WO2024252995A1 - 物性予測装置、物性予測方法、及び物性予測プログラム - Google Patents

物性予測装置、物性予測方法、及び物性予測プログラム Download PDF

Info

Publication number
WO2024252995A1
WO2024252995A1 PCT/JP2024/019633 JP2024019633W WO2024252995A1 WO 2024252995 A1 WO2024252995 A1 WO 2024252995A1 JP 2024019633 W JP2024019633 W JP 2024019633W WO 2024252995 A1 WO2024252995 A1 WO 2024252995A1
Authority
WO
WIPO (PCT)
Prior art keywords
physical property
uncertainty
actual measurement
virtual data
unit
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/JP2024/019633
Other languages
English (en)
French (fr)
Inventor
雄亮 村山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dai Nippon Printing Co Ltd
Original Assignee
Dai Nippon Printing Co Ltd
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 Dai Nippon Printing Co Ltd filed Critical Dai Nippon Printing Co Ltd
Priority to CN202480037082.9A priority Critical patent/CN121241399A/zh
Priority to IL325095A priority patent/IL325095A/en
Priority to KR1020257040870A priority patent/KR20260020108A/ko
Priority to EP24819226.2A priority patent/EP4726725A1/en
Publication of WO2024252995A1 publication Critical patent/WO2024252995A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

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
    • 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
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation

Definitions

  • This disclosure relates to a property prediction device, a property prediction method, and a property prediction program.
  • materials informatics In recent years, a technical field called materials informatics has been attracting attention, which aims to improve the efficiency of material development by utilizing information science techniques such as machine learning.
  • materials informatics in order to manufacture materials with desired physical properties, it is necessary to find appropriate combinations of numerous parameters related to the raw material mixing ratio and process conditions. When there are a large number of parameters, the number of parameter combinations becomes enormous. When the number of parameter combinations becomes enormous, it becomes difficult to comprehensively prototype materials.
  • a method is used in which the physical properties of a certain number of prototype materials are measured, and a predictive model of the physical properties is constructed based on the actual measurement data obtained by the measurements. By using a predictive model, it is possible to search for optimal parameters even if the number of prototype materials is limited.
  • Supervised machine learning methods are sometimes used to build predictive models. With supervised machine learning methods, it is difficult to build a highly accurate predictive model when the number of measured data is insufficient or the relationship between parameters and physical properties is complex. In order to build a highly accurate predictive model even when the number of measured data is insufficient or the relationship between parameters and physical properties is complex, sequential experimental design methods such as Bayesian optimization are used. In Bayesian optimization, Bayesian estimation is used to build predictive models. Bayesian estimation is based on the idea of Bayesian probability and is a method of inferring the matter to be estimated from observed events in a probabilistic sense. Bayesian probability is a probability interpreted as a rational expectation representing the state of knowledge, or a quantification of personal beliefs.
  • Bayesian estimation in addition to the predicted value of the physical property, the uncertainty of the predicted value is calculated. By calculating the uncertainty, it is possible to calculate the probability that the physical property will be a specific value and the expected value of the physical property. With Bayesian estimation, it is possible to find optimal parameters based on limited measured data. In other words, with Bayesian estimation, it is possible to create an experimental plan for the next prototype of a material based on limited measured data. The prediction model is updated by making the next prototype of the material, measuring the properties of the prototype, and adding the measurement results to the actual measurement data. In Bayesian optimization, a series of cycles consisting of prototyping, measuring the properties, and updating the prediction model described above is repeated. By repeating this series of cycles, it is possible to minimize the number of prototypes required to obtain the desired physical property values.
  • WO2021/200281A1 discloses a technique for sequentially planning experiments by applying machine learning to actual measurement data.
  • WO2020/188971A1 discloses a technique for pre-learning physical property values by determining physical property values corresponding to parameters through simulations such as quantum chemical calculations.
  • WO2020/188971A1 can only be implemented in certain fields where simulation methods have been established. In other words, the technology disclosed in WO2020/188971A1 is difficult to implement in many fields where it is difficult to apply simulation.
  • This disclosure has been made in consideration of the above points, and aims to provide a property prediction device, a property prediction method, and a property prediction program that can appropriately and efficiently develop materials with desired properties.
  • the physical property prediction device comprises: an actual measurement data acquiring unit that acquires actual measurement data including a first manufacturing condition of a sample and an actual measurement value obtained by actually measuring a physical property of the sample manufactured under the first manufacturing condition; a virtual data acquisition unit that acquires virtual data including second manufacturing conditions of the sample and virtual values of physical properties of the sample corresponding to the second manufacturing conditions; a model generation unit that generates a prediction model of the physical property based on the actual measurement data acquired by the actual measurement data acquisition unit and the virtual data acquired by the virtual data acquisition unit, the prediction model having a first uncertainty of the physical property with respect to the actual measurement data and a second uncertainty of the physical property with respect to the virtual data that is greater than the first uncertainty of the physical property; Equipped with.
  • the virtual data acquisition unit may acquire, as the virtual value, the physical property value of the sample predicted when the value of at least one of the multiple parameters included in the second manufacturing conditions is extremely small or large.
  • the virtual data acquisition unit may acquire, as the virtual values, physical property values of a material whose raw materials or process are similar to those of the sample.
  • the first uncertainty of the physical property may be 0.
  • the physical property prediction apparatus further includes an input screen generation unit that generates an input screen for inputting the actual measurement data and the virtual data
  • the actual measurement data acquisition unit acquires the actual measurement data input to the input screen generated by the input screen generation unit
  • the virtual data acquisition unit may acquire the virtual data input to the input screen generated by the input screen generation unit.
  • the physical property prediction apparatus further includes a communication unit that transmits the input screen generated by the input screen generation unit to a user's terminal device and receives the actual measurement data and the virtual data input to the input screen from the terminal device,
  • the actual measurement data acquisition unit acquires the actual measurement data received by the communication unit
  • the virtual data acquisition unit may acquire the virtual data received by the communication unit.
  • the physical property prediction device further includes a virtual data complementation unit that complements the virtual data,
  • the virtual data acquisition unit may acquire the virtual data complemented by the virtual data complement unit.
  • the virtual data complementation unit may complement the second manufacturing conditions of the virtual data by calculating the values of the parameters other than the portion of the plurality of parameters when a portion of the parameters having an extremely small or large value among the plurality of parameters included in the second manufacturing conditions and the virtual value predicted based on the portion of the parameters are input to the input screen.
  • the physical property prediction apparatus further includes an uncertainty setting unit that sets a first uncertainty of the physical property and a second uncertainty of the physical property
  • the model generation unit may generate the prediction model further based on a first uncertainty of the physical property and a second uncertainty of the physical property set by the uncertainty setting unit.
  • the physical property prediction device further includes a setting screen generating unit configured to generate a setting screen for setting a first uncertainty of the physical property and a second uncertainty of the physical property,
  • the uncertainty setting unit may set a first uncertainty of the physical property and a second uncertainty of the physical property in response to an input operation on the setting screen generated by the setting screen generating unit.
  • the model generation unit may generate the prediction model using Bayesian estimation, the first uncertainty may be a first variance, and the second uncertainty may be a second variance that is greater than the first variance.
  • the model generation unit may generate the prediction model according to the following equation.
  • the physical property prediction device may further include a manufacturing condition calculation unit that calculates a third manufacturing condition for the sample based on the prediction model generated by the model generation unit.
  • the third manufacturing conditions may include at least one of the manufacturing conditions when the uncertainty of the physical property in the prediction model is maximized and the manufacturing conditions when the uncertainty of the physical property in the prediction model is minimized.
  • the actual measurement data acquisition unit further acquires second actual measurement data including the third manufacturing conditions calculated by the manufacturing condition calculation unit and second actual measurement values obtained by measuring physical properties of the sample manufactured based on the third manufacturing conditions;
  • the model generation unit may update the prediction model based on the second actual measurement data acquired by the actual measurement data acquisition unit.
  • the model generation unit does not need to update the prediction model if the second measured value is the set optimal value.
  • the physical property prediction method includes: acquiring actual measurement data including first manufacturing conditions for a sample and actual measurement values obtained by measuring physical properties of the sample manufactured based on the first manufacturing conditions; acquiring virtual data including second manufacturing conditions for the sample and virtual values obtained by assuming physical properties of the sample corresponding to the second manufacturing conditions; generating a prediction model of the physical property based on the acquired actual measurement data and virtual data, the prediction model having a first uncertainty of the physical property with respect to the actual measurement data and a second uncertainty of the physical property with respect to the virtual data that is greater than the first uncertainty of the physical property; Equipped with.
