A (ja)
WO (1) WO2024024957A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007087302A (ja) * 2005-09-26 2007-04-05 Mazda Motor Corp 車両企画支援システム
WO2019043926A1 (ja) * 2017-09-01 2019-03-07 三菱電機株式会社 設計支援装置、設計支援方法及び設計支援プログラム
WO2022124077A1 (ja) * 2020-12-10 2022-06-16 昭和電工マテリアルズ株式会社 設計支援装置、設計支援方法及び設計支援プログラム
WO2022124075A1 (ja) * 2020-12-10 2022-06-16 昭和電工マテリアルズ株式会社 設計支援装置、設計支援方法及び設計支援プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007087302A (ja) * 2005-09-26 2007-04-05 Mazda Motor Corp 車両企画支援システム
WO2019043926A1 (ja) * 2017-09-01 2019-03-07 三菱電機株式会社 設計支援装置、設計支援方法及び設計支援プログラム
WO2022124077A1 (ja) * 2020-12-10 2022-06-16 昭和電工マテリアルズ株式会社 設計支援装置、設計支援方法及び設計支援プログラム
WO2022124075A1 (ja) * 2020-12-10 2022-06-16 昭和電工マテリアルズ株式会社 設計支援装置、設計支援方法及び設計支援プログラム

Also Published As

Publication number Publication date
JP2024018309A (ja) 2024-02-08

Similar Documents

Publication Publication Date Title
WO2022124077A1 (ja) 設計支援装置、設計支援方法及び設計支援プログラム
US9087294B2 (en) Prediction method, prediction system and program
WO2022124075A1 (ja) 設計支援装置、設計支援方法及び設計支援プログラム
Roy et al. Solving matrix game with rough payoffs using genetic algorithm
WO2017037881A1 (ja) オンライン予測システムおよび方法
JP5071851B2 (ja) 時間情報を用いた予測装置、予測方法、予測プログラムおよびそのプログラムを記録した記録媒体
US11810002B2 (en) Dynamic prediction model establishment method, electric device, and user interface
US20200052635A1 (en) Method for searching excitation signal of motor, and electronic device
JPWO2018088277A1 (ja) 予測モデル生成システム、方法およびプログラム
JP6594780B2 (ja) 意思決定支援装置を備えるシステム及び意思決定支援方法
Absi et al. Simulation and sensor optimization for multifidelity dynamics model calibration
WO2024024957A1 (ja) 設計支援装置、設計支援方法及び設計支援プログラム
KR20240001159A (ko) 설계 지원 장치, 설계 지원 방법 및 설계 지원 프로그램
Chen et al. Structural dynamics model updating with interval uncertainty based on response surface model and sensitivity analysis
JP7456273B2 (ja) データ解析システム、データ解析方法及びデータ解析プログラム
US20230214668A1 (en) Hyperparameter adjustment device, non-transitory recording medium in which hyperparameter adjustment program is recorded, and hyperparameter adjustment program
WO2023080179A1 (ja) 設計支援装置、設計支援方法及び設計支援プログラム
JP2024011665A (ja) 設計支援装置、設計支援方法及び設計支援プログラム
WO2023085195A1 (ja) モデル生成装置、モデル生成方法及びデータ推定装置
JP7480844B2 (ja) 需要予測装置、需要予測方法、及び需要予測プログラム
US20230400821A1 (en) Control device and control method
JPWO2018088276A1 (ja) 予測モデル生成システム、方法およびプログラム
US20230138268A1 (en) Control system, control method, and control program
WO2022176293A1 (ja) 物性予測装置及びプログラム
Bambach et al. Characteristics of testing conditions for constitutive models in metal plasticity

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: 23846687

Country of ref document: EP

Kind code of ref document: A1