WO2024038716A1 - 材料設計装置、材料設計方法及びプログラム - Google Patents

材料設計装置、材料設計方法及びプログラム Download PDF

Info

Publication number
WO2024038716A1
WO2024038716A1 PCT/JP2023/025711 JP2023025711W WO2024038716A1 WO 2024038716 A1 WO2024038716 A1 WO 2024038716A1 JP 2023025711 W JP2023025711 W JP 2023025711W WO 2024038716 A1 WO2024038716 A1 WO 2024038716A1
Authority
WO
WIPO (PCT)
Prior art keywords
composition
candidate
search range
material properties
surrounding
Prior art date
Application number
PCT/JP2023/025711
Other languages
English (en)
French (fr)
Inventor
皓亮 角田
真平 竹本
好成 奥野
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 WO2024038716A1 publication Critical patent/WO2024038716A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation

Definitions

  • the present disclosure relates to a material design device, a material design method, and a program.
  • Patent Document 1 a Bayesian model is generated that models the problem of searching for a combination of values of multiple parameters that gives the optimal value of the characteristic value regarding a target substance, and a full search is performed using all combinations of values of multiple parameters.
  • An invention is disclosed that performs a combinatorial search using a Bayesian model in a search space that is narrower than the space.
  • factor exchange is not performed in local search. If factor exchange is not performed, there is a risk that a local solution will be reached depending on the initial value in the local search. On the other hand, if random factor exchange is performed, there is a risk that material properties that were good at the initial values will be lost.
  • One aspect of the present disclosure aims to perform a local search that is unlikely to fall into a local solution while maintaining initial value dependence.
  • the present disclosure includes the configuration shown below.
  • a peripheral composition generation unit configured to generate a peripheral composition in which each factor included in the composition candidate of the target substance is varied within a predetermined search range; a property prediction unit configured to predict material properties of the target substance based on the surrounding composition; a composition candidate updating unit configured to update the composition candidate with the surrounding composition when the surrounding composition improves the material properties; a search range expanding unit configured to expand the search range when there is no surrounding composition that improves the material properties; a factor exchange unit configured to exchange factors of the composition candidate when the search range exceeds a predetermined maximum search range;
  • a material design device comprising:
  • the property prediction unit is configured to predict the material properties using a prediction model that uses the material composition of the target substance as an explanatory variable and the material properties as an objective variable
  • the factor exchange unit is configured to exchange factors of the composition candidate based on the degree of contribution of each factor in the prediction model. Material design equipment.
  • the property prediction unit is configured to predict a plurality of the material properties
  • the composition candidate updating unit is configured to update the composition candidate when a first of the material properties is maintained and a second of the material properties is improved. Material design equipment.
  • the factor exchange unit is configured to exchange a factor with a high contribution of the second material property to a factor with a low contribution of the first material property. Material design equipment.
  • An initial stage configured to determine, as the composition candidate, a material composition having good first material properties among material compositions generated randomly or at a predetermined step size from the entire material composition of the target substance. further comprising a composition determining section; Material design equipment.
  • the material design device according to [4] or [5] above,
  • the factor exchange unit is configured to exchange factors of the same type, Material design equipment.
  • the composition candidate updating unit is configured to output the composition candidate when the composition candidate is updated a predetermined number of times. Material design equipment.
  • the material design device according to any one of [1] to [7] above,
  • the property prediction unit is configured to predict the material properties for the surrounding composition whose similarity with the composition candidate is greater than or equal to a predetermined threshold. Material design equipment.
  • the computer is a procedure for generating a peripheral composition in which each factor included in the composition candidate of the target substance is varied within a predetermined search range; predicting material properties of the target substance based on the surrounding composition; When there is a surrounding composition that improves the material properties, updating the composition candidate with the surrounding composition; expanding the search range when there is no surrounding composition that improves the material properties; a step of exchanging factors of the composition candidate when the search range exceeds a predetermined maximum search range; Material design methods to perform.
  • FIG. 1 is a block diagram showing an example of the overall configuration of a design support system.
  • FIG. 2 is a block diagram showing an example of the hardware configuration of a computer.
  • FIG. 3 is a block diagram showing an example of the functional configuration of the design support system.
  • FIG. 4 is a flowchart showing an example of the processing procedure of the material design method.
  • FIG. 5(A) is a diagram showing an example of the degree of contribution to adhesive force.
  • FIG. 5(B) is a diagram showing an example of the degree of contribution to intensity.
  • FIG. 6(A) is a diagram showing an example of initial values of composition candidates.
  • FIG. 6(B) is a diagram showing an example of a composition candidate after the first factor exchange.
  • FIG. 5(A) is a diagram showing an example of the degree of contribution to adhesive force.
  • FIG. 5(B) is a diagram showing an example of the degree of contribution to intensity.
  • FIG. 6(A) is a diagram showing an example of initial values of composition candidates
  • FIG. 6(C) is a diagram showing an example of a composition candidate after the second factor exchange.
  • FIG. 7(A) is a diagram illustrating an example of the first local search.
  • FIG. 7(B) is a diagram illustrating an example of the first local search.
  • FIG. 7(C) is a diagram illustrating an example of the second local search.
  • FIG. 7(D) is a diagram illustrating an example of the second local search.
  • FIG. 8(A) is a diagram illustrating an example of the x-th local search.
  • FIG. 8(B) is a diagram illustrating an example of the x-th local search.
  • FIG. 8C is a diagram illustrating an example of the x-th local search.
  • FIG. 8(D) is a diagram illustrating an example of the x-th local search.
  • FIG. 9A is a diagram showing an example of the results of the first local search.
  • FIG. 9B is a diagram showing an example of the results of the second local search.
  • FIG. 9C is a diagram showing an example of the results of the third local search.
  • FIG. 9(D) is a diagram showing an example of the results of the first local search after factor exchange.
  • FIG. 9E is a diagram showing an example of the results of the second local search after factor exchange.
  • FIG. 9(F) is a diagram showing an example of the results of the third local search after factor exchange.
  • FIG. 10A is a diagram illustrating an example of the results of the first local search after the first update.
  • FIG. 10B is a diagram showing an example of the results of the first local search after the second update.
  • FIG. 10A is a diagram illustrating an example of the results of the first local search after the first update.
  • FIG. 10C is a diagram illustrating an example of the results of the first local search after the third update.
  • FIG. 11A is a diagram showing an example of a graph summarizing search results from the first search to the last search.
  • FIG. 11(B) is a diagram showing an example of a graph in which material properties of surrounding compositions in the first search and the last search are plotted.
  • One embodiment of the present disclosure is a design support system that supports the design of a substance manufactured using a plurality of substances.
  • the substance to be designed will be referred to as the "target substance”
  • the substance used to manufacture the target substance will be referred to as the "material substance”.
  • the design support system in this embodiment is an information processing system that searches for a material composition of a target substance whose desired material properties are optimized in accordance with a user's instructions, and presents the search results to the user.
  • the target substance in this embodiment is, for example, a composite material such as a semiconductor material containing a plurality of resins, additives, and/or fillers. Therefore, the material in this embodiment is, for example, a resin, an additive, and/or a filler.
  • semiconductor materials include resist materials, adhesives, adhesives, sealants, and the like.
  • the target substance and the material substance are not limited to these, and the present embodiment is applicable to any substance as long as it is manufactured using a plurality of substances.
  • the design support system in this embodiment uses the material composition of the target substance selected by the user as the initial value of the composition candidate, repeats local search in the surrounding area of the composition candidate, and creates composition candidates for the target substance that can obtain good material properties. Explore. In local search, multiple surrounding compositions are generated by varying each factor of the composition candidate within a predetermined search range, and the predicted material properties based on each surrounding composition are better than the target values specified by the user. If there is a surrounding composition, the composition candidate is updated with the surrounding composition.
  • the design support system in this embodiment expands the search range and performs local search again when there is no surrounding composition that improves material properties in a certain search range. Furthermore, when the search range exceeds the predetermined maximum search range, the factors of the composition candidates are exchanged and the local search is performed again. In factor exchange, a factor that has a large effect on the material properties that you want to improve is replaced with a factor that has a small effect on the material properties that you want to maintain.
  • FIG. 1 is a block diagram showing an example of the overall configuration of a design support system in this embodiment.
  • the design support system 1 in this embodiment includes a material design device 10 and a user terminal 20.
  • the material design device 10 and the user terminal 20 are connected to enable data communication via a communication network N1 such as a LAN (Local Area Network) or the Internet.
  • a communication network N1 such as a LAN (Local Area Network) or the Internet.
  • the material design device 10 is an information processing device such as a personal computer, workstation, or server that searches for a material composition of a target substance that provides good material properties in response to a request from a user terminal 20.
  • the material design device 10 receives initial composition data regarding the material composition of the target substance from the user terminal 20.
  • the material design device 10 searches for the material composition of the target substance based on the initial composition data, and transmits search result data representing the material composition of the target substance obtained as a search result to the user terminal 20.
  • the user terminal 20 is an information processing terminal such as a personal computer, a tablet terminal, or a smartphone operated by a user.
  • the user terminal 20 generates initial composition data in response to user operations and transmits it to the material design apparatus 10.
  • the user terminal 20 displays search results to the user based on the search result data received from the material design device 10.
  • the overall configuration of the design support system 1 shown in FIG. 1 is one example, and there may be various system configuration examples depending on the use and purpose.
  • the material design device 10 may be realized by a plurality of computers, or may be realized as a cloud computing service.
  • the design support system 1 may be realized by a stand-alone information processing device that has the functions that the material design device 10 and the user terminal 20 should each have.
  • FIG. 2 is a block diagram showing an example of the hardware configuration of the computer 500 in this embodiment.
  • the computer 500 includes a CPU (Central Processing Unit) 501, a ROM (Read Only Memory) 502, a RAM (Random Access Memory) 503, an HDD (Hard Disk Drive) 504, an input device 505, It has a display device 506, a communication I/F (Interface) 507, and an external I/F 508.
  • CPU501, ROM502, and RAM503 form what is called a computer.
  • Each piece of hardware in the computer 500 is interconnected via a bus line 509. Note that the input device 505 and the display device 506 may be connected to an external I/F 508 for use.
  • the CPU 501 is an arithmetic unit that realizes control and functions of the entire computer 500 by reading programs and data from a storage device such as the ROM 502 or the HDD 504 onto the RAM 503 and executing processing.
  • the ROM 502 is an example of a nonvolatile semiconductor memory (storage device) that can retain programs and data even when the power is turned off.
  • the ROM 502 functions as a main storage device that stores various programs, data, etc. necessary for the CPU 501 to execute various programs installed on the HDD 504 .
  • the ROM 502 stores data such as boot programs such as the BIOS (Basic Input/Output System) and EFI (Extensible Firmware Interface) that are executed when the computer 500 is started, OS (Operating System) settings, and network settings. is stored.
  • BIOS Basic Input/Output System
  • EFI Extensible Firmware Interface
  • the RAM 503 is an example of a volatile semiconductor memory (storage device) whose programs and data are erased when the power is turned off.
  • the RAM 503 is, for example, DRAM (Dynamic Random Access Memory) or SRAM (Static Random Access Memory).
  • the RAM 503 provides a work area where various programs installed on the HDD 504 are expanded when the CPU 501 executes them.
  • the HDD 504 is an example of a nonvolatile storage device that stores programs and data.
  • the programs and data stored in the HDD 504 include an OS, which is basic software that controls the entire computer 500, and applications that provide various functions on the OS.
  • the computer 500 may use a storage device (for example, SSD: Solid State Drive) that uses flash memory as a storage medium.
  • SSD Solid State Drive
  • the input device 505 is a touch panel used by the user to input various signals, operation keys or buttons, a keyboard or mouse, a microphone for inputting sound data such as voice, or the like.
  • the display device 506 is composed of a display such as a liquid crystal or organic EL (Electro-Luminescence) that displays a screen, a speaker that outputs sound data such as audio, and the like.
  • a display such as a liquid crystal or organic EL (Electro-Luminescence) that displays a screen
  • a speaker that outputs sound data such as audio, and the like.