  • the physical property prediction program is On the computer, acquiring actual measurement data including first manufacturing conditions for a sample and actual measurement values obtained by measuring physical properties of the sample manufactured under the first manufacturing conditions; The method executes the steps of: acquiring virtual data including second manufacturing conditions for the sample and virtual values that are hypothetical values of physical properties of the sample corresponding to the second manufacturing conditions; and generating a prediction model of the physical property based on the acquired actual measurement data and virtual data, the prediction model having a first uncertainty of the physical property with respect to the actual measurement data and a second uncertainty of the physical property with respect to the virtual data that is greater than the first uncertainty of the physical property.
  • This disclosure makes it possible to appropriately and efficiently develop materials with desired physical properties.
  • FIG. 1 is a schematic diagram showing a property prediction apparatus according to the first embodiment.
  • FIG. 2 is a block diagram showing the property prediction apparatus according to the first embodiment.
  • FIG. 3 is a flowchart showing an example of the operation of the property prediction apparatus according to the first embodiment.
  • FIG. 4 is a diagram showing an example of an input screen in an example of the operation of the property prediction apparatus according to the first embodiment.
  • FIG. 5 is a diagram showing an example of a prediction model in an example of the operation of the property prediction apparatus according to the first embodiment.
  • FIG. 6 is a diagram showing another example of a prediction model in an example of the operation of the property prediction device according to the first embodiment.
  • FIG. 1 is a schematic diagram showing a property prediction apparatus according to the first embodiment.
  • FIG. 2 is a block diagram showing the property prediction apparatus according to the first embodiment.
  • FIG. 3 is a flowchart showing an example of the operation of the property prediction apparatus according to the first embodiment.
  • FIG. 4 is a diagram showing an example of
  • FIG. 7 is a diagram showing an example of calculation of the third manufacturing condition based on the prediction model in an example of the operation of the property prediction apparatus according to the first embodiment.
  • FIG. 8 is a block diagram showing a property prediction apparatus according to the second embodiment.
  • FIG. 9 is a flowchart showing an example of the operation of the property prediction apparatus according to the second embodiment.
  • FIG. 10 is a diagram showing an example of an input screen in an example of the operation of the property prediction apparatus according to the second embodiment.
  • FIG. 11 is a block diagram showing a property prediction apparatus according to the third embodiment.
  • FIG. 12 is a flowchart showing an example of the operation of the property prediction apparatus according to the third embodiment.
  • FIG. 13 is a diagram showing an example of an input screen in an example of the operation of the property prediction apparatus according to the third embodiment.
  • FIG. 14 is a block diagram showing a property prediction apparatus according to the fourth embodiment.
  • Figure 1 is a conceptual diagram showing a property prediction apparatus 1 according to the first embodiment.
  • the physical property prediction device 1 generates a prediction model of a sample based on actual measurement data and predicted data.
  • the actual measurement data is data including the first manufacturing conditions of the sample and the actual measurement values.
  • the sample is, for example, a material manufactured based on a plurality of raw materials.
  • the first manufacturing conditions are, for example, the compounding ratio of the raw materials of the material, process conditions such as temperature, etc.
  • the actual measurement values are values obtained by actually measuring the physical properties of the sample actually manufactured based on the first manufacturing conditions.
  • the physical properties of the sample are, for example, electrical conductivity and dielectric constant.
  • the predicted data is data including the second manufacturing conditions of the sample and virtual values.
  • the second manufacturing conditions are manufacturing conditions different from the first manufacturing conditions.
  • the second manufacturing conditions are not the manufacturing conditions when the sample was actually manufactured, but virtual manufacturing conditions.
  • the virtual values are virtual values of the physical properties of the sample corresponding to the second manufacturing conditions.
  • the prediction model is information indicating the physical properties of the sample predicted based on the manufacturing conditions of the sample. In other words, the prediction model is information indicating the correspondence between the manufacturing conditions and the physical properties of the sample.
  • the physical property prediction device 1 also creates a new experimental plan for the sample based on the generated prediction model.
  • a new sample is prototyped according to the created new experimental plan.
  • An experiment is conducted on the prototyped new sample to measure the physical properties.
  • the actual measurement data obtained by the experiment is added to the physical property prediction device 1.
  • the physical property prediction device 1 updates the prediction model based on the actual measurement data updated by the addition and the virtual data.
  • the physical property prediction device 1 optimizes the experimental plan by repeatedly generating a prediction model based on actual measurement data and virtual data, creating an experimental plan, and adding actual measurement data.
  • FIG. 2 is a block diagram showing a physical property prediction device 1 according to a first embodiment. More specifically, as shown in FIG. 2, the physical property prediction device 1 includes a control unit 2, an input interface 3, a display unit 4, and a storage unit 5. The control unit 2, the input interface 3, the display unit 4, and the storage unit 5 are communicatively connected via a bus 6.
  • the input interface 3 accepts various instructions and information input operations from the user.
  • the input interface 3 converts the input operations accepted from the user into electrical signals.
  • the input interface 3 outputs the input operations converted into electrical signals to the control unit 2.
  • the input interface 3 may be, for example, a mouse, a keyboard, a touchpad, a touch panel, a trackball, a switch button, a microphone, etc.
  • the display unit 4 displays an image according to the image data transmitted from the control unit 2.
  • the display unit 4 may be, for example, a liquid crystal monitor, a CRT (Cathode Ray Tube) monitor, a touch panel, or the like.
  • the display unit 4 may also be equipped with a speaker.
  • the memory unit 5 is a non-transient storage device that stores various information.
  • the memory unit 5 may be, for example, a HDD (Hard Disk Drive), an optical disk, a magnetic disk, a magneto-optical disk, a CD (Compact Disc), a DVD (Digital Versatile Disc), a semiconductor memory, etc.
  • the memory unit 5 stores, for example, the property prediction program executed by the property prediction device 1 and various data used in executing the property prediction program.
  • the control unit 2 controls the operation of the physical property prediction device 1 in response to input operations by the user using the input interface 3.
  • the control unit 2 includes an actual measurement data acquisition unit 21, a virtual data acquisition unit 22, a model generation unit 23, an input screen generation unit 24, and a manufacturing condition calculation unit 25.
  • the functions corresponding to each of the components 21 to 25 of the control unit 2 are recorded in the memory unit 5 in the form of a property prediction program executable by a computer.
  • the control unit 2 is, for example, a processor.
  • the processor constituting the control unit 2 reads out the property prediction program from the memory unit 5 and executes it to execute the functions of the components 21 to 25 corresponding to the read property prediction program.
  • the property prediction program may be directly incorporated into the circuit of the processor.
  • the processor executes the function corresponding to each of the components 21 to 25 by executing the property prediction program incorporated in the circuit.
  • the property prediction program may be a program downloaded by the property prediction device 1 from a server via a network.
  • the property prediction program may be a program imported into the property prediction device 1 from a portable storage medium.
  • the control unit 2 may be composed of a single processor.
  • the control unit 2 may be composed of a combination of multiple processors.
  • the processor may be, for example, a central processing unit (CPU), a graphics processing unit (GPU), an application specific integrated circuit (ASIC), a programmable logic device, etc.
  • the programmable logic device may be a simple programmable logic device (SPLD), a complex programmable logic device (CPLD), or a field programmable gate array (FPGA).
  • the actual measurement data acquisition unit 21 acquires actual measurement data including the first manufacturing conditions of the sample and actual measurement values of the physical properties of the sample manufactured based on the first manufacturing conditions.
  • the virtual data acquisition unit 22 acquires virtual data including second manufacturing conditions for the sample and virtual values that are hypothetical physical properties of the sample that correspond to the second manufacturing conditions.
  • the virtual data acquisition unit 22 may acquire, as virtual values, the physical property values of the sample that are predicted when the values of some of the multiple parameters included in the second manufacturing conditions are extremely small or large.
  • a parameter value When a parameter value is extremely small, it means that the parameter value is the lower limit of a predetermined search range for the parameter or a value below the lower limit. When a parameter value is extremely large, it means that the parameter value is the upper limit of a predetermined search range for the parameter or a value above the upper limit.
  • the virtual data acquisition unit 22 may acquire, as virtual values, the physical property values of a material whose raw materials or process are similar to those of the sample.
