WO2024048388A1

WO2024048388A1 - 情報処理装置、情報処理装置の作動方法、および情報処理装置の作動プログラム

Info

Publication number: WO2024048388A1
Application number: PCT/JP2023/030284
Authority: WO
Inventors: 純一木下; 慎市菊池
Original assignee: 富士フイルム株式会社
Priority date: 2022-08-30
Filing date: 2023-08-23
Publication date: 2024-03-07

Abstract

プロセッサを備え、プロセッサは、製品全体を分割した分割部分の製造条件の入力に応じて分割部分の品質の予測値を出力する機械学習モデルを用い、分割部分の製造条件を機械学習モデルに入力し、分割部分の予測値を機械学習モデルから出力させ、分割部分の予測値と分割部分の品質の目標値との差分を含む項を有する目的関数の値が最小となる製造条件を求める最適化問題を解くことで、製品全体の品質が目標値となる好適な製造条件を導出する、情報処理装置。

Description

情報処理装置、情報処理装置の作動方法、および情報処理装置の作動プログラム

　本開示の技術は、情報処理装置、情報処理装置の作動方法、および情報処理装置の作動プログラムに関する。

　従来、製品の製造において、製造条件を様々に変更して試作品を多数製造し、試作品の品質を評価することで、好適な製造条件を試行錯誤的に探索することが行われてきた。例えば特開２０２１－１６６７２３号公報に記載の内視鏡用可撓管の押出成形機による製造においては、可撓管基材を被覆する内層および外層であって、軸方向に厚み比率が異なる内層および外層の樹脂材料の単位時間当たりの押出量を変更した多数の試作品の弾性値等を評価することで、内層および外層の樹脂材料の好適な単位時間当たりの押出量を探索していた。

　上記のように製造条件を様々に変更して試作品を多数製造する試行錯誤的な好適な製造条件の探索方法では、大変な手間とコストが掛かる。そこで、製造条件の入力に応じて製品の品質の予測値を出力する機械学習モデルを用い、最適化問題を解くことで品質が目標値となる好適な製造条件を導出する方法が考えられる。

　しかしながら、機械学習モデルがある１種の製品に特化したモデルであった場合は、別種の製品に対応することができないという汎用性の問題が生じる。内視鏡用可撓管を例に挙げると、上部消化管用の経口内視鏡の太径長尺の可撓管に特化した機械学習モデルでは、気管支用の経鼻内視鏡の細径短尺の可撓管の好適な製造条件を導出することはできない。

　本開示の技術に係る１つの実施形態は、製品の種別によらず汎用的に好適な製造条件を導出することが可能な情報処理装置、情報処理装置の作動方法、および情報処理装置の作動プログラムを提供する。

　本開示の情報処理装置は、プロセッサを備え、プロセッサは、製品全体を分割した分割部分の製造条件の入力に応じて分割部分の品質の予測値を出力する機械学習モデルを用い、分割部分の製造条件を機械学習モデルに入力し、分割部分の予測値を機械学習モデルから出力させ、分割部分の予測値と分割部分の品質の目標値との差分を含む項を有する目的関数の値が最小となる製造条件を求める最適化問題を解くことで、製品全体の品質が目標値となる好適な製造条件を導出する。

　目的関数は、製品全体の製造条件に関する制約条件に、分割部分の製造条件を収めるための正則化項を有することが好ましい。

　正則化項は、分割部分の製造条件を平滑化する項であることが好ましい。

　正則化項は、分割部分の製造条件の二階微分値の総和であることが好ましい。

　差分を含む項は、分割部分の目標値で差分を除算した値の総和であることが好ましい。

　機械学習モデルには、製品を構成する材料の物性情報、および製品の設計情報のうちの少なくともいずれか１つも入力されることが好ましい。

　予測値は複数種あり、機械学習モデルは、複数種の予測値毎に用意されていることが好ましい。

　製品は、可撓管基材と、可撓管基材を被覆する樹脂層であって、軸方向に厚み比率が異なる内層および外層により構成される樹脂層とを有する内視鏡用可撓管であり、分割部分は、内視鏡用可撓管を軸方向に沿って分割した部分であり、製造条件は、押出成形機による、内層の樹脂材料の単位時間当たりの押出量、および外層の樹脂材料の単位時間当たりの押出量を含み、予測値は、分割部分の弾性値、分割部分の内層の厚み、および分割部分の外層の厚みを含むことが好ましい。

　製品は、搬送される長尺状の支持体に液を塗布してなるシートであり、分割部分は、シートを幅方向に沿って分割した部分であり、製造条件は、液の塗布箇所の上流側に配され、塗布箇所において支持体に付与される張力を調整する張力調整ローラの制御量を含み、予測値は、分割部分における液の塗布厚みを含むことが好ましい。

　製品は培養槽内で培養される細胞であり、分割部分は、培養槽を分割した部分であり、製造条件は細胞の培養条件を含み、予測値は、細胞に対する培養環境の好ましさを表す指標値を含むことが好ましい。

　本開示の情報処理装置の作動方法は、製品全体を分割した分割部分の製造条件の入力に応じて分割部分の品質の予測値を出力する機械学習モデルを用いること、分割部分の製造条件を機械学習モデルに入力し、分割部分の予測値を機械学習モデルから出力させること、並びに、分割部分の予測値と分割部分の品質の目標値との差分を含む項を有する目的関数の値が最小となる製造条件を求める最適化問題を解くことで、製品全体の品質が目標値となる好適な製造条件を導出すること、を含む。

　本開示の情報処理装置の作動プログラムは、製品全体を分割した分割部分の製造条件の入力に応じて分割部分の品質の予測値を出力する機械学習モデルを用いること、分割部分の製造条件を機械学習モデルに入力し、分割部分の予測値を機械学習モデルから出力させること、並びに、分割部分の予測値と分割部分の品質の目標値との差分を含む項を有する目的関数の値が最小となる製造条件を求める最適化問題を解くことで、製品全体の品質が目標値となる好適な製造条件を導出すること、を含む処理をコンピュータに実行させる。

　本開示の技術によれば、製品の種別によらず汎用的に好適な製造条件を導出することが可能な情報処理装置、情報処理装置の作動方法、および情報処理装置の作動プログラムを提供することができる。

情報処理装置、押出成形機、および内視鏡用可撓管を示す図である。押出成形機を示す図である。品質を予測する１つの単位として扱う分割部分を示す図である。情報処理装置を構成するコンピュータを示すブロック図である。情報処理装置のＣＰＵの処理部を示すブロック図である。入力データを示す図である。目標値群を示す図である。弾性規格値の成り立ちを示すグラフである。予測モデル群を示す図である。弾性値予測モデルに対する予測部の処理を示す図である。内層厚み予測モデルに対する予測部の処理を示す図である。外層厚み予測モデルに対する予測部の処理を示す図である。内層厚み予測値および外層厚み予測値から総厚み予測値を求める予測部の処理を示す図である。予測値群を示す図である。学習データを示す図である。弾性値予測モデルの学習フェーズにおける処理を示す図である。内層厚み予測モデルの学習フェーズにおける処理を示す図である。外層厚み予測モデルの学習フェーズにおける処理を示す図である。目的関数を示す図である。導出部の処理および好適な製造条件を示す図である。情報処理装置の処理手順を示すフローチャートである。太径長尺の内視鏡用可撓管の好適な製造条件を導出する様子を示す図である。細径短尺の内視鏡用可撓管の好適な製造条件を導出する様子を示す図である。第２実施形態のシート製造装置の要部を示す図である。第２実施形態の分割部分を示す図である。第２実施形態の入力データを示す図である。第２実施形態の予測モデル群を示す図である。張力予測モデルに対する予測部の処理を示す図である。液圧予測モデルに対する予測部の処理を示す図である。塗布厚み予測モデルに対する予測部の処理を示す図である。第２実施形態の予測値群を示す図である。第２実施形態の目的関数を示す図である。第２実施形態の導出部の処理および好適な製造条件を示す図である。培養槽および除細胞フィルタを示す図である。第３実施形態の分割部分を示す図である。第３実施形態の入力データを示す図である。培養環境予測モデルに対する予測部の処理を示す図である。第３実施形態の予測値群を示す図である。第３実施形態の目的関数を示す図である。第３実施形態の導出部の処理および仮の好適な製造条件を示す図である。仮の好適な製造条件の酸素濃度からさらに好適な酸素供給量を導出する様子を示す図である。

　［第１実施形態］
　一例として図１に示すように、情報処理装置１０は、内視鏡用可撓管１１を製造する押出成形機１２に、内視鏡用可撓管１１の好適な製造条件１３を出力する。好適な製造条件１３は、後述するように機械学習モデルを用いて導出したもので、内視鏡用可撓管１１の全体の品質が目標値となる製造条件である。ここで「品質が目標値となる」とは、品質が目標値と完全に一致する場合はもちろんのこと、品質が目標値±α（αは許容される誤差）の範囲内に収まる場合も含む。

　情報処理装置１０は、例えばデスクトップ型のパーソナルコンピュータであり、各種画面を表示するディスプレイ１４、およびキーボード、マウス、タッチパネル、または音声入力用のマイクといった入力デバイス１５を有する。情報処理装置１０は、例えば押出成形機１２のオペレータによって操作される。情報処理装置１０と押出成形機１２とは、ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）等の通信網により通信可能に接続されている。

　内視鏡用可撓管１１は内視鏡１６の一部を構成する。より詳しくは、内視鏡１６は体腔内に挿入される挿入部１７を有する。挿入部１７は、先端部１７Ａ、湾曲部１７Ｂ、および軟性部１７Ｃを有する。先端部１７Ａには、体腔内撮影用の撮像素子が内蔵されている。湾曲部１７Ｂは先端部１７Ａに連設され、先端部１７Ａの向きを変更するために上下左右に湾曲する。軟性部１７Ｃは、湾曲部１７Ｂと、湾曲部１７Ｂを操作する操作ノブ等が設けられた手元操作部１８とを繋ぐ軟らかい細長な管状の部分であり、挿入部１７の大半を占める。内視鏡用可撓管１１はこの軟性部１７Ｃを構成する。内視鏡用可撓管１１は、本開示の技術に係る「製品」の一例である。

　内視鏡用可撓管１１は、可撓管基材２０の外周面に樹脂層２１を被覆してなる。可撓管基材２０は、螺旋管２２に筒状網体２３が被覆された構成である。螺旋管２２は、例えばステンレス等の金属帯片を螺旋状に巻き回すことで形成される。筒状網体２３は、例えばステンレス線維等の金属線を編組することで形成される。可撓管基材２０の両端には口金２４が嵌合されている。内視鏡用可撓管１１の外径は例えば１０ｍｍ～１４ｍｍであり、長さは例えば５０ｃｍ～１５０ｃｍである。

　樹脂層２１は、押出成形機１２によって可撓管基材２０の表面に連続成形される。樹脂層２１は、可撓管基材２０の軸回りの全周面を被覆する内層２５と、内層２５の軸回りの全周面を被覆する外層２６とを積層した二層構造である。内層２５は比較的軟質であり、外層２６は内層２５よりも硬質である。内層２５および外層２６の樹脂材料としては、例えばポリウレタンエラストマーを主成分とする樹脂等が用いられる。

　内層２５および外層２６を合わせた樹脂層２１の厚みは、可撓管基材２０の軸方向ＡＤにおいて略同じであり、例えば０．２ｍｍ～１．０ｍｍである。ただし、内層２５および外層２６は、軸方向ＡＤに厚み比率が異なる。具体的には、湾曲部１７Ｂに連設される可撓管基材２０の先端２７側は、内層２５のほうが外層２６よりも厚みが厚い。一方、手元操作部１８に連設される可撓管基材２０の基端２８側は、外層２６のほうが内層２５よりも厚みが厚い。そして、先端２７から基端２８に向かって、内層２５の厚みが漸減、かつ外層２６の厚みが漸増している。先端２７における内層２５および外層２６の厚み比率は、例えば内層：外層＝９５：５～６０：４０である。一方、基端２８における内層２５および外層２６の厚み比率は、例えば内層：外層＝５：９５～４０：６０である。こうして内層２５および外層２６の厚み比率を異ならせることで、内視鏡用可撓管１１、ひいては軟性部１７Ｃは、先端２７側が軟らかく、基端２８側が硬くなる。これにより体腔内への挿入部１７の挿入が容易になる。

