WO2024116932A1 - 反応性予測システム、反応性予測方法 - Google Patents

反応性予測システム、反応性予測方法 Download PDF

Info

Publication number
WO2024116932A1
WO2024116932A1 PCT/JP2023/041624 JP2023041624W WO2024116932A1 WO 2024116932 A1 WO2024116932 A1 WO 2024116932A1 JP 2023041624 W JP2023041624 W JP 2023041624W WO 2024116932 A1 WO2024116932 A1 WO 2024116932A1
Authority
WO
WIPO (PCT)
Prior art keywords
reaction
prediction system
unit
reactivity prediction
reactivity
Prior art date
Application number
PCT/JP2023/041624
Other languages
English (en)
French (fr)
Inventor
優佳 眞鍋
潤一 小川
優佑 今村
Original Assignee
横河電機株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 横河電機株式会社 filed Critical 横河電機株式会社
Publication of WO2024116932A1 publication Critical patent/WO2024116932A1/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
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Definitions

  • the present invention relates to a reactivity prediction system and a reactivity prediction method.
  • Patent Document 1 discloses an optimal synthetic route development method that calculates activation energies of multiple synthetic routes for a target compound to be synthesized from data including structures and energies of transition states of chemical reactions obtained from quantum chemical calculations, predicts synthetic yields for multiple synthetic routes for the target compound to be synthesized from data on yield prediction formulas for synthetic reactions, constructs a synthetic route ranking formula from the activation energies and synthetic yields, and ranks, narrows down, and proposes synthetic routes that are considered optimal for synthesizing the target compound.
  • Patent Document 2 discloses a synthetic route evaluation system having a calculation processing means equipped with a quantum chemical calculation unit, a reaction mechanism analysis unit, and a synthetic route ranking unit, and a storage means for storing data related to the synthetic routes, in order to extract the optimal synthetic route from multiple synthetic routes for a target compound.
  • the activation free energy ( ⁇ G ⁇ ) which is a reaction parameter used as input data for predicting a synthetic route, is calculated by quantum chemical calculation. Since this ⁇ G ⁇ is a value calculated from a simulation, not an actually measured value, there is a large discrepancy between the actual measured value and the calculated value.
  • the present invention was made in consideration of the above problems, and aims to provide a reactivity prediction system and a reactivity prediction method that can predict reaction parameters with higher accuracy than conventional methods.
  • the reactivity prediction system includes a storage unit that stores a trained model that has learned the relationship between measured reaction parameters and the reaction conditions under which the reaction parameters were measured, and a processing unit that predicts the reaction parameters from input reaction conditions using the trained model.
  • the reactivity prediction system according to the second aspect of the present invention is the reactivity prediction system according to the first aspect of the present invention, and further includes a generation unit that generates the trained model using the measured reaction parameters as training data and the reaction conditions when the reaction parameters were measured as a first data set.
  • the reactivity prediction system according to the third aspect of the present invention is the reactivity prediction system according to the second aspect of the present invention, wherein the reaction conditions of the first data set include at least one of reactants, solvents, catalysts, additives, reagents, temperature, and reaction time.
  • the reactivity prediction system according to the fourth aspect of the present invention is a reactivity prediction system according to any one of the first to third aspects of the present invention, and is provided with a first interface that can be connected to a measurement device that measures the reaction parameters.
  • the reactivity prediction system according to the fifth aspect of the present invention is a reactivity prediction system according to any one of the first to fourth aspects of the present invention, in which the trained model has been trained to learn the relationship between the measured reaction parameters and the reaction conditions when the reaction parameters were measured, as well as the relationship between the feature quantities related to the reaction obtained by quantum chemical calculations and the calculation conditions when the quantum chemical calculations were performed.
  • the reactivity prediction system is the reactivity prediction system according to the fifth aspect of the present invention, and further includes a generation unit that generates the trained model using the measured reaction parameters as training data, the reaction conditions when the reaction parameters were measured as a first data set, and the features and the calculation conditions as a second data set.
  • the reactivity prediction system according to the seventh aspect of the present invention is a reactivity prediction system according to the sixth aspect of the present invention, in which the features of the second data set include at least one of dipole moment, atomic charge, vibrational frequency, and molecular orbital.
  • the reactivity prediction system according to the eighth aspect of the present invention is a reactivity prediction system according to any one of the fifth to seventh aspects of the present invention, which includes a second interface that can be connected to a computing device that performs the quantum chemical calculations.
  • the reactivity prediction system according to the ninth aspect of the present invention is a reactivity prediction system according to any one of the first to eighth aspects of the present invention, and further includes a reaction condition presentation unit that presents predetermined reaction conditions based on the reaction parameters predicted by the processing unit.
  • the reactivity prediction system according to the tenth aspect of the present invention is the reactivity prediction system according to the ninth aspect of the present invention, in which the reaction condition presentation unit presents, as the predetermined reaction condition, the reaction condition predicted to have the lowest reaction parameter among the reaction parameters predicted by the processing unit.
  • the reactivity prediction system according to an eleventh aspect of the present invention is a reactivity prediction system according to any one of the first to tenth aspects, and includes a reaction condition presentation unit that presents predetermined reaction conditions based on reaction parameters predicted by the processing unit and predetermined constraint conditions.
  • the reactivity prediction system according to the twelfth aspect of the present invention is the reactivity prediction system according to the eleventh aspect of the present invention, in which the predetermined constraint conditions include at least one of the reaction time, the reaction site temperature, and the concentration of the reactant.
  • the reactivity prediction system according to the thirteenth aspect of the present invention is the reactivity prediction system according to the first aspect of the present invention, in which the reaction parameters are thermodynamic parameters.
  • the reactivity prediction system according to the 14th aspect of the present invention is the reactivity prediction system according to the 13th aspect of the present invention, in which the thermodynamic parameter is the activation free energy or reaction enthalpy.
  • the reactivity prediction method includes a first step of inputting reaction conditions, and a second step of predicting reaction parameters from the reaction conditions input in the first step using a trained model that has learned the relationship between measured reaction parameters and the reaction conditions when the reaction parameters were measured.
  • reaction parameters can be predicted with higher accuracy than before.
  • FIG. 1 is a block diagram showing an example of the configuration of a soft sensor according to a first embodiment of the present invention
  • 1 is a block diagram showing a configuration of a main part of a reactivity prediction system according to a first embodiment of the present invention.
  • FIG. FIG. 2 is a block diagram showing an example of a functional configuration related to generation of a trained model of the reactivity prediction system according to the first embodiment of the present invention.
  • FIG. 2 is an explanatory diagram showing an example of a learning dataset used in the first embodiment of the present invention.
  • 4 is a flowchart showing an example of a model generation process performed by the reactivity prediction system according to the first embodiment of the present invention.
  • FIG. 2 is a block diagram showing an example of a functional configuration related to prediction of ⁇ G ⁇ of the reactivity prediction system according to the first embodiment of the present invention.
  • 4 is a flowchart showing an example of a ⁇ G ⁇ prediction process performed by the reactivity prediction system according to the first embodiment of the present invention.
  • FIG. 11 is a block diagram showing a configuration of a main part of a reactivity prediction system according to a second embodiment of the present invention.
  • FIG. 11 is an explanatory diagram showing an example of a learning dataset used in the second embodiment of the present invention.
  • FIG. 11 is a block diagram showing a configuration of a main part of a reactivity prediction system according to a third embodiment of the present invention.
  • FIG. 13 is an explanatory diagram showing an example of a reaction condition presentation process performed by a reaction condition presentation unit according to a third embodiment of the present invention.
  • FIG. 13 is a block diagram showing a configuration of a main part of a reactivity prediction system according to a fourth embodiment of the present invention.
  • FIG. 13 is an explanatory diagram showing an example of a reaction condition presentation process performed by a reaction condition presentation unit according to a fourth embodiment of the present invention.
  • FIG. 13 is a block diagram showing an example of a functional configuration related to ⁇ H prediction of a reactivity prediction system 40 according to a fifth embodiment of the present invention.
  • 13 is a flowchart showing an example of a ⁇ H prediction process performed by a reactivity prediction system 40 according to a fifth embodiment of the present invention.
  • FIG. 13 is a block diagram showing a configuration of a main part of a reactivity prediction system 40 according to a sixth embodiment of the present invention.
  • FIG. 23 is an explanatory diagram showing an example of a reaction condition presentation process performed by a reaction condition presentation unit 67 according to a sixth embodiment of the present invention.
  • the reaction conditions include, for example, the selection of solvent type and reagent, concentration, temperature, and reaction time.
  • the optimization process conditions that can obtain a high yield are searched for to improve efficiency.
  • each item is optimized in order, and the yield and reaction rate measured by sampling the concentration of the product at the reaction time are mainly used as indicators.
  • a flow reactor is used to synthesize the product by injecting the first and second solutions into a supply device and mixing them in a mixer.
  • Patent Documents 1 and 2 derive an optimal synthesis route by quantum chemical calculation.
  • the activation free energy ( ⁇ G ⁇ ) used as input data for predicting the synthesis route is calculated, but since this ⁇ G ⁇ is a value calculated from a simulation rather than an actually measured value, there is a problem that it may deviate greatly from the actually measured value.
  • a storage unit stores a trained model that has learned the relationship between the measured activation free energy and the reaction conditions when the activation free energy was measured, and the trained model is used to predict the activation free energy from the input reaction conditions. This makes it possible to predict the activation free energy with higher accuracy than before.
  • Fig. 1 is a block diagram showing a configuration example of a soft sensor 1 according to a first embodiment of the present invention.
  • the soft sensor 1 includes a first pump 11, a liquid feed tube 111, a second pump 12, a liquid feed tube 112, a mixer 13, a reaction tube 14, a temperature regulator 15, a temperature measurement unit 16, and a reaction analysis device 20.
  • the temperature measurement unit 16 includes a first temperature measurement unit 161, a second temperature measurement unit 162, a third temperature measurement unit 163, and a fourth temperature measurement unit 164.
  • the flow reactor 10 includes the first pump 11, the liquid feed tube 111, the second pump 12, the liquid feed tube 112, the mixer 13, and the reaction tube 14.
  • the reaction analysis device 20 includes a CPU 23.
  • the flow reactor 10 shown in FIG. 1 is provided with a plurality of supply flow paths (a first pump 11 and a liquid delivery pipe 111, a second pump 12 and a liquid delivery pipe 112) that respectively supply a plurality of reactants to be used in a chemical reaction, and a mixer 13 that is connected to the plurality of supply flow paths and mixes the plurality of reactants, and is formed in the shape of a flow path.
  • a plurality of supply flow paths a first pump 11 and a liquid delivery pipe 111, a second pump 12 and a liquid delivery pipe 112
  • a mixer 13 that is connected to the plurality of supply flow paths and mixes the plurality of reactants, and is formed in the shape of a flow path.
  • the first pump 11 is connected to a first inlet of the mixer 13 via a liquid supply pipe 111.
  • the second pump 12 is connected to a second inlet of the mixer 13 via a liquid supply pipe 112.
  • the mixer 13 has two inlets and one outlet.
  • the outlet of the mixer 13 is connected to a reaction tube 14 through which a reaction fluid obtained by mixing multiple reactants flows.
  • the temperature measuring unit 16 has, for example, a first temperature measuring unit 161, a second temperature measuring unit 162, a third temperature measuring unit 163, and a fourth temperature measuring unit 164, which are arranged along the flow path before and after the mixer 13 so as to be able to measure the temperature of the reaction fluid at a plurality of positions along the reaction tube 14.
  • the number of temperature measuring units 16 is not limited to four, and may be, for example, four or more.
  • the first temperature measuring unit 161 is installed on the input side of the mixer 13, and this first temperature measuring unit 161 can measure the initial temperature of the reaction fluid obtained by mixing multiple reactants (the temperature of the reaction fluid at the outlet of the mixer 13).
  • the second temperature measuring unit 162, the third temperature measuring unit 163, and the fourth temperature measuring unit 164 are installed in the reaction tube 14 on the output side of the mixer 13, and the temperature (temperature distribution) of the reaction fluid immediately after mixing (immediately after the start of the reaction) along the flow direction of the reaction fluid can be measured by the second temperature measuring unit 162 to the fourth temperature measuring unit 164.
  • "immediately after the start of the reaction” does not mean immediately after the reaction fluid actually starts, but means immediately after the reaction fluid is placed in a state in which the reaction starts (in the first embodiment, immediately after a plurality of reactants are mixed).
  • the liquid feed pipe 111 , the liquid feed pipe 112 , the mixer 13 and the reaction tube 14 are installed in a temperature regulator 15 .
  • the soft sensor 1 is for identifying the reaction state of the reaction fluid in a flow synthesis type chemical reaction device.
  • the soft sensor 1 measures the temperature before the reaction and the temperature at multiple locations after the reaction, and calculates reaction parameters including the activation free energy ( ⁇ G ⁇ ) based on the measured temperatures.
  • the reactants fed into the first pump 11 and the second pump 12 may be liquid or gas.
  • the reaction parameters indicate the reaction state of the reaction fluid, and are parameters that affect, for example, the temperature distribution in the chemical reaction field, as described later.
  • the product generated by the soft sensor 1 is, for example, a peptide synthesis product.
  • the first reactant is fed into the first pump 11.
  • the first pump 11 supplies the fed first reactant to the mixer 13 via the liquid delivery pipe 111, for example, at a first flow rate and a first flow rate.
  • the second reactant is fed to the second pump 12.
  • the second pump 12 supplies the fed second reactant to the mixer 13 via the liquid delivery pipe 112, for example, at a second flow rate and a second flow rate.
  • the mixer 13 mixes the first reactant supplied from the first pump 11 with the second reactant supplied from the second pump 12, and supplies the mixed product to the reaction tube 14.
  • the product is supplied to the reaction tube 14 from the outlet of the mixer 13. In the space inside the mixer 13, mixing of the first reactant and the second reactant begins. Then, in the flow reactor 10, a reaction occurs from inside the mixer 13 to inside the reaction tube 14, and a solution containing the product, for example, moves inside the reaction tube 14. Then, in the flow reactor 10, a solution containing the product, for example, is discharged through the reaction tube 14 to the outside of the reaction tube 14.
  • the temperature regulator 15 is, for example, a thermostatic water bath, and adjusts the temperature of the mixer 13 and reaction tube 14 to a predetermined temperature according to the control of the reaction analysis device 20.
  • the temperature measurement unit 16 is a sensor that measures the temperature of the chemical reaction field, and is, for example, a thermocouple.
  • the temperature measurement unit 16 may be a non-contact type, for example, an optical temperature sensor.
  • the temperature measurement unit 16 measures the temperature distribution of the reaction fluid along the reaction tube 14, and outputs temperature information (actual measured temperature distribution) indicating the measured temperature to the reaction analysis device 20.
  • the chemical reaction field is an area where a chemical reaction occurs of the reactants mixed downstream of the mixer 13.
  • the first temperature measuring unit 161 is installed at a position p1 before the reaction.
  • the installation location may be at least one of the first pump 11 side and the second pump 12 side, or may be both the first pump 11 side and the second pump 12 side.
  • the average value of the temperature on the first pump 11 side and the temperature on the second pump 12 side may be output to the reaction analysis device 20.
  • the average value may be calculated by the reaction analysis device 20. It is not necessarily required to measure the temperature upstream of the mixer 13. For example, the first temperature measuring unit 161 is not necessary when the temperature of the reactants is kept constant.
  • the second temperature measurement unit 162 is installed at position p2 after the reaction.
  • Position p2 is the position closest to the outlet of the mixer 13 among positions p2 to p4.
  • the second temperature measurement unit 162 measures the temperature at position p2 and outputs information indicating the measured temperature to the reaction analysis device 20.
  • the third temperature measurement unit 163 is installed at position p3 after the reaction. Position p3 is between positions p2 and p4, and is a longer distance from the outlet of the mixer 13 than position p2. The third temperature measurement unit 163 measures the temperature at position p3, and outputs information indicating the measured temperature to the reaction analysis device 20.