  • the model generation unit 23 generates a prediction model of the physical property based on the actual measurement data acquired by the actual measurement data acquisition unit 21 and the virtual data acquired by the virtual data acquisition unit 22.
  • the prediction model may be a probabilistic prediction model that indicates the predicted physical property by a probability.
  • the model generation unit 23 generates a prediction model that has a first uncertainty of the physical property for the actual measurement data and a second uncertainty of the physical property for the virtual data that is greater than the first uncertainty of the physical property.
  • the first uncertainty of the physical property is, for example, 0.
  • the input screen generation unit 24 generates an input screen for inputting actual data and virtual data.
  • the input screen generation unit 24 displays the generated input screen on the display unit 4.
  • the actual data acquisition unit 21 acquires the actual data input to the input screen generated by the input screen generation unit 24. More specifically, the actual data acquisition unit 21 acquires the actual data input to the input screen displayed on the display unit 4 using the input interface 3.
  • the virtual data acquisition unit 22 acquires the virtual data input to the input screen generated by the input screen generation unit 24. More specifically, the virtual data acquisition unit 22 acquires the virtual data input to the input screen displayed on the display unit 4 using the input interface 3.
  • the manufacturing condition calculation unit 25 calculates the third manufacturing conditions for the sample based on the prediction model generated by the model generation unit 23.
  • the third manufacturing conditions may include at least one of the manufacturing conditions when the uncertainty of the physical property in the prediction model is maximum and the manufacturing conditions when the uncertainty of the physical property in the prediction model is minimum.
  • the actual measurement data acquisition unit 21 further acquires second actual measurement data including the third manufacturing conditions calculated by the manufacturing condition calculation unit 25 and second actual measurement values obtained by measuring the physical properties of the sample manufactured based on the third manufacturing conditions.
  • the model generation unit 23 updates the prediction model based on the second actual measurement data acquired by the actual measurement data acquisition unit 21. If the second actual measurement value is the set optimal value, the model generation unit 23 does not update the prediction model.
  • the model generation unit 23 may generate a prediction model, i.e., a probabilistic prediction model, using Bayesian estimation.
  • the first uncertainty may be a first variance
  • the second uncertainty may be a second variance that is greater than the first variance.
  • the model generation unit 23 may generate the prediction model according to the following formula:
  • the model generating unit 23 sets the variance ⁇ 2 of the likelihood corresponding to the measured data to be small, and sets the variance ⁇ 2 of the likelihood corresponding to the virtual data to be large.
  • the model generating unit 23 may set the variance ⁇ 2 of the likelihood corresponding to the measured data to 0.
  • FIG. 3 is a flowchart showing an example of the operation of the physical property prediction device 1 according to the first embodiment.
  • a user creates virtual data.
  • the user may create virtual data by prediction based on experience. For example, when each of a plurality of parameters included in the second manufacturing conditions is an extremely small or large value, the physical property value of the sample may be predicted based on experience.
  • the user uses a plurality of parameters having extremely small or large values as the second manufacturing conditions, and uses the predicted physical property value of the sample as a virtual value to create virtual data.
  • the user may create virtual data using known physical property values of a material whose raw material or process is similar to that of the sample.
  • known physical property values of a material the user uses the process of the material as the second manufacturing conditions, and uses the known physical property value of the material as a virtual value to create virtual data.
  • the user also creates actual measurement data. Specifically, the user obtains actual measurement values by measuring the physical properties of a sample manufactured under the first manufacturing conditions. The user then creates the actual measurement data by associating the first manufacturing conditions with the actual measurement values. In creating the actual measurement data, the user may set one to five combinations of values of multiple parameters that make up the first manufacturing conditions. The user may then create the actual measurement data by measuring the physical properties of a prototype sample according to the combinations of parameter values that have been set. When setting combinations of multiple parameter values, the user may randomly set the values of multiple parameters of the first manufacturing conditions within a predetermined range. Alternatively, the user may set the values of multiple parameters of the first manufacturing conditions using a method of uniformly selecting parameter values within a predetermined range, such as Latin square sampling.
  • the input screen generation unit 24 After the virtual data and actual measurement data are created, the input screen generation unit 24 generates an input screen in response to an input operation by the user using the input interface 3. Then, the input screen generation unit 24 displays the generated input screen on the display unit 4 (step S1).
  • FIG. 4 is a diagram showing an example of an input screen SC in an example of the operation of the physical property prediction device 1 according to the first embodiment.
  • the input screen SC has an input field F1 for inputting the first parameter to the fifth parameter, which are an example of the first manufacturing condition.
  • the input screen SC also has an input field F2 for inputting the first physical property and the second physical property, which are an example of the actual measured value and the virtual value.
  • the input screen SC also has an input field F3 for inputting the type of data, that is, either the virtual data or the actual measured data.
  • step S2 After the input screen is displayed on the display unit 4, as shown in FIG. 3, the user inputs virtual data into the input screen displayed on the display unit 4 by performing an input operation using the input interface 3 (step S2).
  • the user After inputting the virtual data, the user inputs the actual measurement data into the input screen displayed on the display unit 4 by performing an input operation using the input interface 3 (step S3). Steps S2 and S3 may be reversed.
  • the model generation unit 23 After the virtual data and the actual measurement data are input, the model generation unit 23 generates a prediction model based on the input virtual data and the actual measurement data (step S4). In the example shown in Fig. 3, the model generation unit 23 generates a prediction model using Bayesian estimation according to the above-mentioned formulas (1) and (2). When generating a prediction model, the model generation unit 23 sets the variance ⁇ 2 of the likelihood corresponding to the actual measurement data to 0. In addition, the model generation unit 23 sets the variance ⁇ 2 of the likelihood corresponding to the virtual data to a value greater than 0. In addition, the model generation unit 23 sets the prior distribution p(A) to have a high probability density when the value of the physical property ⁇ changes smoothly.
  • the model generation unit 23 may display the generated prediction model on the display unit 4.
  • FIG. 5 is a diagram showing an example of a prediction model in an example of the operation of the physical property prediction device 1 according to the first embodiment.
  • FIG. 6 is a diagram showing another example of a prediction model in an example of the operation of the physical property prediction device 1 according to the first embodiment.
  • the model generation unit 23 generates, for example, the prediction models shown in FIG. 5 and FIG. 6.
  • the horizontal axis in FIG. 5 and FIG. 6 is a parameter x, which is an example of the first manufacturing condition.
  • the vertical axis in FIG. 5 and FIG. 6 is a physical property value ⁇ .
  • the solid line graphs in FIG. 5 and FIG. 6 show the average value of the physical property ⁇ corresponding to the parameter x.
  • the actual measurement data and the virtual data are located on the solid line graph showing the average value.
  • the uncertainty is 0 near the actual measured data.
  • the uncertainty is 0 because the model generation unit 23 sets the variance ⁇ 2 of the likelihood corresponding to the actual measured data to 0.
  • the uncertainty is large near the virtual data.
  • the uncertainty is large because the model generation unit 23 sets the variance ⁇ 2 of the likelihood corresponding to the virtual data to be larger than 0.
  • an experimental plan is created as shown in FIG. 3 (step S5).
  • the manufacturing condition calculation unit 25 calculates the third manufacturing conditions of the sample based on the prediction model generated by the model generation unit 23.
  • FIG. 7 is a diagram showing an example of calculation of the third manufacturing conditions based on the prediction model in an operation example of the physical property prediction device 1 according to the first embodiment.
  • the manufacturing condition calculation unit 25 calculates the manufacturing conditions when the uncertainty of the physical property in the prediction model is maximum and the manufacturing conditions when the uncertainty of the physical property in the prediction model is minimum as the third manufacturing conditions.
  • the manufacturing condition calculation unit 25 calculates the value x1 of the parameter x when the uncertainty of the physical property ⁇ is maximum and the value x2 of the parameter x when the uncertainty of the physical property ⁇ is minimum as the third manufacturing conditions.
  • the uncertainty of the physical property is maximum, there is a low probability but a possibility that very good physical properties can be obtained.
  • the uncertainty of the physical property is minimum, there is a high probability that good physical properties can be obtained. Therefore, by setting the value x1 of parameter x when the uncertainty of the physical property ⁇ is maximum and the value x2 of parameter x when the uncertainty is minimum as the third manufacturing condition, the number of sample prototypes required to obtain the desired physical property can be reduced.
  • the user creates a specific plan for manufacturing the sample using the calculated third manufacturing condition.