　樹脂層２１の外面にはさらにトップコート層２９が被覆される。トップコート層２９の材料としては、人体に影響がなく、耐薬品性を有し、かつ蒸気滅菌の高温に耐えることが可能なものであればよく、例えばフッ素塗料が用いられる。トップコート層２９の厚みは、例えば１０μｍ～２００μｍである。トップコート層２９の表面には、挿入部１７の長さを示す目盛り等が印刷される。

　一例として図２に示すように、押出成形機１２は、押出部３５および３６と、ヘッド部３７と、冷却部３８と、送出ドラム３９と、巻取ドラム４０と、制御部４１とを有する。押出部３５は、ホッパ（図示省略）およびスクリュー４２等を含む。押出部３５は、溶融状態の内層２５の樹脂材料をヘッド部３７に向けて押し出す。押出部３６も押出部３５と同じく、ホッパ（図示省略）およびスクリュー４３等を含む。押出部３６は、溶融状態の外層２６の樹脂材料をヘッド部３７に向けて押し出す。スクリュー４２および４３の回転数を変更することで、内層２５の樹脂材料の単位時間当たりの押出量および外層２６の樹脂材料の単位時間当たりの押出量、ひいては内層２５および外層２６の厚みを変更することができる。

　ヘッド部３７は、ニップル４４、ダイス４５、およびこれらニップル４４とダイス４５を固定的に支持する支持体４６により構成される。ニップル４４の中心部には丸孔状の成形通路４７が形成されている。成形通路４７の入口はテーパー状に拡開されている。成形通路４７には可撓管基材連結体２０Ｃが挿通される。可撓管基材連結体２０Ｃは、複数本の可撓管基材２０を連結部材４８によって連結したものである。可撓管基材連結体２０Ｃは、可撓管基材２０の基端２８が先、先端２７が後ろの状態で成形通路４７に導入される。成形通路４７の孔径は、可撓管基材２０の外径よりも若干大きい。なお、上記とは逆に、可撓管基材２０の先端２７が先、基端２８が後ろの状態で、可撓管基材連結体２０Ｃを成形通路４７に導入してもよい。

　ダイス４５の内部は、図示省略したヒータにより所定の成形温度、例えば１５０℃～３００℃程度に加熱される。ニップル４４とダイス４５の間には、成形通路４７の周全体を取り囲むように樹脂通路４９が形成されている。樹脂通路４９は、支持体４６に形成されたゲート５０および５１に連通している。ゲート５０および５１も樹脂通路４９と同じく、成形通路４７の周全体を取り囲むように形成されている。内層２５の樹脂材料および外層２６の樹脂材料はゲート５０および５１へと押し出され、内層２５の樹脂材料が下、外層２６の樹脂材料が上の重なった状態で、樹脂通路４９を通って成形通路４７に供給される。

　冷却部３８は、例えば冷却水が貯留された水槽である。冷却部３８は、ヘッド部３７において可撓管基材連結体２０Ｃに押出成形された内層２５の樹脂材料および外層２６の樹脂材料を冷却する。

　送出ドラム３９には押出成形前の可撓管基材連結体２０Ｃが巻き回されている。一方、巻取ドラム４０には押出成形後の可撓管基材連結体２０Ｃが巻き取られる。送出ドラム３９および巻取ドラム４０にはモータ（図示省略）が接続されており、送出ドラム３９および巻取ドラム４０はモータの駆動に応じて回転する。送出ドラム３９および巻取ドラム４０が回転することで、可撓管基材連結体２０Ｃが送出ドラム３９から巻取ドラム４０（ヘッド部３７および冷却部３８）に向けて送り出される。

　送出ドラム３９および巻取ドラム４０による可撓管基材連結体２０Ｃの搬送速度は一定である。こうして一定の搬送速度で搬送される可撓管基材連結体２０Ｃに内層２５の樹脂材料および外層２６の樹脂材料を常時押出成形することで、複数本の可撓管基材２０に樹脂層２１を連続的に成形することができる。

　制御部４１には情報処理装置１０からの好適な製造条件１３が入力される。制御部４１は、好適な製造条件１３にしたがって押出成形機１２の各部の動作を制御する。制御部４１は、スクリュー４２および４３の回転数を制御することで、内層２５の樹脂材料の単位時間当たりの押出量および外層２６の樹脂材料の単位時間当たりの押出量を制御する。また、制御部４１は、送出ドラム３９および巻取ドラム４０のモータの駆動を制御することで、可撓管基材連結体２０Ｃの搬送速度を一定に保つ制御をする。他にも、制御部４１は、ダイス４５のヒータの駆動を制御することで成形温度を制御したり、冷却部３８の冷却水の温度を一定に保つ制御をしたりする。

　１本の可撓管基材２０に樹脂層２１を成形する場合、制御部４１は、基端２８においては内層２５よりも外層２６の厚みを厚くし、先端２７に向かうにつれて外層２６の厚みを漸減させ、かつ内層２５の厚みを漸増させ、先端２７においては外層２６よりも内層２５の厚みを厚くする制御を行う。制御部４１は、１本の可撓管基材２０の押出成形終了後、次の可撓管基材２０の押出成形に備えるため、連結部材４８の部分において内層２５の樹脂材料の単位時間当たりの押出量および外層２６の樹脂材料の単位時間当たりの押出量を切り替える。

　巻取ドラム４０に巻き取られた可撓管基材連結体２０Ｃは、連結部材４８が取り外されて１本１本の可撓管基材２０に分離される。そして、各可撓管基材２０に対してそれぞれトップコート層２９が被覆される。最後に、各可撓管基材２０の先端２７および基端２８に口金２４が取り付けられる。これにより内視鏡用可撓管１１が完成する。内視鏡用可撓管１１は内視鏡１６の組立工程に移される。

　一例として図３に示すように、情報処理装置１０は、１本の可撓管基材２０を軸方向ＡＤに沿って分割した部分である分割部分Ｐ１、Ｐ２、Ｐ３、Ｐ４、Ｐ５、Ｐ６、Ｐ７、およびＰ８（基端２８側からこの順に並ぶ）と、連結部材４８を軸方向に沿って分割した部分である分割部分Ｐ９およびＰ１０（基端２８側からこの順に並ぶ）とを、品質を予測する１つの単位として扱う。ここで、品質を予測する１つの単位として扱う分割部分Ｐ９は、当該可撓管基材２０と次の可撓管基材２０とを連結する連結部材４８Ｎの部分である。また、品質を予測する１つの単位として扱う分割部分Ｐ１０は、当該可撓管基材２０と前の可撓管基材２０とを連結する連結部材４８Ｐの部分である。分割部分Ｐ１～Ｐ１０の長さは、同じであってもよいし異なっていてもよい。以下、分割部分Ｐ１～Ｐ１０を特に区別する必要がない場合は、分割部分Ｐと表記する場合がある。

　一例として図４に示すように、情報処理装置１０を構成するコンピュータは、前述のディスプレイ１４および入力デバイス１５に加えて、ストレージ５５、メモリ５６、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）５７、および通信部５８を備えている。これらはバスライン５９を介して相互接続されている。

　ストレージ５５は、情報処理装置１０を構成するコンピュータに内蔵、またはケーブル、ネットワークを通じて接続されたハードディスクドライブである。もしくはストレージ５５は、ハードディスクドライブを複数台連装したディスクアレイである。ストレージ５５には、オペレーティングシステム等の制御プログラム、各種アプリケーションプログラム、およびこれらのプログラムに付随する各種データ等が記憶されている。なお、ハードディスクドライブに代えてソリッドステートドライブを用いてもよい。

　メモリ５６は、ＣＰＵ５７が処理を実行するためのワークメモリである。ＣＰＵ５７は、ストレージ５５に記憶されたプログラムをメモリ５６へロードして、プログラムにしたがった処理を実行する。これによりＣＰＵ５７は、コンピュータの各部を統括的に制御する。ＣＰＵ５７は、本開示の技術に係る「プロセッサ」の一例である。なお、メモリ５６は、ＣＰＵ５７に内蔵されていてもよい。通信部５８は、押出成形機１２等の外部装置との各種情報の伝送制御を行う。

　一例として図５に示すように、情報処理装置１０のストレージ５５には、作動プログラム６５が記憶されている。作動プログラム６５は、コンピュータを情報処理装置１０として機能させるためのアプリケーションプログラムである。すなわち、作動プログラム６５は、本開示の技術に係る「情報処理装置の作動プログラム」の一例である。ストレージ５５には、予測モデル群６６および目的関数６７等も記憶される。

　作動プログラム６５が起動されると、情報処理装置１０を構成するコンピュータのＣＰＵ５７は、メモリ５６等と協働して、受付部７０、リードライト（以下、ＲＷ（Ｒｅａｄ　Ｗｒｉｔｅ）と略す）制御部７１、予測部７２、導出部７３、および配信制御部７４として機能する。

　受付部７０は、オペレータにより入力デバイス１５を介して入力された各種情報を受け付ける。例えば受付部７０は入力データ７５を受け付ける。入力データ７５は、予測モデル群６６を構成する弾性値予測モデル９０、内層厚み予測モデル９１、および外層厚み予測モデル９２（図９参照）に入力するデータである。受付部７０は入力データ７５をＲＷ制御部７１に出力する。

　また、受付部７０は目標値群７６を受け付ける。目標値群７６は各分割部分Ｐの品質の目標値の集合である。受付部７０は目標値群７６をＲＷ制御部７１に出力する。図示は省略したが、受付部７０は、好適な製造条件１３の導出指示、および好適な製造条件１３の配信指示等も受け付ける。

　ＲＷ制御部７１は、ストレージ５５への各種情報の記憶、およびストレージ５５内の各種情報の読み出しを制御する。例えばＲＷ制御部７１は、受付部７０からの入力データ７５および目標値群７６をストレージ５５に記憶する。また、ＲＷ制御部７１は、入力データ７５をストレージ５５から読み出し、読み出した入力データ７５を予測部７２に出力する。ＲＷ制御部７１は、予測モデル群６６をストレージ５５から読み出し、読み出した予測モデル群６６を予測部７２に出力する。さらに、ＲＷ制御部７１は、目的関数６７および目標値群７６をストレージ５５から読み出し、読み出した目的関数６７および目標値群７６を導出部７３に出力する。

　予測部７２は好適な製造条件１３の導出指示に応じて作動する。予測部７２は、予測モデル群６６を構成する弾性値予測モデル９０、内層厚み予測モデル９１、および外層厚み予測モデル９２に入力データ７５を入力する。そして、分割部分Ｐの品質の予測値を弾性値予測モデル９０、内層厚み予測モデル９１、および外層厚み予測モデル９２から出力させる。予測部７２は、弾性値予測モデル９０、内層厚み予測モデル９１、および外層厚み予測モデル９２から出力された予測値の集合である予測値群７７を導出部７３に出力する。

　導出部７３も予測部７２と同じく、好適な製造条件１３の導出指示に応じて作動する。ここで、目的関数６７は、目標値群７６の目標値と予測値群７７の予測値とを変数として含む。導出部７３は、目標値群７６の目標値と予測値群７７の予測値を目的関数６７に代入する等して、目的関数６７の値が最小となる製造条件を求める最適化問題を解くことで、好適な製造条件１３を導出する。導出部７３は、好適な製造条件１３を配信制御部７４に出力する。最適化問題を解く手法としては、遺伝的アルゴリズム、進化戦略、およびベイズ最適化といった周知のブラックボックス最適化手法を用いることができる。

　配信制御部７４は、好適な製造条件１３の配信指示で指定された押出成形機１２に、好適な製造条件１３を配信する制御を行う。

　一例として図６に示すように、入力データ７５は、図３で示した品質を予測する１つの単位として扱う各分割部分Ｐ１～Ｐ１０の各々の製造条件を有する。より詳しくは、入力データ７５は、分割部分Ｐ１の製造条件８０＿Ｐ１、分割部分Ｐ２の製造条件８０＿Ｐ２、・・・、分割部分Ｐ９の製造条件８０＿Ｐ９、および分割部分Ｐ１０の製造条件８０＿Ｐ１０を有する。なお、図においては、製造条件８０＿Ｐ１等を「製造条件（Ｐ１）」等と表記している。以降に登場する弾性予測値９５等も同様である。以下、分割部分Ｐ１～Ｐ１０の各々の製造条件８０＿Ｐ１～８０＿Ｐ１０を特に区別する必要がない場合は、製造条件８０と表記する場合がある。