  • the fourth temperature measurement unit 164 is installed at position p4 after the reaction. Position p4 is the farthest from the outlet of the mixer 13 among positions p2 to p4. The fourth temperature measurement unit 164 measures the temperature at position p4 and outputs information indicating the measured temperature to the reaction analysis device 20.
  • the reaction analysis device 20 controls the temperature regulator 15.
  • the reaction analysis device 20 controls the flow rates of the first pump 11 and the second pump 12.
  • the reaction analysis device 20 acquires information indicating the measured temperature output by the temperature measurement unit 16.
  • the reaction analysis device 20 uses the acquired information indicating the temperature to identify the reaction state of the reaction fluid obtained by mixing multiple reactants.
  • the reaction state is, for example, the reaction rate of the reaction fluid, the concentrations of multiple reactants, and the concentration or yield of the product contained in the reaction fluid.
  • the reaction analysis device 20 analyzes the reaction by, for example, estimating a function of position and temperature. The estimation method will be described later.
  • a first reactant and a second reactant may be mixed in a first mixer to generate a first product, and this first product may be mixed with a third reactant in a second mixer to generate a second product.
  • temperature measurement units may be attached only before and after the first mixer (upstream and downstream sides) or downstream, and temperature measurement units may be attached only before and after the second mixer (upstream and downstream sides) or downstream, to detect the temperature distribution of the reaction fluid immediately after mixing the first reactant and the second reactant by the first mixer, and to detect the temperature distribution of the reaction fluid immediately after mixing the first product and the third reactant by the second mixer.
  • T n (x) is a solution of the governing equation that estimates the temperature distribution of the reacting fluid immediately after mixing, and is a function of temperature with respect to position x.
  • T n (p1) is an estimate of the temperature at position p1 using function T n (x).
  • T n (p2) is an estimate of the temperature at position p2 using function T n (x).
  • T n (p3) is an estimate of the temperature at position p3 using function T n (x).
  • T n (p4) is an estimate of the temperature at position p4 using function T n (x).
  • the reaction analysis device 20 compares the actual temperature distribution obtained by measuring the temperature of the reaction fluid using the temperature measurement unit 16 with the estimated temperature distribution obtained by estimating the temperature distribution of the reaction fluid immediately after mixing, and sets reaction parameters such that the difference between the estimated value and the actual value is within a predetermined value.
  • the function T n (x) is a solution of a governing equation that estimates the temperature distribution of the reaction fluid immediately after mixing, and is a function of the position x and the reaction parameters ⁇ H and ⁇ G ⁇ , as shown in the following equation (1).
  • the reaction parameter ⁇ H is the molar enthalpy of reaction (kJ/mol).
  • the molar enthalpy of reaction is the amount of heat of reaction per mole (per unit amount of substance).
  • the reaction parameter ⁇ H is related to the peak value of the temperature distribution of the reacting fluid immediately after mixing.
  • the reaction parameter ⁇ G ⁇ is the activation free energy (kJ/mol).
  • the activation free energy is the difference in free energy between the reaction state before and the reaction transition state, and indicates the temperature dependence of the reaction rate.
  • the reaction parameter ⁇ G ⁇ is related to the peak value and the peak position of the temperature distribution of the reaction fluid immediately after mixing.
  • the reaction analysis device 20 obtains information about the temperature measured by the temperature measurement unit 16 (measured temperature distribution obtained by actually measuring the temperature of the reaction fluid). As a result, the reaction analysis device 20 reads the temperature distribution measurement value T 0 (x). The reaction analysis device 20 stores the position x where the temperature measurement unit 16 is installed.
  • the reaction analysis device 20 provisionally sets the reaction parameters ⁇ H n and ⁇ G ⁇ n , and calculates the temperature distribution calculation value T n (x) (obtaining an estimated temperature distribution by estimating the temperature distribution of the reaction fluid immediately after mixing). Note that, if this is the first time the reaction analysis device 20 performs the process, it sets the reaction parameters ⁇ H 1 and ⁇ G ⁇ 1 to, for example, initial values stored in the device itself, and calculates the temperature distribution calculation value T 1 (x).
  • the reaction analysis device 20 calculates the difference ⁇ tm between the temperature estimate value of each position pm (m is an integer from 1 to 4, for example) estimated by the function T n (x) and the temperature actual value Tm of each position pm actually measured by the temperature measurement unit 16 (compare the actual temperature distribution with the estimated temperature distribution).
  • the reaction analysis device 20 determines that T n (x) does not substantially match T 0 (x), it adjusts the values of the reaction parameters. For example, when ⁇ t1 to ⁇ t4 are all positive, the reaction parameter ⁇ H is set to a value larger than ⁇ H 1 so as to increase the height of the maximum value. For example, when ⁇ t1 to ⁇ t4 are all negative, the reaction parameter ⁇ H is set to a value smaller than ⁇ H 1 so as to decrease the height of the maximum value. Furthermore, if only ⁇ t2 is negative and the others are positive (for example, when the peak position of the estimated temperature distribution is located further back than the measured temperature distribution), ⁇ G ⁇ 1 is set to a small value so that the peak position of the estimated temperature distribution moves forward.
  • reaction analysis device 20 determines that T n (x) is approximately equal to T 0 (x), or when it determines that T n (x) is approximately equal to T 0 (x) by adjusting the above reaction parameters, it outputs the reaction parameters ⁇ H and ⁇ G ⁇ .
  • the reaction analysis device 20 also calculates the concentration distribution P(x) of the products and reactants, and outputs the calculated concentration distribution P(x) of the products and reactants.
  • the concentration distribution P(x) of the product and reactant calculated and output by the reaction analysis device 20 can be obtained by solving the differential equation of the following formula (2) when the reaction parameters are ⁇ H and ⁇ G ⁇ .
  • [A] is the concentration of the first reactant
  • [B] is the concentration of the second reactant
  • h is Planck's constant (6.62607004 ⁇ 10 ⁇ 34 (m 2 kg/s)
  • kB is the Boltzmann constant (1.380649 ⁇ 10 ⁇ 23 (JK ⁇ 1 ))
  • R is the gas constant
  • T is the temperature of the fluid.
  • the soft sensor 1 can calculate reaction parameters including the activation free energy ( ⁇ G ⁇ ) using actual measured values. Furthermore, by estimating the concentration, the yield of the product at any position and any time in the flow reactor 10 can be calculated.
  • FIG. 2 is a block diagram showing the main configuration of a reactivity prediction system 40 according to a first embodiment of the present invention.
  • the reactivity prediction system 40 of this embodiment includes an operation unit 41, a display unit 42, a storage unit 43, and a processing unit 44.
  • Such a reactivity prediction system 40 is realized, for example, by a desktop, notebook, or tablet computer, or a workstation.
  • the reactivity prediction system 40 also includes a first interface 40A to which the soft sensor 1 can be connected.
  • the first interface 40A is realized, for example, by a connector, a socket, a coupling, or the like.
  • the operation unit 41 includes an input device such as a keyboard or a pointing device, and outputs instructions (instructions for the reactivity prediction system 40) to the processing unit 44 in response to operations by the worker using the reactivity prediction system 40.
  • the display unit 42 includes a display device such as a liquid crystal display device, and displays various information output from the processing unit 44.
  • the operation unit 41 and the display unit 42 may be physically separated, or may be physically integrated, such as a touch panel type liquid crystal display device that combines display and operation functions.
  • the storage unit 43 includes a storage device such as a hard disk drive (HDD) or a solid state drive (SSD), and stores various data used in the reactivity prediction system 40.
  • the storage unit 43 stores, for example, a learning dataset DS and a trained model MD.
  • the storage unit 43 may also store a program that realizes the functions of the reactivity prediction system 40.
  • the training data set DS is data obtained from the soft sensor 1.
  • the training data set DS is data including, for example, the activation free energy ( ⁇ G ⁇ ) measured by the soft sensor 1 and the reaction conditions (first data set) when the activation free energy was measured.
  • the trained model MD is a model that has learned the relationship between the measured activation free energy ( ⁇ G ⁇ ) and the reaction conditions when the activation free energy was measured, and is generated by performing machine learning using the training data set DS. Details of the trained model MD will be described later.
  • the processing unit 44 is realized by, for example, a CPU (Central Processing Unit), a RAM (Random Access Memory), etc., and controls the operation of the reactivity prediction system 40 based on operation instructions input from the operation unit 41.
  • the processing unit 44 performs, for example, a process of generating a trained model MD from the learning dataset DS, a process of predicting activation free energy from reaction conditions input from the operation unit 41 using the trained model MD, and other processes.
  • the processing unit 44 can also perform a process of displaying the predicted activation free energy and other outputs on the display unit 42 based on operation instructions input from the operation unit 41.
  • the functions of the reactivity prediction system 40 may be realized, for example, by a program that realizes the functions (including a program recorded on a recording medium, not shown) being executed by hardware such as a CPU.
  • the functions of the reactivity prediction system 40 may be realized by software and hardware resources working together.
  • the functions of the reactivity prediction system 40 may be realized using hardware such as an FPGA, an LSI, or an ASIC.
  • Fig. 3 is a block diagram showing an example of a functional configuration related to generation of a trained model MD of the reactivity prediction system 40 according to the first embodiment of the present invention.
  • the reactivity prediction system 40 includes an acquisition unit 51, a preprocessing unit 52, a generation unit 53, a model generation storage unit 54, and a model storage unit 55.
  • the acquisition unit 51, the preprocessing unit 52, and the generation unit 53 are realized by the processing unit 44 shown in Fig. 2. That is, the processing unit 44 executes a model generation program stored in the storage unit 43, thereby realizing the functions of the acquisition unit 51, the preprocessing unit 52, and the generation unit 53.
  • the model generation storage unit 54 and the model storage unit 55 are realized by the storage unit 43 shown in Fig. 2.
  • the acquisition unit 51 acquires a learning dataset DS.
  • the acquisition unit 51 may acquire the learning dataset DS by acquiring teacher data (measured activation free energy) input from the soft sensor 1 and reaction conditions (reaction conditions when the activation free energy is measured) input from the operation unit 41.
  • the teacher data input from the soft sensor 1 and the reaction conditions input from the operation unit 41 may be temporarily stored in the storage unit 43 as the learning dataset DS, and the acquisition unit 51 may acquire the learning dataset DS temporarily stored in the storage unit 43.
  • FIG. 4 is an explanatory diagram showing an example of the learning dataset DS used in the first embodiment of the present invention.
  • the learning dataset DS used in this embodiment includes learning samples SP1 to SPn (n is an integer equal to or greater than 2).
  • Each learning sample SP1 to SPn is obtained from past measurement results and includes a first dataset D11 and teacher data D12.
  • the teacher data D12 is the activation free energy ( ⁇ G ⁇ ) measured by the soft sensor 1.
  • the first data set D11 is the reaction conditions when the activation free energy was measured, and is data of the reaction conditions input to the reactivity prediction system 40, for example, by operating the operation unit 41.
  • the reaction conditions of the first data set D11 preferably include at least one of reactants, solvent, catalyst, additives, reagents, temperature, and reaction time.
  • the learning samples SP1 to SPn include the first data set D11 and the teacher data D12.
  • the preprocessing unit 52 performs preprocessing required to create the trained model MD on the training dataset DS acquired by the acquisition unit 51. If preprocessing is not required for the training dataset DS, the preprocessing unit 52 is omitted.
  • the generation unit 53 trains a learning model using the learning dataset DS that has been preprocessed by the preprocessing unit 52, and generates a learned model MD.
  • the learned model MD generated by the generation unit 53 is, for example, a model represented using a neural network.
  • the learned model MD is not limited to a model represented using a neural network, and can also be a model represented using other algorithms, such as a random forest or a support vector machine.
  • the model generation storage unit 54 stores the learning model and parameters being trained by the generation unit 53.
  • the model storage unit 55 stores the trained model MD generated by the generation unit 53.
  • FIG. 5 is a flowchart showing an example of a model generation process performed by the reactivity prediction system 40 according to the first embodiment of the present invention.
  • the process of the flowchart shown in FIG. 5 is started, for example, when an operator using the reactivity prediction system 40 operates the operation unit 41 of the reactivity prediction system 40 to give an instruction to start learning.
  • the model generation storage unit 54 shown in FIG. 3 stores a learning model and parameters.
  • the acquisition unit 51 of the reactivity prediction system 40 acquires a learning dataset DS (step S11).
  • the preprocessing unit 52 of the reactivity prediction system 40 performs preprocessing of the acquired learning dataset DS (step S12).
  • the generation unit 53 of the reactivity prediction system 40 performs machine learning using the preprocessed training dataset DS (step S13).
  • the training dataset DS includes teacher data D12
  • the generation unit 53 performs supervised learning.
  • the generation unit 53 determines whether the machine learning is complete (step S14).
  • step S14 If it is determined that the machine learning is not complete (if the determination result in step S14 is "NO"), the generation unit 53 continues the machine learning (step S13). For example, machine learning is performed using the training samples SP1 to SPn included in the training dataset DS that have not been used in the machine learning. On the other hand, if it is determined that the machine learning is complete (if the determination result in step S14 is "YES"), the generation unit 53 stores the generated trained model MD in the model storage unit 55 (step S15). With the above processing, the series of processing shown in FIG. 5 is completed.
  • the trained model MD is generated by the reactivity prediction system 40.
  • the trained model MD may be generated by another device different from the reactivity prediction system 40.
  • the trained model MD may be supplied from the other device and stored in the model storage unit 55.
  • the reactivity prediction system 40 includes an acquisition unit 61, a preprocessing unit 62, a ⁇ G ⁇ prediction unit 63, and an output unit 64 in addition to a model storage unit 55.
  • the acquisition unit 61 to the ⁇ G ⁇ prediction unit 63 are realized by the processing unit 44 shown in Fig. 2. That is, the processing unit 44 executes a program stored in the storage unit 43 to realize the functions of the acquisition unit 61 to the ⁇ G ⁇ prediction unit 63.
  • the model storage unit 55 is realized by the storage unit 43 shown in Fig. 2, and the output unit 64 is realized by the display unit 42 shown in Fig. 2.
  • the acquisition unit 61 acquires reaction conditions (reaction condition dataset ID) input by operating the operation unit 41 of the reactivity prediction system 40 shown in FIG. 2, for example. If the reaction condition dataset ID is stored in the storage unit 43, the acquisition unit 61 may acquire the reaction condition dataset ID from the storage unit 43.
  • the reaction condition dataset ID preferably includes at least the reactants, catalyst, and solvent.
  • the preprocessing unit 62 performs preprocessing required for predicting ⁇ G ⁇ on the reaction condition data set ID acquired by the acquisition unit 61. If preprocessing is not required for the reaction condition data set ID, the preprocessing unit 62 is omitted.
  • the ⁇ G ⁇ prediction unit 63 predicts ⁇ G ⁇ using the trained model MD stored in the model storage unit 55 and the reaction condition data set ID preprocessed by the preprocessing unit 62.
  • the output unit 64 displays the prediction result of the ⁇ G ⁇ prediction unit 63.
  • Fig. 7 is a flowchart showing an example of a prediction process of ⁇ G ⁇ performed by the reactivity prediction system 40 according to the first embodiment of the present invention.
  • the process of the flowchart shown in Fig. 7 is started, for example, when an operator using the reactivity prediction system 40 operates the operation unit 41 of the reactivity prediction system 40 to give an instruction to start the prediction process of ⁇ G ⁇ .
  • the acquisition unit 61 of the reactivity prediction system 40 first acquires the reaction condition dataset ID that is the prediction target (step S21). For example, the acquisition unit 61 acquires the reaction condition dataset ID input from the operation unit 41.
  • the preprocessing unit 62 of the reactivity prediction system 40 performs preprocessing of the acquired reaction condition dataset ID (step S22).
  • the ⁇ G ⁇ prediction unit 63 of the reactivity prediction system 40 predicts ⁇ G ⁇ using the trained model MD stored in the model storage unit 55 and the reaction condition dataset ID preprocessed by the preprocessing unit 62 (step S23).
  • the output unit 64 of the reactivity prediction system 40 outputs the predicted ⁇ G ⁇ (step S24).
  • the predicted ⁇ G ⁇ in the ⁇ G ⁇ prediction unit 63 is displayed on the output unit 64.
  • the reactivity prediction system 40 includes a storage unit 43 that stores a trained model MD that has learned the relationship between the measured activation free energy ( ⁇ G ⁇ ) and the reaction conditions when the activation free energy was measured, and a processing unit 44 that predicts the activation free energy from the input reaction conditions (reaction condition data set ID) using the trained model MD.
  • ⁇ G ⁇ is predicted using machine learning from ⁇ G ⁇ actually measured by the soft sensor 1, a more likely ⁇ G ⁇ can be obtained than ⁇ G ⁇ derived only by quantum chemical calculation.