  • the communication I/F 507 is an interface that connects to a communication network and allows the computer 500 to perform data communication.
  • the external I/F 508 is an interface with an external device.
  • the external device includes a drive device 510 and the like.
  • the drive device 510 is a device for setting the recording medium 511.
  • the recording medium 511 here includes a medium that records information optically, electrically, or magnetically, such as a CD-ROM, a flexible disk, and a magneto-optical disk. Further, the recording medium 511 may include a semiconductor memory or the like that electrically records information, such as a ROM or a flash memory. Thereby, the computer 500 can read and/or write to the recording medium 511 via the external I/F 508.
  • the various programs installed on the HDD 504 are, for example, when the distributed recording medium 511 is set in the drive device 510 connected to the external I/F 508, and the various programs recorded on the recording medium 511 are read by the drive device 510. It is installed by Alternatively, various programs to be installed on the HDD 504 may be installed by being downloaded from a network different from the communication network via the communication I/F 507.
  • FIG. 3 is a block diagram showing an example of the functional configuration of the design support system 1 in this embodiment.
  • the material design apparatus 10 in this embodiment includes a model storage unit 100, an initial composition determination unit 101, a surrounding composition generation unit 102, a property prediction unit 103, a search range expansion unit 104, a factor exchange 105, a composition candidate updating section 106, a search range reduction section 107, and a result output section 108.
  • the initial composition determination unit 101, peripheral composition generation unit 102, characteristic prediction unit 103, search range expansion unit 104, factor exchange unit 105, composition candidate update unit 106, search range reduction unit 107, and result output unit 108 are shown in FIG. This is realized by the process of causing the CPU 501 to execute a program loaded from the HDD 504 onto the RAM 503.
  • the model storage unit 100 is realized by the HDD 504 shown in FIG.
  • the model storage unit 100 stores learned characteristic prediction models.
  • the property prediction model is a machine learning model that uses each factor included in the material composition of the target substance as an explanatory variable and the material properties of the target substance as an objective variable.
  • An example of a machine learning model is a regression model.
  • the structure of the machine learning model is, for example, a random forest or a deep neural network.
  • the initial composition determining unit 101 receives initial composition data generated in response to user operations from the user terminal 20.
  • the initial composition data in this embodiment includes the material composition of the target substance and target values of material properties.
  • the initial composition determination unit 101 determines the material composition of the target substance included in the initial composition data as the initial value of the composition candidate.
  • a material composition with good measured or predicted values of desired material properties may be selected from experimental results or the results of a large-scale search by machine learning.
  • a material composition with good measured values of desired material properties may be selected from experimental results using material compositions found through large-scale searches. If a material composition that provides good material properties in experimental results is selected as an initial value, it can be expected that composition candidates with high feasibility can be obtained.
  • whether or not the material properties are good indicates whether or not the product produced using the target substance has excellent properties. If the larger the value of the material property is, the better the product property is, it can be said that the larger the value of the material property is, the better the value is. On the other hand, if the smaller the value of the material property is, the better the product property is, it can be said that the smaller the value of the material property is, the better the value is.
  • experimental results using material compositions searched through large-scale searches can be obtained as follows. First, a set of material compositions is generated in which each factor is varied within a predetermined variation width and over the entire range from the entire material composition of the target substance. Next, a predetermined number of material compositions are randomly sampled from the set of material compositions. Experiments are then performed on the sampled material compositions to measure multiple material properties, including desired material properties. From the experimental results obtained in this manner, a material composition with good desired material properties may be selected as a material composition to be included in the initial composition data. The predetermined number of material compositions may be sampled from the set of material compositions at predetermined steps.
  • the target values of material properties to be included in the initial composition data may be arbitrarily determined by the user.
  • the best material properties obtained from experimental results or large-scale search results, or material properties that are further improved from the best material properties, may be set as the target values.
  • the surrounding composition generation unit 102 generates a plurality of surrounding compositions in which each factor included in the composition candidate of the target substance is varied within a predetermined search range. Specifically, the peripheral composition generation unit 102 randomly generates a predetermined number of material compositions from a set of material compositions in which the blending amount of each factor included in the composition candidate is varied within a predetermined variation width and a predetermined search range. A predetermined number of surrounding compositions are generated by sampling at a predetermined interval or at a predetermined step width.
  • the property prediction unit 103 predicts a plurality of material properties based on each surrounding composition generated by the surrounding composition generation unit 102.
  • the plurality of material properties includes material properties that are desired to be maintained (hereinafter also referred to as “maintenance properties”) and material properties that are desired to be improved (hereinafter also referred to as “improvement target properties”) among material properties based on the initial composition.
  • the property prediction unit 103 calculates a plurality of material properties by inputting each factor included in the surrounding composition into the learned property prediction model stored in the model storage unit 100.
  • the property prediction unit 103 may predict material properties only for surrounding compositions whose similarity with the composition candidate is greater than or equal to a predetermined threshold.
  • the degree of similarity in this embodiment can be determined, for example, by generating vectors whose elements are the blending amounts of each factor for each of the composition candidates and surrounding compositions, and calculating the distance between the vectors using an arbitrary distance measure.
  • An example of a distance measure in this embodiment is Euclidean distance.
  • the search range expanding unit 104 expands the search range when there is no surrounding composition in which the predicted value of the material property by the property predicting unit 103 is better than the target value of the material property.
  • the factor exchange unit 105 exchanges the factors of the composition candidates when the search range is greater than or equal to a predetermined maximum search range.
  • a predetermined maximum search range is a range that has been expanded a predetermined number of times by the search range expansion unit 104.
  • the factor exchange unit 105 returns the search range to the initial state when exchanging the factors.
  • the factor exchange unit 105 performs factor exchange based on the degree of contribution to each factor in the learned characteristic prediction model stored in the model storage unit 100. Specifically, the factor exchange unit 105 exchanges a factor having a high degree of contribution to the characteristic to be improved with a factor having a low degree of contribution to the maintenance characteristic in the initial value of the composition candidate.
  • the composition candidate updating unit 106 updates the composition candidate with the surrounding composition.
  • the composition candidate updating unit 106 sets the surrounding composition as a new composition candidate.
  • the composition candidate update unit 106 updates the composition candidate, it updates the target value of the material property with the predicted value of the material property based on the new composition candidate.
  • maintenance of material properties refers to a case where no significant difference appears in the material properties between the original material property value and the new material property value.
  • Improved material properties refer to the new material property values being better than the original material property values.
  • the search range reduction unit 107 reduces the search range to the initial state when the factors of the composition candidate are exchanged by the factor exchange unit 105 or when the composition candidate is updated by the composition candidate update unit 106.
  • the result output unit 108 generates search result data and transmits it to the user terminal 20 when a predetermined termination condition is satisfied.
  • a predetermined termination condition is when composition candidates have been updated a predetermined number of times.
  • Another example of the termination condition in this embodiment is when the predicted value of the material property based on the composition candidate achieves the target value specified by the user.
  • the search result data in this embodiment includes a current composition candidate of the target substance and predicted values of a plurality of material properties based on the composition candidate.
  • the search result data in this embodiment may include history information of composition candidates updated during the search.
  • the history information of composition candidates may include, for example, a list of each composition candidate updated during the search and a list of predicted values of a plurality of material properties based on each composition candidate.
  • the user terminal 20 in this embodiment includes an initial composition input section 201 and a result display section 202.
  • the initial composition input section 201 and the result display section 202 are realized by a process executed by the CPU 501 from a program loaded onto the RAM 503 from the HDD 504 shown in FIG.
  • the initial composition input unit 201 receives input of initial composition data in response to a user's operation.
  • the initial composition input unit 201 transmits the received initial composition data to the material design device 10.
  • the result display unit 202 receives search result data from the material design device 10.
  • the result display unit 202 displays composition candidates of the target substance and material properties of the composition candidates on the display device 506 based on the received search result data.
  • FIG. 4 is a flowchart showing an example of the processing procedure of the material design method in this embodiment.
  • step S1 the initial composition input unit 201 included in the user terminal 20 receives input of initial composition data including the material composition of the target substance and target values of material properties in response to a user's operation.
  • the initial composition input unit 201 transmits the received initial composition data to the material design device 10.
  • the initial composition determination unit 101 receives initial composition data from the user terminal 20. Next, the initial composition determination unit 101 determines the material composition of the target substance included in the initial composition data as the initial value of the composition candidate. Subsequently, the initial composition determining unit 101 sends the initial values of the composition candidates and the target values of the material properties to the peripheral composition generating unit 102.
  • step S2 the surrounding composition generation unit 102 included in the material design device 10 receives the initial values of the composition candidates and the target values of the material properties from the initial composition determination unit 101.
  • the surrounding composition generation unit 102 generates a plurality of surrounding compositions in which each factor included in the candidate composition of the target substance is varied within a predetermined search range.
  • the surrounding composition generation unit 102 sends the plurality of generated surrounding compositions to the characteristic prediction unit 103.
  • the search range in this embodiment is, for example, a range of ⁇ 5% in the initial state.
  • the search range is expanded to a range of ⁇ 10% in the first expansion.
  • the search range is expanded to a range of ⁇ 15% in the second expansion.
  • step S3 the property prediction unit 103 included in the material design device 10 receives a plurality of surrounding compositions from the surrounding composition generation unit 102.
  • the characteristic prediction unit 103 calculates the degree of similarity between the composition candidate and each surrounding composition, and deletes the surrounding compositions for which the degree of similarity is less than a predetermined threshold.
  • the characteristic prediction unit 103 reads the learned characteristic prediction model from the model storage unit 100. Next, the property prediction unit 103 predicts a plurality of material properties including maintenance properties and properties to be improved by inputting each factor included in each surrounding composition into a learned property prediction model.
  • step S4 the property prediction unit 103 included in the material design device 10 determines whether there is a surrounding composition whose predicted value of the material property is better than the target value of the material property, among the surrounding compositions whose material properties have been predicted. do. If there is a surrounding composition that improves the material properties (YES), the property prediction unit 103 advances the process to step S9. On the other hand, when there is no surrounding composition that improves the material properties (NO), the property prediction unit 103 advances the process to step S5.
  • step S5 the search range expansion unit 104 included in the material design apparatus 10 determines whether the number of times the search range has been expanded is greater than or equal to a predetermined threshold. If the number of expansions is equal to or greater than the predetermined threshold (YES), the search range expansion unit 104 advances the process to step S7. On the other hand, if the number of times of expansion is less than the predetermined threshold (NO), the search range expansion unit 104 advances the process to step S6.
  • the number of times of enlargement in this embodiment is two at most. That is, when the current search range is ⁇ 15% or more, the search range expansion unit 104 advances the process to step S7, and when the current search range is less than ⁇ 15% ( ⁇ 5% or ⁇ 10%). , the search range enlarging unit 104 advances the process to step S6.