　製造条件８０は、分割部分Ｐにおける内層２５の樹脂材料の単位時間当たりの押出量（スクリュー４２の回転数）、分割部分Ｐにおける外層２６の樹脂材料の単位時間当たりの押出量（スクリュー４３の回転数）、および可撓管基材連結体２０Ｃの搬送速度（送出ドラム３９および巻取ドラム４０の回転数）等を含む。内層２５の樹脂材料の単位時間当たりの押出量と外層２６の樹脂材料の単位時間当たりの押出量は、各分割部分Ｐの内層２５および外層２６の厚みに応じて各製造条件８０で異なる。対して可撓管基材連結体２０Ｃの搬送速度は、各製造条件８０で共通である。オペレータは、過去の内視鏡用可撓管１１の製造実績、および自らの経験に基づいて、内視鏡用可撓管１１全体の品質が目標値となると考えられる製造条件８０を入力する。なお、製造条件８０としては、これらの他にも、内層２５の樹脂材料および外層２６の樹脂材料のそれぞれの押出圧力、および成形温度等を適宜加えてもよい。押出圧力および成形温度も可撓管基材連結体２０Ｃの搬送速度と同じく、各製造条件８０で共通となる。

　入力データ７５は物性情報８１を有する。物性情報８１は、内視鏡用可撓管１１を構成する材料、ここでは内層２５の樹脂材料および外層２６の樹脂材料のそれぞれの物性に関する情報である。物性情報８１は、内層２５の樹脂材料の硬さ（例えばショアＡ硬度）、内層２５の樹脂材料の引張張力（例えば１００％モジュラス）、外層２６の樹脂材料の弾性値（例えば曲げ弾性率）、および外層２６の樹脂材料の粘性値（例えば溶融粘度）等を含む。なお、物性情報８１としては、これらの他にも、内層２５の樹脂材料の引張強さ、内層２５の樹脂材料の伸び率、外層２６の樹脂材料の粘性比率等を適宜加えてもよい。

　また、入力データ７５は設計情報８２を有する。設計情報８２は、内視鏡用可撓管１１の設計値に関する情報である。設計情報８２は、可撓管基材２０の外径、各分割部分Ｐの長さ等を含む。各分割部分Ｐの長さは、隣接する２つの分割部分Ｐ間の距離に置き換えてもよい。なお、設計情報８２としては、これらの他にも、内層２５の樹脂材料および外層２６の樹脂材料への添加物の量等を適宜加えてもよい。

　一例として図７に示すように、目標値群７６は、各分割部分Ｐ１～Ｐ８の樹脂層２１の弾性値の規格値（以下、弾性規格値と表記する）を有する。より詳しくは、目標値群７６は、分割部分Ｐ１の弾性規格値８５＿Ｐ１、分割部分Ｐ２の弾性規格値８５＿Ｐ２、・・・、分割部分Ｐ７の弾性規格値８５＿Ｐ７、および分割部分Ｐ８の弾性規格値８５＿Ｐ８を有する。以下、分割部分Ｐ１～Ｐ８の各々の弾性規格値８５＿Ｐ１～８５＿Ｐ８を特に区別する必要がない場合は、弾性規格値８５と表記する場合がある。弾性規格値８５は、本開示の技術に係る「目標値」の一例である。

　また、目標値群７６は、内層２５および外層２６の厚みを合わせた樹脂層２１の総厚みの設定値（以下、総厚み設定値）８６を有する。総厚み設定値８６は各分割部分Ｐで共通であるため１つだけである。総厚み設定値８６も弾性規格値８５と同じく、本開示の技術に係る「目標値」の一例である。

　一例として図８に示すように、弾性規格値８５は、例えば、各分割部分Ｐの樹脂層２１の弾性値の上限値および下限値の中央値である。各分割部分Ｐの樹脂層２１の弾性値の上限値および下限値、ひいては各分割部分Ｐの樹脂層２１の弾性規格値８５は、基端２８側の分割部分Ｐ１から先端２７側の分割部分Ｐ８になるにつれて減少する。これは、先端２７側は外層２６よりも内層２５の厚みが厚いため比較的軟らかく、基端２８側は内層２５よりも外層２６の厚みが厚いため比較的硬いことに起因する。

　一例として図９に示すように、予測モデル群６６は、弾性値予測モデル９０、内層厚み予測モデル９１、および外層厚み予測モデル９２を有する。弾性値予測モデル９０、内層厚み予測モデル９１、および外層厚み予測モデル９２は、例えばニューラルネットワーク等により構成される機械学習モデルである。つまり、弾性値予測モデル９０、内層厚み予測モデル９１、および外層厚み予測モデル９２は、本開示の技術に係る「機械学習モデル」の一例である。なお、以下では、弾性値予測モデル９０、内層厚み予測モデル９１、および外層厚み予測モデル９２を、まとめて予測モデル９０～９２と表記する場合がある。

　弾性値予測モデル９０は、製造条件８０、物性情報８１、および設計情報８２の入力に応じて、分割部分Ｐの樹脂層２１の弾性値の予測値（以下、弾性予測値と表記する）を出力する。内層厚み予測モデル９１は、製造条件８０、物性情報８１、および設計情報８２の入力に応じて、分割部分Ｐの内層２５の厚みの予測値（以下、内層厚み予測値と表記する）を出力する。外層厚み予測モデル９２は、製造条件８０、物性情報８１、および設計情報８２の入力に応じて、分割部分Ｐの外層２６の厚みの予測値（以下、外層厚み予測値と表記する）を出力する。このように、予測値は複数種あり、複数種の予測値毎に予測モデル９０～９２が用意されている。

　一例として図１０に示すように、予測部７２は、分割部分Ｐ１の品質を予測する場合、分割部分Ｐ１の製造条件８０＿Ｐ１と、分割部分Ｐ１の両隣の分割部分Ｐ１０およびＰ２のそれぞれの製造条件８０＿Ｐ１０および８０＿Ｐ２とを弾性値予測モデル９０に入力する。また、予測部７２は、物性情報８１と設計情報８２とを弾性値予測モデル９０に入力する。そして、予測部７２は、分割部分Ｐ１の弾性予測値９５＿Ｐ１を弾性値予測モデル９０から出力させる。製造条件８０＿Ｐ１に加えて製造条件８０＿Ｐ１０および８０＿Ｐ２を弾性値予測モデル９０に入力するのは、分割部分Ｐ１の両隣の分割部分Ｐ１０およびＰ２の樹脂層２１の弾性値が、分割部分Ｐ１の樹脂層２１の弾性値に影響を与えると考えられるためである。

　一例として図１１に示すように、予測部７２は、分割部分Ｐ１の品質を予測する場合、外層２６の情報を除く分割部分Ｐ１の製造条件８０Ａ＿Ｐ１と、外層２６の情報を除く物性情報８１Ａと、設計情報８２とを内層厚み予測モデル９１に入力する。そして、予測部７２は、分割部分Ｐ１の内層厚み予測値９６＿Ｐ１を内層厚み予測モデル９１から出力させる。外層２６の情報を除く分割部分Ｐ１の製造条件８０Ａ＿Ｐ１とは、分割部分Ｐ１における外層２６の樹脂材料の単位時間当たりの押出量等を除く情報である。また、外層２６の情報を除く物性情報８１Ａとは、外層２６の樹脂材料の弾性値、および外層２６の樹脂材料の粘性値等を除く情報である。こうして外層２６の情報を除くのは、外層２６の情報は内層厚み予測値の予測に不要と考えられるためである。

　一例として図１２に示すように、予測部７２は、分割部分Ｐ１の品質を予測する場合、内層２５の情報を除く分割部分Ｐ１の製造条件８０Ｂ＿Ｐ１と、内層２５の情報を除く物性情報８１Ｂと、設計情報８２とを外層厚み予測モデル９２に入力する。そして、予測部７２は、分割部分Ｐ１の外層厚み予測値９７＿Ｐ１を外層厚み予測モデル９２から出力させる。内層２５の情報を除く分割部分Ｐ１の製造条件８０Ｂ＿Ｐ１とは、分割部分Ｐ１における内層２５の樹脂材料の単位時間当たりの押出量等を除く情報である。また、内層２５の情報を除く物性情報８１Ｂとは、内層２５の樹脂材料の硬さ、および内層２５の樹脂材料の引張張力等を除く情報である。こうして内層２５の情報を除くのは、内層厚み予測モデル９１の場合と同様に、内層２５の情報は外層厚み予測値の予測に不要と考えられるためである。

　一例として図１３に示すように、予測部７２は、分割部分Ｐ１の内層厚み予測値９６＿Ｐ１と外層厚み予測値９７＿Ｐ１とを加算し、分割部分Ｐ１の樹脂層２１の総厚みの予測値（以下、総厚み予測値と表記する）９８＿Ｐ１を求める。

　図１０～図１３においては、分割部分Ｐ１の弾性予測値９５＿Ｐ１、内層厚み予測値９６＿Ｐ１、および外層厚み予測値９７＿Ｐ１を各予測モデル９０～９２より出力させ、分割部分Ｐ１の総厚み予測値９８＿Ｐ１を求める例を示したが、予測部７２は、残りの分割部分Ｐ２～Ｐ８についても同様に弾性予測値９５＿Ｐ２～９５＿Ｐ８（図１４参照）、内層厚み予測値９６＿Ｐ２～９６＿Ｐ８（図示省略）、および外層厚み予測値９７＿Ｐ２～９７＿Ｐ８（図示省略）を各予測モデル９０～９２より出力させ、残りの分割部分Ｐ２～Ｐ８の総厚み予測値９８＿Ｐ２～９８＿Ｐ８（図１４参照）を求める。以下、弾性予測値９５＿Ｐ１～９５＿Ｐ８、内層厚み予測値９６＿Ｐ１～９６＿Ｐ８、外層厚み予測値９７＿Ｐ１～９７＿Ｐ８、および総厚み予測値９８＿Ｐ１～９８＿Ｐ８を特に区別する必要がない場合は、それぞれ、弾性予測値９５、内層厚み予測値９６、外層厚み予測値９７、および総厚み予測値９８と表記する場合がある。なお、弾性予測値９５、内層厚み予測値９６、外層厚み予測値９７、および総厚み予測値９８は、本開示の技術に係る「予測値」の一例である。

　こうして各分割部分Ｐの弾性予測値９５および総厚み予測値９８を求めることで、予測値群７７は、一例として図１４に示すような内容となる。すなわち予測値群７７は、分割部分Ｐ１の弾性予測値９５＿Ｐ１、分割部分Ｐ２の弾性予測値９５＿Ｐ２、・・・、分割部分Ｐ７の弾性予測値９５＿Ｐ７、および分割部分Ｐ８の弾性予測値９５＿Ｐ８を有する。また、予測値群７７は、分割部分Ｐ１の総厚み予測値９８＿Ｐ１、分割部分Ｐ２の総厚み予測値９８＿Ｐ２、・・・、分割部分Ｐ７の総厚み予測値９８＿Ｐ７、および分割部分Ｐ８の総厚み予測値９８＿Ｐ８を有する。

　一例として図１５に示すように、学習データ１００は、各予測モデル９０～９２の学習に用いるために、過去に製造された内視鏡用可撓管１１から収集されたデータである。学習データ１００は学習用入力データ７５Ｌと正解データ１０１とを含む。学習用入力データ７５Ｌは入力データ７５に対応するデータである。学習用入力データ７５Ｌは、学習用製造条件８０Ｌ、学習用物性情報８１Ｌ、および学習用設計情報８２Ｌを有する。学習用製造条件８０Ｌは製造条件８０に対応するデータであり、学習用物性情報８１Ｌは物性情報８１に対応するデータであり、学習用設計情報８２Ｌは設計情報８２に対応するデータである。