  • the reactivity prediction system 40 is further provided with a generation unit 53 that generates a trained model MD using the measured activation free energy as teacher data D12 and the reaction conditions when the activation free energy was measured as a first data set D11 in the reactivity prediction system 40 according to the first aspect of the present invention.
  • the trained model MD can be generated within the reactivity prediction system 40.
  • the trained model MD may be generated outside the reactivity prediction system 40.
  • the reaction conditions of the first data set D11 include at least one of a reactant, a solvent, a catalyst, an additive, a reagent, a temperature, and a reaction time.
  • the reactivity prediction system 40 also includes a first interface 40A that can be connected to a soft-sensor 1 (measurement device) that measures the activation free energy.
  • a soft-sensor 1 measurement device
  • the measured activation free energy ⁇ G ⁇
  • the reactivity prediction method includes a first step (step S21) of inputting reaction conditions, and a second step (step S23) of predicting activation free energy from the reaction conditions input in the first step by using a trained model MD that has learned the relationship between the measured activation free energy and the reaction conditions when the activation free energy was measured.
  • ⁇ G ⁇ is predicted by machine learning from ⁇ G ⁇ actually measured by the soft sensor 1, so that a more likely ⁇ G ⁇ can be obtained than ⁇ G ⁇ derived only by quantum chemical calculation.
  • FIG. 8 is a block diagram showing the main configuration of a reactivity prediction system 40 according to a second embodiment of the present invention.
  • the same components as those shown in Fig. 2 are denoted by the same reference numerals.
  • the reactivity prediction system 40 according to the second embodiment further includes a second interface 40B to which a simulator 2 (calculating device) can be connected.
  • the second interface 40B is realized by, for example, a connector, a socket, a coupling, or the like.
  • Simulator 2 performs quantum chemical calculations to calculate characteristic quantities related to the reaction. Simulator 2 calculates at least one of the dipole moment, atomic charge, and vibrational frequency as characteristic quantities. Simulator 2 may also calculate the energy gap between the HOMO (Highest Occupied Molecular Orbital) and the LUMO (Lowest Unoccupied Molecular Orbital) as a further characteristic quantity.
  • HOMO Highest Occupied Molecular Orbital
  • LUMO Low Unoccupied Molecular Orbital
  • the storage unit 43 stores a second data set D21 as a learning data set DS.
  • the second data set D21 is data obtained from the simulator 2.
  • the second data set D21 includes the above-mentioned feature quantities and their calculation conditions.
  • the feature quantities included in the second data set D21 are preferably feature quantities that cannot be obtained by experiments using the soft sensor 1. This makes it possible to efficiently determine ⁇ G ⁇ without conducting experiments for all reaction conditions.
  • FIG. 9 is an explanatory diagram showing an example of a training dataset used in the second embodiment of the present invention.
  • the training dataset DS used in this embodiment includes training samples SP1 to SPn, similar to the training dataset DS shown in FIG. 4.
  • each of the training samples SP1 to SPn includes a second dataset D21 in addition to a first dataset D11 and teacher data D12.
  • the reactivity prediction system 40 generates a trained model MD using the training dataset DS shown in FIG. 9.
  • the trained model MD is trained to learn the relationship between the measured activation free energy (teacher data D12) and the reaction conditions when the activation free energy was measured (first dataset D11), as well as the relationship between the feature quantities related to the reaction obtained by quantum chemical calculations and the calculation conditions when the quantum chemical calculations were performed (second dataset D21).
  • the reactivity prediction system 40 also predicts the activation free energy from the trained model MD generated using the training dataset DS shown in FIG. 9 and the input reaction conditions (reaction condition dataset ID). Note that the functional configuration and model generation process related to the generation of the trained model MD of the reactivity prediction system 40, as well as the functional configuration and state determination process related to predicting the activation free energy, are the same as those in the first embodiment, and therefore will not be described.
  • the trained model MD learns the relationship between the measured activation free energy and the reaction conditions when the activation free energy was measured, as well as the relationship between the feature amount related to the reaction obtained by the quantum chemical calculation and the calculation conditions when the quantum chemical calculation was performed.
  • ⁇ G ⁇ can be efficiently obtained without performing experiments for all reaction conditions by predicting ⁇ G ⁇ using machine learning from ⁇ G ⁇ obtained for some reaction conditions by the soft sensor 1 and the feature amount calculated by the quantum chemical calculation.
  • ⁇ G ⁇ measured by the soft sensor 1 is used for machine learning to obtain ⁇ G ⁇ that is more likely than the conventional technology.
  • the reactivity prediction system 40 also includes a generation unit 53 that generates a trained model MD using the measured activation free energy as teacher data D12, the reaction conditions when the activation free energy was measured as a first data set D11, and the features and calculation conditions as a second data set D21.
  • the trained model MD can be generated inside the reactivity prediction system 40.
  • the trained model MD may be generated outside the reactivity prediction system 40.
  • the feature quantities of the second data set D21 include at least one of a dipole moment, an atomic charge, a vibrational frequency, and a molecular orbital. This configuration makes it possible to predict ⁇ G ⁇ with greater accuracy.
  • the reactivity prediction system 40 also includes a second interface 40B that can be connected to a simulator 2 (computing device) that performs quantum chemical calculations. With this configuration, the characteristics related to the reaction can be obtained directly from the simulator 2 via the second interface 40B.
  • Fig. 10 is a block diagram showing the main configuration of a reactivity prediction system 40 according to a third embodiment of the present invention.
  • the same components as those shown in Fig. 6 are denoted by the same reference numerals.
  • the reactivity prediction system 40 according to the third embodiment further includes a reaction condition presentation unit 65 that presents predetermined reaction conditions based on the activation free energy predicted by the ⁇ G ⁇ prediction unit 63.
  • the reaction condition presentation unit 65 is realized by the processing unit 44 shown in Fig. 2. That is, the processing unit 44 executes a program stored in the storage unit 43, thereby realizing the function of the reaction condition presentation unit 65.
  • Fig. 11 is an explanatory diagram showing an example of the reaction condition presentation process performed by the reaction condition presentation unit 65 according to the third embodiment of the present invention.
  • the reaction condition presentation process shown in Fig. 11 presents the reaction condition predicted to have the lowest activation free energy among the activation free energies predicted by the ⁇ G ⁇ prediction unit 63.
  • the reaction condition presentation unit 65 performs an operation of comparing ⁇ G ⁇ of reactions A to C and selecting the condition (combination of reactants) with the smallest value.
  • the acquisition unit 61 acquires reaction conditions (datasets 1A to 1C (datasets 2A to 2C ) shown in FIG. 11) input for each of reactions A to C as the above-mentioned reaction condition dataset ID.
  • Datasets 1A to 1C are preferably reaction conditions including at least a reactant, a catalyst, and a solvent.
  • datasets 2A to 2C are preferably feature quantities including at least one of dipole moment, atomic charge, vibrational frequency, and molecular orbital.
  • the preprocessing unit 62 performs preprocessing required for predicting ⁇ G ⁇ on the reaction conditions acquired by the acquisition unit 61. If preprocessing is not required for the reaction condition dataset ID, the preprocessing unit 62 is omitted.
  • the ⁇ G ⁇ prediction unit 63 predicts ⁇ G ⁇ using the trained model MD stored in the model storage unit 55 and the reaction conditions preprocessed by the preprocessing unit 62.
  • the reaction condition presentation unit 65 presents the reaction conditions predicted to have the lowest activation free energy among the activation free energies predicted by the ⁇ G ⁇ prediction unit 63. In the example of Fig. 11, the reaction condition presentation unit 65 presents the conditions for reaction B with the smallest ⁇ G ⁇ . Note that the reaction condition presentation unit 65 may present the ⁇ G ⁇ of reactions A to C for reference, or may present the reaction times and yields of reactions A to C from the general reaction rate equation using the above-mentioned equation (2).
  • the output unit 64 displays the presentation results of the reaction condition presentation unit 65.
  • the reactivity prediction system 40 includes a reaction condition presentation unit 65 that presents predetermined reaction conditions based on the activation free energy predicted by the ⁇ G ⁇ prediction unit 63 of the processing unit 44.
  • the reaction condition presentation unit 65 presents, as the predetermined reaction condition, a reaction condition predicted to have the lowest activation free energy among the activation free energies predicted by the ⁇ G ⁇ prediction unit 63 of the processing unit 44.
  • Fig. 12 is a block diagram showing the main configuration of a reactivity prediction system 40 according to a fourth embodiment of the present invention.
  • a reaction condition presenting unit 65 presents predetermined reaction conditions based on the activation free energy predicted by the ⁇ G ⁇ prediction unit 63 and further on predetermined constraint conditions.
  • reaction condition presentation process is an explanatory diagram showing an example of the reaction condition presentation process performed by the reaction condition presentation unit 65 according to the fourth embodiment of the present invention.
  • the reaction condition presentation process shown in Fig. 13 presents reaction conditions (reaction field temperature, reactant concentration) that can be carried out within the constraint conditions and that can complete the reaction within the reaction time determined by the flow path constraints, based on the selected ⁇ G ⁇ .
  • the inside of the flow channel becomes the reaction field (constraint).
  • the time that the reaction can take place is determined by the length of the channel.
  • the channel cannot be made infinitely long. Therefore, it is necessary to present conditions that allow the reaction to be completed within a fixed reaction time.
  • the reaction time t, reaction field temperature T, and reactant concentration C are presented as conditions.
  • the constraint conditions it is preferable for the constraint conditions to include at least one of the reaction time, reaction field temperature, and reactant concentration.
  • the reaction time t can be calculated as a function t(T, C) of the reaction site temperature T and the reactant concentration C.
  • the reaction site temperature T has upper and lower limits set in advance as constraints.
  • the reactant concentration C has an upper limit set in advance. That is, in the fourth embodiment, a reaction condition algorithm (T, C) related to the constraints is added to ⁇ G ⁇ selected in the third embodiment, and the reaction time (and yield) is presented from the general reaction rate equation using the above-mentioned equation (2).
  • the reactivity prediction system 40 includes a reaction condition presentation unit 65 that presents predetermined reaction conditions based on the activation free energy predicted by the ⁇ G ⁇ prediction unit 63 of the processing unit 44 and predetermined constraint conditions.
  • the predetermined constraint conditions include at least one of the reaction time, the reaction site temperature, and the reactant concentration.
  • the reactivity prediction system 40 predicts the activation free energy ( ⁇ G ⁇ ). In contrast, in the fifth embodiment, the reactivity prediction system 40 predicts the reaction enthalpy ( ⁇ H). The fifth embodiment will be described below.
  • the generation unit 53 shown in Fig. 3 generates a trained model MD using the reaction enthalpy ( ⁇ H) measured by the soft sensor 1 as teacher data and the reaction conditions when the reaction enthalpy ( ⁇ H) is measured as a first data set.
  • the model storage unit 55 shown in Fig. 3 stores the trained model MD generated by the generation unit 53.
  • FIG. 14 is a block diagram showing an example of the functional configuration related to ⁇ H prediction of the reactivity prediction system 40 according to the fifth embodiment of the present invention.
  • the same components as those shown in FIG. 6 are given the same reference numerals.
  • the reactivity prediction system 40 includes a ⁇ H prediction unit 66.
  • the ⁇ H prediction unit 66 is realized by the processing unit 44 shown in FIG. 2. That is, the function of the ⁇ H prediction unit 66 is realized by the processing unit 44 executing a program stored in the storage unit 43.
  • the acquisition unit 61 acquires reaction conditions (reaction condition dataset ID) input by operating the operation unit 41 of the reactivity prediction system 40 shown in FIG. 2, for example. If the reaction condition dataset ID is stored in the storage unit 43, the acquisition unit 61 may acquire the reaction condition dataset ID from the storage unit 43.
  • the reaction condition dataset ID preferably includes at least the reactants, catalyst, and solvent.
  • the preprocessing unit 62 performs preprocessing required to predict ⁇ H on the reaction condition dataset ID acquired by the acquisition unit 61. If preprocessing is not required for the reaction condition dataset ID, the preprocessing unit 62 is omitted.
  • the ⁇ H prediction unit 66 predicts ⁇ H using the trained model MD stored in the model storage unit 55 and the reaction condition data set ID that has been preprocessed by the preprocessing unit 62.
  • the output unit 64 displays the prediction result of the ⁇ H prediction unit 66.
  • FIG. 15 is a flowchart showing an example of a ⁇ H prediction process performed by the reactivity prediction system 40 according to the fifth embodiment of the present invention.
  • the process of the flowchart shown in FIG. 15 is started, for example, when an operator using the reactivity prediction system 40 operates the operation unit 41 of the reactivity prediction system 40 to give an instruction to start the ⁇ H prediction process.
  • the acquisition unit 61 of the reactivity prediction system 40 first acquires the reaction condition dataset ID that is the prediction target (step S31). For example, the acquisition unit 61 acquires the reaction condition dataset ID input from the operation unit 41.
  • the preprocessing unit 62 of the reactivity prediction system 40 performs preprocessing of the acquired reaction condition dataset ID (step S32).
  • the ⁇ H prediction unit 66 of the reactivity prediction system 40 predicts ⁇ H using the trained model MD stored in the model storage unit 55 and the reaction condition data set ID that has been preprocessed by the preprocessing unit 62 (step S33).
  • the output unit 64 of the reactivity prediction system 40 outputs the predicted ⁇ H (step S34).
  • the predicted ⁇ H in the ⁇ H prediction unit 66 is displayed on the output unit 64.
  • the reactivity prediction system 40 includes a storage unit 43 that stores a trained model MD that has learned the relationship between the measured reaction enthalpy ( ⁇ H) and the reaction conditions when the reaction enthalpy was measured, and a processing unit 44 that uses the trained model MD to predict the reaction enthalpy from the input reaction conditions (reaction condition data set ID).
  • ⁇ H is predicted using machine learning from ⁇ H actually measured by the soft sensor 1, so that a more reliable ⁇ H can be obtained than ⁇ H derived only by quantum chemical calculations.
  • FIG. 16 is a block diagram showing the main configuration of a reactivity prediction system 40 according to a sixth embodiment of the present invention.
  • the same components as those shown in Fig. 6 are denoted by the same reference numerals.
  • the reactivity prediction system 40 according to the sixth embodiment further includes a reaction condition presentation unit 67 that presents predetermined reaction conditions based on the reaction enthalpy predicted by the ⁇ H prediction unit 66.
  • the reaction condition presentation unit 67 is realized by the processing unit 44 shown in Fig. 2. That is, the processing unit 44 executes a program stored in the storage unit 43, thereby realizing the function of the reaction condition presentation unit 67.
  • FIG. 17 is an explanatory diagram showing an example of the reaction condition presentation process performed by the reaction condition presentation unit 67 according to the sixth embodiment of the present invention.
  • the reaction condition presentation process shown in FIG. 17 presents the reaction condition predicted to have the lowest reaction enthalpy among the reaction enthalpies predicted by the ⁇ H prediction unit 66.
  • the reaction condition presentation unit 67 performs an operation of comparing the ⁇ H of reactions A to C and selecting the condition (combination of reactants) with the smallest value.
  • the acquisition unit 61 acquires reaction conditions (datasets 1A to 1C (datasets 2A to 2C ) shown in FIG. 17) input for each reaction A to C as the above-mentioned reaction condition dataset ID.
  • Datasets 1A to 1C preferably represent reaction conditions including at least a reactant, a catalyst, and a solvent.
  • datasets 2A to 2C preferably represent feature quantities including at least one of dipole moment, atomic charge, vibrational frequency, and molecular orbital.
  • the preprocessing unit 62 performs preprocessing required to predict ⁇ H for the reaction conditions acquired by the acquisition unit 61. If preprocessing is not required for the reaction condition dataset ID, the preprocessing unit 62 is omitted.
  • the ⁇ H prediction unit 66 predicts ⁇ H using the trained model MD stored in the model storage unit 55 and the reaction conditions preprocessed by the preprocessing unit 62.
  • the reaction condition presentation unit 67 presents the reaction condition predicted to have the lowest reaction enthalpy among the reaction enthalpies predicted by the ⁇ H prediction unit 66. In the example of FIG. 17, the reaction condition presentation unit 67 presents the conditions for reaction B, which has the smallest ⁇ H. Note that the reaction condition presentation unit 67 may also present the ⁇ H of reactions A to C for reference.
  • the output unit 64 displays the presentation results of the reaction condition presentation unit 67.
  • the reactivity prediction system 40 includes a reaction condition presentation unit 67 that presents predetermined reaction conditions based on the reaction enthalpy predicted by the ⁇ H prediction unit 66 of the processing unit 44.
  • the reaction condition presentation unit 67 presents, as the above-mentioned predetermined reaction condition, the reaction condition that is predicted to have the lowest reaction enthalpy among the reaction enthalpies predicted by the ⁇ H prediction unit 66 of the processing unit 44. This makes it possible to present reaction conditions that have a low risk of side reactions due to reaction heat and a low risk in terms of safety.
  • the reactivity prediction system 40 predicts the activation free energy ( ⁇ G ⁇ ) or reaction enthalpy ( ⁇ H) as a reaction parameter, but it may also predict other thermodynamic parameters as a reaction parameter.