  • step S6 the search range expansion unit 104 included in the material design device 10 expands the search range. If the current search range is within ⁇ 5%, the search range expansion unit 104 expands it to ⁇ 10%, and if the current search range is within ⁇ 10%, it expands it to ⁇ 15%. Expanding.
  • step S7 the factor exchange unit 105 included in the material design device 10 reads out the learned property prediction model from the model storage unit 100.
  • the factor exchange unit 105 acquires the degree of contribution of each factor from the learned characteristic prediction model.
  • the degree of contribution is an index representing the magnitude of influence that each factor has on model learning.
  • the factor exchange unit 105 obtains the degree of contribution of each factor for each material property predicted by the property prediction unit 103.
  • FIG. 5 is a diagram showing an example of the degree of contribution in this embodiment.
  • FIG. 5 assumes a case where the target substance is an adhesive and it is desired to improve the strength while maintaining the adhesive force based on the initial value of the composition candidate.
  • FIG. 5(A) is a diagram showing an example of the degree of contribution to adhesive force.
  • FIG. 5(B) is a diagram showing an example of the degree of contribution to intensity.
  • the degree of contribution of each factor is a combination of a factor and a degree of contribution, and is obtained for each material property.
  • the example in Figure 5 is an example of the degree of contribution obtained from the characteristic prediction model implemented by Random Forest. An index may be used as a degree of contribution.
  • the factor exchange unit 105 exchanges the factors of the composition candidates based on the degree of contribution of each factor. Specifically, the factor exchange unit 105 exchanges a factor that has a high degree of contribution to the characteristic to be improved with a factor that has a low degree of contribution to the maintenance characteristic. Note that the factor exchange unit 105 exchanges factors having the same type of material. For example, when a factor having a high degree of contribution to the property to be improved is an additive, a factor having a low degree of contribution to the maintenance characteristic is selected from among the additives.
  • FIG. 6 is a diagram showing an example of composition candidates before and after factor exchange in this embodiment.
  • FIG. 6(A) is a diagram showing an example of initial values of composition candidates.
  • FIG. 6(B) is a diagram showing an example of a composition candidate after the first factor exchange.
  • FIG. 6(C) is a diagram showing an example of a composition candidate after the second factor exchange.
  • the minimum and maximum values are set for the factors after factor exchange.
  • the minimum and maximum values represent the minimum and maximum amounts that can be blended with the material in the production of the target substance. It is assumed that the minimum value and maximum value are set in advance based on the results of other experiments using the material.
  • factor exchange is always performed based on the initial value of the composition candidate. That is, even if factor exchange is performed multiple times, no further factor exchange is performed from the composition candidate after factor exchange. Thereby, the material composition obtained as a search result has only one factor exchanged with the initial value of the composition candidate, and the initial value dependence can be maintained.
  • step S8 the search range reduction unit 107 included in the material design apparatus 10 reduces the search range to the initial state. If the current search range exceeds ⁇ 5% ( ⁇ 10% or ⁇ 15%), the search range reduction unit 107 reduces the search range to a range of ⁇ 5%.
  • step S9 the composition candidate updating unit 106 included in the material design device 10 updates the composition candidate with the surrounding composition when there is a surrounding composition whose predicted value of the material property is better than the target value of the material property.
  • the composition candidate updating unit 106 updates the composition candidate with the surrounding composition whose material properties are the best among those surrounding compositions.
  • the composition candidate updating unit 106 updates the target value of the material property with the predicted value of the material property based on the new composition candidate.
  • step S10 the composition candidate update unit 106 included in the material design device 10 determines whether the number of updates of the composition candidate is equal to or greater than a predetermined threshold. If the number of updates is equal to or greater than the predetermined threshold (YES), the composition candidate update unit 106 advances the process to step S11. On the other hand, if the number of updates is less than the predetermined threshold (NO), the composition candidate updating unit 106 returns the process to step S8.
  • An example of the predetermined number of times in this embodiment is five times. If the composition candidate is updated too many times, the search may occur in a region far from the initial value of the composition candidate. As a result, problems such as loss of initial value dependence and output of unrealistic material compositions occur. Therefore, in this embodiment, the number of times the composition candidate is updated is limited, and the search is configured to end when the composition candidate is updated a predetermined number of times.
  • step S11 the result output unit 108 included in the material design device 10 generates search result data including composition candidates of the target substance and predicted values of material properties based on the composition candidates.
  • the result output unit 108 transmits the search result data to the user terminal 20.
  • the result display unit 202 receives search result data from the material design apparatus 10.
  • the result display unit 202 displays composition candidates of the target substance and material properties of the composition candidates on the display device 506 based on the received search result data.
  • FIGS. 7 and 8 are diagrams showing an example of the search flow.
  • the plane shown in FIG. 7 is a graph representing the distribution of material composition. Actually, it should be expressed in a space with the same number of dimensions as the number of factors included in the material composition, but for the sake of explanation, it is expressed on a two-dimensional plane using two arbitrary factors x1 and x2.
  • FIG. 7(A) shows that in the first local search, the local search is performed within a search range 311 of ⁇ 5% from the initial value 301 of the composition candidate.
  • FIG. 7B shows that as a result of the first local search, a new composition candidate 302 was searched within a search range 311 of ⁇ 5%.
  • FIG. 7C shows that in the second local search, the local search is performed within a search range 312 of ⁇ 5% from the new composition candidate 302.
  • FIG. 7(D) shows that as a result of the second local search, a new composition candidate 303 was searched within the search range 312 of ⁇ 5%.
  • FIG. 8A shows that in the x-th local search, the composition candidate is not updated within a search range 331 of ⁇ 5% from the composition candidate 321, and the local search is performed within a search range 332 of ⁇ 10%. represents.
  • FIG. 8B shows that as a result of the x-th local search, a new composition candidate 322 has been searched within the search range 332 of ⁇ 10%.
  • FIG. 8C shows that in the x-th local search, the composition candidates were not updated even within the search range 332 of ⁇ 10% from the composition candidate 321, and the local search was performed within the search range 333 of ⁇ 15%. This indicates that a new composition candidate 323 has been searched as a result.
  • FIG. 8(D) shows that in the x-th local search, the composition candidate is not updated even within the search range 333 of ⁇ 15% from the composition candidate 321, and the factor x1 is replaced with the factor x3.
  • the search range is reduced from the composition candidate 321 to a search range 334 of ⁇ 5%, and a local search is performed within the search range 334.
  • Example> An example of the present disclosure is an example in which the material design device 10 according to the present embodiment searches for a material composition that can obtain strength that achieves a target value while maintaining adhesive force in material design of an adhesive.
  • FIGS. 9 to 11 are diagrams showing examples of search results for material compositions in this example.
  • each of the graphs shown in FIGS. 9 and 10 displays coordinates on the search space and material properties for the surrounding composition generated by one local search.
  • the left vertical axis and the horizontal axis are the material composition
  • the right vertical axis is a color bar, in which the strength, which is the property to be improved, is shown in color.
  • the initial value is represented by a white star
  • the best value is represented by a black star.
  • FIG. 9(A) shows the results of the first local search.
  • the surrounding composition was generated within a range of ⁇ 5%.
  • the best values were 4.42 for adhesion and 58.784 for strength.
  • the composition candidates were not updated because the material properties did not meet the target values.
  • FIG. 9(B) shows the results of the second local search.
  • the surrounding composition was generated within a range of ⁇ 10%.
  • the best values were 4.41 for adhesion and 61.683 for strength.
  • the composition candidates were not updated because the material properties did not meet the target values.
  • FIG. 9(C) shows the results of the third local search.
  • the surrounding composition was generated within a range of ⁇ 15%.
  • the best values were 4.22 for adhesion and 61.734 for strength.
  • the composition candidates were not updated because the material properties did not meet the target values.
  • FIG. 9(D) shows the results of the first local search after factor exchange.
  • surrounding compositions were generated within a range of ⁇ 5%. The best values were 4.45 for adhesion and 58.933 for strength. The composition candidates were not updated because the material properties did not meet the target values.
  • Figure 9(E) shows the results of the second local search after factor exchange.
  • surrounding compositions were generated within a range of ⁇ 10%. The best values were 4.38 for adhesion and 62.191 for strength. The composition candidates were not updated because the material properties did not meet the target values.
  • Figure 9(F) shows the results of the third local search after factor exchange.
  • the third local search after factor exchange surrounding compositions were generated within a range of ⁇ 15%.
  • the best values were 4.53 for adhesion and 64.024 for strength. Since the material properties met the target values, the composition candidates and target values were updated using the material composition that yielded the best values.
  • FIG. 10(A) shows the results of the first local search after the first update.
  • the surrounding composition was generated within a range of ⁇ 5%.
  • the best values were 4.55 for adhesion and 65.430 for strength. Since the material properties met the target values, a second update was performed using the material composition that yielded the best values.
  • FIG. 10(B) shows the results of the first local search after the second update.
  • the surrounding composition was generated within a range of ⁇ 5%.
  • the best values were 4.56 for adhesion and 65.437 for strength. Since the material properties met the target values, a third update was performed using the material composition that yielded the best values.
  • FIG. 10(C) shows the results of the first local search after the third update.
  • the surrounding composition was generated within a range of ⁇ 5%.
  • the best values were 4.59 for adhesion and 65.549 for strength. Since the material properties met the target values, the fourth update was performed using the material composition that yielded the best values.
  • FIG. 11 is a diagram showing an example of the search results for the material composition in this example.
  • FIG. 11(A) shows the first local search after the third update from the first local search (hereinafter referred to as "initial search") shown in FIGS. 9(A) to 10(C).
  • This is a graph summarizing the search results up to (hereinafter referred to as the "final search").
  • the graph shown in FIG. 11A shows the initial value in the first search, the best value in the third search after factor exchange, and the best value in the last search.
  • FIG. 11(A) it can be seen that in the search that resulted in a material composition that achieved the target value, the search was performed in a nearby area.
  • FIG. 11(B) is a graph plotting the material properties of the surrounding composition in the first search and the material properties of the surrounding composition in the last search, with the horizontal axis representing adhesive force and the vertical axis representing strength. As shown in FIG. 11(B), it can be seen that in the last search, the search was performed in a region where the adhesive force and strength were higher than in the first search.
  • the design support system uses the surrounding compositions that improve material properties among the surrounding compositions in which each factor included in the composition candidates of the target substance is varied within a predetermined search range. and expand the search range when there are no surrounding compositions that improve material properties. At this time, when the search range exceeds a predetermined range, the factors of the composition candidates are exchanged. Therefore, according to the design support system of this embodiment, it is possible to perform a local search that is unlikely to fall into a local solution while maintaining initial value dependence.
  • the design support system in this embodiment updates composition candidates with surrounding compositions that maintain the material properties that you want to maintain and improve the material properties that you want to improve, and in the factor exchange, the contribution of the material properties that you want to improve. Replace a factor with a high value with a factor with a low contribution to the material properties you want to maintain. Therefore, according to the design support system of this embodiment, it is possible to search for a material composition that improves material properties while taking into consideration a plurality of material properties that are in a trade-off relationship.
  • the design support system in this embodiment finishes the search after updating the composition candidates a predetermined number of times, and outputs the composition candidates as a search result. Furthermore, the design support system in this embodiment does not search for surrounding compositions whose similarity to the composition candidate is less than a predetermined threshold. Therefore, according to the design support system of this embodiment, composition candidates are not searched in a region far away from the initial value of the composition candidate, and initial value dependence can be maintained.
  • processing circuit refers to a processor programmed to execute each function by software, such as a processor implemented by an electronic circuit, or a processor designed to execute each function explained above. This includes devices such as ASICs (Application Specific Integrated Circuits), DSPs (Digital Signal Processors), FPGAs (Field Programmable Gate Arrays), and conventional circuit modules.
  • ASICs Application Specific Integrated Circuits
  • DSPs Digital Signal Processors
  • FPGAs Field Programmable Gate Arrays