　学習用製造条件８０Ｌから分かるように、学習データ１００は、様々な内層２５の樹脂材料の単位時間当たりの押出量、外層２６の樹脂材料の単位時間当たりの押出量、および可撓管基材連結体２０Ｃの搬送速度で製造された分割部分Ｐに関するデータの集合である。また、学習用物性情報８１Ｌから分かるように、学習データ１００は、様々な物性の内層２５および外層２６を用いた分割部分Ｐに関するデータの集合でもある。さらに、学習用設計情報８２Ｌから分かるように、学習データ１００は、可撓管基材２０の外径が１０ｍｍ、５ｍｍ、８ｍｍ、分割部分Ｐの長さが１００ｍｍ、５０ｍｍ等、様々な設計値の分割部分Ｐに関するデータの集合でもある。

　正解データ１０１は、各学習用入力データ７５Ｌに対応して１セットずつ登録されている。正解データ１０１は、各予測モデル９０～９２からの出力、すなわち弾性予測値９５、内層厚み予測値９６、および外層厚み予測値９７と、いわば答え合わせを行うためのデータである。正解データ１０１は、過去に製造された内視鏡用可撓管１１の各分割部分Ｐの弾性値の実測値（以下、弾性実測値と表記する）９５ＣＡ、過去に製造された内視鏡用可撓管１１の各分割部分Ｐの内層２５の厚みの実測値（以下、内層厚み実測値と表記する）９６ＣＡ、および過去に製造された内視鏡用可撓管１１の各分割部分Ｐの外層２６の厚みの実測値（以下、外層厚み実測値と表記する）９７ＣＡを有する。

　一例として図１６～図１８に示すように、各予測モデル９０～９２の学習フェーズにおいては、学習用入力データ７５Ｌが与えられて学習される。具体的には図１６に示すように、弾性値予測モデル９０の学習フェーズにおいては、学習用製造条件８０Ｌ、学習用物性情報８１Ｌ、および学習用設計情報８２Ｌが弾性値予測モデル９０に入力される。学習用製造条件８０Ｌは、弾性予測値９５を予測する分割部分Ｐの学習用製造条件８０Ｌ、ここでは分割部分Ｐ１の学習用製造条件８０Ｌ＿Ｐ１である。また、学習用製造条件８０Ｌは、弾性予測値９５を予測する分割部分Ｐの両隣の分割部分Ｐの学習用製造条件８０Ｌ、ここでは分割部分Ｐ１０の学習用製造条件８０Ｌ＿Ｐ１０および分割部分Ｐ２の学習用製造条件８０Ｌ＿Ｐ２である。弾性値予測モデル９０は、こうした学習用入力データ７５Ｌの入力に応じて、学習用弾性予測値９５Ｌ、ここでは分割部分Ｐ１の学習用弾性予測値９５Ｌ＿Ｐ１を出力する。

　弾性値予測モデル９０の学習フェーズにおいては、学習用弾性予測値９５Ｌ、ここでは分割部分Ｐ１の学習用弾性予測値９５Ｌ＿Ｐ１と、学習用入力データ７５Ｌに対応する弾性実測値９５ＣＡ、ここでは分割部分Ｐ１の弾性実測値９５ＣＡ＿Ｐ１とに基づいて、損失関数を用いた弾性値予測モデル９０の損失演算がなされる。そして、損失演算の結果に応じて弾性値予測モデル９０の各種係数（畳み込み層のフィルタの係数等）の更新設定がなされ、更新設定にしたがって弾性値予測モデル９０が更新される。

　図１７に示すように、内層厚み予測モデル９１の学習フェーズにおいては、外層２６の情報を除く学習用製造条件８０ＬＡ、外層２６の情報を除く学習用物性情報８１ＬＡ、および学習用設計情報８２Ｌが内層厚み予測モデル９１に入力される。内層厚み予測モデル９１は、こうした学習用入力データ７５Ｌの入力に応じて、学習用内層厚み予測値９６Ｌを出力する。

　内層厚み予測モデル９１の学習フェーズにおいては、学習用内層厚み予測値９６Ｌと、学習用入力データ７５Ｌに対応する内層厚み実測値９６ＣＡとに基づいて、損失関数を用いた内層厚み予測モデル９１の損失演算がなされる。そして、損失演算の結果に応じて内層厚み予測モデル９１の各種係数の更新設定がなされ、更新設定にしたがって内層厚み予測モデル９１が更新される。

　図１８に示すように、外層厚み予測モデル９２の学習フェーズにおいては、内層２５の情報を除く学習用製造条件８０ＬＢ、内層２５の情報を除く学習用物性情報８１ＬＢ、および学習用設計情報８２Ｌが外層厚み予測モデル９２に入力される。外層厚み予測モデル９２は、こうした学習用入力データ７５Ｌの入力に応じて、学習用外層厚み予測値９７Ｌを出力する。

　外層厚み予測モデル９２の学習フェーズにおいては、学習用外層厚み予測値９７Ｌと、学習用入力データ７５Ｌに対応する外層厚み実測値９７ＣＡとに基づいて、損失関数を用いた外層厚み予測モデル９２の損失演算がなされる。そして、損失演算の結果に応じて外層厚み予測モデル９２の各種係数の更新設定がなされ、更新設定にしたがって外層厚み予測モデル９２が更新される。

　各予測モデル９０～９２の学習フェーズにおいては、学習用入力データ７５Ｌの入力、学習用弾性予測値９５Ｌ、学習用内層厚み予測値９６Ｌ、および学習用外層厚み予測値９７Ｌの出力、損失演算、更新設定、および更新の上記一連の処理が、学習用入力データ７５Ｌおよび正解データ１０１が交換されつつ繰り返し行われる。上記一連の処理の繰り返しは、学習用弾性予測値９５Ｌ、学習用内層厚み予測値９６Ｌ、および学習用外層厚み予測値９７Ｌの予測精度が、予め定められた設定レベルまで達した場合に終了される。こうして予測精度が設定レベルまで達した各予測モデル９０～９２が、情報処理装置１０のストレージ５５に記憶される。なお、学習用弾性予測値９５Ｌ、学習用内層厚み予測値９６Ｌ、および学習用外層厚み予測値９７Ｌの予測精度に関係なく、上記一連の処理を設定回数繰り返した場合に学習を終了してもよい。また、ストレージ５５に記憶した後も学習を継続して行ってもよい。

　一例として図１９に示すように、目的関数６７は、それぞれ加算される第１項１０５、第２項１０６、第３項１０７、および第４項１０８を有する。第１項１０５は、分割部分Ｐの各々の弾性予測値９５と分割部分Ｐの各々の弾性規格値８５との差分を含む。より詳しくは、第１項１０５は、弾性規格値８５で弾性予測値９５と弾性規格値８５との差分を除算した値の二乗の総和を含む。そして、第１項１０５は、当該総和に第１重み係数Ｗ１を乗算した項である。第１項１０５は、本開示の技術に係る「差分を含む項」の一例である。

　第２項１０６は、分割部分Ｐの各々の総厚み予測値９８と総厚み設定値８６との差分を含む。より詳しくは、第２項１０６は、総厚み設定値８６で総厚み予測値９８と総厚み設定値８６との差分を除算した値の二乗の総和を含む。そして、第２項１０６は、当該総和に第２重み係数Ｗ２を乗算した項である。第２項１０６も第１項１０５と同じく、本開示の技術に係る「差分を含む項」の一例である。

　第３項１０７および第４項１０８は、内視鏡用可撓管１１全体の製造条件に関する制約条件に、分割部分Ｐの各々の製造条件を収めるための正則化項である。内視鏡用可撓管１１全体の製造条件に関する制約条件は、内視鏡用可撓管１１全体を通して、弾性値、内層厚み、および外層厚みを滑らかに変化させるために、分割部分Ｐの各々の製造条件を滑らかに繋げる、というものである。このため第３項１０７は、分割部分Ｐの各々の内層２５の樹脂材料の単位時間当たりの押出量Ｒを平滑化する項である。また、第４項１０８は、分割部分Ｐの各々の外層２６の樹脂材料の単位時間当たりの押出量Ｓを平滑化する項である。

　より詳しくは、第３項１０７は、分割部分Ｐの各々の内層２５の樹脂材料の単位時間当たりの押出量Ｒの二階微分値の総和を含む。そして、第３項１０７は、当該総和に第３重み係数Ｗ３を乗算した項である。また、第４項１０８は、分割部分Ｐの各々の外層２６の樹脂材料の単位時間当たりの押出量Ｓの二階微分値の総和を含む。そして、第４項１０８は、当該総和に第４重み係数Ｗ４を乗算した項である。ここで、第３項１０７の｜Ｒ_ｉ－１＋Ｒ_ｉ＋１－２Ｒ_ｉ｜は、分割部分Ｐの各々の内層２５の樹脂材料の単位時間当たりの押出量Ｒの二階微分の近似式である。また、第４項１０８の｜Ｓ_ｉ－１＋Ｓ_ｉ＋１－２Ｓ_ｉ｜は、分割部分Ｐの各々の外層２６の樹脂材料の単位時間当たりの押出量Ｓの二階微分の近似式である。

　第１項１０５～第４項１０８のＮは、分割部分Ｐの数である。また、第１重み係数Ｗ１～第４重み係数Ｗ４は、合計が１になる値（Ｗ１＋Ｗ２＋Ｗ３＋Ｗ４＝１）である。例えばＷ１～Ｗ４＝０．２５である。ただし、第１重み係数Ｗ１～第４重み係数Ｗ４は必ずしも同じ値でなくてもよい。例えば第３項１０７を重視したい場合、すなわち分割部分Ｐの各々の内層２５の樹脂材料の単位時間当たりの押出量Ｒをより平滑化したい場合は、第３重み係数Ｗ３を他よりも高い値に設定してもよい。

　一例として図２０に示すように、目的関数６７の値が最小となる製造条件を求める最適化問題を解くことで導出部７３により導出される好適な製造条件１３は、分割部分Ｐ１～Ｐ８の各々における内層２５の樹脂材料の好適な単位時間当たりの押出量、分割部分Ｐ１～Ｐ８の各々における外層２６の樹脂材料の好適な単位時間当たりの押出量、および分割部分Ｐ１～Ｐ８の各々における可撓管基材連結体２０Ｃの好適な搬送速度等を含む。

　ここで、目的関数６７の値が最小となる製造条件を求める最適化問題を解く、ということは、第１項１０５の弾性予測値９５と弾性規格値８５との差分、および第２項１０６の総厚み予測値９８と総厚み設定値８６との差分が最小となる好適な製造条件１３を探索する、ということである。また、目的関数６７の値が最小となる製造条件を求める最適化問題を解く、ということは、分割部分Ｐの各々の内層２５の樹脂材料の単位時間当たりの押出量Ｒ、および分割部分Ｐの各々の外層２６の樹脂材料の単位時間当たりの押出量を平滑化した好適な製造条件１３を探索する、ということである。

　次に、上記構成による作用について、図２１のフローチャートを参照して説明する。まず、情報処理装置１０において作動プログラム６５が起動されると、図５で示したように、情報処理装置１０のＣＰＵ５７は、受付部７０、ＲＷ制御部７１、予測部７２、導出部７３、および配信制御部７４として機能される。

　まず、情報処理装置１０のディスプレイ１４に、入力データ７５および目標値群７６の入力画面（図示省略）が表示される。オペレータは、入力画面に所望の入力データ７５および目標値群７６を入力する。これにより受付部７０において入力データ７５および目標値群７６が受け付けられる（ステップＳＴ１００）。入力データ７５および目標値群７６は、受付部７０からＲＷ制御部７１に出力される。そして、ＲＷ制御部７１によってストレージ５５に記憶される。図６で示したように、入力データ７５には、分割部分Ｐの各々の製造条件８０、物性情報８１、および設計情報８２が含まれている。また、図７で示したように、目標値群７６には、分割部分Ｐの各々の弾性規格値８５、および総厚み設定値８６が含まれている。なお、入力データ７５と目標値群７６の入力画面を別にし、入力データ７５と目標値群７６の入力タイミングを違わせてもよい。

　受付部７０において好適な製造条件１３の導出指示が受け付けられた場合、入力データ７５は、ＲＷ制御部７１によってストレージ５５から読み出され、予測部７２に出力される。また、目標値群７６は、ＲＷ制御部７１によってストレージ５５から読み出され、導出部７３に出力される。