  • the user carries out the experiment (step S6).
  • the user first manufactures a sample in accordance with the experimental plan, i.e., the third manufacturing conditions.
  • the sample is manufactured using a manufacturing device (not shown).
  • the user measures the physical properties of the manufactured sample.
  • the physical properties of the sample are measured using a measuring device (not shown) that is appropriate for the physical properties.
  • Step S7 If the desired physical properties are obtained as a result of the experiment (Step S7: Yes), the process ends. On the other hand, if the desired physical properties are not obtained as a result of the experiment (Step S7: No) but additional experiments are possible (Step S8: Yes), the user inputs the actual measurement data obtained from the experiment into the input screen (Step S3). With the input of the actual measurement data obtained from the experiment, the model generation unit 23 updates the prediction model (Step S4).
  • the actual data acquisition unit 21 acquires actual data including first manufacturing conditions of the sample and actual values of the physical properties of the sample manufactured based on the first manufacturing conditions.
  • the virtual data acquisition unit 22 acquires virtual data including second manufacturing conditions of the sample and virtual values of the physical properties of the sample corresponding to the second manufacturing conditions.
  • the model generation unit 23 generates a prediction model of the physical properties based on the actual data acquired by the actual data acquisition unit 21 and the virtual data acquired by the virtual data acquisition unit 22. Specifically, the model generation unit 23 generates a prediction model that has a first uncertainty of the physical properties for the actual data and a second uncertainty of the physical properties for the virtual data that is greater than the first uncertainty of the physical properties.
  • the virtual data acquisition unit 22 may acquire, as virtual values, the physical property values of the sample that are predicted when some of the multiple parameters included in the second manufacturing conditions have extremely small or large values.
  • the virtual data acquisition unit 22 may acquire, as virtual values, the physical property values of a material whose raw material or process is similar to that of the sample.
  • the first uncertainty of the physical property is 0.
  • the physical property prediction device 1 further includes an input screen generation unit 24 that generates an input screen for inputting actual measurement data and virtual data.
  • the actual measurement data acquisition unit 21 acquires the actual measurement data input to the input screen generated by the input screen generation unit 24.
  • the virtual data acquisition unit 22 acquires the virtual data input to the input screen generated by the input screen generation unit 24.
  • the model generation unit 23 generates a prediction model using Bayesian estimation according to formulas (1) and (2). That is, the model generation unit 23 generates a prediction model that has a first variance for the actual measured data and a second variance for the virtual data that is larger than the first variance.
  • the manufacturing condition calculation unit 25 calculates the third manufacturing condition for the sample based on the prediction model generated by the model generation unit 23.
  • the third manufacturing conditions include at least one of the manufacturing conditions when the uncertainty of the physical property in the prediction model is maximum and the manufacturing conditions when the uncertainty of the physical property in the prediction model is minimum.
  • the actual measurement data acquisition unit 21 further acquires second actual measurement data including the third manufacturing conditions calculated by the manufacturing condition calculation unit 25 and second actual measurement values obtained by measuring the physical properties of the sample manufactured based on the third manufacturing conditions. Furthermore, the model generation unit 23 updates the prediction model based on the second actual measurement data acquired by the actual measurement data acquisition unit 21.
  • the model generation unit 23 does not update the prediction model.
  • Fig. 8 is a block diagram showing a property prediction apparatus 1 according to the second embodiment.
  • control unit 2 of the physical property prediction device 1 further includes an uncertainty setting unit 26 and a setting screen generating unit 27 in addition to the configuration of the first embodiment.
  • the uncertainty setting unit 26 sets a first uncertainty of the physical property and a second uncertainty of the physical property.
  • the model generation unit 23 generates a prediction model based further on the first uncertainty of the physical property and the second uncertainty of the physical property set by the uncertainty setting unit 26.
  • the setting screen generating unit 27 generates a setting screen for setting a first uncertainty of the physical property and a second uncertainty of the physical property.
  • the setting screen generating unit 27 displays the generated setting screen on the display unit 4.
  • the uncertainty setting unit 26 sets the first uncertainty of the physical property and the second uncertainty of the physical property in response to an input operation on the setting screen generated by the setting screen generating unit 27. More specifically, the uncertainty setting unit 26 sets the first uncertainty of the physical property and the second uncertainty of the physical property in response to an input operation using the input interface 3 on the setting screen displayed on the display unit 4.
  • the setting screen generating unit 27 may display the setting screen simultaneously with the input screen displayed by the input screen generating unit 24. Alternatively, the setting screen generating unit 27 may display the setting screen at a timing different from that of the input screen displayed by the input screen generating unit 24.
  • FIG. 9 is a flowchart showing an example of the operation of the physical property prediction device 1 according to the second embodiment.
  • the setting screen generating unit 27 displays the setting screen simultaneously with the input screen displayed by the input screen generating unit 24 (step S11).
  • FIG. 10 is a diagram showing an example of an input screen SC in an example of the operation of the physical property prediction device according to the second embodiment.
  • the setting screen generating unit 27 displays a setting screen SC2 on the input screen SC.
  • the setting screen SC2 has a slider bar S that allows input of the ratio between the weight of the actual measured data and the weight of the virtual data. By sliding the slider bar S to input the ratio between the weight of the actual measured data and the weight of the virtual data, it is possible to set the first uncertainty and the second uncertainty that correspond to the input ratio.
  • the uncertainty setting unit 26 sets the first uncertainty and the second uncertainty in response to an input operation on the setting screen (step S9).
  • the model generation unit 23 generates a prediction model based on the input virtual data and actual measurement data and the set first uncertainty and second uncertainty (step S4).
  • the uncertainty setting unit 26 sets a first uncertainty of the physical property and a second uncertainty of the physical property. Furthermore, the model generation unit 23 generates a prediction model based on the first uncertainty of the physical property and the second uncertainty of the physical property set by the uncertainty setting unit 26.
  • the setting screen generating unit 27 generates a setting screen for setting the first uncertainty of the physical property and the second uncertainty of the physical property.
  • the uncertainty setting unit 26 sets the first uncertainty of the physical property and the second uncertainty of the physical property in response to an input operation on the setting screen generated by the setting screen generating unit 27.
  • the first uncertainty and the second uncertainty can be easily set using the setting screen.
  • FIG. 11 is a block diagram showing a property prediction apparatus 1 according to the third embodiment.
  • control unit 2 of the physical property prediction device 1 further includes a virtual data complementation unit 28 in addition to the configuration of the first embodiment.
  • the virtual data completion unit 28 completes the virtual data.
  • the virtual data completion unit 28 completes the virtual data by filling in the missing data.
  • the virtual data acquisition unit 22 acquires the virtual data complemented by the virtual data complementation unit 28.
  • the virtual data complementing unit 28 may complement the virtual data when some of the multiple parameters included in the second manufacturing conditions have extremely small or large values and a virtual value predicted based on the some parameters are input to the input screen. Specifically, the virtual data complementing unit 28 may complement the second manufacturing conditions of the virtual data by calculating the values of parameters other than the some of the multiple parameters.
  • FIG. 12 is a flowchart showing an example of the operation of the physical property prediction device 1 according to the third embodiment.
  • FIG. 13 is a diagram showing an example of an input screen in the example of the operation of the physical property prediction device 1 according to the third embodiment.
  • the virtual data completion unit 28 completes the virtual data when the virtual data entered on the input screen is not complete (step S10).
  • the user's tacit knowledge may predict that the physical property value of the sample is ⁇ * .
  • the user inputs x1 * as the value of parameter x1 and ⁇ * as the physical property value in the input screen, and does not input the values of parameters other than x1 .
  • an extremely small value of 0 is input as the value of the first parameter in the input screen SC.
  • 0.0 is input as the first physical property and the second physical property in the input screen SC.
  • the values of parameters other than the first parameter are set to undetermined, that is, ***.
  • the virtual data complementing unit 28 complements the virtual data by calculating and adding the values of parameters x2 , ..., xm other than x1 . For example, the virtual data complementing unit 28 divides each search area of the predetermined parameters x2 , ..., xm into k levels. Then, the virtual data complementing unit 28 calculates k m-1 values of parameters x2 , ..., xm by combining values selected from each divided area divided into k levels. Instead of the calculation method using k levels, the virtual data complementing unit 28 may calculate the values of parameters x2 , ..., xm by generating m-1-dimensional uniform random numbers.