Landscapes

  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

反応性予測システム（４０）は、測定された反応パラメータと、反応パラメータが測定された際の反応条件との関係を学習させた学習済みモデル（ＭＤ）を格納する格納部（４３）と、学習済みモデル（ＭＤ）を用いて、入力された反応条件から反応パラメータを予測する処理部（４４）と、を備える。

Description

反応性予測システム、反応性予測方法
　本発明は、反応性予測システム、反応性予測方法に関するものである。
　下記特許文献１には、合成したい目的化合物の複数の合成経路の活性化エネルギーを量子化学計算より得られた化学反応の遷移状態の構造およびエネルギーを含むデータにより活性化エネルギーを計算するとともに、合成したい目的化合物の複数の合成経路の合成経路に対して合成反応に対する収率予測式のデータから合成収率を予測し、前記活性化エネルギーと前記合成収率から合成経路ランキング式を構築し、目的化合物を合成するために最適とされる合成経路をランキングして絞り込んで提案する最適合成経路開発方法が開示されている。
　下記特許文献２には、合成の目的化合物に対する複数の合成経路から最適な合成経路を抽出するために、量子化学計算部と、反応機構解析部と、合成経路ランキング部と、を備える演算処理手段と、前記合成経路に係るデータを格納する記憶手段と、を有する合成経路評価システムが開示されている。
特開２００８－１５０３３７号公報 特開２０１０－９２５７号公報
　上記従来技術では、合成経路の予測のための入力データとして用いている反応パラメータである、活性化自由エネルギー（ΔＧ‡）を量子化学計算から求めている。このΔＧ‡は、実測した値ではなくシミュレーションから算出した値であるため、実測値との乖離が大きい。
　本発明は、上記問題点に鑑みてなされたものであり、従来よりも高い精度で反応パラメータを予測できる反応性予測システム、反応性予測方法の提供を目的とする。
　上記課題を解決するために、本発明の第１の態様による反応性予測システムは、測定された反応パラメータと、前記反応パラメータが測定された際の反応条件との関係を学習させた学習済みモデルを格納する格納部と、前記学習済みモデルを用いて、入力された反応条件から反応パラメータを予測する処理部と、を備える。
　本発明の第２の態様による反応性予測システムは、本発明の第１の態様による反応性予測システムにおいて、前記測定された反応パラメータを教師データとし、前記反応パラメータが測定された際の反応条件を第１データセットとして、前記学習済みモデルを生成する生成部を備える。
　本発明の第３の態様による反応性予測システムは、本発明の第２の態様による反応性予測システムにおいて、前記第１データセットの反応条件は、反応物、溶媒、触媒、添加物、試薬、温度、反応時間の少なくとも１つを含む。
　本発明の第４の態様による反応性予測システムは、本発明の第１の態様から第３の態様のいずれかによる反応性予測システムにおいて、前記反応パラメータを測定する測定装置と接続可能な第１インターフェースを備える。
　本発明の第５の態様による反応性予測システムは、本発明の第１の態様から第４の態様のいずれかによる反応性予測システムにおいて、前記学習済みモデルは、前記測定された反応パラメータと、反応パラメータが測定された際の反応条件との関係に加えて、量子化学計算で求めた反応に関する特徴量と、前記量子化学計算が行われた際の計算条件との関係を学習させたものである。
　本発明の第６の態様による反応性予測システムは、本発明の第５の態様による反応性予測システムにおいて、前記測定された反応パラメータを教師データとし、前記反応パラメータが測定された際の反応条件を第１データセットとし、前記特徴量及び前記計算条件を第２データセットとして、前記学習済みモデルを生成する生成部を備える。
　本発明の第７の態様による反応性予測システムは、本発明の第６の態様による反応性予測システムにおいて、前記第２データセットの特徴量は、双極子モーメント、原子電荷、振動数、分子軌道の少なくとも１つを含む。
　本発明の第８の態様による反応性予測システムは、本発明の第５の態様から第７の態様のいずれかによる反応性予測システムにおいて、前記量子化学計算を行う計算装置と接続可能な第２インターフェースを備える。
　本発明の第９の態様による反応性予測システムは、本発明の第１の態様から第８の態様のいずれかによる反応性予測システムにおいて、前記処理部で予測した反応パラメータに基づいて、所定の反応条件を提示する反応条件提示部を備える。
　本発明の第１０の態様による反応性予測システムは、本発明の第９の態様による反応性予測システムにおいて、前記反応条件提示部は、前記所定の反応条件として、前記処理部で予測した反応パラメータのうち、最も反応パラメータが低いと予想された反応条件を提示する。
　本発明の第１１の態様による反応性予測システムは、第１の態様から第１０の態様のいずれかによる反応性予測システムにおいて、前記処理部で予測した反応パラメータと、所定の制約条件と、に基づいて、所定の反応条件を提示する反応条件提示部を備える。
　本発明の第１２の態様による反応性予測システムは、本発明の第１１の態様による反応性予測システムにおいて、前記所定の制約条件は、反応時間、反応場温度、反応物の濃度の少なくとも１つを含む。
　本発明の第１３の態様による反応性予測システムは、本発明の第１の態様による反応性予測システムにおいて、前記反応パラメータは、熱力学的パラメータである。
　本発明の第１４の態様による反応性予測システムは、本発明の第１３の態様による反応性予測システムにおいて、前記熱力学的パラメータは、活性化自由エネルギーまたは反応エンタルピーである。
　本発明の第１５の態様による反応性予測方法は、反応条件を入力する第１ステップと、測定された反応パラメータと、前記反応パラメータが測定された際の反応条件との関係を学習させた学習済みモデルを用いて、前記第１ステップで入力された反応条件から反応パラメータを予測する第２ステップと、を有する。
　上記本発明の一態様によれば、従来よりも高い精度で反応パラメータを予測できる。
本発明の第１実施形態によるソフトセンサの構成例を示すブロック図である。 本発明の第１実施形態による反応性予測システムの要部構成を示すブロック図である。 本発明の第１実施形態による反応性予測システムの学習済みモデルの生成に係る機能的構成の一例を示すブロック図である。 本発明の第１実施形態で用いられる学習用データセットの一例を示す説明図である。 本発明の第１実施形態による反応性予測システムが行うモデル生成処理の一例を示すフローチャートである。 本発明の第１実施形態による反応性予測システムのΔＧ‡の予測に係る機能的構成の一例を示すブロック図である。 本発明の第１実施形態による反応性予測システムが行うΔＧ‡の予測処理の一例を示すフローチャートである。 本発明の第２実施形態による反応性予測システムの要部構成を示すブロック図である。 本発明の第２実施形態で用いられる学習用データセットの一例を示す説明図である。 本発明の第３実施形態による反応性予測システムの要部構成を示すブロック図である。 本発明の第３実施形態による反応条件提示部が行う反応条件提示処理の一例を示す説明図である。 本発明の第４実施形態による反応性予測システムの要部構成を示すブロック図である。 本発明の第４実施形態による反応条件提示部が行う反応条件提示処理の一例を示す説明図である。 本発明の第５実施形態による反応性予測システム４０のΔＨの予測に係る機能的構成の一例を示すブロック図である。 本発明の第５実施形態による反応性予測システム４０が行うΔＨの予測処理の一例を示すフローチャートである。 本発明の第６実施形態による反応性予測システム４０の要部構成を示すブロック図である。 本発明の第６実施形態による反応条件提示部６７が行う反応条件提示処理の一例を示す説明図である。
　以下、図面を参照して本発明の実施形態による反応性予測システム、反応性予測方法について詳細に説明する。以下では、まず、本発明の実施形態の概要について説明し、続いて本発明の各実施形態の詳細について説明する。
〔概要〕
　有機化学反応を用いる医薬品やファインケミカル素材の生産時には、生産の効率化のために反応条件の最適化が重要である。反応条件には、例えば、溶媒種や試薬の選択、濃度、温度、および反応時間等がある。最適化の工程では、効率化のために、高い収率を得られる条件を探索する。最適化の工程では、各項目を順に最適化していくが、その指標としては主に反応時間における生成物の濃度をサンプリングにより測定した収率や反応速度が使用される。なお、生成物の合成には、例えば第１の溶液と第２の溶液を供給装置に注入し、ミキサーで混合して合成するフローリアクタが用いられる。
　しかしながら、従来の技術では、実験から反応速度を求めるためにある反応時間における反応流体をサンプリングし、そのサンプリングした反応流体に対して生成物の抽出や濃度測定等を行う工程が必要であり、１つの条件下における濃度を算出するまでに少なくとも数時間の作業時間を要する。従来の技術では、最適化項目の数によっては数十回以上、条件変更と抽出を行うトライアンドエラーの工程を繰り返す必要がある。また、従来の技術では、複数の温度条件下での濃度データが必要となるため、より多くの工数を要する。
　上記トライアンドエラーでは、目的化合物の合成に長時間を要してしまったり、コストが嵩んでしまったり、最悪の場合、合成できない場合もありうるため、特許文献１及び２に開示されている方法は、量子化学計算によって、最適な合成経路を導き出している。この方法では、合成経路の予測のための入力データとして用いている活性化自由エネルギー（ΔＧ‡）を計算で求めているが、このΔＧ‡は、実測した値ではなくシミュレーションから算出した値であるため、実測値との乖離が大きいという課題がある。
　本発明の実施形態では、測定された活性化自由エネルギーと、前記活性化自由エネルギーが測定された際の反応条件との関係を学習させた学習済みモデルを格納する格納部と、前記学習済みモデルを用いて、入力された反応条件から活性化自由エネルギーを予測する。これにより、従来よりも高い精度で活性化自由エネルギーを予測することができる。
〔第１実施形態〕
　先ず、活性化自由エネルギーを測定するソフトセンサ（測定装置）について説明する。
　〈ソフトセンサ〉
　図１は、本発明の第１実施形態によるソフトセンサ１の構成例を示すブロック図である。図１のように、ソフトセンサ１は、第１ポンプ１１、送液管１１１、第２ポンプ１２、送液管１１２、混合器１３、反応管１４、温度調整器１５、温度測定部１６、および反応解析装置２０を備えている。温度測定部１６は、第１の温度測定部１６１、第２の温度測定部１６２、第３の温度測定部１６３、および第４の温度測定部１６４を備えている。フローリアクタ１０は、第１ポンプ１１、送液管１１１、第２ポンプ１２、送液管１１２、混合器１３、および反応管１４を備える。反応解析装置２０は、ＣＰＵ２３を備えている。
　図１に示すフローリアクタ１０は、化学反応に供される複数の反応物をそれぞれ供給する複数の供給流路（第１ポンプ１１と送液管１１１、第２ポンプ１２と送液管１１２）と、これら複数の供給流路に接続されて複数の反応物を混合する混合器１３とを備えたものであり、流路状に形成される。
　第１ポンプ１１は、送液管１１１を介して混合器１３の第１の導入口に接続されている。第２ポンプ１２は、送液管１１２を介して混合器１３の第２の導入口に接続されている。混合器１３は、２つの導入口と１つの排出口を備えている。混合器１３の排出口は、複数の反応物が混合されて得られる反応流体が流通される反応管１４に接続されている。
　温度測定部１６は、反応管１４に沿う複数の位置における反応流体の温度を測定可能なように、例えば、混合器１３の前後で流路に沿って複数配置される第１の温度測定部１６１、第２の温度測定部１６２、第３の温度測定部１６３、および第４の温度測定部１６４を有する。なお、温度測定部１６の個数は、４個に限定されず、例えば４個以上であってもよい。
　第１の温度測定部１６１は、混合器１３の入力側に設置され、この第１の温度測定部１６１により、複数の反応物を混合させて得られる反応流体の初期温度（混合器１３の排出口における反応流体の温度）を測定することができる。
　第２の温度測定部１６２、第３の温度測定部１６３、および第４の温度測定部１６４は、混合器１３の出力側の反応管１４に設置され、これら第２の温度測定部１６２～第４の温度測定部１６４により、反応流体の流れ方向に沿う混合直後（反応開始直後）の反応流体の温度（温度分布）を測定することができる。なお、「反応開始直後」とは、反応流体が実際に反応を開始した直後の意味ではなく、反応が開始される状態に反応流体が置かれた直後（第１実施形態では、複数の反応物が混合された直後）の意味である。
　送液管１１１、送液管１１２、混合器１３および反応管１４は、温度調整器１５内に設置される。
　〈ソフトセンサの動作〉
　ソフトセンサ１は、フロー合成型の化学反応装置における反応流体の反応状態を特定するものである。ソフトセンサ１は、反応前の温度と、反応後の複数箇所の温度とを測定し、測定した温度に基づいて活性化自由エネルギー（ΔＧ‡）を含む反応パラメータを算出する。第１ポンプ１１と第２ポンプ１２に投入される反応物は、液体であっても気体であってもよい。反応パラメータは、反応流体の反応状態を示すものであって、後述するように、例えば化学反応場の温度分布に影響を及ぼすパラメータである。ソフトセンサ１によって生成される生成物は、例えばペプチド合成物である。