　図１０で示したように、予測部７２において、入力データ７５が弾性値予測モデル９０に入力され、分割部分Ｐの各々の弾性予測値９５が弾性値予測モデル９０から出力される。また、図１１で示したように、予測部７２において、入力データ７５が内層厚み予測モデル９１に入力され、分割部分Ｐの各々の内層厚み予測値９６が内層厚み予測モデル９１から出力される。さらに、図１２で示したように、予測部７２において、入力データ７５が外層厚み予測モデル９２に入力され、分割部分Ｐの各々の外層厚み予測値９７が外層厚み予測モデル９２から出力される（ステップＳＴ１１０）。そして、図１３で示したように、予測部７２において、内層厚み予測値９６と外層厚み予測値９７とが加算され、分割部分Ｐの各々の総厚み予測値９８が求められる。こうして求められた弾性予測値９５および総厚み予測値９８は、図１４で示したように、予測値群７７として予測部７２から導出部７３に出力される。

　次いで、図２０で示したように、図１９で示した目的関数６７の値が最小となる製造条件を求める最適化問題が導出部７３において解かれることで、好適な製造条件１３が導出される（ステップＳＴ１２０）。好適な製造条件１３は、導出部７３から配信制御部７４に出力される。

　受付部７０において好適な製造条件１３の配信指示が受け付けられた場合、好適な製造条件１３は、配信制御部７４によって配信指示で指定された押出成形機１２に配信される（ステップＳＴ１３０）。

　押出成形機１２では、情報処理装置１０からの好適な製造条件１３が制御部４１に入力される。そして、制御部４１の制御の下、好適な製造条件１３にて押出成形機１２の各部の動作が制御され、内視鏡用可撓管１１が製造される。

　以上説明したように、情報処理装置１０のＣＰＵ５７は、予測部７２および導出部７３として機能する。予測部７２は、内視鏡用可撓管１１全体を分割した分割部分Ｐの製造条件８０の入力に応じて分割部分Ｐの弾性予測値９５、内層厚み予測値９６、および外層厚み予測値９７を出力する弾性値予測モデル９０、内層厚み予測モデル９１、および外層厚み予測モデル９２を用いる。予測部７２は、分割部分Ｐの各々の製造条件８０を弾性値予測モデル９０、内層厚み予測モデル９１、および外層厚み予測モデル９２に入力し、分割部分Ｐの各々の弾性予測値９５、内層厚み予測値９６、および外層厚み予測値９７を弾性値予測モデル９０、内層厚み予測モデル９１、および外層厚み予測モデル９２から出力させる。導出部７３は、分割部分Ｐの各々の弾性予測値９５と分割部分Ｐの各々の弾性規格値８５との差分を含む第１項１０５、および分割部分Ｐの各々の総厚み予測値９８と分割部分Ｐの各々の総厚み設定値８６との差分を含む第２項１０６を有する目的関数６７の値が最小となる製造条件を求める最適化問題を解くことで、内視鏡用可撓管１１全体の品質が目標値となる好適な製造条件１３を導出する。

　このため、一例として図２２に示すように、例えば上部消化管用の経口内視鏡の太径長尺の内視鏡用可撓管１１ＬＬについて、各分割部分Ｐ１～Ｐ１０の弾性予測値９５＿Ｐ１～９５＿Ｐ１０等を弾性値予測モデル９０等から出力させ、好適な製造条件１３を導出することができる。また、一例として図２３に示すように、例えば気管支用の経鼻内視鏡の細径短尺の内視鏡用可撓管１１ＳＳについて、各分割部分Ｐ１～Ｐ６の弾性予測値９５＿Ｐ１～９５＿Ｐ６等を弾性値予測モデル９０等から出力させ、好適な製造条件１３を導出することもできる。

　太径長尺の内視鏡用可撓管１１ＬＬ専用の予測モデルを用いて、太径長尺の内視鏡用可撓管１１ＬＬ全体の品質を予測する場合、各分割部分Ｐ１～Ｐ１０の製造条件を入力データとして用意する必要がある。このため、太径長尺の内視鏡用可撓管１１ＬＬ専用の予測モデルでは、そもそも分割部分がＰ１～Ｐ６の６つしかなく、入力データとしての製造条件の数が足りない細径短尺の内視鏡用可撓管１１ＳＳ全体の品質を予測することはできない。結果として、細径短尺の内視鏡用可撓管１１ＳＳの好適な製造条件１３を導出することができない。逆もまた然りである。対して本開示の技術によれば、前述のように、各予測モデル９０～９２によって、太径長尺の内視鏡用可撓管１１ＬＬの好適な製造条件１３を導出することもできれば、細径短尺の内視鏡用可撓管１１ＳＳの好適な製造条件１３を導出することもできる。すなわち、内視鏡用可撓管１１の種別によらず汎用的に好適な製造条件１３を導出することが可能となる。

　各予測モデル９０～９２の学習データ１００は、図１５で示したように、内視鏡用可撓管１１全体のデータではなく、各分割部分Ｐのデータである。このため非常に多くのデータを容易に収集することができる。学習データ１００の数が多ければ、それだけ各予測モデル９０～９２の学習が捗り、各予測モデル９０～９２の予測精度も高めることができる。したがって、内視鏡用可撓管１１全体の品質を予測して、その予測結果に基づいて好適な製造条件１３を導出する場合と比べて、好適な製造条件１３を精度よく導出することができる。

　目的関数６７は、内視鏡用可撓管１１全体の製造条件に関する制約条件に、分割部分Ｐの各々の製造条件を収めるための正則化項である第３項１０７および第４項１０８を有する。このため、内視鏡用可撓管１１全体の製造条件に関する制約条件に、好適な製造条件１３を収めることができる。

　正則化項である第３項１０７および第４項１０８は、分割部分Ｐの各々の内層２５の樹脂材料の単位時間当たりの押出量Ｒ、および分割部分Ｐの各々の外層２６の樹脂材料の単位時間当たりの押出量Ｓを平滑化する項である。具体的には、第３項１０７は、分割部分Ｐの各々の内層２５の樹脂材料の単位時間当たりの押出量Ｒの二階微分値の総和であり、第４項１０８は、分割部分Ｐの各々の外層２６の樹脂材料の単位時間当たりの押出量Ｓの二階微分値の総和である。このため、好適な製造条件１３を、あたかも熟練したオペレータが設定したような内容とすることができる。

　差分を含む項である第１項１０５および第２項１０６は、分割部分Ｐの目標値である弾性規格値８５および総厚み設定値８６で差分を除算した値の総和である。差分を含む項を、分割部分Ｐの目標値で差分を除算せずに差分の総和とした場合、目標値が１００、予測値が９５で差分が５の場合と、目標値が１０、予測値が５で差分が５の場合とが同列に扱われてしまう。そこで、差分を含む項を、分割部分Ｐの目標値で差分を除算した値の総和とすることで、目標値が１００、予測値が９５で差分が５の場合（目標値で差分を除算した値は５／１００＝０．０５）と、目標値が１０、予測値が５で差分が５の場合（目標値で差分を除算した値は５／１０＝０．５）とを区別して扱うことができる。ひいては、好適な製造条件１３を精度よく導出することができる。

　各予測モデル９０～９２には、内視鏡用可撓管１１を構成する材料の物性情報８１、および内視鏡用可撓管１１の設計情報８２も入力される。このため、各予測モデル９０～９２に物性情報８１および設計情報８２に入力しない場合よりも、弾性予測値９５、内層厚み予測値９６、および外層厚み予測値９７の予測精度を高めることができる。

　また、弾性値予測モデル９０には、予測の対象の分割部分Ｐの製造条件８０に加えて、両隣の分割部分Ｐの製造条件８０を入力しているので、弾性予測値９５の予測精度をさらに高めることができる。そして、内層厚み予測モデル９１には外層２６の情報を除く製造条件８０Ａ＿Ｐ１等を入力したり、反対に外層厚み予測モデル９２には内層２５の情報を除く製造条件８０Ｂ＿Ｐ１等を入力し、予測に不要と考えられる情報を除いているので、内層厚み予測値９６および外層厚み予測値９７の予測精度もさらに高めることができる。

　なお、物性情報８１および設計情報８２の両方を弾性値予測モデル９０等に入力することが好ましいが、弾性値予測モデル９０等に入力するのは、物性情報８１および設計情報８２のうちの少なくともいずれか１つであってもよい。

　予測値は、弾性予測値９５、内層厚み予測値９６、および外層厚み予測値９７と複数種あり、機械学習モデルは、弾性値予測モデル９０、内層厚み予測モデル９１、および外層厚み予測モデル９２と、複数種の予測値毎に用意されている。このため、弾性予測値９５、内層厚み予測値９６、および外層厚み予測値９７をいずれも精度よく予測することができる。

　製品は、可撓管基材２０と、可撓管基材２０を被覆する樹脂層２１であって、軸方向ＡＤに厚み比率が異なる内層２５および外層２６により構成される樹脂層２１とを有する内視鏡用可撓管１１である。分割部分Ｐは、内視鏡用可撓管１１を軸方向ＡＤに沿って分割した部分である。そして、製造条件８０は、押出成形機１２による、内層２５の樹脂材料の単位時間当たりの押出量、および外層２６の樹脂材料の単位時間当たりの押出量を含む。予測値は、分割部分Ｐの弾性値（弾性予測値９５）、分割部分Ｐの内層の厚み（内層厚み予測値９６）、および分割部分Ｐの外層の厚み（外層厚み予測値９７）を含む。

　内視鏡用可撓管１１は、図２２で示した上部消化管用の経口内視鏡の太径長尺の内視鏡用可撓管１１ＬＬ、あるいは図２３で示した気管支用の経鼻内視鏡の細径短尺の内視鏡用可撓管１１ＳＳ等、種類が多岐にわたる。そして、内層２５および外層２６の樹脂材料の変更、可撓管基材２０の外径の変更等、仕様変更も頻繁である。このため、内視鏡用可撓管１１の種別によらず汎用的に好適な製造条件１３を導出することが可能、という効果を存分に発揮することができる。

　押出成形機１２の制御部４１が、情報処理装置１０のＣＰＵ５７の役割を担ってもよい。つまり、押出成形機１２の制御部４１により、各予測値９５～９８の出力、および好適な製造条件１３の導出を行ってもよい。この場合は、押出成形機１２自体が、本開示の技術に係る「情報処理装置」の一例となる。

　［第２実施形態］
　上記第１実施形態では、製品として内視鏡用可撓管１１を例示し、押出成形機１２の好適な製造条件１３を導出する例を説明したが、本開示の技術はこれに限らない。第２実施形態では、シート製造装置２００（図２４参照）の好適な製造条件２５１（図３３参照）を導出する。

　一例として図２４に示すように、シート製造装置２００は、搬送される長尺状の支持体２０１に液を塗布してシート２０２を製造する装置である。シート２０２は、本開示の技術に係る「製品」の一例である。支持体２０１は例えば磁気テープの基材である。この場合、液は磁性層材料であり、シート２０２は磁気テープである。あるいは、支持体２０１は例えば光学フイルムの基材である。この場合、液は感光層材料であり、シート２０２は光学フイルムである。

　シート製造装置２００は、塗布部２０３と、搬送ローラ２０４および２０５と、張力調整ローラ２０６とを有する。塗布部２０３は、支持体２０１に液を塗布するためのギーサー等である。搬送ローラ２０４および２０５は、塗布部２０３を挟んで上流側および下流側の対称な位置に配されており、モータにより回転することで支持体２０１およびシート２０２を搬送する。張力調整ローラ２０６は、塗布部２０３および搬送ローラ２０４の上流側に配されている。張力調整ローラ２０６は、矢印で示すように、例えば中心Ｃを回転中心として、支持体２０１およびシート２０２の幅方向ＷＤに対して傾くことで、塗布部２０３の液の塗布箇所において支持体２０１に付与される張力を調整する。塗布箇所は、幅方向ＷＤと平行な狭隘な間隔を有するスリット２０７である。なお、シート製造装置２００は、ロール状の支持体２０１を塗布部２０３に向けて送り出す送出ドラム、および塗布部２０３からの液が塗布されたシート２０２を巻き取る巻取ドラム等も有する。また、シート製造装置２００は、支持体２０１またはシート２０２に接して、支持体２０１またはシート２０２の搬送に従動回転する従動ローラ、支持体２０１の搬送速度の変化に応じて揺動することで、支持体２０１に付与される張力の変動を抑制するダンサーローラ等も有する。