Landscapes

  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Stored Programmes (AREA)

Abstract

初期値依存性を維持しつつ局所解に陥り難い局所探索を行う。材料設計装置が、目的物質の組成候補に含まれる各因子を所定の探索範囲で変動させた周辺組成を生成するように構成されている周辺組成生成部と、周辺組成に基づいて目的物質の材料特性を予測するように構成されている特性予測部と、材料特性が改善する周辺組成があるとき、当該周辺組成で組成候補を更新するように構成されている組成候補更新部と、材料特性が改善する周辺組成がないとき、探索範囲を拡大するように構成されている探索範囲拡大部と、探索範囲が所定の範囲を超えたとき、組成候補の因子を交換するように構成されている因子交換部と、を備える。

Description

材料設計装置、材料設計方法及びプログラム
　本開示は、材料設計装置、材料設計方法及びプログラムに関する。
　近年、機械学習等を活用して材料開発を効率化する技術が利用されている。機械学習等を活用した材料開発では、大規模探索と局所探索とを組み合わせて効率的に特性値の最適解を探索することが行われている。
　例えば、特許文献１には、目的物質に関する特性値の最適値を与える複数のパラメータの値の組合せを探索する問題をモデル化したベイズモデルを生成し、複数のパラメータの値の全組合せによる全探索空間よりも狭い探索空間において、ベイズモデルを用いた組合せの探索を実行する発明が開示されている。
特開２０２０－１８７６４２号公報
　しかしながら、従来技術では、局所探索において因子交換が行われないという課題がある。因子交換が行われないと、局所探索における初期値に依存して局所解に陥るおそれがある。一方、ランダムな因子交換を行うと、初期値では良好であった材料特性が失われるおそれがある。
　本開示の一態様は、初期値依存性を維持しつつ局所解に陥り難い局所探索を行うことを目的とする。
　本開示は、以下に示す構成を備える。
　［１］　目的物質の組成候補に含まれる各因子を所定の探索範囲で変動させた周辺組成を生成するように構成されている周辺組成生成部と、
　前記周辺組成に基づいて前記目的物質の材料特性を予測するように構成されている特性予測部と、
　前記材料特性が改善する前記周辺組成があるとき、当該周辺組成で前記組成候補を更新するように構成されている組成候補更新部と、
　前記材料特性が改善する前記周辺組成がないとき、前記探索範囲を拡大するように構成されている探索範囲拡大部と、
　前記探索範囲が所定の最大探索範囲を超えたとき、前記組成候補の因子を交換するように構成されている因子交換部と、
　を備える材料設計装置。
　［２］　上記［１］に記載の材料設計装置であって、
　前記特性予測部は、前記目的物質の材料組成を説明変数とし、前記材料特性を目的変数とする予測モデルを用いて、前記材料特性を予測するように構成されており、
　前記因子交換部は、前記予測モデルにおける各因子の寄与度に基づいて前記組成候補の因子を交換するように構成されている、
　材料設計装置。
　［３］　上記［２］に記載の材料設計装置であって、
　前記特性予測部は、複数の前記材料特性を予測するように構成されており、
　前記組成候補更新部は、第１の前記材料特性が維持され、第２の前記材料特性が改善されるとき、前記組成候補を更新するように構成されている、
　材料設計装置。
　［４］　上記［３］に記載の材料設計装置であって、
　前記因子交換部は、前記第２の前記材料特性の寄与度が高い因子を、前記第１の前記材料特性の寄与度が低い因子に交換するように構成されている、
　材料設計装置。
　［５］　上記［４］に記載の材料設計装置であって、
　前記目的物質の材料組成全体からランダムに又は所定の刻み幅で生成した材料組成のうち、前記第１の前記材料特性が良好な前記材料組成を前記組成候補として決定するように構成されている初期組成決定部をさらに備える、
　材料設計装置。
　［６］　上記［４］又は［５］に記載の材料設計装置であって、
　前記因子交換部は、種類が同一の因子同士を交換するように構成されている、
　材料設計装置。
　［７］　上記［１］から［６］のいずれかに記載の材料設計装置であって、
　前記組成候補更新部は、前記組成候補を所定の回数更新したとき、前記組成候補を出力するように構成されている、
　材料設計装置。
　［８］　上記［１］から［７］のいずれかに記載の材料設計装置であって、
　前記特性予測部は、前記組成候補との類似度が所定の閾値以上である前記周辺組成について、前記材料特性を予測するように構成されている、
　材料設計装置。
　［９］　コンピュータが、
　目的物質の組成候補に含まれる各因子を所定の探索範囲で変動させた周辺組成を生成する手順と、
　前記周辺組成に基づいて前記目的物質の材料特性を予測する手順と、
　前記材料特性が改善する前記周辺組成があるとき、当該周辺組成で前記組成候補を更新する手順と、
　前記材料特性が改善する前記周辺組成がないとき、前記探索範囲を拡大する手順と、
　前記探索範囲が所定の最大探索範囲を超えたとき、前記組成候補の因子を交換する手順と、
　を実行する材料設計方法。
　［１０］　コンピュータに、
　目的物質の組成候補に含まれる各因子を所定の探索範囲で変動させた周辺組成を生成する手順と、
　前記周辺組成に基づいて前記目的物質の材料特性を予測する手順と、
　前記材料特性が改善する前記周辺組成があるとき、当該周辺組成で前記組成候補を更新する手順と、
　前記材料特性が改善する前記周辺組成がないとき、前記探索範囲を拡大する手順と、
　前記探索範囲が所定の最大探索範囲を超えたとき、前記組成候補の因子を交換する手順と、
　を実行させるためのプログラム。
　本開示の一態様によれば、初期値依存性を維持しつつ局所解に陥り難い局所探索を行うことができる。
図１は、設計支援システムの全体構成の一例を示すブロック図である。 図２は、コンピュータのハードウェア構成の一例を示すブロック図である。 図３は、設計支援システムの機能構成の一例を示すブロック図である。 図４は、材料設計方法の処理手順の一例を示すフローチャートである。 図５（Ａ）は、接着力に対する寄与度の一例を示す図である。図５（Ｂ）は、強度に対する寄与度の一例を示す図である。 図６（Ａ）は、組成候補の初期値の一例を示す図である。図６（Ｂ）は、１回目の因子交換後の組成候補の一例を示す図である。図６（Ｃ）は、２回目の因子交換後の組成候補の一例を示す図である。 図７（Ａ）は、１回目の局所探索の一例を示す図である。図７（Ｂ）は、１回目の局所探索の一例を示す図である。図７（Ｃ）は、２回目の局所探索の一例を示す図である。図７（Ｄ）は、２回目の局所探索の一例を示す図である。 図８（Ａ）は、ｘ回目の局所探索の一例を示す図である。図８（Ｂ）は、ｘ回目の局所探索の一例を示す図である。図８（Ｃ）は、ｘ回目の局所探索の一例を示す図である。図８（Ｄ）は、ｘ回目の局所探索の一例を示す図である。 図９（Ａ）は、１回目の局所探索の結果の一例を示す図である。図９（Ｂ）は、２回目の局所探索の結果の一例を示す図である。図９（Ｃ）は、３回目の局所探索の結果の一例を示す図である。図９（Ｄ）は、因子交換後の１回目の局所探索の結果の一例を示す図である。図９（Ｅ）は、因子交換後の２回目の局所探索の結果の一例を示す図である。図９（Ｆ）は、因子交換後の３回目の局所探索の結果の一例を示す図である。 図１０（Ａ）は、１回目の更新後の１回目の局所探索の結果の一例を示す図である。図１０（Ｂ）は、２回目の更新後の１回目の局所探索の結果の一例を示す図である。図１０（Ｃ）は、３回目の更新後の１回目の局所探索の結果の一例を示す図である。 図１１（Ａ）は、最初の探索から最後の探索までの探索結果をまとめたグラフの一例を示す図である。図１１（Ｂ）は、最初の探索及び最後の探索における周辺組成の材料特性をプロットしたグラフの一例を示す図である。
　以下、本発明の各実施形態について添付の図面を参照しながら説明する。なお、本明細書および図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省略する。
　［実施形態］
　従来、材料開発は技術者の経験や勘等に基づいて行われてきた。近年、機械学習等を活用して材料開発を効率化する技術が利用されている。機械学習を活用した材料開発では、例えば、機械学習による大規模探索が行われる。機械学習による大規模探索によれば、人間が予想していなかった領域まで含めて材料の設計条件を探索することができる。
　機械学習による大規模探索では、ある材料特性Ａについては目標値を達成することができるが、材料特性Ａとトレードオフの関係にある他の材料特性Ｂは基準を満たすことができない設計条件が得られることがある。このとき、材料特性Ａについては目標値を達成しているため、その設計条件を活用して材料設計を進展することができれば効率的である。
　この場合、例えば、機械学習による探索を再度実行することが考えられる。しかしながら、機械学習による再探索では、少なくとも材料特性Ａについて目標値を達成することができた設計条件を考慮することができない。また、機械学習による探索のみでは、良好な材料特性を得られると予測されても、実際に実現可能な材料組成であることまでは保証されない。
　また、例えば、得られた設計条件を初期値として実験計画法により探索を実行することが考えられる。もしくは、得られた設計条件を技術者がチューニングすることも考えられる。しかしながら、実験計画法やチューニング等による手法では、実験回数が多くなる、初期値に含まれる因子以外の因子を考慮することが難しい等の課題がある。
　機械学習による探索では、大規模探索と局所探索とを組み合わせて効率的に探索を行うことが行われることがある。しかしながら、従来技術では探索中に因子交換が行われないため、初期値に依存して局所解に陥るおそれがある。遺伝的アルゴリズム等に基づく突然変異での因子交換を組み合わせても、最適化対象とする材料特性に関係のない因子の交換が行われ、材料特性が悪化するおそれもある。
　本開示の一実施形態は、複数の物質を用いて製造される物質の設計を支援する設計支援システムである。以下、設計対象とする物質を「目的物質」と呼び、目的物質の製造に用いられる物質を「材料物質」と呼ぶ。本実施形態における設計支援システムは、ユーザの指示に応じて、所望の材料特性が最適化された目的物質の材料組成を探索し、探索結果をユーザに提示する情報処理システムである。
　本実施形態における目的物質は、一例として、複数の樹脂、添加剤及び／又はフィラーを含んで構成される半導体材料等の複合材料である。したがって、本実施形態における材料物質は、一例として、樹脂、添加剤及び／又はフィラー等である。半導体材料の一例は、レジスト材、接着剤、粘着剤、封止材等である。目的物質及び材料物質はこれらに限定されず、本実施形態は、複数の物質を用いて製造される物質であれば、どのようなものであっても適用可能である。
　本実施形態における設計支援システムは、ユーザにより選択された目的物質の材料組成を組成候補の初期値として、組成候補の周辺領域で局所探索を繰り返し、良好な材料特性を得られる目的物質の組成候補を探索する。局所探索では、所定の探索範囲で組成候補の各因子を変動させた複数の周辺組成を生成し、各周辺組成に基づいて予測される材料特性が、ユーザにより指定された目標値よりも良好な周辺組成があれば、その周辺組成で組成候補を更新する。