　第１ポンプ１１には、第１反応物が投入される。第１ポンプ１１は、投入された第１反応物を、例えば第１流速、第１流量で、送液管１１１を介して混合器１３に供給する。
　第２ポンプ１２には、第２反応物が投入される。第２ポンプ１２は、投入された第２反応物を、例えば第２流速、第２流量で、送液管１１２を介して混合器１３に供給する。
　混合器１３は、第１ポンプ１１から供給された第１反応物と、第２ポンプ１２から供給された第２反応物と、を混合し、混合した生成物を反応管１４に供給する。
　反応管１４には、混合器１３の排出口から生成物が供給される。混合器１３内部の空間内では、第１反応物と第２反応物との混合が開始される。そして、フローリアクタ１０では、混合器１３内部から反応管１４内部において反応が起き、生成物を含む例えば溶液が反応管１４内を移動する。そして、フローリアクタ１０では、生成物を含む例えば溶液が、反応管１４を通して反応管１４の外部に排出される。
　温度調整器１５は、例えば恒温水槽であり、反応解析装置２０の制御に応じて、混合器１３、反応管１４の温度を所定の温度に調整する。
　温度測定部１６は、化学反応場の温度を測定するセンサであり、例えば熱電対である。温度測定部１６は、非接触型の、例えば光学式温度センサであってもよい。温度測定部１６は、反応管１４に沿う反応流体の温度分布を測定し、測定した温度を示す温度情報（実測温度分布）を反応解析装置２０に出力する。なお、化学反応場は、混合器１３の下流側において混合された反応物の化学反応が生ずる領域である。
　第１の温度測定部１６１は、反応前の位置ｐ１に設置されている。なお、設置箇所は、第１ポンプ１１側および第２ポンプ１２側のうち少なくとも１つであってもよく、第１ポンプ１１側および第２ポンプ１２側の両方であってもよい。第１ポンプ１１側および第２ポンプ１２側の両方に第１の温度測定部１６１を設置する場合は、第１ポンプ１１側の温度と、第２ポンプ１２側の温度と、の平均値を反応解析装置２０に出力するようにしてもよい。なお、平均値は、反応解析装置２０が算出するようにしてもよい。なお、混合器１３の上流側の温度を測定することは、必ずしも必須ではない。例えば、反応物の温度が一定に保たれている場合に第１の温度測定部１６１は不要である。
　第２の温度測定部１６２は、反応後の位置ｐ２に設置されている。位置ｐ２は、位置ｐ２～ｐ４の中で最も混合器１３の排出口に近い位置である。第２の温度測定部１６２は、位置ｐ２の温度を測定し、測定した温度を示す情報を反応解析装置２０に出力する。
　第３の温度測定部１６３は、反応後の位置ｐ３に設置されている。位置ｐ３は、位置ｐ２と位置ｐ４の間の位置であり、位置ｐ２より混合器１３の排出口からの距離が長い。第３の温度測定部１６３は、位置ｐ３の温度を測定し、測定した温度を示す情報を反応解析装置２０に出力する。
　第４の温度測定部１６４は、反応後の位置ｐ４に設置されている。位置ｐ４は、位置ｐ２～ｐ４の中で最も混合器１３の排出口から遠い位置である。第４の温度測定部１６４は、位置ｐ４の温度を測定し、測定した温度を示す情報を反応解析装置２０に出力する。
　反応解析装置２０は、温度調整器１５を制御する。反応解析装置２０は、第１ポンプ１１と第２ポンプ１２の流量の制御を行う。反応解析装置２０は、温度測定部１６が出力する測定された温度を示す情報を取得する。反応解析装置２０は、取得した温度を示す情報を用いて、複数の反応物を混合させて得られる反応流体の反応状態を特定する。反応状態は、例えば、反応流体の反応速度、複数の反応物の濃度、反応流体に含まれる生成物の濃度または収率である。反応解析装置２０は、例えば位置と温度の関数を推定することで反応を解析する。なお、推定方法等は後述する。
　なお、図１に示した構成は一例であり、これに限らない。例えば、第１反応物と第２反応物とを第１の混合器で混合して第１の生成物を生成し、この第１の生成物と第３反応物とを第２の混合器で混合して第２の生成物を生成する構成であってもよい。この場合は、第１の混合器の前後（上下流側）または下流側のみに温度測定部を取り付け、第２の混合器の前後（上下流側）または下流側のみに温度測定部を取り付けることにより、第１の混合器による第１反応物と第２反応物の混合直後の反応流体の温度分布を検出すると共に、第２の混合器による第１の生成物と第３反応物の混合直後の反応流体の温度分布を検出するようにしてもよい。
　〈反応場の温度分布から反応パラメータの算出方法〉
　次に、反応場の温度分布から反応パラメータを算出する方法について説明する。
　関数Ｔｎ（ｘ）は、混合直後の反応流体の温度分布を推定する支配方程式の解であり、位置ｘに対する温度の関数である。例えば、Ｔｎ（ｐ１）は、関数Ｔｎ（ｘ）による位置ｐ１の温度の推定値である。Ｔｎ（ｐ２）は、関数Ｔｎ（ｘ）による位置ｐ２の温度の推定値である。Ｔｎ（ｐ３）は、関数Ｔｎ（ｘ）による位置ｐ３の温度の推定値である。Ｔｎ（ｐ４）は、関数Ｔｎ（ｘ）による位置ｐ４の温度の推定値である。
　反応解析装置２０は、温度測定部１６によって反応流体の温度を実測することにより得られる実測温度分布と、混合直後の反応流体の温度分布を推定することにより得られる推定温度分布とを比較し、推定値と実測値との差が所定値以内となる反応パラメータを設定する。
　ここで、反応パラメータ、関数Ｔｎ（ｘ）について説明する。
　関数Ｔｎ（ｘ）は、混合直後の反応流体の温度分布を推定する支配方程式の解であり、次式（１）のように、位置ｘ、反応パラメータΔＨ、ΔＧ‡の関数である。
Figure JPOXMLDOC01-appb-M000001
　反応パラメータΔＨは、反応モルエンタルピー（ｋＪ／ｍｏｌ）である。反応モルエンタルピーとは、モルあたり（単位物質量当たり）の反応熱を表す量である。反応パラメータΔＨは、混合直後の反応流体の温度分布のピーク値に関連する。
　反応パラメータΔＧ‡は、活性化自由エネルギー（ｋＪ／ｍｏｌ）である。活性化自由エネルギーとは、反応前と反応遷移状態の自由エネルギーの差であり、反応速度の温度依存性を示すものである。反応パラメータΔＧ‡は、混合直後の反応流体の温度分布のピーク値およびピーク位置に関連する。
　次に、ソフトセンサ１における反応解析の処理手順例を説明する。
　反応解析装置２０は、温度測定部１６が測定した温度に関する情報（反応流体の温度を実測することにより得られる実測温度分布）を取得する。これにより、反応解析装置２０は、温度分布測定値Ｔ０（ｘ）を読み込む。なお、反応解析装置２０は、温度測定部１６が設置されている位置ｘを記憶している。
　次に、反応解析装置２０は、反応パラメータΔＨｎ、ΔＧ‡ ｎを仮設定して、温度分布計算値Ｔｎ（ｘ）を算出する（混合直後の反応流体の温度分布を推定することにより得られる推定温度分布を取得する）。なお、反応解析装置２０は、当該処理が一回目の場合、反応パラメータΔＨ１、ΔＧ‡ １を自部が記憶する例えば初期値に設定して、温度分布計算値Ｔ１（ｘ）を算出する。
　次に、反応解析装置２０は、関数Ｔｎ（ｘ）により推定される各位置ｐｍ（ｍは例えば１～４の整数）の温度推定値と、温度測定部１６により実測される各位置ｐｍの温度実測値Ｔｍとの差Δｔｍを算出する（実測温度分布と推定温度分布とを比較する）。反応解析装置２０は、温度の測定箇所が４つの場合、Δｔ１（＝Ｔ１－Ｔｎ（ｐ１））、Δｔ２（＝Ｔ２－Ｔｎ（ｐ２））、Δｔ３（＝Ｔ３－Ｔｎ（ｐ３））、Δｔ４（＝Ｔ４－Ｔｎ（ｐ４））が全て、自装置の記憶する所定値以内であるか否かを判別することで、Ｔｎ（ｘ）がＴ０（ｘ）にほぼ一致するか否かを判別する。
　反応解析装置２０は、Ｔｎ（ｘ）がＴ０（ｘ）にほぼ一致しないと判別した場合、反応パラメータの値を調整する。例えば、Δｔ１～Δｔ４が全て正の場合、最大値の高さを高くするように反応パラメータΔＨをΔＨ１より大きな値にする。例えば、Δｔ１～Δｔ４が全て負の場合、最大値の高さを低くするように反応パラメータΔＨをΔＨ１より小さな値にする。また、仮にΔｔ２のみが負で、その他が正の場合（例えば推定温度分布のピーク位置が測定した温度分布に比べて後方に位置している場合）、推定温度分布のピーク位置が前方に来るようにΔＧ‡ １を小さな値にする。
　反応解析装置２０は、Ｔｎ（ｘ）がＴ０（ｘ）にほぼ一致すると判別した場合、また上記反応パラメータの調整によってＴｎ（ｘ）がＴ０（ｘ）にほぼ一致すると判別した場合、反応パラメータΔＨ、ΔＧ‡を出力する。
　また、反応解析装置２０は、生成物と反応物の濃度分布Ｐ（ｘ）を算出し、算出した生成物と反応物の濃度分布Ｐ（ｘ）を出力する。
　なお、反応解析装置２０が算出して出力する生成物と反応物の濃度分布Ｐ（ｘ）は、反応パラメータがΔＨ、ΔＧ‡である場合、次式（２）の微分方程式を解くことで得られる。
Figure JPOXMLDOC01-appb-M000002
　式（２）において、［Ａ］は第１反応物の濃度、［Ｂ］は第２反応物の濃度、ｈはプランク定数（６．６２６０７００４×１０－３４（ｍ２ｋｇ／ｓ））、ｋＢはボルツマン定数（１．３８０６４９×１０－２３（ＪＫ－１））、Ｒは気体定数、Ｔは流体の温度である。
　このように、ソフトセンサ１では、実測値を用いて活性化自由エネルギー（ΔＧ‡）を含む反応パラメータを算出することができる。
　また、濃度を推定することで、フローリアクタ１０中の任意の位置および任意の時間における生成物の収率を算出することができる。
　〈反応性予測システム〉
　図２は、本発明の第１実施形態による反応性予測システム４０の要部構成を示すブロック図である。図２に示す通り、本実施形態の反応性予測システム４０は、操作部４１、表示部４２、格納部４３、及び処理部４４を備える。このような反応性予測システム４０は、例えば、デスクトップ型、ノート型、若しくはタブレット型のコンピュータ、又は、ワークステーション等で実現される。また、反応性予測システム４０は、上記ソフトセンサ１が接続可能な第１インターフェース４０Ａを備える。第１インターフェース４０Ａは、例えば、コネクタ、ソケット、カップリング等で実現される。
　操作部４１は、例えば、キーボード又はポインティングデバイス等の入力装置を備えており、反応性予測システム４０を使用する作業者の操作に応じた指示（反応性予測システム４０に対する指示）を処理部４４に出力する。表示部４２は、例えば、液晶表示装置等の表示装置を備えており、処理部４４から出力される各種情報を表示する。尚、操作部４１及び表示部４２は、物理的に分離されたものであってもよく、表示機能と操作機能とを兼ね備えるタッチパネル式の液晶表示装置のように物理的に一体化されたものであっても良い。
　格納部４３は、例えば、ＨＤＤ（ハードディスクドライブ）又はＳＳＤ（ソリッドステートドライブ）等の記憶装置を備えており、反応性予測システム４０で用いる各種データを格納する。格納部４３は、例えば、学習用データセットＤＳ及び学習済みモデルＭＤを格納する。尚、格納部４３は、反応性予測システム４０の機能を実現するプログラムを格納してもよい。
　学習用データセットＤＳは、ソフトセンサ１から得られたデータである。この学習用データセットＤＳは、例えば、ソフトセンサ１により測定された活性化自由エネルギー（ΔＧ‡）と、その活性化自由エネルギーが測定された際の反応条件（第１データセット）を含むデータである。学習済みモデルＭＤは、測定された活性化自由エネルギー（ΔＧ‡）と、活性化自由エネルギーが測定された際の反応条件との関係を学習させたモデルであり、学習用データセットＤＳを用いて機械学習を行うことによって生成される。尚、学習済みモデルＭＤの詳細については後述する。
　処理部４４は、例えば、ＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）等により実現され、操作部４１から入力される操作指示に基づいて、反応性予測システム４０の動作を統括して制御する。処理部４４は、例えば、学習用データセットＤＳから学習済みモデルＭＤを生成する処理、学習済みモデルＭＤを用いて、操作部４１から入力される反応条件から活性化自由エネルギーを予測する処理、その他の処理を行う。尚、処理部４４は、操作部４１から入力される操作指示に基づいて、予測した活性化自由エネルギー、その他の出力を表示部４２に表示させる処理を行うことも可能である。
　反応性予測システム４０の機能は、例えば、その機能を実現するプログラム（不図示の記録媒体に記録されたプログラムを含む）がＣＰＵ等のハードウェアによって実行されることによって実現されてもよい。つまり、反応性予測システム４０の機能は、ソフトウェアとハードウェア資源とが協働することによって実現されてもよい。勿論、反応性予測システム４０の機能は、ＦＰＧＡ、ＬＳＩ、ＡＳＩＣ等のハードウェアを用いて実現されてもよい。
　〈学習済みモデルの生成〉
　図３は、本発明の第１実施形態による反応性予測システム４０の学習済みモデルＭＤの生成に係る機能的構成の一例を示すブロック図である。図３に示す通り、反応性予測システム４０は、取得部５１、前処理部５２、生成部５３、モデル生成格納部５４、及びモデル格納部５５を備える。取得部５１、前処理部５２、及び生成部５３は、図２に示す処理部４４によって実現される。即ち、処理部４４が、格納部４３に格納されたモデル生成プログラムを実行することにより、取得部５１、前処理部５２、及び生成部５３の機能が実現される。モデル生成格納部５４及びモデル格納部５５は、図２に示す格納部４３によって実現される。