  • the physical property value of the sample may be predicted by the user's tacit knowledge.
  • the user inputs the values of 2 to m-1 parameters in the input screen, inputs the predicted physical property value, and does not input parameters other than the 2 to m-1 parameters.
  • an extremely large value of 100 is input as the value of the third parameter in the input screen SC.
  • an extremely large value of 100 is input as the value of the fourth parameter in the input screen SC.
  • 100.0 is input as the first physical property in the input screen SC.
  • 133.3 is input as the second physical property in the input screen SC.
  • the values of parameters other than the third and fourth parameters are set to undetermined in the input screen SC.
  • the virtual data completion unit 28 divides, for example, the search area of each parameter other than 2 to m-1 parameters into k levels. Then, the virtual data completion unit 28 calculates the value of the parameter by combining values selected from each of the divided areas divided into k levels.
  • the user may input the actual measurement data of that substance as virtual data into the input screen.
  • the virtual data completion unit 28 does not complete the virtual data.
  • the virtual data completion unit 28 completes the virtual data. Furthermore, the virtual data acquisition unit 22 acquires the virtual data completed by the virtual data completion unit 28.
  • the virtual data complementation unit 28 complements the second manufacturing conditions of the virtual data by calculating the values of the parameters other than the some parameters among the multiple parameters.
  • FIG. 14 is a block diagram showing a property prediction device 1 according to the fourth embodiment.
  • FIG. 1 an example has been described in which the input interface 3 and the display unit 4 are provided in the physical property prediction device 1.
  • the input interface 3 and the display unit 4 are provided in a user's terminal device 9.
  • the physical property prediction device 1 and the terminal device 9 are connected so as to be able to communicate with each other via a network 8.
  • the physical property prediction device 1 includes a communication unit 7.
  • the communication unit 7 is an interface for communicating with a terminal device 9 via a network 8.
  • the communication unit 7 may be a network card, a network adapter, or the like.
  • the communication unit 7 transmits an input screen generated by the input screen generation unit 24 to the terminal device 9.
  • the communication unit 7 receives the actual measurement data and virtual data input to the input screen from the terminal device 9.
  • the actual measurement data acquisition unit 21 acquires the actual measurement data received by the communication unit 7.
  • the virtual data acquisition unit 22 acquires the virtual data received by the communication unit 7.
  • the model generation unit 23 may transmit the prediction model generated by the model generation unit 23 to the terminal device 9 via the communication unit 7.
  • the prediction model transmitted to the terminal device 9 may be displayed on the display unit 4 of the terminal device 9.
  • the manufacturing condition calculation unit 25 may transmit the manufacturing conditions calculated by the manufacturing condition calculation unit 25 to the terminal device 9 via the communication unit 7.
  • the manufacturing conditions transmitted to the terminal device 9 may be displayed on the display unit 4 of the terminal device 9.
  • a user using the terminal device 9 can search for optimal manufacturing conditions through an input screen provided by the property prediction device 1, i.e., the server.

Landscapes

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

Abstract

物性予測装置は、試料の第１の製造条件と、前記第１の製造条件に基づいて製造された前記試料の物性を実測した実測値と、を含む実測データを取得する実測データ取得部と、前記試料の第２の製造条件と、前記第２の製造条件に対応する前記試料の物性を仮想した仮想値と、を含む仮想データを取得する仮想データ取得部と、前記実測データ取得部により取得された前記実測データと、前記仮想データ取得部により取得された前記仮想データとに基づいて、前記実測データに対して前記物性の第１の不確かさを有し、前記仮想データに対して前記物性の第１の不確かさよりも大きい前記物性の第２の不確かさを有するような前記物性の予測モデルを生成するモデル生成部と、を備える。

Description

物性予測装置、物性予測方法、及び物性予測プログラム
　本開示は、物性予測装置、物性予測方法、及び物性予測プログラムに関する。
　近年、機械学習などの情報科学の技術を活用して材料開発の効率化を図る、マテリアルズ・インフォマティクスと呼ばれる技術分野が注目されている。マテリアルズ・インフォマティクスにおいては、所望の物性を有する材料を製造するために、原材料の配合比やプロセス条件に関する多数のパラメータの、適切な組み合わせを見出すことが求められる。パラメータの数が多い場合、パラメータの組み合わせが膨大となる。パラメータの組み合わせが膨大になると、網羅的に材料を試作することが困難となる。網羅的に材料を試作することが困難である場合は、試作された一定数の材料の物性を測定し、測定により得られた実測データに基づいて物性の予測モデルを構築する方法が取られる。予測モデルを用いることで、材料の試作数が限られていても最適なパラメータの探索を図ることができる。