　本実施形態における設計支援システムは、ある探索範囲で材料特性が改善する周辺組成がないとき、探索範囲を拡大して再度局所探索を行う。また、探索範囲が予め定めた最大探索範囲を超えたとき、組成候補の因子を交換し、再度局所探索を行う。因子交換では、改善したい材料特性に対する影響が大きい因子を、維持したい材料特性に対する影響が小さい因子に交換する。
　したがって、本実施形態における設計支援システムによれば、組成候補の初期値から大きく離れることがなく、初期値依存性が維持された探索結果を得ることができる。また、本実施形態における設計支援システムによれば、所定の探索範囲内で組成候補の更新が発生しないとき因子交換を行うため、局所解に陥り難い探索を行うことができる。
　＜設計支援システムの全体構成＞
　本実施形態における設計支援システムの全体構成を、図１を参照しながら説明する。図１は、本実施形態における設計支援システムの全体構成の一例を示すブロック図である。
　図１に示されているように、本実施形態における設計支援システム１は、材料設計装置１０及びユーザ端末２０を含む。材料設計装置１０及びユーザ端末２０は、ＬＡＮ（Local Area Network）又はインターネット等の通信ネットワークＮ１を介してデータ通信可能に接続されている。
　材料設計装置１０は、ユーザ端末２０からの要求に応じて、良好な材料特性が得られる目的物質の材料組成を探索するパーソナルコンピュータ、ワークステーション、サーバ等の情報処理装置である。材料設計装置１０は、ユーザ端末２０から目的物質の材料組成に関する初期組成データを受信する。材料設計装置１０は、初期組成データに基づいて目的物質の材料組成を探索し、探索結果として得られた目的物質の材料組成を表す探索結果データをユーザ端末２０に送信する。
　ユーザ端末２０は、ユーザが操作するパーソナルコンピュータ、タブレット端末、スマートフォン等の情報処理端末である。ユーザ端末２０は、ユーザの操作に応じて、初期組成データを生成し、材料設計装置１０に送信する。ユーザ端末２０は、材料設計装置１０から受信した探索結果データに基づいて、探索結果をユーザに対して表示する。
　なお、図１に示した設計支援システム１の全体構成は一例であって、用途や目的に応じて様々なシステム構成例があり得る。例えば、材料設計装置１０は、複数台のコンピュータにより実現してもよいし、クラウドコンピューティングのサービスとして実現してもよい。また、例えば、設計支援システム１は、材料設計装置１０及びユーザ端末２０がそれぞれ備えるべき機能を兼ね備えたスタンドアローンの情報処理装置により実現してもよい。
　＜設計支援システムのハードウェア構成＞
　本実施形態における設計支援システム１のハードウェア構成を、図２を参照しながら説明する。
　≪コンピュータのハードウェア構成≫
　本実施形態における材料設計装置１０及びユーザ端末２０は、例えばコンピュータにより実現される。図２は、本実施形態におけるコンピュータ５００のハードウェア構成の一例を示すブロック図である。
　図２に示されているように、コンピュータ５００は、ＣＰＵ（Central Processing Unit）５０１、ＲＯＭ（Read Only Memory）５０２、ＲＡＭ（Random Access Memory）５０３、ＨＤＤ（Hard Disk Drive）５０４、入力装置５０５、表示装置５０６、通信Ｉ／Ｆ（Interface）５０７及び外部Ｉ／Ｆ５０８を有する。ＣＰＵ５０１、ＲＯＭ５０２及びＲＡＭ５０３は、いわゆるコンピュータを形成する。コンピュータ５００の各ハードウェアは、バスライン５０９を介して相互に接続されている。なお、入力装置５０５及び表示装置５０６は外部Ｉ／Ｆ５０８に接続して利用する形態であってもよい。
　ＣＰＵ５０１は、ＲＯＭ５０２又はＨＤＤ５０４等の記憶装置からプログラムやデータをＲＡＭ５０３上に読み出し、処理を実行することで、コンピュータ５００全体の制御や機能を実現する演算装置である。
　ＲＯＭ５０２は、電源を切ってもプログラムやデータを保持することができる不揮発性の半導体メモリ（記憶装置）の一例である。ＲＯＭ５０２は、ＨＤＤ５０４にインストールされている各種プログラムをＣＰＵ５０１が実行するために必要な各種プログラム、データ等を格納する主記憶装置として機能する。具体的には、ＲＯＭ５０２には、コンピュータ５００の起動時に実行されるＢＩＯＳ（Basic Input/Output System）、ＥＦＩ（Extensible Firmware Interface）等のブートプログラムや、ＯＳ（Operating System）設定、ネットワーク設定等のデータが格納されている。
　ＲＡＭ５０３は、電源を切るとプログラムやデータが消去される揮発性の半導体メモリ（記憶装置）の一例である。ＲＡＭ５０３は、例えば、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等である。ＲＡＭ５０３は、ＨＤＤ５０４にインストールされている各種プログラムがＣＰＵ５０１によって実行される際に展開される作業領域を提供する。
　ＨＤＤ５０４は、プログラムやデータを格納している不揮発性の記憶装置の一例である。ＨＤＤ５０４に格納されるプログラムやデータには、コンピュータ５００全体を制御する基本ソフトウェアであるＯＳ、及びＯＳ上において各種機能を提供するアプリケーション等がある。なお、コンピュータ５００はＨＤＤ５０４に替えて、記憶媒体としてフラッシュメモリを用いる記憶装置（例えばＳＳＤ：Solid State Drive等）を利用するものであってもよい。
　入力装置５０５は、ユーザが各種信号を入力するために用いるタッチパネル、操作キーやボタン、キーボードやマウス、音声等の音データを入力するマイクロホン等である。
　表示装置５０６は、画面を表示する液晶や有機ＥＬ（Electro-Luminescence）等のディスプレイ、音声等の音データを出力するスピーカ等で構成されている。
　通信Ｉ／Ｆ５０７は、通信ネットワークに接続し、コンピュータ５００がデータ通信を行うためのインタフェースである。
　外部Ｉ／Ｆ５０８は、外部装置とのインタフェースである。外部装置には、ドライブ装置５１０等がある。
　ドライブ装置５１０は、記録媒体５１１をセットするためのデバイスである。ここでいう記録媒体５１１には、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体５１１には、ＲＯＭ、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。これにより、コンピュータ５００は外部Ｉ／Ｆ５０８を介して記録媒体５１１の読み取り及び／又は書き込みを行うことができる。
　なお、ＨＤＤ５０４にインストールされる各種プログラムは、例えば、配布された記録媒体５１１が外部Ｉ／Ｆ５０８に接続されたドライブ装置５１０にセットされ、記録媒体５１１に記録された各種プログラムがドライブ装置５１０により読み出されることでインストールされる。あるいは、ＨＤＤ５０４にインストールされる各種プログラムは、通信Ｉ／Ｆ５０７を介して、通信ネットワークとは異なる他のネットワークよりダウンロードされることでインストールされてもよい。
　＜設計支援システムの機能構成＞
　本実施形態における設計支援システムの機能構成を、図３を参照しながら説明する。図３は本実施形態における設計支援システム１の機能構成の一例を示すブロック図である。
　≪材料設計装置の機能構成≫
　図３に示されているように、本実施形態における材料設計装置１０は、モデル記憶部１００、初期組成決定部１０１、周辺組成生成部１０２、特性予測部１０３、探索範囲拡大部１０４、因子交換部１０５、組成候補更新部１０６、探索範囲縮小部１０７及び結果出力部１０８を備える。
　初期組成決定部１０１、周辺組成生成部１０２、特性予測部１０３、探索範囲拡大部１０４、因子交換部１０５、組成候補更新部１０６、探索範囲縮小部１０７及び結果出力部１０８は、図２に示されているＨＤＤ５０４からＲＡＭ５０３上に展開されたプログラムがＣＰＵ５０１に実行させる処理によって実現される。モデル記憶部１００は、図２に示されているＨＤＤ５０４によって実現される。
　モデル記憶部１００には、学習済みの特性予測モデルが記憶されている。特性予測モデルは、目的物質の材料組成に含まれる各因子を説明変数とし、目的物質の材料特性を目的変数とする機械学習モデルである。機械学習モデルの一例は、回帰モデルである。機械学習モデルの構造は、例えば、ランダムフォレスト又はディープニューラルネットワーク等である。
　初期組成決定部１０１は、ユーザの操作に応じて生成された初期組成データをユーザ端末２０から受信する。本実施形態における初期組成データは、目的物質の材料組成及び材料特性の目標値を含む。初期組成決定部１０１は、初期組成データに含まれる目的物質の材料組成を組成候補の初期値として決定する。
　初期組成データに含める材料組成は、実験結果又は機械学習による大規模探索の結果から、所望の材料特性の測定値又は予測値が良好な材料組成を選択すればよい。また、大規模探索により探索された材料組成を用いた実験結果から、所望の材料特性の測定値が良好な材料組成を選択してもよい。実験結果で良好な材料特性を得られる材料組成を初期値として選択すれば、実現可能性の高い組成候補を得られることが期待できる。
　なお、材料特性が良好か否かは、目的物質を用いて製造される製品が備えるべき特性として優れているか否かを表す。製品の特性として、材料特性の値が大きい方が優れている場合、材料特性の値が大きいほど良好な値であると言える。一方、製品の特性として、材料特性の値が小さい方が優れている場合、材料特性の値が小さいほど良好な値であると言える。
　一例として、大規模探索により探索された材料組成を用いた実験結果は、以下のように得ることができる。まず、目的物質の材料組成全体から各因子を所定の変動幅かつ全範囲で変動させた材料組成の集合を生成する。次に、材料組成の集合から、所定数の材料組成をランダムにサンプリングする。続いて、サンプリングされた材料組成について実験を行い、所望の材料特性を含む複数の材料特性を測定する。このようにして得られた実験結果から、所望の材料特性が良好な材料組成を、初期組成データに含める材料組成として選択すればよい。所定数の材料組成は、材料組成の集合から所定の刻み幅でサンプリングしてもよい。
　初期組成データに含める材料特性の目標値は、ユーザが任意に定めればよい。実験結果又は大規模探索の結果で得られた最良の材料特性、又は最良の材料特性をさらに向上させた材料特性を、目標値に定めてもよい。
　周辺組成生成部１０２は、目的物質の組成候補に含まれる各因子を所定の探索範囲で変動させた複数の周辺組成を生成する。具体的には、周辺組成生成部１０２は、組成候補に含まれる各因子の配合量を、所定の変動幅かつ所定の探索範囲で変動させた材料組成の集合から、所定数の材料組成をランダムに又は所定の刻み幅でサンプリングすることで、所定数の周辺組成を生成する。