　取得部５１は、学習用データセットＤＳを取得する。取得部５１が学習用データセットＤＳを取得する態様としては、例えば、ソフトセンサ１から入力される教師データ（測定された活性化自由エネルギー）と、操作部４１から入力される反応条件（活性化自由エネルギーが測定された際の反応条件）とを取得する態様が挙げられる。尚、ソフトセンサ１から入力される教師データと、操作部４１から入力される反応条件とを学習用データセットＤＳとして格納部４３に一時的に格納しておき、取得部５１が、格納部４３に一時的に格納された学習用データセットＤＳを取得するようにしてもよい。
　図４は、本発明の第１実施形態で用いられる学習用データセットＤＳの一例を示す説明図である。図４に示す通り、本実施形態で用いられる学習用データセットＤＳは、学習用サンプルＳＰ１～ＳＰｎを含む（ｎは、２以上の整数）。各学習用サンプルＳＰ１～ＳＰｎは、過去の測定結果から得られるものであり、第１データセットＤ１１及び教師データＤ１２を含む。
　教師データＤ１２は、ソフトセンサ１で測定された活性化自由エネルギー（ΔＧ‡）である。第１データセットＤ１１は、その活性化自由エネルギーが測定された際の反応条件であり、その反応条件を、例えば操作部４１を操作することにより反応性予測システム４０に入力したデータである。第１データセットＤ１１の反応条件は、反応物、溶媒、触媒、添加物、試薬、温度、反応時間の少なくとも１つを含むと良い。学習用サンプルＳＰ１～ＳＰｎには、第１データセットＤ１１と教師データＤ１２とが含まれる。
　図３に戻り、前処理部５２は、取得部５１で取得された学習用データセットＤＳに対し、学習済みモデルＭＤを作成するために必要となる前処理を行う。尚、学習用データセットＤＳに対する前処理が必要なければ、前処理部５２は省略される。
　生成部５３は、前処理部５２で前処理が行われた学習用データセットＤＳを用いて学習モデルを訓練して、学習済みモデルＭＤを生成する。生成部５３で生成される学習済みモデルＭＤは、例えば、ニューラルネットワークを用いて表されるモデルである。但し、学習済みモデルＭＤは、ニューラルネットワークを用いて表されるモデルに限定される訳ではなく、例えば、ランダムフォレスト、サポートベクターマシン等他のアルゴリズムを用いて表されるモデルとすることも可能である。
　モデル生成格納部５４は、生成部５３で訓練中の学習モデルとパラメータとを格納する。モデル格納部５５は、生成部５３で生成された学習済みモデルＭＤを格納する。
　図５は、本発明の第１実施形態による反応性予測システム４０が行うモデル生成処理の一例を示すフローチャートである。図５に示すフローチャートの処理は、例えば、反応性予測システム４０を使用する作業者が、反応性予測システム４０の操作部４１を操作して、学習開始指示を行うことによって開始される。尚、説明を簡単にするために、図３に示すモデル生成格納部５４には、学習モデル、パラメータが格納されているものとする。
　図５に示すフローチャートの処理が開始すると、まず、反応性予測システム４０の取得部５１は、学習用データセットＤＳを取得する（ステップＳ１１）。次に、反応性予測システム４０の前処理部５２は、取得した学習用データセットＤＳの前処理を行う（ステップＳ１２）。
　次いで、反応性予測システム４０の生成部５３は、前処理が行われた学習用データセットＤＳを用いた機械学習を実施する（ステップＳ１３）。ここで、学習用データセットＤＳには、教師データＤ１２が含まれていることから、生成部５３は、教師あり学習を実施する。続いて、生成部５３は、機械学習が終了であるか否かを判断する（ステップＳ１４）。
　機械学習が終了ではないと判断した場合（ステップＳ１４の判断結果が「ＮＯ」の場合）には、生成部５３は、機械学習を継続する（ステップＳ１３）。例えば、学習用データセットＤＳに含まれる学習用サンプルＳＰ１～ＳＰｎのうち、機械学習に用いられていないものを用いて機械学習を実施する。これに対し、機械学習が終了であると判断した場合（ステップＳ１４の判断結果が「ＹＥＳ」の場合）には、生成部５３は、生成された学習済みモデルＭＤをモデル格納部５５に格納させる（ステップＳ１５）。以上の処理によって、図５に示す一連の処理が終了する。
　尚、本実施形態では、学習済みモデルＭＤが反応性予測システム４０で生成される例について説明している。しかしながら、学習済みモデルＭＤは、反応性予測システム４０とは異なる他の装置で生成されてもよい。学習済みモデルＭＤが他の装置で生成される場合には、学習済みモデルＭＤは、当該他の装置から供給されることによって、モデル格納部５５に格納されてもよい。
　〈ΔＧ‡の予測〉
　図６は、本発明の第１実施形態による反応性予測システム４０のΔＧ‡の予測に係る機能的構成の一例を示すブロック図である。図６に示す通り、反応性予測システム４０は、モデル格納部５５に加えて、取得部６１、前処理部６２、ΔＧ‡予測部６３、及び出力部６４を備える。取得部６１～ΔＧ‡予測部６３は、図２に示す処理部４４によって実現される。即ち、処理部４４が、格納部４３に格納されたプログラムを実行することにより、取得部６１～ΔＧ‡予測部６３の機能が実現される。モデル格納部５５は、図２に示す格納部４３によって実現され、出力部６４は、図２に示す表示部４２によって実現される。
　取得部６１は、例えば図２に示す反応性予測システム４０の操作部４１を操作して入力される反応条件（反応条件データセットＩＤ）を取得する。尚、反応条件データセットＩＤが格納部４３に格納されている場合には、取得部６１は、格納部４３から反応条件データセットＩＤを取得しても良い。反応条件データセットＩＤは、少なくとも、反応物、触媒、及び溶媒を含むと良い。
　前処理部６２は、取得部６１で取得された反応条件データセットＩＤに対し、ΔＧ‡を予測する上で必要となる前処理を行う。尚、反応条件データセットＩＤに対する前処理が必要なければ、前処理部６２は省略される。
　ΔＧ‡予測部６３は、モデル格納部５５に格納された学習済みモデルＭＤと、前処理部６２で前処理が行われた反応条件データセットＩＤとを用いて、ΔＧ‡の予測を行う。出力部６４は、ΔＧ‡予測部６３の予測結果を表示する。
　図７は、本発明の第１実施形態による反応性予測システム４０が行うΔＧ‡の予測処理の一例を示すフローチャートである。図７に示すフローチャートの処理は、例えば、反応性予測システム４０を使用する作業者が、反応性予測システム４０の操作部４１を操作して、ΔＧ‡の予測処理の開始指示を行うことによって開始される。
　図７に示すフローチャートの処理が開始すると、まず、反応性予測システム４０の取得部６１は、予測対象となっている反応条件データセットＩＤを取得する（ステップＳ２１）。例えば、取得部６１は、操作部４１から入力された反応条件データセットＩＤを取得する。
　次に、反応性予測システム４０の前処理部６２は、取得した反応条件データセットＩＤの前処理を行う（ステップＳ２２）。
　次いで、反応性予測システム４０のΔＧ‡予測部６３は、モデル格納部５５に格納された学習済みモデルＭＤと、前処理部６２で前処理が行われた反応条件データセットＩＤとを用いて、ΔＧ‡の予測を行う（ステップＳ２３）。
　続いて、反応性予測システム４０の出力部６４は、予測したΔＧ‡を出力する（ステップＳ２４）。これにより、ΔＧ‡予測部６３における予測したΔＧ‡が、出力部６４に表示される。
　以上説明した通り、本実施形態による反応性予測システム４０は、測定された活性化自由エネルギー（ΔＧ‡）と、活性化自由エネルギーが測定された際の反応条件との関係を学習させた学習済みモデルＭＤを格納する格納部４３と、学習済みモデルＭＤを用いて、入力された反応条件（反応条件データセットＩＤ）から活性化自由エネルギーを予測する処理部４４と、を備える。この構成によれば、ソフトセンサ１で実測したΔＧ‡から機械学習を用いてΔＧ‡を予測するため、量子化学計算のみで導き出したΔＧ‡よりも、より確からしいΔＧ‡が得られる。
　また、本実施形態による反応性予測システム４０は、本発明の第１の態様による反応性予測システム４０において、測定された活性化自由エネルギーを教師データＤ１２とし、活性化自由エネルギーが測定された際の反応条件を第１データセットＤ１１として、学習済みモデルＭＤを生成する生成部５３を備える。この構成によれば、反応性予測システム４０の内部で学習済みモデルＭＤを生成できる。尚、学習済みモデルＭＤは、反応性予測システム４０の外部で生成したものであっても良い。
　また、本実施形態による反応性予測システム４０は、第１データセットＤ１１の反応条件は、反応物、溶媒、触媒、添加物、試薬、温度、反応時間の少なくとも１つを含む。この構成によれば、より確からしいΔＧ‡を予測できる。
　また、本実施形態による反応性予測システム４０は、活性化自由エネルギーを測定するソフトセンサ１（測定装置）と接続可能な第１インターフェース４０Ａを備える。この構成によれば、測定された活性化自由エネルギー（ΔＧ‡）を、第１インターフェース４０Ａを介してソフトセンサ１から直接取得することができる。
　また、本実施形態による反応性予測方法は、反応条件を入力する第１ステップ（ステップＳ２１）と、測定された活性化自由エネルギーと、活性化自由エネルギーが測定された際の反応条件との関係を学習させた学習済みモデルＭＤを用いて、第１ステップで入力された反応条件から活性化自由エネルギーを予測する第２ステップ（ステップＳ２３）と、を有する。この構成によれば、ソフトセンサ１で実測したΔＧ‡から機械学習を用いてΔＧ‡を予測するため、量子化学計算のみで導き出したΔＧ‡よりも、より確からしいΔＧ‡が得られる。
　このように、上記本実施形態によれば、従来よりも高い精度で活性化自由エネルギーを予測できる。
〔第２実施形態〕
　〈反応性予測システム〉
　図８は、本発明の第２実施形態による反応性予測システム４０の要部構成を示すブロック図である。尚、図８においては、図２に示す構成と同じ構成については同一の符号を付してある。図８に示す通り、第２実施形態による反応性予測システム４０は、さらにシミュレーター２（計算装置）が接続可能な第２インターフェース４０Ｂを備える。第２インターフェース４０Ｂは、例えば、コネクタ、ソケット、カップリング等で実現される。
　シミュレーター２は、量子化学計算を行い、反応に関する特徴量を算出する。シミュレーター２は、特徴量として、双極子モーメント、原子電荷、振動数の少なくとも１つを算出する。なお、シミュレーター２は、特徴量として、さらに、ＨＯＭＯ（Highest Occupied Molecular Orbital）とＬＵＭＯ（Lowest Unoccupied Molecular Orbital）のエネルギーギャップ等を算出しても良い。
　格納部４３には、学習用データセットＤＳとして、上記第１データセットＤ１１に加えて、第２データセットＤ２１が格納されている。第２データセットＤ２１は、シミュレーター２から得られたデータである。第２データセットＤ２１には、上記特徴量及びその計算条件が含まれている。第２データセットＤ２１に含まれる特徴量は、上記ソフトセンサ１での実験で得られない特徴量であるとよい。これにより、すべての反応条件に対して実験を行うことなく効率的にΔＧ‡を求めることができる。
　図９は、本発明の第２実施形態で用いられる学習用データセットの一例を示す説明図である。図９に示す通り、本実施形態で用いられる学習用データセットＤＳは、図４に示す学習用データセットＤＳと同様に、学習用サンプルＳＰ１～ＳＰｎを含む。但し、各学習用サンプルＳＰ１～ＳＰｎは、第１データセットＤ１１及び教師データＤ１２に加えて、第２データセットＤ２１を含む。
　反応性予測システム４０は、図９に示す学習用データセットＤＳを用いて学習済みモデルＭＤを生成する。つまり、学習済みモデルＭＤは、学習済みモデルＭＤは、測定された活性化自由エネルギー（教師データＤ１２）と、活性化自由エネルギーが測定された際の反応条件との関係（第１データセットＤ１１）に加えて、量子化学計算で求めた反応に関する特徴量と、量子化学計算が行われた際の計算条件との関係（第２データセットＤ２１）を学習させたものである。
　また、反応性予測システム４０は、図９に示す学習用データセットＤＳを用いて生成された学習済みモデルＭＤと、入力された反応条件（反応条件データセットＩＤ）から活性化自由エネルギーを予測する。尚、反応性予測システム４０の学習済みモデルＭＤの生成に係る機能的構成及びモデル生成処理、並びに、活性化自由エネルギーを予測に係る機能的構成及び状態判定処理は、第１実施形態と同様であるため、説明を省略する。
　以上説明した通り、第２実施形態による反応性予測システム４０は、学習済みモデルＭＤが、測定された活性化自由エネルギーと、活性化自由エネルギーが測定された際の反応条件との関係に加えて、量子化学計算で求めた反応に関する特徴量と、量子化学計算が行われた際の計算条件との関係を学習させたものである。この構成によれば、ソフトセンサ１で一部の反応条件に対して求めたΔＧ‡と、量子化学計算で算出した特徴量から、機械学習を用いてΔＧ‡を予測することで、すべての反応条件に対して実験を行うことなく効率的にΔＧ‡を求めることが出来る。また量子化学計算から算出したΔＧ‡では誤差を含むため、第２実施形態では、ソフトセンサ１から実測したΔＧ‡を機械学習に用いることで従来技術より確からしいΔＧ‡が得られる。
　また、第２実施形態による反応性予測システム４０では、測定された活性化自由エネルギーを教師データＤ１２とし、活性化自由エネルギーが測定された際の反応条件を第１データセットＤ１１とし、特徴量及び計算条件を第２データセットＤ２１として、学習済みモデルＭＤを生成する生成部５３を備える。この構成によれば、反応性予測システム４０の内部で学習済みモデルＭＤを生成できる。尚、学習済みモデルＭＤは、反応性予測システム４０の外部で生成したものであっても良い。