　予測モデルを構築するために、教師ありの機械学習手法が用いられることがある。教師ありの機械学習手法では、実測データの数が不十分である場合や、パラメータと物性との関係が複雑である場合は、高精度の予測モデルを構築することが困難となる。実測データの数が不十分である場合や、パラメータと物性との関係が複雑である場合にも高精度の予測モデルを構築するため、ベイズ最適化などの逐次的実験計画の手法が用いられる。ベイズ最適化では、予測モデルの構築に、ベイズ推定が用いられる。ベイズ推定とは、ベイズ確率の考え方に基づき、観測された事象から、推定したい事柄を、確率的な意味で推論することである。ベイズ確率とは、知識の状態を表す合理的な期待値、あるいは、個人的な信念の定量化、として解釈された確率である。ベイズ推定では、物性の予測値に加えて、予測値の不確かさが算出される。不確かさが算出されることで、物性が特定の値となる確率及び物性の期待値などを算出できる。ベイズ推定によれば、限られた実測データに基づいて最適なパラメータを求めることができる。すなわち、ベイズ推定によれば、限られた実測データに基づいて材料の次の試作の実験計画を立てることができる。材料の次の試作と、試作された材料の物性の測定と、測定結果の実測データへの追加と、によって、予測モデルが更新される。ベイズ最適化では、前述した試作、物性の測定、及び予測モデルの更新からなる一連のサイクルを繰り返す。一連のサイクルの繰り返しによって、所望の物性値が得られるまでの試作回数の最小化を図ることができる。
　しかしながら、実測データが少数又は未取得の場合は、ベイズ最適化における初期の予測モデルを構築することが困難となる。初期の予測モデルを構築することが困難となることで、逐次的な実験計画を立てることが困難となる。具体的には、予測モデルの構築に必要な実測データの数は、通常は５～１０程度である。パラメータ数が多ければ、予測モデルの構築に必要な実測データの数は更に増える場合がある。しかし、材料の試作及び物性の測定に要する金銭コスト及び時間コストが大きい場合や、開発予算及び開発期間が限られている場合は、実施可能な試作の回数が少数に限られる。試作の回数が少数に限られることで、実測データの数が不十分となり、初期の予測モデルの構築及びベイズ最適化の適用が困難となる。
　ＷＯ２０２１／２００２８１Ａ１には、実測データに機械学習を適用して逐次的な実験計画を行う技術が開示されている。ＷＯ２０２０／１８８９７１Ａ１には、量子化学計算などのシミュレーションによってパラメータに対応する物性値を求めることで、物性値を事前学習する技術が開示されている。
　しかしながら、初期段階において一定数の実測データが用意されていない場合、ＷＯ２０２１／２００２８１Ａ１に開示された技術を実施することは困難である。特に、試作の回数及び物性の測定の回数が少数に限られている場合は、初期の予測モデルの作成に必要な数の実測データを得ること自体が困難である。
　また、ＷＯ２０２０／１８８９７１Ａ１に開示された技術は、シミュレーションの手法が確立している一部の分野に限って実施できる。すなわち、ＷＯ２０２０／１８８９７１Ａ１に開示された技術は、シミュレーションの適用が困難な多くの分野では実施が困難である。
　本開示は、以上の点を考慮してなされたものであり、所望の物性を有する材料を適切かつ効率的に開発できる物性予測装置、物性予測方法、及び物性予測プログラムを提供することを目的とする。
　本開示による物性予測装置は、
　試料の第１の製造条件と、前記第１の製造条件に基づいて製造された前記試料の物性を実測した実測値と、を含む実測データを取得する実測データ取得部と、
　前記試料の第２の製造条件と、前記第２の製造条件に対応する前記試料の物性を仮想した仮想値と、を含む仮想データを取得する仮想データ取得部と、
　前記実測データ取得部により取得された前記実測データと、前記仮想データ取得部により取得された前記仮想データとに基づいて、前記実測データに対して前記物性の第１の不確かさを有し、前記仮想データに対して前記物性の第１の不確かさよりも大きい前記物性の第２の不確かさを有するような前記物性の予測モデルを生成するモデル生成部と、
　を備える。
　本開示による物性予測装置において、前記仮想データ取得部は、前記第２の製造条件に含まれる複数のパラメータのうちの少なくとも１つのパラメータの値が極端に小さい又は大きい場合に予測される前記試料の物性値を、前記仮想値として取得してもよい。
　本開示による物性予測装置において、前記仮想データ取得部は、原材料またはプロセスが前記試料に類似する物質の物性値を、前記仮想値として取得してもよい。
　本開示による物性予測装置において、前記物性の第１の不確かさは０であってもよい。
　本開示による物性予測装置において、前記実測データ及び前記仮想データを入力するための入力画面を生成する入力画面生成部を更に備え、
　前記実測データ取得部は、前記入力画面生成部により生成された前記入力画面に入力された前記実測データを取得し、
　前記仮想データ取得部は、前記入力画面生成部により生成された前記入力画面に入力された前記仮想データを取得してもよい。
　本開示による物性予測装置において、前記入力画面生成部により生成された前記入力画面をユーザの端末装置に送信し、前記入力画面に入力された前記実測データ及び前記仮想データを前記端末装置から受信する通信部を更に備え、
　前記実測データ取得部は、前記通信部により受信された前記実測データを取得し、
　前記仮想データ取得部は、前記通信部により受信された前記仮想データを取得してもよい。
　本開示による物性予測装置において、前記仮想データを補完する仮想データ補完部を更に備え、
　前記仮想データ取得部は、前記仮想データ補完部により補完された前記仮想データを取得してもよい。
　本開示による物性予測装置において、前記仮想データ補完部は、前記第２の製造条件に含まれる複数のパラメータのうちの極端に小さい又は大きい値を有する一部のパラメータと、前記一部のパラメータに基づいて予測される前記仮想値と、が前記入力画面に入力されたときに、前記複数のパラメータのうちの前記一部のパラメータ以外のパラメータの値を算出することで、前記仮想データの前記第２の製造条件を補完してもよい。
　本開示による物性予測装置において、前記物性の第１の不確かさ及び前記物性の第２の不確かさを設定する不確かさ設定部を更に備え、
　前記モデル生成部は、前記不確かさ設定部により設定された前記物性の第１の不確かさ及び前記物性の第２の不確かさに更に基づいて前記予測モデルを生成してもよい。
　本開示による物性予測装置において、前記物性の第１の不確かさ及び前記物性の第２の不確かさを設定するための設定画面を生成する設定画面生成部を更に備え、
　前記不確かさ設定部は、前記設定画面生成部により生成された前記設定画面に対する入力操作に応じて、前記物性の第１の不確かさ及び前記物性の第２の不確かさを設定してもよい。
　本開示による物性予測装置において、前記モデル生成部は、ベイズ推定を用いて前記予測モデルを生成し、前記第１の不確かさは、第１の分散であり、前記第２の不確かさは、前記第１の分散よりも大きい第２の分散であってもよい。
　本開示による物性予測装置において、前記モデル生成部は、次式にしたがって前記予測モデルを生成してもよい。
　本開示による物性予測装置において、前記モデル生成部で生成された前記予測モデルに基づいて前記試料の第３の製造条件を算出する製造条件算出部を更に備えてもよい。
　本開示による物性予測装置において、前記第３の製造条件は、前記予測モデル中の前記物性の不確かさが最大になるときの製造条件及び前記予測モデル中の前記物性の不確かさが最小になるときの製造条件の少なくとも１つを含んでもよい。
　本開示による物性予測装置において、前記実測データ取得部は、前記製造条件算出部により算出された前記第３の製造条件と、前記第３の製造条件に基づいて製造された前記試料の物性を実測した第２の実測値と、を含む第２の実測データを更に取得し、
　前記モデル生成部は、前記実測データ取得部により取得された前記第２の実測データに基づいて前記予測モデルを更新してもよい。
　本開示による物性予測装置において、前記モデル生成部は、前記第２の実測値が設定された最適値である場合には、前記予測モデルを更新しなくてもよい。
　本開示による物性予測方法は、
　試料の第１の製造条件と、前記第１の製造条件に基づいて製造された前記試料の物性を実測した実測値と、を含む実測データを取得する工程と、
　前記試料の第２の製造条件と、前記第２の製造条件に対応する前記試料の物性を仮想した仮想値と、を含む仮想データを取得する工程と、
　前記取得された実測データ及び仮想データに基づいて、前記実測データに対して前記物性の第１の不確かさを有し、前記仮想データに対して前記物性の第１の不確かさよりも大きい前記物性の第２の不確かさを有するような前記物性の予測モデルを生成する工程と、
　を備える。
　本開示による物性予測プログラムは、
　コンピュータに、
　試料の第１の製造条件と、前記第１の製造条件に基づいて製造された前記試料の物性を実測した実測値と、を含む実測データを取得する手順、
　前記試料の第２の製造条件と、前記第２の製造条件に対応する前記試料の物性を仮想した仮想値と、を含む仮想データを取得する手順、及び
　前記取得された実測データ及び仮想データに基づいて、前記実測データに対して前記物性の第１の不確かさを有し、前記仮想データに対して前記物性の第１の不確かさよりも大きい前記物性の第２の不確かさを有するような前記物性の予測モデルを生成する手順
　を実行させる。
　本開示によれば、所望の物性を有する材料を適切かつ効率的に開発できる。