　特性予測部１０３は、周辺組成生成部１０２により生成された各周辺組成に基づいて、複数の材料特性を予測する。複数の材料特性は、初期組成に基づく材料特性のうち、維持したい材料特性（以下、「維持特性」とも呼ぶ）と改善したい材料特性（以下、「改善対象特性」とも呼ぶ）とを含む。特性予測部１０３は、モデル記憶部１００に記憶されている学習済みの特性予測モデルに、周辺組成に含まれる各因子を入力することで、複数の材料特性を計算する。
　特性予測部１０３は、組成候補との類似度が所定の閾値以上である周辺組成についてのみ、材料特性を予測してもよい。本実施形態における類似度は、例えば、組成候補及び周辺組成それぞれについて、各因子の配合量を要素とするベクトルを生成し、任意の距離尺度でベクトル間の距離を計算すればよい。本実施形態における距離尺度の一例は、ユークリッド距離である。
　探索範囲拡大部１０４は、特性予測部１０３による材料特性の予測値が材料特性の目標値よりも良好な周辺組成がないとき、探索範囲を拡大する。
　因子交換部１０５は、探索範囲が予め定めた最大探索範囲以上であるとき、組成候補の因子を交換する。本実施形態における最大探索範囲の一例は、探索範囲拡大部１０４により所定回数の拡大が行われた範囲である。因子交換部１０５は、因子を交換したとき、探索範囲を初期状態に戻す。
　因子交換部１０５は、モデル記憶部１００に記憶されている学習済みの特性予測モデルにおける各因子に対する寄与度に基づいて、因子交換を行う。具体的には、因子交換部１０５は、組成候補の初期値において、改善対象特性に対する寄与度が高い因子を、維持特性に対する寄与度が低い因子に交換する。
　組成候補更新部１０６は、特性予測部１０３による材料特性の予測値が材料特性の目標値よりも良好な周辺組成があるとき、その周辺組成で組成候補を更新する。組成候補更新部１０６は、周辺組成の維持特性が目標値を維持し、周辺組成の改善対象特性が目標値よりも改善するとき、その周辺組成を新たな組成候補とする。組成候補更新部１０６は、組成候補を更新したとき、新たな組成候補に基づく材料特性の予測値で、材料特性の目標値を更新する。
　なお、材料特性の維持は、元の材料特性の値と新たな材料特性の値との間で、その材料特性に有意な差が表れない場合を言う。材料特性の改善は、新たな材料特性の値が元の材料特性の値よりも良好な値であることを言う。
　探索範囲縮小部１０７は、因子交換部１０５により組成候補の因子が交換されたとき、又は、組成候補更新部１０６により組成候補が更新されたとき、探索範囲を初期状態に縮小する。
　結果出力部１０８は、所定の終了条件を満たすとき、探索結果データを生成し、ユーザ端末２０に送信する。本実施形態における終了条件の一例は、組成候補の更新が所定回数行われたときである。本実施形態における終了条件の他の例は、組成候補に基づく材料特性の予測値がユーザにより指定された目標値を達成したときである。
　本実施形態における探索結果データは、目的物質の現在の組成候補及びその組成候補に基づく複数の材料特性の予測値を含む。本実施形態における探索結果データは、探索中に更新された組成候補の履歴情報を含んでもよい。組成候補の履歴情報は、例えば、探索中に更新された各組成候補の一覧及び各組成候補に基づく複数の材料特性の予測値の一覧を含んでもよい。
　≪ユーザ端末２０の機能構成≫
　図３に示されているように、本実施形態におけるユーザ端末２０は、初期組成入力部２０１及び結果表示部２０２を備える。
　初期組成入力部２０１及び結果表示部２０２は、図２に示されているＨＤＤ５０４からＲＡＭ５０３上に展開されたプログラムがＣＰＵ５０１に実行させる処理によって実現される。
　初期組成入力部２０１は、ユーザの操作に応じて、初期組成データの入力を受け付ける。初期組成入力部２０１は、受け付けた初期組成データを、材料設計装置１０に送信する。
　結果表示部２０２は、材料設計装置１０から探索結果データを受信する。結果表示部２０２は、受信した探索結果データに基づいて、目的物質の組成候補及び当該組成候補における材料特性を表示装置５０６に表示する。
　＜設計支援システムの処理手順＞
　本実施形態における設計支援システム１が実行する材料設計方法の処理手順を、図４を参照しながら説明する。図４は、本実施形態における材料設計方法の処理手順の一例を示すフローチャートである。
　ステップＳ１において、ユーザ端末２０が備える初期組成入力部２０１は、ユーザの操作に応じて、目的物質の材料組成及び材料特性の目標値を含む初期組成データの入力を受け付ける。次に、初期組成入力部２０１は、受け付けた初期組成データを、材料設計装置１０に送信する。
　材料設計装置１０では、初期組成決定部１０１が、初期組成データをユーザ端末２０から受信する。次に、初期組成決定部１０１は、初期組成データに含まれる目的物質の材料組成を組成候補の初期値として決定する。続いて、初期組成決定部１０１は、組成候補の初期値及び材料特性の目標値を周辺組成生成部１０２に送る。
　ステップＳ２において、材料設計装置１０が備える周辺組成生成部１０２は、組成候補の初期値及び材料特性の目標値を初期組成決定部１０１から受け取る。次に、周辺組成生成部１０２は、目的物質の組成候補に含まれる各因子を所定の探索範囲で変動させた複数の周辺組成を生成する。続いて、周辺組成生成部１０２は、生成した複数の周辺組成を特性予測部１０３に送る。
　本実施形態における探索範囲は、一例として、初期状態では±５％の範囲とする。探索範囲は、１回目の拡大では±１０％の範囲に拡大される。また、探索範囲は、２回目の拡大では±１５％の範囲に拡大される。
　ステップＳ３において、材料設計装置１０が備える特性予測部１０３は、複数の周辺組成を周辺組成生成部１０２から受け取る。次に、特性予測部１０３は、組成候補と各周辺組成との類似度を計算し、類似度が所定の閾値未満の周辺組成を削除する。
　特性予測部１０３は、学習済みの特性予測モデルをモデル記憶部１００から読み出す。次に、特性予測部１０３は、各周辺組成に含まれる各因子を学習済みの特性予測モデルに入力することで、維持特性と改善対象特性とを含む複数の材料特性を予測する。
　ステップＳ４において、材料設計装置１０が備える特性予測部１０３は、材料特性を予測した周辺組成のうち、材料特性の予測値が材料特性の目標値よりも良好な周辺組成があるか否かを判定する。特性予測部１０３は、材料特性が改善する周辺組成があるとき（ＹＥＳ）、ステップＳ９に処理を進める。一方、特性予測部１０３は、材料特性が改善する周辺組成がないとき（ＮＯ）、ステップＳ５に処理を進める。
　ステップＳ５において、材料設計装置１０が備える探索範囲拡大部１０４は、探索範囲の拡大回数が所定の閾値以上であるか否かを判定する。拡大回数が所定の閾値以上である場合（ＹＥＳ）、探索範囲拡大部１０４は、ステップＳ７に処理を進める。一方、拡大回数が所定の閾値未満である場合（ＮＯ）、探索範囲拡大部１０４は、ステップＳ６に処理を進める。
　本実施形態における拡大回数は、最大２回とする。すなわち、現在の探索範囲が±１５％以上であるとき、探索範囲拡大部１０４は、ステップＳ７に処理を進め、現在の探索範囲が±１５％未満（±５％又は±１０％）であるとき、探索範囲拡大部１０４は、ステップＳ６に処理を進めることになる。
　ステップＳ６において、材料設計装置１０が備える探索範囲拡大部１０４は、探索範囲を拡大する。探索範囲拡大部１０４は、現在の探索範囲が±５％の範囲であれば、±１０％の範囲に拡大し、現在の探索範囲が±１０％の範囲であれば、±１５％の範囲に拡大する。
　ステップＳ７において、材料設計装置１０が備える因子交換部１０５は、学習済みの特性予測モデルをモデル記憶部１００から読み出す。次に、因子交換部１０５は、学習済みの特性予測モデルから各因子の寄与度を取得する。寄与度は、各因子がモデル学習に与えた影響の大きさを表す指標である。因子交換部１０５は、特性予測部１０３が予測する材料特性ごとに各因子の寄与度を取得する。
　ここで、本実施形態における寄与度について、図５を参照しながら説明する。図５は、本実施形態における寄与度の一例を示す図である。
　図５は、目的物質を接着剤とし、組成候補の初期値に基づく接着力を維持しつつ、強度を改善したいケースを想定している。図５（Ａ）は接着力に対する寄与度の一例を示す図である。図５（Ｂ）は強度に対する寄与度の一例を示す図である。
　図５に示されているように、各因子の寄与度は、因子と寄与度との組み合わせであり、材料特性ごとに取得される。図５の例は、ランダムフォレストにより実装された特性予測モデルから取得された寄与度の一例であるが、学習済みのモデルから学習又は予測における影響を表す指標が取得又は導出可能であれば、その指標を寄与度として利用してもよい。
　因子交換部１０５は、各因子の寄与度に基づいて、組成候補の因子を交換する。具体的には、因子交換部１０５は、改善対象特性の寄与度が高い因子を、維持特性の寄与度が低い因子に交換する。なお、因子交換部１０５は、材料物質の種類が同一の因子同士を交換する。例えば、改善対象特性の寄与度が高い因子が添加剤であるとき、添加剤の中で維持特性の寄与度が低い因子を選択する。
　ここで、本実施形態における因子交換について、図６を参照しながら説明する。図６は、本実施形態における因子交換前後の組成候補の一例を示す図である。
　図６（Ａ）は、組成候補の初期値の一例を示す図である。図６（Ｂ）は、１回目の因子交換後の組成候補の一例を示す図である。図６（Ｃ）は、２回目の因子交換後の組成候補の一例を示す図である。
　図６に示されているように、因子交換後の因子には、最小値及び最大値が設定される。最小値及び最大値は、目的物質の製造において当該材料物質を配合可能な最小量及び最大量を表す。最小値及び最大値はその材料物質を用いた他の実験結果に基づいて予め設定されているものとする。
　図６（Ｂ）に示した１回目の因子交換の例では、「添加剤５」が「添加剤６」に交換されていることがわかる。「添加剤５」は、図６（Ａ）に示した組成候補に含まれる材料物質のうち、図５（Ｂ）に示した強度に対する寄与度が最も高い。「添加剤６」は、図６（Ａ）に示した組成候補に含まれない添加剤のうち、図５（Ａ）に示した接着力に対する寄与度が最も低い。そのため、図６に示した因子交換の例では、「添加剤５」を「添加剤６」に交換することが行われている。
　なお、因子交換では、常に、組成候補の初期値に基づいて、因子交換を行うものとする。すなわち、複数回の因子交換が行われた場合であっても、因子交換後の組成候補からさらに因子交換を行うことはない。これにより、探索結果として得られる材料組成は、組成候補の初期値と１つの因子のみが交換されたものとなり、初期値依存性を維持することができる。
　図６（Ｃ）に示した２回目の因子交換の例では、「樹脂５」が「樹脂４」に交換されていることがわかる。図６（Ａ）に示した組成候補に含まれる材料物質のうち、図５（Ｂ）に示した強度に対する寄与度が「添加剤５」を除いて最も高いのは「樹脂５」であり、図６（Ａ）に示した組成候補に含まれない樹脂のうち、図５（Ａ）に示した接着力に対する寄与度が最も低いのは「樹脂４」であるからである。このとき、１回目の因子交換で交換された「添加剤５」及び「添加剤６」は初期値に戻っていることがわかる。