　また、第２実施形態による反応性予測システム４０では、第２データセットＤ２１の特徴量は、双極子モーメント、原子電荷、振動数、分子軌道の少なくとも１つを含む。この構成によれば、より確からしいΔＧ‡を予測できる。
　また、第２実施形態による反応性予測システム４０では、量子化学計算を行うシミュレーター２（計算装置）と接続可能な第２インターフェース４０Ｂを備える。この構成によれば、反応に関する特徴量を、第２インターフェース４０Ｂを介してシミュレーター２から直接取得することができる。
〔第３実施形態〕
　〈反応性予測システム〉
　図１０は、本発明の第３実施形態による反応性予測システム４０の要部構成を示すブロック図である。尚、図１０においては、図６に示す構成と同じ構成については同一の符号を付してある。図１０に示す通り、第３実施形態による反応性予測システム４０は、さらにΔＧ‡予測部６３で予測した活性化自由エネルギーに基づいて、所定の反応条件を提示する反応条件提示部６５を備える。反応条件提示部６５は、図２に示す処理部４４によって実現される。即ち、処理部４４が、格納部４３に格納されたプログラムを実行することにより、反応条件提示部６５の機能が実現される。
　図１１は、本発明の第３実施形態による反応条件提示部６５が行う反応条件提示処理の一例を示す説明図である。図１１に示す反応条件提示処理は、ΔＧ‡予測部６３で予測した活性化自由エネルギーのうち、最も活性化自由エネルギーが低いと予想された反応条件を提示する。例えば、反応条件提示部６５は、反応Ａ～ＣのΔＧ‡を比較し、最も値の小さい条件（反応物の組み合わせ）を選ぶ動作を実行する。
　具体的には、図１０に示すように、取得部６１は、上述した反応条件データセットＩＤとして、反応Ａ～Ｃごとに入力される反応条件（図１１に示すデータセット１Ａ～１Ｃ（データセット２Ａ～２Ｃ））を取得する。データセット１Ａ～１Ｃは、少なくとも、反応物、触媒、及び溶媒を含む反応条件であると良い。データセット２Ａ～２Ｃを入力する場合は、データセット２Ａ～２Ｃは、少なくとも、双極子モーメント、原子電荷、振動数、分子軌道の少なくとも１つを含む特徴量であると良い。
　前処理部６２は、取得部６１で取得された反応条件に対し、ΔＧ‡を予測する上で必要となる前処理を行う。尚、反応条件データセットＩＤに対する前処理が必要なければ、前処理部６２は省略される。ΔＧ‡予測部６３は、モデル格納部５５に格納された学習済みモデルＭＤと、前処理部６２で前処理が行われた反応条件を用いて、ΔＧ‡の予測を行う。
　反応条件提示部６５は、ΔＧ‡予測部６３で予測した活性化自由エネルギーのうち、最も活性化自由エネルギーが低いと予想された反応条件を提示する。図１１の例では、反応条件提示部６５は、最もΔＧ‡が小さい反応Ｂの条件を提示する。尚、反応条件提示部６５は、参考として、反応Ａ～ＣのΔＧ‡を提示してもよいし、上述した式（２）を用いた一般的反応速度式から、反応Ａ～Ｃの反応時間と収率を提示してもよい。出力部６４は、反応条件提示部６５の提示結果を表示する。
　以上説明した通り、第３実施形態による反応性予測システム４０は、処理部４４のΔＧ‡予測部６３で予測した活性化自由エネルギーに基づいて、所定の反応条件を提示する反応条件提示部６５を備える。反応条件提示部６５は、上記所定の反応条件として、処理部４４のΔＧ‡予測部６３で予測した活性化自由エネルギーのうち、最も活性化自由エネルギーが低いと予想された反応条件を提示する。この構成によれば、ΔＧ‡を比較し、最も値の小さい条件（反応物の組み合わせ）を選ぶことで、反応時間が短くかつ収率が高い反応条件を提示することができる。
〔第４実施形態〕
　〈反応性予測システム〉
　図１２は、本発明の第４実施形態による反応性予測システム４０の要部構成を示すブロック図である。尚、図１２においては、図１０に示す構成と同じ構成については同一の符号を付してある。図１２に示す通り、第４実施形態による反応条件提示部６５は、ΔＧ‡予測部６３で予測した活性化自由エネルギーと、さらに、所定の制約条件と、に基づいて、所定の反応条件を提示する。
　図１３は、本発明の第４実施形態による反応条件提示部６５が行う反応条件提示処理の一例を示す説明図である。図１３に示す反応条件提示処理は、選出されたΔＧ‡をもとに、制約条件の中で実施可能で、流路の制約で決まっている反応時間内に、反応を終えられる反応条件（反応場温度、反応物の濃度）を提示する。
　すなわち、図１に示すフローリアクタ１０によるフロー合成では、流路内が反応場（制約）となる。フローリアクタ１０の流路が、一定の流量と内径の場合、流路の長さで反応できる時間が決まる。しかしながら、流路は無限に長くできない。したがって、固定された反応時間内で、反応を終わらせられる条件を提示する必要がある。ここでの反応条件の提示では、第３実施形態での提示に加えて、反応時間ｔ、反応場温度Ｔ、反応物の濃度Ｃを条件として提示する。すなわち、制約条件は、反応時間、反応場温度、反応物の濃度の少なくとも１つを含むと良い。
　反応時間ｔは、反応場温度Ｔ、反応物の濃度Ｃの関数ｔ（Ｔ，Ｃ）で求めることができる。反応場温度Ｔは、制約として、上限値と下限値があらかじめ設定されている。反応物の濃度Ｃには上限値があらかじめ設定されている。つまり、第４実施形態では、第３実施形態で選出されたΔＧ‡に、制約条件に関する反応条件アルゴリズム（Ｔ，Ｃ）を加え、上述した式（２）を用いた一般的反応速度式から、反応時間（と収率）を提示する。
　以上説明した通り、第４実施形態による反応性予測システム４０は、処理部４４のΔＧ‡予測部６３で予測した活性化自由エネルギーと、所定の制約条件と、に基づいて、所定の反応条件を提示する反応条件提示部６５を備える。所定の制約条件は、反応時間、反応場温度、反応物の濃度の少なくとも１つを含む。この構成によれば、選出されたΔＧ‡をもとに、制約条件の中で実施可能で、流路の制約で決まっている反応時間内に、反応を終えられる反応条件（反応場温度、反応物の濃度）を提示し、参考に反応終了時間（予測時間）を表示することができる。
〔第５実施形態〕
　第１実施形態～第４実施形態では、反応性予測システム４０は活性化自由エネルギー（ΔＧ‡）を予測することとした。これに対し、第５実施形態では、反応性予測システム４０は反応エンタルピー（ΔＨ）を予測することとする。以下、第５実施形態について説明する。
　〈ΔＨの予測〉
　本実施形態において、図３に示す生成部５３は、ソフトセンサ１によって測定された反応エンタルピー（ΔＨ）を教師データとし、反応エンタルピー（ΔＨ）が測定された際の反応条件を第１データセットとして、学習済みモデルＭＤを生成する。また、図３に示すモデル格納部５５は、生成部５３によって生成された学習済みモデルＭＤを格納する。
　図１４は、本発明の第５実施形態による反応性予測システム４０のΔＨの予測に係る機能的構成の一例を示すブロック図である。尚、図１４においては、図６に示す構成と同じ構成については同一の符号を付してある。図１４に示す通り、反応性予測システム４０は、ΔＨ予測部６６を備える。ΔＨ予測部６６は、図２に示す処理部４４によって実現される。即ち、処理部４４が、格納部４３に格納されたプログラムを実行することにより、ΔＨ予測部６６の機能が実現される。
　取得部６１は、例えば図２に示す反応性予測システム４０の操作部４１を操作して入力される反応条件（反応条件データセットＩＤ）を取得する。尚、反応条件データセットＩＤが格納部４３に格納されている場合には、取得部６１は、格納部４３から反応条件データセットＩＤを取得しても良い。反応条件データセットＩＤは、少なくとも、反応物、触媒、及び溶媒を含むと良い。
　前処理部６２は、取得部６１で取得された反応条件データセットＩＤに対し、ΔＨを予測する上で必要となる前処理を行う。尚、反応条件データセットＩＤに対する前処理が必要なければ、前処理部６２は省略される。
　ΔＨ予測部６６は、モデル格納部５５に格納された学習済みモデルＭＤと、前処理部６２で前処理が行われた反応条件データセットＩＤとを用いて、ΔＨの予測を行う。出力部６４は、ΔＨ予測部６６の予測結果を表示する。
　図１５は、本発明の第５実施形態による反応性予測システム４０が行うΔＨの予測処理の一例を示すフローチャートである。図１５に示すフローチャートの処理は、例えば、反応性予測システム４０を使用する作業者が、反応性予測システム４０の操作部４１を操作して、ΔＨの予測処理の開始指示を行うことによって開始される。
　図１５に示すフローチャートの処理が開始すると、まず、反応性予測システム４０の取得部６１は、予測対象となっている反応条件データセットＩＤを取得する（ステップＳ３１）。例えば、取得部６１は、操作部４１から入力された反応条件データセットＩＤを取得する。
　次に、反応性予測システム４０の前処理部６２は、取得した反応条件データセットＩＤの前処理を行う（ステップＳ３２）。
　次いで、反応性予測システム４０のΔＨ予測部６６は、モデル格納部５５に格納された学習済みモデルＭＤと、前処理部６２で前処理が行われた反応条件データセットＩＤとを用いて、ΔＨの予測を行う（ステップＳ３３）。
　続いて、反応性予測システム４０の出力部６４は、予測したΔＨを出力する（ステップＳ３４）。これにより、ΔＨ予測部６６における予測したΔＨが、出力部６４に表示される。
　以上説明した通り、本実施形態による反応性予測システム４０は、測定された反応エンタルピー（ΔＨ）と、反応エンタルピーが測定された際の反応条件との関係を学習させた学習済みモデルＭＤを格納する格納部４３と、学習済みモデルＭＤを用いて、入力された反応条件（反応条件データセットＩＤ）から反応エンタルピーを予測する処理部４４と、を備える。この構成によれば、ソフトセンサ１で実測したΔＨから機械学習を用いてΔＨを予測するため、量子化学計算のみで導き出したΔＨよりも、より確からしいΔＨが得られる。
〔第６実施形態〕
　〈反応性予測システム〉
　図１６は、本発明の第６実施形態による反応性予測システム４０の要部構成を示すブロック図である。尚、図１６においては、図６に示す構成と同じ構成については同一の符号を付してある。図１６に示す通り、第６実施形態による反応性予測システム４０は、さらにΔＨ予測部６６で予測した反応エンタルピーに基づいて、所定の反応条件を提示する反応条件提示部６７を備える。反応条件提示部６７は、図２に示す処理部４４によって実現される。即ち、処理部４４が、格納部４３に格納されたプログラムを実行することにより、反応条件提示部６７の機能が実現される。
　図１７は、本発明の第６実施形態による反応条件提示部６７が行う反応条件提示処理の一例を示す説明図である。図１７に示す反応条件提示処理は、ΔＨ予測部６６で予測した反応エンタルピーのうち、最も反応エンタルピーが低いと予想された反応条件を提示する。例えば、反応条件提示部６７は、反応Ａ～ＣのΔＨを比較し、最も値の小さい条件（反応物の組み合わせ）を選ぶ動作を実行する。
　具体的には、図１６に示すように、取得部６１は、上述した反応条件データセットＩＤとして、反応Ａ～Ｃごとに入力される反応条件（図１７に示すデータセット１Ａ～１Ｃ（データセット２Ａ～２Ｃ））を取得する。データセット１Ａ～１Ｃは、少なくとも、反応物、触媒、及び溶媒を含む反応条件であると良い。データセット２Ａ～２Ｃを入力する場合は、データセット２Ａ～２Ｃは、少なくとも、双極子モーメント、原子電荷、振動数、分子軌道の少なくとも１つを含む特徴量であると良い。
　前処理部６２は、取得部６１で取得された反応条件に対し、ΔＨを予測する上で必要となる前処理を行う。尚、反応条件データセットＩＤに対する前処理が必要なければ、前処理部６２は省略される。ΔＨ予測部６６は、モデル格納部５５に格納された学習済みモデルＭＤと、前処理部６２で前処理が行われた反応条件を用いて、ΔＨの予測を行う。
　反応条件提示部６７は、ΔＨ予測部６６で予測した反応エンタルピーのうち、最も反応エンタルピーが低いと予想された反応条件を提示する。図１７の例では、反応条件提示部６７は、最もΔＨが小さい反応Ｂの条件を提示する。尚、反応条件提示部６７は、参考として、反応Ａ～ＣのΔＨを提示してもよい。出力部６４は、反応条件提示部６７の提示結果を表示する。
　以上説明した通り、第６実施形態による反応性予測システム４０は、処理部４４のΔＨ予測部６６で予測した反応エンタルピーに基づいて、所定の反応条件を提示する反応条件提示部６７を備える。反応条件提示部６７は、上記所定の反応条件として、処理部４４のΔＨ予測部６６で予測した反応エンタルピーのうち、最も反応エンタルピーが低いと予想された反応条件を提示する。これによって、反応熱による副反応の可能性や安全性の観点でのリスクが小さい反応条件を提示することができる。
　なお、第１実施形態～第６実施形態では、反応性予測システム４０は、活性化自由エネルギー（ΔＧ‡）又は反応エンタルピー（ΔＨ）を反応パラメータとして予測することとしたが、これら以外の熱力学的パラメータを反応パラメータとして予測してもよい。
　以上、本発明の実施形態による反応性予測システム、反応性予測方法について説明したが、本発明は上記実施形態に制限される訳ではなく、本発明の範囲内で自由に変更が可能である。例えば、上記各実施形態の組み合わせ、置換等は可能である。
１　ソフトセンサ（測定装置）
２　シミュレーター（計算装置）
４０　反応性予測システム
４０Ａ　第１インターフェース
４０Ｂ　第２インターフェース
４３　格納部
４４　処理部
５３　生成部
６３　ΔＧ‡予測部
６５　反応条件提示部
６６　ΔＨ予測部
６７　反応条件提示部
Ｄ１１　第１データセット
Ｄ１２　教師データ
Ｄ２１　第２データセット
ＤＳ　学習用データセット
ＭＤ　学習済みモデル