図１は、第１の実施形態による物性予測装置を示す模式図である。 図２は、第１の実施形態による物性予測装置を示すブロック図である。 図３は、第１の実施形態による物性予測装置の動作例を示すフローチャートである。 図４は、第１の実施形態による物性予測装置の動作例において、入力画面の一例を示す図である。 図５は、第１の実施形態による物性予測装置の動作例において、予測モデルの一例を示す図である。 図６は、第１の実施形態による物性予測装置の動作例において、予測モデルの他の一例を示す図である。 図７は、第１の実施形態による物性予測装置の動作例において、予測モデルに基づく第３の製造条件の算出の一例を示す図である。 図８は、第２の実施形態による物性予測装置を示すブロック図である。 図９は、第２の実施形態による物性予測装置の動作例を示すフローチャートである。 図１０は、第２の実施形態による物性予測装置の動作例において、入力画面の一例を示す図である。 図１１は、第３の実施形態による物性予測装置を示すブロック図である。 図１２は、第３の実施形態による物性予測装置の動作例を示すフローチャートである。 図１３は、第３の実施形態による物性予測装置の動作例において、入力画面の一例を示す図である。 図１４は、第４の実施形態による物性予測装置を示すブロック図である。
　以下、図面を参照して本開示の実施形態について説明する。実施形態で参照する図面において、同一部分または同様な機能を有する部分には同一の符号または類似の符号を付し、繰り返しの説明は省略する場合がある。
［第１の実施形態］
　先ず、図１～図７を参照して、第１の実施形態による物性予測装置について説明する。図１は、第１の実施形態による物性予測装置１を示す概念図である。
　図１に示すように、第１の実施形態による物性予測装置１は、実測データと予測データとに基づいて試料の予測モデルを生成する。実測データとは、試料の第１の製造条件と、実測値とを含むデータである。試料は、例えば、複数の原材料に基づいて製造される材料である。第１の製造条件は、例えば、材料の原材料の配合比や、温度等のプロセス条件などである。実測値とは、第１の製造条件に基づいて実際に製造された試料の物性を実際に測定した値である。試料の物性は、例えば、導電率及び誘電率などである。予測データとは、試料の第２の製造条件と、仮想値とを含むデータである。第２の製造条件は、第１の製造条件と異なる製造条件である。第２の製造条件は、試料を実際に製造したときの製造条件ではなく、仮想された製造条件である。仮想値とは、第２の製造条件に対応する試料の物性を仮想した値である。予測モデルとは、試料の製造条件に基づいて予測された試料の物性を示す情報である。言い換えれば、予測モデルは、試料の製造条件と物性との対応関係を示す情報である。
　また、物性予測装置１は、生成された予測モデルに基づいて試料の新たな実験計画を作成する。作成された新たな実験計画にしたがって、新たな試料が試作される。試作された新たな試料に対して、物性値を実測する実験が行われる。実験によって得られた実測データは、物性予測装置１に追加される。物性予測装置１は、追加によって更新された実測データと、仮想データとに基づいて、予測モデルを更新する。
　前述のように、物性予測装置１は、実測データ及び仮想データに基づく予測モデルの生成と、実験計画の作成と、実測データの追加と、の繰り返しによって、実験計画を最適化する。
　図２は、第１の実施形態による物性予測装置１を示すブロック図である。より具体的には、図２に示すように、物性予測装置１は、制御部２と、入力インターフェース３と、表示部４と、記憶部５とを備える。制御部２と、入力インタフェース３と、表示部４と、記憶部５とは、バス６を介して通信可能に接続されている。
　入力インタフェース３は、ユーザから各種の指示及び情報の入力操作を受け付ける。入力インタフェース３は、ユーザから受け付けた入力操作を電気信号に変換する。入力インタフェース３は、電気信号に変換された入力操作を制御部２に出力する。入力インタフェース３は、例えば、マウス、キーボード、タッチパッド、タッチパネル、トラックボール、スイッチボタン、及びマイクロホン等であってもよい。
　表示部４は、制御部２から送信された画像データに応じた画像を表示する。表示部４は、例えば、液晶モニタ、ＣＲＴ（Cathode Ray Tube）モニタ、及び、タッチパネル等であってもよい。表示部４は、スピーカを備えていてもよい。
　記憶部５は、種々の情報を記憶する非一過性の記憶装置である。記憶部５は、例えば、ＨＤＤ（Hard Disk Drive）、光ディスク、磁気ディスク、光磁気ディスク、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）及び半導体メモリ等であってもよい。記憶部５は、例えば、物性予測装置１が実行する物性予測プログラムと、物性予測プログラムの実行に用いられる各種のデータとを記憶する。
　制御部２は、入力インタフェース３を用いたユーザの入力操作に応じて、物性予測装置１の動作を制御する。制御部２は、実測データ取得部２１と、仮想データ取得部２２と、モデル生成部２３と、入力画面生成部２４と、製造条件算出部２５とを備える。
　制御部２の各構成部２１～２５のそれぞれに対応する機能は、コンピュータによって実行可能な物性予測プログラムの形態で記憶部５に記録されている。制御部２は、例えば、プロセッサである。制御部２を構成するプロセッサは、記憶部５から物性予測プログラムを読み出して実行することで、読み出された物性予測プログラムに対応する構成部２１～２５の機能を実行する。記憶部５に物性予測プログラムを保存する代わりに、プロセッサの回路内に物性予測プログラムを直接組み込んでもよい。物性予測プログラムを直接組み込む場合、プロセッサは、回路内に組み込まれた物性予測プログラムを実行することで、各構成部２１～２５に対応する機能を実行する。物性予測プログラムは、ネットワークを通じて物性予測装置１がサーバからダウンロードしたプログラムであってもよい。或いは、物性予測プログラムは、可搬型の記憶媒体から物性予測装置１に取り込まれたプログラムであってもよい。制御部２は、単一のプロセッサで構成されてもよい。制御部２は、複数のプロセッサの組み合わせで構成されてもよい。プロセッサは、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ：ＡＳＩＣ）、及びプログラマブル論理デバイス等であってもよい。プログラマブル論理デバイスは、ＳＰＬＤ（Ｓｉｍｐｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅ）、ＣＰＬＤ（Ｃｏｍｐｌｅｘ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅ）、又はＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）であってもよい。
　実測データ取得部２１は、試料の第１の製造条件と、第１の製造条件に基づいて製造された試料の物性を実測した実測値と、を含む実測データを取得する。
　仮想データ取得部２２は、試料の第２の製造条件と、第２の製造条件に対応する試料の物性を仮想した仮想値と、を含む仮想データを取得する。
　仮想データ取得部２２は、第２の製造条件に含まれる複数のパラメータのうちの一部のパラメータの値が極端に小さい又は大きい場合に予測される試料の物性値を、仮想値として取得してもよい。
　パラメータの値が極端に小さい場合とは、パラメータの値が、予め決められたパラメータの探索領域の下限の値である場合又は下限を下回る値である場合である。パラメータの値が極端に大きい場合とは、パラメータの値が、予め決められたパラメータの探索領域の上限の値である場合又は上限を上回る値である場合である。
　仮想データ取得部２２は、一部のパラメータの値が極端に小さい又は大きい場合に予測される物性値の代わりに、原材料又はプロセスが試料に類似する物質の物性値を、仮想値として取得してもよい。
　モデル生成部２３は、実測データ取得部２１により取得された実測データと、仮想データ取得部２２により取得された仮想データとに基づいて、物性の予測モデルを生成する。予測モデルは、予測される物性を確率で示した確率的予測モデルであってもよい。モデル生成部２３は、実測データに対して物性の第１の不確かさを有し、仮想データに対して物性の第１の不確かさよりも大きい物性の第２の不確かさを有するような、予測モデルを生成する。物性の第１の不確かさは、例えば、０である。
　入力画面生成部２４は、実測データ及び仮想データを入力するための入力画面を生成する。入力画面生成部２４は、生成された入力画面を表示部４に表示する。実測データ取得部２１は、入力画面生成部２４により生成された入力画面に入力された、実測データを取得する。より具体的には、実測データ取得部２１は、表示部４に表示された入力画面に対して入力インタフェース３を用いて入力された、実測データを取得する。仮想データ取得部２２は、入力画面生成部２４により生成された入力画面に入力された、仮想データを取得する。より具体的には、仮想データ取得部２２は、表示部４に表示された入力画面に対して入力インタフェース３を用いて入力された、仮想データを取得する。
　製造条件算出部２５は、モデル生成部２３により生成された予測モデルに基づいて試料の第３の製造条件を算出する。
　第３の製造条件は、予測モデル中の物性の不確かさが最大になるときの製造条件及び予測モデル中の物性の不確かさが最小になるときの製造条件の少なくとも１つを含んでもよい。
　実測データ取得部２１は、製造条件算出部２５により算出された第３の製造条件と、第３の製造条件に基づいて製造された試料の物性を実測した第２の実測値と、を含む第２の実測データを更に取得する。
　モデル生成部２３は、実測データ取得部２１により取得された第２の実測データに基づいて予測モデルを更新する。モデル生成部２３は、第２の実測値が設定された最適値である場合には、予測モデルを更新しない。
　モデル生成部２３は、ベイズ推定を用いて予測モデルすなわち確率的予測モデルを生成してもよい。第１の不確かさは、第１の分散であり、第２の不確かさは、第１の分散よりも大きい第２の分散であってもよい。
　ベイズ推定を用いて予測モデルを生成する場合、モデル生成部２３は、次式にしたがって予測モデルを生成してもよい。