　図４に戻って説明する。ステップＳ８において、材料設計装置１０が備える探索範囲縮小部１０７は、探索範囲を初期状態に縮小する。探索範囲縮小部１０７は、現在の探索範囲が±５％を超える（±１０％又は±１５％）範囲であれば、探索範囲を±５％の範囲に縮小する。
　ステップＳ９において、材料設計装置１０が備える組成候補更新部１０６は、材料特性の予測値が材料特性の目標値よりも良好な周辺組成があるとき、その周辺組成で組成候補を更新する。組成候補更新部１０６は、材料特性の予測値が材料特性の目標値よりも良好な周辺組成が複数あるとき、それらの周辺組成のうち最も材料特性が良好な周辺組成で組成候補を更新する。次に、組成候補更新部１０６は、新たな組成候補に基づく材料特性の予測値で、材料特性の目標値を更新する。
　ステップＳ１０において、材料設計装置１０が備える組成候補更新部１０６は、組成候補の更新回数が所定の閾値以上であるか否かを判定する。更新回数が所定の閾値以上である場合（ＹＥＳ）、組成候補更新部１０６は、ステップＳ１１に処理を進める。一方、更新回数が所定の閾値未満である場合（ＮＯ）、組成候補更新部１０６は、ステップＳ８に処理を戻す。
　本実施形態における所定回数の一例は、５回である。組成候補の更新回数が多すぎると、組成候補の初期値から離れた領域で探索されることが起こり得る。その結果、初期値依存性が失われる、現実的ではない材料組成が出力される等の問題が発生する。そのため、本実施形態では、組成候補の更新回数を制限し、所定回数の更新が行われたら、探索を終了するように構成している。
　ステップＳ１１において、材料設計装置１０が備える結果出力部１０８は、目的物質の組成候補及び当該組成候補に基づく材料特性の予測値を含む探索結果データを生成する。次に、結果出力部１０８は、探索結果データをユーザ端末２０に送信する。
　ユーザ端末２０では、結果表示部２０２が、探索結果データを材料設計装置１０から受信する。結果表示部２０２は、受信した探索結果データに基づいて、目的物質の組成候補及び当該組成候補における材料特性を表示装置５０６に表示する。
　ここで、本実施形態における探索の流れを、図７及び図８を参照しながら説明する。図７及び図８は、探索の流れの一例を示す図である。
　図７に示した平面は、材料組成の分布を表すグラフである。実際には、材料組成に含まれる因子数と同じ次元数の空間で表現されるべきものであるが、説明のために任意の２因子ｘ１及びｘ２を用いて二次元平面に表している。
　図７（Ａ）は、１回目の局所探索において、組成候補の初期値３０１から±５％の探索範囲３１１内で局所探索が行われることを表している。図７（Ｂ）は、１回目の局所探索の結果、±５％の探索範囲３１１内で新たな組成候補３０２が探索されたことを表している。
　図７（Ｃ）は、２回目の局所探索において、新たな組成候補３０２から±５％の探索範囲３１２内で局所探索が行われることを表している。図７（Ｄ）は、２回目の局所探索の結果、±５％の探索範囲３１２内で新たな組成候補３０３が探索されたことを表している。
　図８（Ａ）は、ｘ回目の局所探索において、組成候補３２１から±５％の探索範囲３３１内で組成候補の更新が行われず、±１０％の探索範囲３３２内で局所探索が行われることを表している。図８（Ｂ）は、ｘ回目の局所探索の結果、±１０％の探索範囲３３２内で新たな組成候補３２２が探索されたことを表している。
　図８（Ｃ）は、ｘ回目の局所探索において、組成候補３２１から±１０％の探索範囲３３２内でも組成候補の更新が行われず、±１５％の探索範囲３３３内で局所探索が行われた結果、新たな組成候補３２３が探索されたことを表している。
　図８（Ｄ）は、ｘ回目の局所探索において、組成候補３２１から±１５％の探索範囲３３３内でも組成候補の更新が行われず、因子ｘ１が因子ｘ３に交換されたことを表している。このとき、探索範囲は組成候補３２１から±５％の探索範囲３３４に縮小され、探索範囲３３４内で局所探索が行われる。
　＜実施例＞
　本開示の一実施例は、本実施形態における材料設計装置１０により、接着剤の材料設計において、接着力を維持しながら目標値を達成する強度を得られる材料組成を探索した例である。図９から図１１は、本実施例における材料組成の探索結果の一例を示す図である。
　本実施例では、接着力が４．４、強度が５２を得られた材料組成を組成候補の初期値として選択した。これに対して、接着力の目標値を４．６、強度の目標値を６４に設定した。図９及び図１０に示した各グラフは、それぞれ１回の局所探索で生成された周辺組成について、探索空間上の座標と材料特性とを表示したものである。図９及び図１０に示した各グラフにおいて、左縦軸と横軸が材料組成であり、右縦軸はカラーバーで、カラーで改善対象特性である強度が示されている。各グラフにおいて、初期値を白抜きの星印、最良値を黒抜きの星印で表している。
　図９（Ａ）は１回目の局所探索の結果である。１回目の局所探索では±５％の範囲で周辺組成を生成した。最良値は接着力が４．４２、強度が５８．７８４であった。材料特性が目標値を満たさないため、組成候補の更新は行われなかった。
　図９（Ｂ）は２回目の局所探索の結果である。２回目の局所探索では±１０％の範囲で周辺組成を生成した。最良値は接着力が４．４１、強度が６１．６８３であった。材料特性が目標値を満たさないため、組成候補の更新は行われなかった。
　図９（Ｃ）は３回目の局所探索の結果である。３回目の局所探索では±１５％の範囲で周辺組成を生成した。最良値は接着力が４．２２、強度が６１．７３４であった。材料特性が目標値を満たさないため、組成候補の更新は行われなかった。
　図９（Ｄ）は因子交換後の１回目の局所探索の結果である。因子交換後の１回目の局所探索では±５％の範囲で周辺組成を生成した。最良値は接着力が４．４５、強度が５８．９３３であった。材料特性が目標値を満たさないため、組成候補の更新は行われなかった。
　図９（Ｅ）は因子交換後の２回目の局所探索の結果である。因子交換後の２回目の局所探索では±１０％の範囲で周辺組成を生成した。最良値は接着力が４．３８、強度が６２．１９１であった。材料特性が目標値を満たさないため、組成候補の更新は行われなかった。
　図９（Ｆ）は因子交換後の３回目の局所探索の結果である。因子交換後の３回目の局所探索では±１５％の範囲で周辺組成を生成した。最良値は接着力が４．５３、強度が６４．０２４であった。材料特性が目標値を満たしたため、最良値が得られた材料組成で組成候補及び目標値の更新が行われた。
　図１０（Ａ）は１回目の更新後の１回目の局所探索の結果である。１回目の更新後の１回目の局所探索では±５％の範囲で周辺組成を生成した。最良値は接着力が４．５５、強度が６５．４３０であった。材料特性が目標値を満たしたため、最良値が得られた材料組成で２回目の更新が行われた。
　図１０（Ｂ）は２回目の更新後の１回目の局所探索の結果である。２回目の更新後の１回目の局所探索では±５％の範囲で周辺組成を生成した。最良値は接着力が４．５６、強度が６５．４３７であった。材料特性が目標値を満たしたため、最良値が得られた材料組成で３回目の更新が行われた。
　図１０（Ｃ）は３回目の更新後の１回目の局所探索の結果である。３回目の更新後の１回目の局所探索では±５％の範囲で周辺組成を生成した。最良値は接着力が４．５９、強度が６５．５４９であった。材料特性が目標値を満たしたため、最良値が得られた材料組成で４回目の更新が行われた。
　図１１は、本実施例における材料組成の探索結果の一例を示す図である。図１１（Ａ）は、図９（Ａ）から図１０（Ｃ）に示した、１回目の局所探索（以下、「最初の探索」と呼ぶ）から３回目の更新後の１回目の局所探索（以下、「最後の探索」と呼ぶ）までの探索結果をまとめたグラフである。図１１（Ａ）に示したグラフでは、最初の探索における初期値、因子交換後３回目の探索における最良値、及び最後の探索における最良値を示している。図１１（Ａ）に示されているように、目標値を達成する材料組成を得られた探索では、近い領域で探索が行われていたことがわかる。
　図１１（Ｂ）は、横軸を接着力、縦軸を強度として、最初の探索における周辺組成の材料特性と、最後の探索における周辺組成の材料特性とをプロットしたグラフである。図１１（Ｂ）に示されているように、最後の探索では、最初の探索と比較して接着力も強度も高い領域で探索が行われていたことがわかる。
　以上の結果から、本実施形態における材料設計装置１０によれば、良好な材料特性が得られる材料組成を効率的に探索できることが示された。
　＜実施形態の効果＞
　本実施形態における設計支援システムは、目的物質の組成候補に含まれる各因子を所定の探索範囲で変動させた周辺組成のうち、材料特性が改善する周辺組成があるとき、その周辺組成で組成候補を更新し、材料特性が改善する周辺組成がないとき、探索範囲を拡大する。このとき、探索範囲が所定の範囲を超えたとき、組成候補の因子を交換する。したがって、本実施形態における設計支援システムによれば、初期値依存性を維持しつつ局所解に陥り難い局所探索を行うことができる。
　特に、本実施形態における設計支援システムは、局所探索では、維持したい材料特性を維持し、改善したい材料特性を改善する周辺組成で組成候補を更新し、因子交換では、改善したい材料特性の寄与度が高い因子を、維持したい材料特性の寄与度が低い因子に交換する。したがって、本実施形態における設計支援システムによれば、トレードオフの関係にある複数の材料特性を考慮しつつ、材料特性が改善する材料組成を探索することができる。
　さらに、本実施形態における設計支援システムは、組成候補を所定回数更新した後、探索を終了し、その組成候補を探索結果として出力する。また、本実施形態における設計支援システムは、組成候補との類似度が所定の閾値未満である周辺組成については探索の対象としない。したがって、本実施形態における設計支援システムによれば、組成候補の初期値から大きく離れた領域で組成候補が探索されることがなく、初期値依存性を維持することができる。
　［補足］
　上記で説明した実施形態の各機能は、一又は複数の処理回路によって実現することが可能である。ここで、本明細書における「処理回路」とは、電子回路により実装されるプロセッサのようにソフトウェアによって各機能を実行するようプログラミングされたプロセッサや、上記で説明した各機能を実行するよう設計されたＡＳＩＣ（Application Specific Integrated Circuit）、ＤＳＰ（Digital Signal Processor）、ＦＰＧＡ（Field Programmable Gate Array）や従来の回路モジュール等の機器を含むものとする。
　以上、本発明の実施の形態について詳述したが、本発明はこれらの実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形又は変更が可能である。
　本願は、日本国特許庁に２０２２年８月１７日に出願された日本国特許出願２０２２－１３００４９号の優先権を主張するものであり、その全内容を参照することにより本願に援用する。
１　設計支援システム
１０　材料設計装置
１０１　初期組成決定部
１０２　周辺組成生成部
１０３　特性予測部
１０４　探索範囲拡大部
１０５　因子交換部
１０６　組成候補更新部
１０７　探索範囲縮小部
１０８　結果出力部
２０　ユーザ端末
２０１　初期組成入力部
２０２　結果表示部