Claims (15)

  1. 　測定された反応パラメータと、前記反応パラメータが測定された際の反応条件との関係を学習させた学習済みモデルを格納する格納部と、
    　前記学習済みモデルを用いて、入力された反応条件から反応パラメータを予測する処理部と、を備える、
    　反応性予測システム。
  2. 　前記測定された反応パラメータを教師データとし、前記反応パラメータが測定された際の反応条件を第１データセットとして、前記学習済みモデルを生成する生成部を備える、
    　請求項１に記載の反応性予測システム。
  3. 　前記第１データセットの反応条件は、反応物、溶媒、触媒、添加物、試薬、温度、反応時間の少なくとも１つを含む、
    　請求項２に記載の反応性予測システム。
  4. 　前記反応パラメータを測定する測定装置と接続可能な第１インターフェースを備える、
    　請求項１から請求項３の何れか一項に記載の反応性予測システム。
  5. 　前記学習済みモデルは、前記測定された反応パラメータと、反応パラメータが測定された際の反応条件との関係に加えて、量子化学計算で求めた反応に関する特徴量と、前記量子化学計算が行われた際の計算条件との関係を学習させたものである、
    　請求項１に記載の反応性予測システム。
  6. 　前記測定された反応パラメータを教師データとし、前記反応パラメータが測定された際の反応条件を第１データセットとし、前記特徴量及び前記計算条件を第２データセットとして、前記学習済みモデルを生成する生成部を備える、
    　請求項５に記載の反応性予測システム。
  7. 　前記第２データセットの特徴量は、双極子モーメント、原子電荷、振動数、分子軌道の少なくとも１つを含む、
    　請求項６に記載の反応性予測システム。
  8. 　前記量子化学計算を行う計算装置と接続可能な第２インターフェースを備える、
    　請求項５から請求項７の何れか一項に記載の反応性予測システム。
  9. 　前記処理部で予測した反応パラメータに基づいて、所定の反応条件を提示する反応条件提示部を備える、
    　請求項１に記載の反応性予測システム。
  10. 　前記反応条件提示部は、前記所定の反応条件として、前記処理部で予測した反応パラメータのうち、最も反応パラメータが低いと予想された反応条件を提示する、
    　請求項９に記載の反応性予測システム。
  11. 　前記処理部で予測した反応パラメータと、所定の制約条件と、に基づいて、所定の反応条件を提示する反応条件提示部を備える、
    　請求項１に記載の反応性予測システム。
  12. 　前記所定の制約条件は、反応時間、反応場温度、反応物の濃度の少なくとも１つを含む、
    　請求項１１に記載の反応性予測システム。
  13. 　前記反応パラメータは、熱力学的パラメータである、
    　請求項１に記載の反応性予測システム。
  14. 　前記熱力学的パラメータは、活性化自由エネルギーまたは反応エンタルピーである、
    　請求項１３に記載の反応性予測システム。
  15. 　反応条件を入力する第１ステップと、
    　測定された反応パラメータと、前記反応パラメータが測定された際の反応条件との関係を学習させた学習済みモデルを用いて、前記第１ステップで入力された反応条件から反応パラメータを予測する第２ステップと、を有する、
    　反応性予測方法。
PCT/JP2023/041624 2022-11-30 2023-11-20 反応性予測システム、反応性予測方法 WO2024116932A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-191909 2022-11-30
JP2022191909A JP2024079152A (ja) 2022-11-30 2022-11-30 反応性予測システム、反応性予測方法

Publications (1)

Publication Number Publication Date
WO2024116932A1 true WO2024116932A1 (ja) 2024-06-06

Family

ID=91323739

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/041624 WO2024116932A1 (ja) 2022-11-30 2023-11-20 反応性予測システム、反応性予測方法

Country Status (2)

Country Link
JP (1) JP2024079152A (ja)
WO (1) WO2024116932A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030078740A1 (en) * 2001-08-06 2003-04-24 Laurent Kieken Method and system for the development of materials
JP2020526751A (ja) * 2017-06-30 2020-08-31 エスアールアイ インターナショナルＳＲＩ Ｉｎｔｅｒｎａｔｉｏｎａｌ 反応スクリーニング及び最適化装置並びにその方法
WO2020184240A1 (ja) * 2019-03-08 2020-09-17 富士フイルム株式会社 データ生成装置および方法、並びに学習装置および方法
CN113140260A (zh) * 2020-01-20 2021-07-20 腾讯科技（深圳）有限公司 合成物的反应物分子组成数据预测方法和装置
JP2022027571A (ja) * 2020-07-29 2022-02-10 三星電子株式会社 ニューラルネットワークを利用して標的生成物を合成する装置及びその方法
JP2022102726A (ja) * 2020-12-25 2022-07-07 昭和電工株式会社 化学反応における活性化エネルギーの学習装置及び予測装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030078740A1 (en) * 2001-08-06 2003-04-24 Laurent Kieken Method and system for the development of materials
JP2020526751A (ja) * 2017-06-30 2020-08-31 エスアールアイ インターナショナルＳＲＩ Ｉｎｔｅｒｎａｔｉｏｎａｌ 反応スクリーニング及び最適化装置並びにその方法
WO2020184240A1 (ja) * 2019-03-08 2020-09-17 富士フイルム株式会社 データ生成装置および方法、並びに学習装置および方法
CN113140260A (zh) * 2020-01-20 2021-07-20 腾讯科技（深圳）有限公司 合成物的反应物分子组成数据预测方法和装置
JP2022027571A (ja) * 2020-07-29 2022-02-10 三星電子株式会社 ニューラルネットワークを利用して標的生成物を合成する装置及びその方法
JP2022102726A (ja) * 2020-12-25 2022-07-07 昭和電工株式会社 化学反応における活性化エネルギーの学習装置及び予測装置

Also Published As

Publication number Publication date
JP2024079152A (ja) 2024-06-11

Similar Documents

Publication Publication Date Title
Brown et al. Enabling precision manufacturing of active pharmaceutical ingredients: workflow for seeded cooling continuous crystallisations
Simm et al. Exploration of reaction pathways and chemical transformation networks
Taylor et al. Rapid, automated determination of reaction models and kinetic parameters
JP7357183B2 (ja) 化学合成経路および方法の計算生成
Vicum et al. Multi-scale modeling of a reactive mixing process in a semibatch stirred tank
Navarro-Amorós et al. Integration of modular process simulators under the Generalized Disjunctive Programming framework for the structural flowsheet optimization
Bałdyga et al. Interaction between mixing, chemical reactions, and precipitation
Zhang et al. Design and optimisation of batch and semi-batch reactors
WO2024116932A1 (ja) 反応性予測システム、反応性予測方法
EP3889593B1 (en) Reaction analysis device, reaction analysis system, and reaction analysis method
Molga et al. Neural networks for modelling of chemical reaction systems with complex kinetics: oxidation of 2-octanol with nitric acid
Zhou et al. Bridging the gap from pilot plant experimental records to life cycle inventory
Yerdelen et al. Machine learning-derived correlations for scale-up and technology transfer of primary nucleation kinetics
Devetta et al. Modelling of a trickle-bed reactor for a catalytic hydrogenation in supercritical CO2
Cui et al. Estimation-based model predictive control of an electrically-heated steam methane reforming process
JP2021159910A (ja) 反応解析装置、反応解析システム、および反応解析方法
Molga et al. Hybrid first-principle–neural-network approach to modelling of the liquid–liquid reacting system
Gui et al. Integrating model-based design of experiments and computer-aided solvent design
Dudukovic et al. Challenges in reaction engineering practice of heterogeneous catalytic systems
Behroozsarand et al. Multiobjective optimization of industrial autothermal reformer for syngas production using nonsorting genetic algorithm II
JP2024007916A (ja) 反応条件を推定する推定モデルの生成方法／生成装置、反応条件の提供方法／提供装置、並びにプログラム
US20210350881A1 (en) Autonomous inorganic material synthesis machine
Janus et al. Neural networks for surrogate-assisted evolutionary optimization of chemical processes
Guo et al. A kinetics-free approach to safely and productively scale up isoperibolic homogeneous semibatch reactors
Grau et al. Comparative study of two chemical reactions with different behaviour in batch and semibatch reactors

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: 23897580

Country of ref document: EP

Kind code of ref document: A1