　一例として図２５に示すように、第２実施形態では、シート２０２の幅方向ＷＤに沿って分割した分割部分Ｐ１、Ｐ２、・・・、Ｐ７、およびＰ８の各々の品質を予測する。

　一例として図２６に示すように、第２実施形態の入力データ２１０は、第１製造条件２１１および第２製造条件２１２を有する。第１製造条件２１１は、張力調整ローラ２０６の制御量を含む。張力調整ローラ２０６の制御量は、言い換えれば、張力調整ローラ２０６の幅方向ＷＤに対する押し込み量である。第２製造条件２１２は、塗布部２０３からの液流量、リップクリアランス、およびポケット部のテーパー角を含む。リップクリアランスは、塗布箇所であるスリット２０７と支持体２０１との間の隙間である。ポケット部は、塗布部２０３内に設けられ、スリット２０７と連通している。ポケット部は、液を幅方向ＷＤに広げるための部分である。なお、第１製造条件２１１としては、ダンサーローラの揺動量等を適宜加えてもよい。

　入力データ２１０は、分割部分Ｐ１の第１物性情報２１３＿Ｐ１、分割部分Ｐ２の第１物性情報２１３＿Ｐ２、・・・、および分割部分Ｐ８の第１物性情報２１３＿Ｐ８を有する。また、入力データ７５は第２物性情報２１４を有する。以下、分割部分Ｐ１～Ｐ８の各々の第１物性情報２１３＿Ｐ１～２１３＿Ｐ８を特に区別する必要がない場合は、第１物性情報２１３と表記する場合がある。

　第１物性情報２１３および第２物性情報２１４は、シート２０２を構成する材料、ここでは支持体２０１および液の物性に関する情報である。第１物性情報２１３は、分割部分Ｐにおける支持体２０１の厚み、弛み量、およびうねり量を含む。これら支持体２０１の厚み、弛み量、およびうねり量は、塗布部２０３と搬送ローラ２０４の間に設置されたセンサ（図示省略）によって分割部分Ｐ毎に測定した値である。このため、第１物性情報２１３は、支持体２０１の搬送に伴って時々刻々と変化する。したがって第２実施形態においては、入力データ２１０は支持体２０１が予め設定された長さを搬送される度に入力される。予め設定された長さは例えば５ｃｍ～１０ｃｍである。上記の支持体２０１の厚み、弛み量、およびうねり量は、予め設定された長さにおける代表値、例えば平均値である。第２物性情報２１４は、液粘度（例えば伸長粘度）を含む。なお、第１製造条件２１１、第２製造条件２１２、第１物性情報２１３、および第２物性情報２１４は例示した内容に限らず、他の要素を適宜加えてもよい。

　一例として図２７に示すように、第２実施形態の予測モデル群２２０は、張力予測モデル２２１、液圧予測モデル２２２、および塗布厚み予測モデル２２３を有する。張力予測モデル２２１、液圧予測モデル２２２、および塗布厚み予測モデル２２３は、例えばニューラルネットワーク等により構成される機械学習モデルである。つまり、張力予測モデル２２１、液圧予測モデル２２２、および塗布厚み予測モデル２２３は、本開示の技術に係る「機械学習モデル」の一例である。

　張力予測モデル２２１は、第１製造条件２１１および第１物性情報２１３の入力に応じて、塗布箇所であるスリット２０７において分割部分Ｐに付与される張力の予測値（以下、張力予測値と表記する）を出力する。液圧予測モデル２２２は、第２製造条件２１２、第１物性情報２１３、および第２物性情報２１４の入力に応じて、スリット２０７において分割部分Ｐに塗布される液の圧力の予測値（以下、液圧予測値と表記する）を出力する。塗布厚み予測モデル２２３は、張力予測値および液圧予測値の入力に応じて、分割部分Ｐの液の塗布厚みの予測値（以下、塗布厚み予測値と表記する）を出力する。このように、第２実施形態においても予測値は複数種あり、複数種の予測値毎に予測モデルが用意されている。

　一例として図２８に示すように、予測部７２は、分割部分Ｐ１の品質を予測する場合、第１製造条件２１１と分割部分Ｐ１の第１物性情報２１３＿Ｐ１とを張力予測モデル２２１に入力する。そして、予測部７２は、分割部分Ｐ１の張力予測値２３０＿Ｐ１を張力予測モデル２２１から出力させる。

　一例として図２９に示すように、予測部７２は、分割部分Ｐ１の品質を予測する場合、第２製造条件２１２と、分割部分Ｐ１の第１物性情報２１３＿Ｐ１と、第２物性情報２１４とを液圧予測モデル２２２に入力する。そして、予測部７２は、分割部分Ｐ１の液圧予測値２３１＿Ｐ１を液圧予測モデル２２２から出力させる。

　一例として図３０に示すように、予測部７２は、分割部分Ｐ１の品質を予測する場合、張力予測モデル２２１から出力された張力予測値２３０＿Ｐ１と、液圧予測モデル２２２から出力された液圧予測値２３１＿Ｐ１とを塗布厚み予測モデル２２３に入力する。そして、予測部７２は、分割部分Ｐ１の塗布厚み予測値２３５＿Ｐ１を塗布厚み予測モデル２２３から出力させる。

　図２８～図３０においては、分割部分Ｐ１の張力予測値２３０＿Ｐ１、液圧予測値２３１＿Ｐ１、および塗布厚み予測値２３５＿Ｐ１を各予測モデル２２１～２２３より出力させる例を示したが、予測部７２は、残りの分割部分Ｐ２～Ｐ８についても同様に張力予測値２３０＿Ｐ２～２３０＿Ｐ８（図示省略）、液圧予測値２３１＿Ｐ２～２３１＿Ｐ８（図示省略）、および塗布厚み予測値２３５＿Ｐ２～２３５＿Ｐ８（図３１参照）を各予測モデル２２１～２２３より出力させる。以下、分割部分Ｐ１～Ｐ８の各々の塗布厚み予測値２３５＿Ｐ１～２３５＿Ｐ８を特に区別する必要がない場合は、塗布厚み予測値２３５と表記する場合がある。

　こうして各分割部分Ｐの塗布厚み予測値２３５を求めることで、第２実施形態の予測値群２４０は、一例として図３１に示すような内容となる。すなわち予測値群２４０は、分割部分Ｐ１の塗布厚み予測値２３５＿Ｐ１、分割部分Ｐ２の塗布厚み予測値２３５＿Ｐ２、・・・、分割部分Ｐ７の塗布厚み予測値２３５＿Ｐ７、および分割部分Ｐ８の塗布厚み予測値２３５＿Ｐ８を有する。

　各予測モデル２２１～２２３の学習データは、過去に製造されたシート２０２の分割部分Ｐから収集されたデータである。各予測モデル２２１～２２３の学習データは、図示は省略するが、以下のような内容となる。すなわち、学習用入力データとして、第１製造条件２１１に対応する学習用第１製造条件、第２製造条件２１２に対応する学習用第２製造条件、第１物性情報２１３に対応する学習用第１物性情報、および第２物性情報２１４に対応する学習用第２物性情報を含む。そして、正解データとして、スリット２０７において分割部分Ｐに付与される張力の実測値、スリット２０７において分割部分Ｐに塗布される液の圧力の実測値、および分割部分Ｐの液の塗布厚みの実測値を含む。

　また、各予測モデル２２１～２２３の学習データは、比較的幅寸法が大きく、分割部分Ｐの数が１０以上ある支持体２０１の場合、比較的幅寸法が小さく、分割部分Ｐの数が５未満の支持体２０１の場合等、過去に製造された様々な態様のシート２０２から収集されたデータである。

　一例として図３２に示すように、第２実施形態の目的関数２４５は、第１項２４６および第２項２４７を有する。第１項２４６は、分割部分Ｐの各々の塗布厚み予測値２３５と塗布厚み設定値２５０（図３３参照）との差分を含む。より詳しくは、第１項２４６は、塗布厚み設定値２５０で塗布厚み予測値２３５と塗布厚み設定値２５０との差分を除算した値の二乗の総和を含む。そして、第１項２４６は、当該総和に第１重み係数Ｗ１を乗算した項である。塗布厚み設定値２５０は各分割部分Ｐで共通であるため１つだけである。第１項２４６は、本開示の技術に係る「差分を含む項」の一例である。また、塗布厚み設定値２５０は、本開示の技術に係る「目標値」の一例である。

　第２項２４７は、シート２０２全体の製造条件に関する制約条件に、分割部分Ｐの各々の製造条件を収めるための正則化項である。シート２０２全体の製造条件に関する制約条件は、ここでは分割部分Ｐの各々の張力調整ローラ２０６の制御量（張力調整ローラ２０６の押し込み量）を線形に繋げる、というものである。このため第２項２４７は、分割部分Ｐの各々の張力調整ローラ２０６の制御量（押し込み量）を線形に繋げる項である。第２項２４７は、例えば、分割部分Ｐの各々の張力調整ローラ２０６の押し込み量を線形回帰分析した場合の決定係数を、１から減算したもの等である。第２項２４７は第２重み係数Ｗ２を有する。

　第１重み係数Ｗ１および第２重み係数Ｗ２は、上記第１実施形態の第１重み係数Ｗ１～第４重み係数Ｗ４と同様に、合計が１になる値（Ｗ１＋Ｗ２＝１）である。例えばＷ１＝Ｗ２＝０．５である。第１重み係数Ｗ１および第２重み係数Ｗ２は必ずしも同じ値でなくてもよい。例えば第１項２４６を重視したい場合、すなわち分割部分Ｐの各々の塗布厚み予測値２３５を塗布厚み設定値２５０により近付けたい場合は、第１重み係数Ｗ１を第２重み係数Ｗ２よりも高い値に設定してもよい。

　一例として図３３に示すように、目的関数２４５の値が最小となる製造条件を求める最適化問題を解くことで導出部７３により導出される第２実施形態の好適な製造条件２５１は、張力調整ローラ２０６の制御量を含む。この張力調整ローラ２０６の制御量は、目的関数２４５の第２項２４７の働きによって、各分割部分Ｐに共通の１つの値が導出される。

　第２実施形態においては、前述のように、支持体２０１が予め設定された長さを搬送される度に入力データ２１０が入力される。このため予測部７２による張力予測値２３０＿Ｐ１～２３０＿Ｐ８、液圧予測値２３１＿Ｐ１～２３１＿Ｐ８、および塗布厚み予測値２３５の予測と、導出部７３による好適な製造条件２５１としての張力調整ローラ２０６の制御量の導出も、支持体２０１が予め設定された長さを搬送されて入力データ２１０が入力される度に行われる。こうして連続的に好適な製造条件２５１として張力調整ローラ２０６の制御量を導出することで、連続的に搬送される支持体２０１に対して、張力調整ローラ２０６から支持体２０１に常に好適な張力が付与された状態で、支持体２０１に液を塗布することができる。

　このように、第２実施形態においては、製品は、搬送される長尺状の支持体２０１に液を塗布してなるシート２０２である。分割部分Ｐは、シート２０２を幅方向ＷＤに沿って分割した部分である。第１製造条件２１１は、液の塗布箇所であるスリット２０７の上流側に配され、スリット２０７において支持体２０１に付与される張力を調整する張力調整ローラ２０６の制御量を含む。予測値は、分割部分Ｐにおける液の塗布厚み（塗布厚み予測値２３５）を含む。このため、比較的幅寸法が大きく、分割部分Ｐの数が１０以上ある支持体２０１の場合と、比較的幅寸法が小さく、分割部分Ｐの数が５未満の支持体２０１の場合等、様々な態様に対応することができる。すなわち、シート２０２の種別によらず汎用的に好適な製造条件２５１を導出することが可能となる。なお、スリット２０７において分割部分Ｐに付与される張力予測値、および、スリット２０７において分割部分Ｐに塗布される液圧予測値を導出したうえで、分割部分Ｐの液の塗布厚み予測値を導出しているが、これに限らない。第１製造条件２１１等に基づいて、張力予測値および液圧予測値を導出することなく、塗布厚み予測値を導出してもよい。

　［第３実施形態］
　第３実施形態では、培養槽３００（図３４参照）における好適な製造条件を導出する。

　一例として図３４に示すように、培養槽３００には培養液３０１が貯留されている。培養槽３００の収容量は、例えば５０Ｌ以上５０００Ｌ以下である。培養槽３００には細胞３０２が播種され、細胞３０２は培養液３０１内において培養される。細胞３０２は、本開示の技術に係る「製品」の一例である。