Claims (10)

  1. 　目的物質の組成候補に含まれる各因子を所定の探索範囲で変動させた周辺組成を生成するように構成されている周辺組成生成部と、
    　前記周辺組成に基づいて前記目的物質の材料特性を予測するように構成されている特性予測部と、
    　前記材料特性が改善する前記周辺組成があるとき、当該周辺組成で前記組成候補を更新するように構成されている組成候補更新部と、
    　前記材料特性が改善する前記周辺組成がないとき、前記探索範囲を拡大するように構成されている探索範囲拡大部と、
    　前記探索範囲が所定の最大探索範囲を超えたとき、前記組成候補の因子を交換するように構成されている因子交換部と、
    　を備える材料設計装置。
  2. 　請求項１に記載の材料設計装置であって、
    　前記特性予測部は、前記目的物質の材料組成を説明変数とし、前記材料特性を目的変数とする予測モデルを用いて、前記材料特性を予測するように構成されており、
    　前記因子交換部は、前記予測モデルにおける各因子の寄与度に基づいて前記組成候補の因子を交換するように構成されている、
    　材料設計装置。
  3. 　請求項２に記載の材料設計装置であって、
    　前記特性予測部は、複数の前記材料特性を予測するように構成されており、
    　前記組成候補更新部は、第１の前記材料特性が維持され、第２の前記材料特性が改善されるとき、前記組成候補を更新するように構成されている、
    　材料設計装置。
  4. 　請求項３に記載の材料設計装置であって、
    　前記因子交換部は、前記第２の前記材料特性の寄与度が高い因子を、前記第１の前記材料特性の寄与度が低い因子に交換するように構成されている、
    　材料設計装置。
  5. 　請求項４に記載の材料設計装置であって、
    　前記目的物質の材料組成全体からランダムに又は所定の刻み幅で生成した材料組成のうち、前記第１の前記材料特性が良好な前記材料組成を前記組成候補として決定するように構成されている初期組成決定部をさらに備える、
    　材料設計装置。
  6. 　請求項４又は５に記載の材料設計装置であって、
    　前記因子交換部は、種類が同一の因子同士を交換するように構成されている、
    　材料設計装置。
  7. 　請求項１から６のいずれかに記載の材料設計装置であって、
    　前記組成候補更新部は、前記組成候補を所定の回数更新したとき、前記組成候補を出力するように構成されている、
    　材料設計装置。
  8. 　請求項１から７のいずれかに記載の材料設計装置であって、
    　前記特性予測部は、前記組成候補との類似度が所定の閾値以上である前記周辺組成について、前記材料特性を予測するように構成されている、
    　材料設計装置。
  9. 　コンピュータが、
    　目的物質の組成候補に含まれる各因子を所定の探索範囲で変動させた周辺組成を生成する手順と、
    　前記周辺組成に基づいて前記目的物質の材料特性を予測する手順と、
    　前記材料特性が改善する前記周辺組成があるとき、当該周辺組成で前記組成候補を更新する手順と、
    　前記材料特性が改善する前記周辺組成がないとき、前記探索範囲を拡大する手順と、
    　前記探索範囲が所定の最大探索範囲を超えたとき、前記組成候補の因子を交換する手順と、
    　を実行する材料設計方法。
  10. 　コンピュータに、
    　目的物質の組成候補に含まれる各因子を所定の探索範囲で変動させた周辺組成を生成する手順と、
    　前記周辺組成に基づいて前記目的物質の材料特性を予測する手順と、
    　前記材料特性が改善する前記周辺組成があるとき、当該周辺組成で前記組成候補を更新する手順と、
    　前記材料特性が改善する前記周辺組成がないとき、前記探索範囲を拡大する手順と、
    　前記探索範囲が所定の最大探索範囲を超えたとき、前記組成候補の因子を交換する手順と、
    　を実行させるためのプログラム。
PCT/JP2023/025711 2022-08-17 2023-07-12 材料設計装置、材料設計方法及びプログラム WO2024038716A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-130049 2022-08-17
JP2022130049 2022-08-17

Publications (1)

Publication Number Publication Date
WO2024038716A1 true WO2024038716A1 (ja) 2024-02-22

Family

ID=89941526

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/025711 WO2024038716A1 (ja) 2022-08-17 2023-07-12 材料設計装置、材料設計方法及びプログラム

Country Status (1)

Country Link
WO (1) WO2024038716A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003039180A (ja) * 2001-07-27 2003-02-12 Kazutoshi Nishimoto 材料成分決定システム及び接合条件決定システム
US20200257933A1 (en) * 2019-02-05 2020-08-13 Imagars Llc Machine Learning to Accelerate Alloy Design
JP2021012501A (ja) * 2019-07-05 2021-02-04 国立研究開発法人物質・材料研究機構 機械学習支援方法及び機械学習支援装置
KR20220073453A (ko) * 2020-11-26 2022-06-03 국방과학연구소 유전자 알고리즘 기반의 역설계 방법과, 이를 포함하고 인공지능 프로그램이 채용된 컴퓨터를 활용한 합금 설계방법, 및 유전자 알고리즘 기반의 역설계 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록매체
WO2022117664A1 (en) * 2020-12-04 2022-06-09 Thiry Cedric Robert Computer implemented engineering materials mechanical property based search method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003039180A (ja) * 2001-07-27 2003-02-12 Kazutoshi Nishimoto 材料成分決定システム及び接合条件決定システム
US20200257933A1 (en) * 2019-02-05 2020-08-13 Imagars Llc Machine Learning to Accelerate Alloy Design
JP2021012501A (ja) * 2019-07-05 2021-02-04 国立研究開発法人物質・材料研究機構 機械学習支援方法及び機械学習支援装置
KR20220073453A (ko) * 2020-11-26 2022-06-03 국방과학연구소 유전자 알고리즘 기반의 역설계 방법과, 이를 포함하고 인공지능 프로그램이 채용된 컴퓨터를 활용한 합금 설계방법, 및 유전자 알고리즘 기반의 역설계 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록매체
WO2022117664A1 (en) * 2020-12-04 2022-06-09 Thiry Cedric Robert Computer implemented engineering materials mechanical property based search method

Similar Documents

Publication Publication Date Title
CN110390387B (zh) 对深度学习应用所用资源进行评估
Pattnaik et al. SInC: an accurate and fast error-model based simulator for SNPs, Indels and CNVs coupled with a read generator for short-read sequence data
CN104008064B (zh) 用于多级存储器压缩的方法和系统
US20210124663A1 (en) Device Temperature Impact Management Using Machine Learning Techniques
Guo et al. Evaluation and improvement of the regulatory inference for large co-expression networks with limited sample size
US20230206083A1 (en) Optimizing gradient boosting feature selection
WO2021174836A1 (zh) 差分包生成方法方法、装置、计算机设备及存储介质
CN109391508B (zh) 在数据中心自动组成数据中心资源的计算机实施方法
CN113838541B (zh) 设计配体分子的方法和装置
Liu et al. NSRGRN: a network structure refinement method for gene regulatory network inference
JP2022539290A (ja) ディープラーニングのためのビジュアルプログラミング
WO2022121725A1 (zh) 一种代码优化方法、装置、计算设备及计算机存储介质
US9984176B2 (en) Hash value capable of generating one or more hash functions
Lakizadeh et al. PCD-GED: Protein complex detection considering PPI dynamics based on time series gene expression data
Sampson et al. Controlling the local false discovery rate in the adaptive Lasso
WO2024038716A1 (ja) 材料設計装置、材料設計方法及びプログラム
TW201832078A (zh) 產生新版統一可延伸韌體介面軔體之方法
US11941327B2 (en) Customizable reinforcement learning of column placement in structural design
CN114692808A (zh) 图神经网络传播模型确定方法和系统
CN106020996A (zh) 数据更新方法及数据更新装置
JP2017168957A (ja) 情報処理装置、情報処理システム、情報処理プログラム及び情報処理方法
WO2023167107A1 (ja) 情報処理装置、情報処理システム、プログラム、及び材料組成探索方法
Altay et al. DepEst: an R package of important dependency estimators for gene network inference algorithms
JP7428303B1 (ja) 特性予測装置、特性予測方法及びプログラム
CN117391002B (zh) 一种ip核扩展描述方法及ip核生成方法

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: 23854753

Country of ref document: EP

Kind code of ref document: A1