　細胞３０２は、例えば、チャイニーズハムスター卵巣細胞といった細胞に抗体遺伝子を組み込むことで樹立された抗体生産細胞である。細胞３０２は、生産物として、免疫グロブリン、すなわち抗体を培養の過程で生産する。このため培養液３０１中には細胞３０２だけでなく抗体も存在している。抗体は例えばモノクローナル抗体であり、バイオ医薬品の有効成分となる。

　培養槽３００には、培地供給路３０３、ガス供給路３０４、排気路３０５、培養液送出・回収路３０６、スパージャー３０７、ガス供給路３０８、および撹拌翼３０９等が設けられている。培地供給路３０３は、培養槽３００内に新鮮な培地を継続的に供給するための流路である。つまり、培養槽３００では灌流培養を行う。ガス供給路３０４は、上部から空気および二酸化炭素を含むガスを供給するための流路である。排気路３０５は、ガス供給路３０４から供給されたガスを培養槽３００外に排気するための流路である。排気路３０５には排気フィルタ３１０が設けられている。

　培養液送出・回収路３０６は、除細胞フィルタ３１１の出入口３１２に接続されている。培養液送出・回収路３０６は、培養槽３００内の培養液３０１を除細胞フィルタ３１１に送り出すための流路である。また、培養液送出・回収路３０６は、除細胞フィルタ３１１からの培養液３０１（濃縮液）を培養槽３００内に戻すための流路である。

　スパージャー３０７は、培養槽３００の底部に配置されている。スパージャー３０７は、ガス供給路３０８から供給される酸素を含むガスを培養槽３００内に放出する。スパージャー３０７から放出された酸素は培養液３０１中に溶解し、細胞３０２の抗体の生産活動の援けとなる。撹拌翼３０９は、モータ等により所定の回転数で回転され、培養槽３００内の培養液３０１を撹拌する。これにより培養槽３００内の培養液３０１の均質性が保たれる。培養槽３００には、これらの他にも、培養液３０１の一部を意図的に抜き取るセルブリード処理のための流路等が設けられている。なお、撹拌翼３０９は、図示のように複数の羽根を有するものであってもよいし、ディスク状の１枚の羽根を有するものであってもよく、形状は特に限定されない。また、培養槽３００内に２つ以上の撹拌翼３０９が配されていてもよい。

　培養液送出・回収路３０６に接続される除細胞フィルタ３１１は内部にフィルタ膜３１３を有する。フィルタ膜３１３は、細胞３０２を捕捉し、抗体を透過する。除細胞フィルタ３１１は、例えばタンジェンシャルフロー濾過（ＴＦＦ：Ｔａｎｇｅｎｔｉａｌ　Ｆｌｏｗ　Ｆｉｌｔｒａｔｉｏｎ）方式により、フィルタ膜３１３で培養液３０１から細胞３０２を除くことで培養上清液を得る。

　より詳しくは、除細胞フィルタ３１１は、内部に弾性膜３１４を有するダイアフラムポンプ３１５と、脱気・供気路３１６とを有する。弾性膜３１４の下側の空気を脱気・供気路３１６から脱気しつつ、弾性膜３１４をダイアフラムポンプ３１５の下端に貼り付くように弾性変形させることで、培養槽３００内の培養液３０１が、培養液送出・回収路３０６を介して除細胞フィルタ３１１内に流入する。また、弾性膜３１４の下側に脱気・供気路３１６から空気を供給しつつ、弾性膜３１４をダイアフラムポンプ３１５の上側に貼り付くように弾性変形させることで、フィルタ膜３１３を通過できなかった培養液３０１（濃縮液）が、培養液送出・回収路３０６を介して培養槽３００内に戻される。

　培養上清液は除細胞フィルタ３１１の出口３１７から流出する。培養上清液は主として抗体を含む。培養上清液は下流の精製部（図示省略）に送られ、精製部において各種クロマトグラフィー処理、ウイルス不活性化処理等を施されて、最終的にはバイオ医薬品の原薬とされる。

　一例として図３５に示すように、第３実施形態では、培養槽３００を三次元的に分割した立方体状の分割部分Ｐ１、Ｐ２、Ｐ３、Ｐ４、・・・の各々の品質を予測する。ここで１つの分割部分Ｐは、培養槽３００と比べて小規模なシャーレ等、例えば数ｍＬ～数Ｌ程度の容量の培養容器３２０に相当する部分である。

　一例として図３６に示すように、第３実施形態の入力データ３２５は、分割部分Ｐ１の製造条件３２６＿Ｐ１、分割部分Ｐ２の製造条件３２６＿Ｐ２、・・・を有する。以下、分割部分Ｐ１の製造条件３２６＿Ｐ１、分割部分Ｐ２の製造条件３２６＿Ｐ２、・・・を特に区別する必要がない場合は、製造条件３２６と表記する場合がある。

　製造条件３２６は細胞３０２の培養条件を含む。具体的には、製造条件３２６は、分割部分Ｐにおける細胞３０２の密度（細胞密度）、分割部分Ｐにおける水素イオン指数、酸素濃度、温度、培地濃度、および撹拌翼３０９の攪拌によるせん断エネルギーを含む。これらはいずれも、培養槽３００の容量、培地供給路３０３の位置、ガス供給路３０４の位置、スパージャー３０７の位置、撹拌翼３０９の位置、培地の供給量、ガスの供給量、および撹拌翼３０９の回転数といった諸々のパラメータを用いたシミュレーションで予測した値である。なお、製造条件３２６としては、二酸化炭素濃度等を適宜加えてもよい。また、入力データ３２５には、細胞３０２のサイズといった細胞３０２の物性情報、および／または、培養槽３００の容量といった設計情報を加えてもよい。

　一例として図３７に示すように、第３実施形態では培養環境予測モデル３３０を用いる。培養環境予測モデル３３０は、例えばニューラルネットワーク等により構成される機械学習モデルである。つまり、培養環境予測モデル３３０は、本開示の技術に係る「機械学習モデル」の一例である。

　予測部７２は、分割部分Ｐ１の品質を予測する場合、製造条件３２６＿Ｐ１を培養環境予測モデル３３０に入力する。そして、予測部７２は、分割部分Ｐ１の培養環境予測値３３１＿Ｐ１を培養環境予測モデル３３０から出力させる。

　図３７においては、分割部分Ｐ１の培養環境予測値３３１＿Ｐ１を培養環境予測モデル３３０より出力させる例を示したが、予測部７２は、残りの分割部分Ｐ２、・・・についても同様に培養環境予測値３３１＿Ｐ２（図３８参照）、・・・を培養環境予測モデル３３０より出力させる。以下、分割部分Ｐ１、Ｐ２、・・・の各々の培養環境予測値３３１＿Ｐ１、３３１＿Ｐ２、・・・を特に区別する必要がない場合は、培養環境予測値３３１と表記する場合がある。

　培養環境予測値３３１は、細胞３０２の増殖率、生存率等に基づいた、細胞３０２に対する培養環境の良し悪しを表す値であり、例えば０～１００の間の値をとる。値が１００に近ければ、細胞３０２に対する培養環境はよい。培養環境予測値３３１は、本開示の技術に係る「指標値」の一例である。

　こうして各分割部分Ｐの培養環境予測値３３１を求めることで、第３実施形態の予測値群３３５は、一例として図３８に示すような内容となる。すなわち予測値群３３５は、分割部分Ｐ１の培養環境予測値３３１＿Ｐ１、分割部分Ｐ２の培養環境予測値３３１＿Ｐ２、・・・を有する。

　培養環境予測モデル３３０の学習データは、過去に小規模な培養容器３２０を用いて製造された細胞３０２から収集されたデータである。培養環境予測モデル３３０の学習データは、図示は省略するが、以下のような内容となる。すなわち、学習用入力データとして、製造条件３２６に対応する学習用製造条件を含む。そして、正解データとして、小規模な培養容器３２０における細胞３０２に対する培養環境の良し悪しの実測値を含む。

　また、培養環境予測モデル３３０の学習データは、抗体Ａを生産する細胞の場合と、抗体Ｂを生産する細胞の場合、あるいは、容量５０ｍＬの培養容器３２０で培養した場合と、容量１Ｌの培養容器３２０で培養した場合等、過去に小規模な培養容器３２０を用いて製造された様々な態様の細胞３０２から収集されたデータである。

　一例として図３９に示すように、第３実施形態の目的関数３４０は、第１項３４１および第２項３４２を有する。第１項３４１は、分割部分Ｐの各々の培養環境予測値３３１と培養環境設定値３５０（図４０参照）との差分を含む。より詳しくは、第１項３４１は、培養環境設定値３５０で培養環境予測値３３１と培養環境設定値３５０との差分を除算した値の二乗の総和を含む。そして、第１項３４１は、当該総和に第１重み係数Ｗ１を乗算した項である。培養環境設定値３５０は各分割部分Ｐで共通であるため１つだけである。第１項３４１は、本開示の技術に係る「差分を含む項」の一例である。また、培養環境設定値３５０は、本開示の技術に係る「目標値」の一例である。

　第２項３４２は、培養槽３００内の細胞３０２全体の製造条件に関する制約条件に、分割部分Ｐの各々の製造条件を収めるための正則化項である。培養槽３００内の細胞３０２全体の製造条件に関する制約条件は、分割部分Ｐの各々の製造条件を同等にする、というものである。このため第２項３４２は、分割部分Ｐの各々の製造条件を同等にする項である。第２項３４２は、例えば、分割部分Ｐの各々の製造条件の分散または標準偏差である。この場合、分散または標準偏差を最小にすれば、分割部分Ｐの各々の製造条件を同等にすることができる。なお、「同等」とは、分割部分Ｐの各々の製造条件が完全に同じ場合はもちろん、分割部分Ｐの各々の製造条件が予め設定された差分範囲内に収まっている場合も含む。第２項３４２は第２重み係数Ｗ２を有する。

　第１重み係数Ｗ１および第２重み係数Ｗ２は、上記第１実施形態の第１重み係数Ｗ１～第４重み係数Ｗ４等と同様に、合計が１になる値（Ｗ１＋Ｗ２＝１）である。例えばＷ１＝Ｗ２＝０．５である。第１重み係数Ｗ１および第２重み係数Ｗ２は必ずしも同じ値でなくてもよい。例えば第１項３４１を重視したい場合、すなわち分割部分Ｐの各々の培養環境予測値３３１を培養環境設定値３５０により近付けたい場合は、第１重み係数Ｗ１を第２重み係数Ｗ２よりも高い値に設定してもよい。

　一例として図４０に示すように、第３実施形態では、導出部７３は、目的関数３４０の値が最小となる製造条件を求める最適化問題を解くことで、分割部分Ｐ１の仮の好適な製造条件３５１＿Ｐ１、・・・といった分割部分Ｐの各々の仮の好適な製造条件３５１を導出する。仮の好適な製造条件３５１は、分割部分Ｐにおける水素イオン指数、酸素濃度、温度、および培地濃度を含む。ここで、水素イオン指数、酸素濃度、温度、および培地濃度は、撹拌翼３０９の攪拌によって、各分割部分Ｐでほとんどむらがないものとする。一方で撹拌翼３０９の攪拌によるせん断エネルギーは、各分割部分Ｐで異なるものとする。

　一例として図４１に示すように、導出部７３は、分割部分Ｐの各々の仮の好適な製造条件３５１からさらに好適な製造条件を導出する。図４１では、表３５５に示すように、分割部分Ｐの各々の仮の好適な製造条件３５１の酸素濃度から、スパージャー３０７を介して培養槽３００内に供給する好適な酸素供給量３５６を導出する様子を示している。導出部７３は、分割部分Ｐの各々の酸素濃度が、仮の好適な製造条件３５１の酸素濃度となるような酸素供給量をシミュレーションで予測することで、好適な酸素供給量３５６を導出する。好適な酸素供給量３５６は、本開示の技術に係る「好適な製造条件」の一例である。なお、好適な酸素供給量３５６に代えて、あるいは加えて、培地供給路３０３からの好適な培地供給量、ガス供給路３０４からの好適なガス供給量、あるいは撹拌翼３０９の好適な回転数等を好適な製造条件として導出してもよい。

　このように、第３実施形態においては、製品は培養槽３００内で培養される細胞３０２である。分割部分Ｐは、培養槽３００を分割した部分である。製造条件３２６は細胞３０２の培養条件を含み、予測値は、細胞３０２に対する培養環境の好ましさを表す指標値（培養環境予測値３３１）を含む。このため、抗体Ａを生産する細胞の場合、抗体Ｂを生産する細胞の場合等、様々な態様に対応することができる。すなわち、細胞３０２の種別によらず汎用的に好適な製造条件を導出することが可能となる。

　細胞３０２は、例示の抗体生産細胞に限らない。人工多能性幹細胞（ｉＰＳ（ｉｎｄｕｃｅｄ　Ｐｌｕｒｉｐｏｔｅｎｔ　Ｓｔｅｍ）細胞）といった多能性幹細胞でもよい。機械学習モデルとして、各分割部分Ｐの細胞３０２の増殖率を予測するモデル、各分割部分Ｐの細胞３０２の生存率を予測するモデルといった複数種のモデルを用意してもよい。

　情報処理装置１０は、押出成形機１２等とともに同じ施設に設置されていてもよいし、押出成形機１２等が設置された施設からは独立したデータセンターに設置されていてもよい。

　上記各実施形態において、例えば、受付部７０、ＲＷ制御部７１、予測部７２、導出部７３、並びに配信制御部７４といった各種の処理を実行する処理部（Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）のハードウェア的な構造としては、次に示す各種のプロセッサ（Ｐｒｏｃｅｓｓｏｒ）を用いることができる。各種のプロセッサには、上述したように、ソフトウェア（作動プログラム６５）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵ５７に加えて、ＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅ:ＰＬＤ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。

　１つの処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種または異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせ、および／または、ＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。

　複数の処理部を１つのプロセッサで構成する例としては、第１に、クライアントおよびサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（Ｓｙｓｔｅｍ　Ｏｎ　Ｃｈｉｐ:ＳｏＣ）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。

　さらに、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子等の回路素子を組み合わせた電気回路（ｃｉｒｃｕｉｔｒｙ）を用いることができる。

　以上の記載から、下記の付記項に記載の技術を把握することができる。

　［付記項１］
　プロセッサを備え、
　前記プロセッサは、
　製品全体を分割した分割部分の製造条件の入力に応じて前記分割部分の品質の予測値を出力する機械学習モデルを用い、
　前記分割部分の前記製造条件を前記機械学習モデルに入力し、前記分割部分の前記予測値を前記機械学習モデルから出力させ、
　前記分割部分の前記予測値と前記分割部分の品質の目標値との差分を含む項を有する目的関数の値が最小となる製造条件を求める最適化問題を解くことで、前記製品全体の品質が目標値となる好適な製造条件を導出する、
情報処理装置。
　［付記項２］
　前記目的関数は、前記製品全体の製造条件に関する制約条件に、前記分割部分の前記製造条件を収めるための正則化項を有する付記項１に記載の情報処理装置。
　［付記項３］
　前記正則化項は、前記分割部分の前記製造条件を平滑化する項である付記項２に記載の情報処理装置。
　［付記項４］
　前記正則化項は、前記分割部分の前記製造条件の二階微分値の総和である付記項３に記載の情報処理装置。
　［付記項５］
　前記差分を含む項は、前記分割部分の前記目標値で前記差分を除算した値の総和である付記項１から付記項４のいずれか１項に記載の情報処理装置。
　［付記項６］
　前記機械学習モデルには、前記製品を構成する材料の物性情報、および前記製品の設計情報のうちの少なくともいずれか１つも入力される付記項１から付記項５のいずれか１項に記載の情報処理装置。
　［付記項７］
　前記予測値は複数種あり、
　前記機械学習モデルは、複数種の前記予測値毎に用意されている付記項１から付記項６のいずれか１項に記載の情報処理装置。
　［付記項８］
　前記製品は、可撓管基材と、前記可撓管基材を被覆する樹脂層であって、軸方向に厚み比率が異なる内層および外層により構成される樹脂層とを有する内視鏡用可撓管であり、
　前記分割部分は、前記内視鏡用可撓管を前記軸方向に沿って分割した部分であり、
　前記製造条件は、押出成形機による、前記内層の樹脂材料の単位時間当たりの押出量、および前記外層の樹脂材料の単位時間当たりの押出量を含み、
　前記予測値は、前記分割部分の弾性値、前記分割部分の前記内層の厚み、および前記分割部分の前記外層の厚みを含む付記項１から付記項７のいずれか１項に記載の情報処理装置。
　［付記項９］
　前記製品は、搬送される長尺状の支持体に液を塗布してなるシートであり、
　前記分割部分は、前記シートを幅方向に沿って分割した部分であり、
　前記製造条件は、前記液の塗布箇所の上流側に配され、前記塗布箇所において前記支持体に付与される張力を調整する張力調整ローラの制御量を含み、
　前記予測値は、前記分割部分における前記液の塗布厚みを含む付記項１、付記項２、および付記項５から付記項７のいずれか１項に記載の情報処理装置。
　［付記項１０］
　前記製品は培養槽内で培養される細胞であり、
　前記分割部分は、前記培養槽を分割した部分であり、
　前記製造条件は前記細胞の培養条件を含み、
　前記予測値は、前記細胞に対する培養環境の好ましさを表す指標値を含む付記項１、付記項２、および付記項５から付記項７のいずれか１項に記載の情報処理装置。
　［付記項１１］
　製品全体を分割した分割部分の製造条件の入力に応じて前記分割部分の品質の予測値を出力する機械学習モデルを用いること、
　前記分割部分の前記製造条件を前記機械学習モデルに入力し、前記分割部分の前記予測値を前記機械学習モデルから出力させること、並びに、
　前記分割部分の前記予測値と前記分割部分の品質の目標値との差分を含む項を有する目的関数の値が最小となる製造条件を求める最適化問題を解くことで、前記製品全体の品質が目標値となる好適な製造条件を導出すること、
を含む情報処理装置の作動方法。
　［付記項１２］
　製品全体を分割した分割部分の製造条件の入力に応じて前記分割部分の品質の予測値を出力する機械学習モデルを用いること、
　前記分割部分の前記製造条件を前記機械学習モデルに入力し、前記分割部分の前記予測値を前記機械学習モデルから出力させること、並びに、
　前記分割部分の前記予測値と前記分割部分の品質の目標値との差分を含む項を有する目的関数の値が最小となる製造条件を求める最適化問題を解くことで、前記製品全体の品質が目標値となる好適な製造条件を導出すること、
を含む処理をコンピュータに実行させるための情報処理装置の作動プログラム。

　本開示の技術は、上述の種々の実施形態および／または種々の変形例を適宜組み合わせることも可能である。また、上記各実施形態に限らず、要旨を逸脱しない限り種々の構成を採用し得ることはもちろんである。さらに、本開示の技術は、プログラムに加えて、プログラムを非一時的に記憶する記憶媒体にもおよぶ。

　以上に示した記載内容および図示内容は、本開示の技術に係る部分についての詳細な説明であり、本開示の技術の一例に過ぎない。例えば、上記の構成、機能、作用、および効果に関する説明は、本開示の技術に係る部分の構成、機能、作用、および効果の一例に関する説明である。よって、本開示の技術の主旨を逸脱しない範囲内において、以上に示した記載内容および図示内容に対して、不要な部分を削除したり、新たな要素を追加したり、置き換えたりしてもよいことはいうまでもない。また、錯綜を回避し、本開示の技術に係る部分の理解を容易にするために、以上に示した記載内容および図示内容では、本開示の技術の実施を可能にする上で特に説明を要しない技術常識等に関する説明は省略されている。

　本明細書において、「Ａおよび／またはＢ」は、「ＡおよびＢのうちの少なくとも１つ」と同義である。つまり、「Ａおよび／またはＢ」は、Ａだけであってもよいし、Ｂだけであってもよいし、ＡおよびＢの組み合わせであってもよい、という意味である。また、本明細書において、３つ以上の事柄を「および／または」で結び付けて表現する場合も、「Ａおよび／またはＢ」と同様の考え方が適用される。

　本明細書に記載された全ての文献、特許出願および技術規格は、個々の文献、特許出願および技術規格が参照により取り込まれることが具体的かつ個々に記された場合と同程度に、本明細書中に参照により取り込まれる。

Claims

　プロセッサを備え、
　前記プロセッサは、
　製品全体を分割した分割部分の製造条件の入力に応じて前記分割部分の品質の予測値を出力する機械学習モデルを用い、
　前記分割部分の前記製造条件を前記機械学習モデルに入力し、前記分割部分の前記予測値を前記機械学習モデルから出力させ、
　前記分割部分の前記予測値と前記分割部分の品質の目標値との差分を含む項を有する目的関数の値が最小となる製造条件を求める最適化問題を解くことで、前記製品全体の品質が目標値となる好適な製造条件を導出する、
情報処理装置。
　前記目的関数は、前記製品全体の製造条件に関する制約条件に、前記分割部分の前記製造条件を収めるための正則化項を有する請求項１に記載の情報処理装置。
　前記正則化項は、前記分割部分の前記製造条件を平滑化する項である請求項２に記載の情報処理装置。
　前記正則化項は、前記分割部分の前記製造条件の二階微分値の総和である請求項３に記載の情報処理装置。
　前記差分を含む項は、前記分割部分の前記目標値で前記差分を除算した値の総和である請求項１に記載の情報処理装置。
　前記機械学習モデルには、前記製品を構成する材料の物性情報、および前記製品の設計情報のうちの少なくともいずれか１つも入力される請求項１に記載の情報処理装置。
　前記予測値は複数種あり、
　前記機械学習モデルは、複数種の前記予測値毎に用意されている請求項１に記載の情報処理装置。
　前記製品は、可撓管基材と、前記可撓管基材を被覆する樹脂層であって、軸方向に厚み比率が異なる内層および外層により構成される樹脂層とを有する内視鏡用可撓管であり、
　前記分割部分は、前記内視鏡用可撓管を前記軸方向に沿って分割した部分であり、
　前記製造条件は、押出成形機による、前記内層の樹脂材料の単位時間当たりの押出量、および前記外層の樹脂材料の単位時間当たりの押出量を含み、
　前記予測値は、前記分割部分の弾性値、前記分割部分の前記内層の厚み、および前記分割部分の前記外層の厚みを含む請求項１に記載の情報処理装置。
　前記製品は、搬送される長尺状の支持体に液を塗布してなるシートであり、
　前記分割部分は、前記シートを幅方向に沿って分割した部分であり、
　前記製造条件は、前記液の塗布箇所の上流側に配され、前記塗布箇所において前記支持体に付与される張力を調整する張力調整ローラの制御量を含み、
　前記予測値は、前記分割部分における前記液の塗布厚みを含む請求項１に記載の情報処理装置。
　前記製品は培養槽内で培養される細胞であり、
　前記分割部分は、前記培養槽を分割した部分であり、
　前記製造条件は前記細胞の培養条件を含み、
　前記予測値は、前記細胞に対する培養環境の好ましさを表す指標値を含む請求項１に記載の情報処理装置。
　製品全体を分割した分割部分の製造条件の入力に応じて前記分割部分の品質の予測値を出力する機械学習モデルを用いること、
　前記分割部分の前記製造条件を前記機械学習モデルに入力し、前記分割部分の前記予測値を前記機械学習モデルから出力させること、並びに、
　前記分割部分の前記予測値と前記分割部分の品質の目標値との差分を含む項を有する目的関数の値が最小となる製造条件を求める最適化問題を解くことで、前記製品全体の品質が目標値となる好適な製造条件を導出すること、
を含む情報処理装置の作動方法。
　製品全体を分割した分割部分の製造条件の入力に応じて前記分割部分の品質の予測値を出力する機械学習モデルを用いること、
　前記分割部分の前記製造条件を前記機械学習モデルに入力し、前記分割部分の前記予測値を前記機械学習モデルから出力させること、並びに、
　前記分割部分の前記予測値と前記分割部分の品質の目標値との差分を含む項を有する目的関数の値が最小となる製造条件を求める最適化問題を解くことで、前記製品全体の品質が目標値となる好適な製造条件を導出すること、
を含む処理をコンピュータに実行させるための情報処理装置の作動プログラム。