　数式（１）及び（２）にしたがった予測モデルの生成において、モデル生成部２３は、実測データに対応する尤度の分散σ２を小さく設定し、仮想データに対応する尤度の分散σ２を大きく設定する。モデル生成部２３は、実測データに対応する尤度の分散σ２を０に設定してもよい。
［動作例］
　次に、以上の構成を有する物性予測装置１の動作例について説明する。図３は、第１の実施形態による物性予測装置１の動作例を示すフローチャートである。先ず、図３の前提として、ユーザは仮想データを作成する。ユーザは、経験に基づく予測によって仮想データを作成してもよい。例えば、第２の製造条件に含まれる複数のパラメータのそれぞれが極端に小さい又は大きい値であるときに、経験に基づいて試料の物性値が予測される場合がある。経験に基づいて試料の物性値が予測される場合、ユーザは、極端に小さい又は大きい値をとる複数のパラメータを第２の製造条件として使用し、予測される試料の物性値を仮想値として使用して、仮想データを作成する。或いは、ユーザは、原材料又はプロセスが試料に類似する物質の既知の物性値を用いて、仮想データを作成してもよい。物質の既知の物性値を用いる場合、ユーザは、当該物質のプロセスを第２の製造条件として使用し、当該物質の既知の物性値を仮想値として使用して、仮想データを作成する。
　また、ユーザは、実測データを作成する。具体的には、ユーザは、第１の製造条件に基づいて製造された試料の物性を測定することで実測値を取得する。そして、ユーザは、第１の製造条件と実測値とを対応付けることで実測データを作成する。実測データの作成において、ユーザは、第１の製造条件を構成する複数のパラメータの値の組み合わせを１～５通り程度設定してもよい。そして、ユーザは、設定されたパラメータの値の組み合わせにしたがって試作された試料の物性を実測することで、実測データを作成してもよい。複数のパラメータの値の組み合わせを設定する場合、ユーザは、所定の範囲内で第１の製造条件の複数のパラメータの値をランダムに設定してもよい。或いは、ユーザは、ラテン方格サンプリング等の所定の範囲内で均一にパラメータの値を選択する方法を用いて、第１の製造条件の複数のパラメータの値を設定してもよい。
　仮想データ及び実測データが作成された後、入力インタフェース３を用いたユーザの入力操作に応じて、入力画面生成部２４は、入力画面を生成する。そして、入力画面生成部２４は、生成された入力画面を表示部４に表示する（ステップＳ１）。
　図４は、第１の実施形態による物性予測装置１の動作例において、入力画面ＳＣの一例を示す図である。図４に示される例において、入力画面ＳＣは、第１の製造条件の一例である第１パラメータ～第５パラメータを入力する入力欄Ｆ１を有する。また、入力画面ＳＣは、実測値及び仮想値の一例である第１物性及び第２物性を入力する入力欄Ｆ２を有する。また、入力画面ＳＣは、データの種別、すなわち、仮想データ及び実測データの何れかを入力する入力欄Ｆ３を有する。入力欄Ｆ１～Ｆ３にデータを入力したうえで実行ボタンＢを押すと、入力欄Ｆ１～Ｆ３に入力されたデータが確定される。
　表示部４に入力画面が表示された後、図３に示すように、ユーザは、入力インタフェース３を用いた入力操作により、表示部４に表示された入力画面に仮想データを入力する（ステップＳ２）。
　仮想データを入力した後、ユーザは、入力インタフェース３を用いた入力操作により、表示部４に表示された入力画面に実測データを入力する（ステップＳ３）。ステップＳ２とステップＳ３とは前後が入れ替わってもよい。
　仮想データ及び実測データが入力された後、モデル生成部２３は、入力された仮想データ及び実測データに基づいて予測モデルを生成する（ステップＳ４）。図３に示される例において、モデル生成部２３は、上述した数式（１）及び数式（２）にしたがったベイズ推定を用いて予測モデルを生成する。予測モデルを生成するとき、モデル生成部２３は、実測データに対応する尤度の分散σ２を０に設定する。また、モデル生成部２３は、仮想データに対応する尤度の分散σ２を０よりも大きい値に設定する。また、モデル生成部２３は、物性θの値が滑らかに変化する場合に高い確率密度を有するように事前分布ｐ（Ａ）を設定する。
　モデル生成部２３は、生成された予測モデルを表示部４に表示してもよい。
　図５は、第１の実施形態による物性予測装置１の動作例において、予測モデルの一例を示す図である。図６は、第１の実施形態による物性予測装置１の動作例において、予測モデルの他の一例を示す図である。モデル生成部２３は、例えば、図５及び図６に示される予測モデルを生成する。図５及び図６の横軸は、第１の製造条件の一例であるパラメータｘである。図５及び図６の縦軸は、物性値θである。図５及び図６における実線のグラフは、パラメータｘに対応する物性θの平均値を示す。実測データ及び仮想データは、平均値を示す実線のグラフ上に位置する。図５及び図６における２つの破線のグラフは、物性θの不確かさを示すグラフである。具体的には、図５及び図６における２つの破線のグラフは、物性θの確率分布である正規分布における５０％信頼区間の上限及び下限をそれぞれ示す。一例として、図５には、ｘ＝０．４のときの正規分布Ｇが、平均値を示す実線のグラフ及び不確かさを示す破線のグラフに対応付けて示されている。正規分布Ｇ内のハッチングが施された領域は、ｘ＝０．４のときの５０％信頼区間に対応する。
　図５及び図６から分かるように、実測データの付近では、不確かさが０になっている。不確かさが０になっているのは、モデル生成部２３によって実測データに対応する尤度の分散σ２が０に設定されたことによる。一方、仮想データの付近では、不確かさが大きくなっている。不確かさが大きくなっているのは、モデル生成部２３によって仮想データに対応する尤度の分散σ２が０よりも大きい設定されたことによる。
　予測モデルが生成された後、図３に示すように、実験計画の作成が行われる（ステップＳ５）。実験計画の作成において、先ず、製造条件算出部２５は、モデル生成部２３により生成された予測モデルに基づいて試料の第３の製造条件を算出する。図７は、第１の実施形態による物性予測装置１の動作例において、予測モデルに基づく第３の製造条件の算出の一例を示す図である。図７に示される例において、製造条件算出部２５は、予測モデル中の物性の不確かさが最大になるときの製造条件と、予測モデル中の物性の不確かさが最小になるときの製造条件とを、第３の製造条件として算出する。より具体的には、製造条件算出部２５は、物性θの不確かさが最大となるときのパラメータｘの値ｘ１と、物性θの不確かさが最小となるときのパラメータｘの値ｘ２とを、第３の製造条件として算出する。ここで、物性の不確かさが最大となる場合は、確率は低いが非常に良好な物性が得られる可能性がある。また、物性の不確かさが最小となる場合は、良好な物性が得られる確率が高い。したがって、物性θの不確かさが最大となるときのパラメータｘの値ｘ１と最小となるときのパラメータｘの値ｘ２とを第３の製造条件とすることで、所望の物性が得られるまでに要する試料の試作回数を低減できる。次いで、実験計画の作成において、ユーザは、算出された第３の製造条件を用いて試料を製造するための具体的な計画を作成する。
　実験計画が作成された後、図３に示すように、ユーザは、実験を実施する（ステップＳ６）。実験の実施において、先ず、ユーザは、実験計画すなわち第３の製造条件にしたがって試料を製造する。試料の製造は、図示しない製造装置を用いて行われる。試料が製造された後、ユーザは、製造された試料の物性を測定する。試料の物性の測定は、物性に応じた図示しない測定器を用いて行われる。
　実験の結果、所望の物性が得られた場合（ステップＳ７：Ｙｅｓ）、処理を終了する。一方、実験の結果、所望の物性が得られなかった場合（ステップＳ７：Ｎｏ）であって、追加実験が可能である場合（ステップＳ８：Ｙｅｓ）、ユーザは、実験により得られた実測データを入力画面に入力する（ステップＳ３）。実験により得られた実測データの入力にともなって、モデル生成部２３は、予測モデルを更新する（ステップＳ４）。
　以上述べたように、第１の実施形態では、実測データ取得部２１が、試料の第１の製造条件と、第１の製造条件に基づいて製造された試料の物性を実測した実測値と、を含む実測データを取得する。また、仮想データ取得部２２は、試料の第２の製造条件と、第２の製造条件に対応する試料の物性を仮想した仮想値と、を含む仮想データを取得する。また、モデル生成部２３は、実測データ取得部２１により取得された実測データと、仮想データ取得部２２により取得された仮想データとに基づいて、物性の予測モデルを生成する。具体的には、モデル生成部２３は、実測データに対して物性の第１の不確かさを有し、仮想データに対して物性の第１の不確かさよりも大きい物性の第２の不確かさを有するような、予測モデルを生成する。
　したがって、実測データが少数又は未取得の場合においても、材料開発における経験や勘といった暗黙知を反映した仮想データを有効活用して、適切に逐次的な実験計画を作成できる。また、実施可能な実験回数が限られており、初期の予測モデルの構築に必要な数の試作及び測定が困難である場合にも、所望の物性を有する材料を開発できる。また、十分に多くの実験回数を実施できる場合にも、実測データで表現されない暗黙知を活用することにより、所望の物性が得られるまでの試作回数を減らすことができる。したがって、第１の実施形態によれば、所望の物性を有する材料を適切かつ効率的に開発できる。
　また、第１の実施形態では、仮想データ取得部２２が、第２の製造条件に含まれる複数のパラメータのうちの一部のパラメータが極端に小さい又は大きい値である場合に予測される試料の物性値を、仮想値として取得してもよい。
　したがって、予測モデルの生成に有用な仮想データを簡便な手法で取得できる。
　また、第１の実施形態では、仮想データ取得部２２が、原材料またはプロセスが試料に類似する物質の物性値を、仮想値として取得してもよい。
　したがって、予測モデルの生成に有用な仮想データを簡便な手法で取得できる。
　また、第１の実施形態では、物性の第１の不確かさが０である。
　したがって、最適な製造条件を簡便に探索可能な予測モデルを生成できる。
　また、第１の実施形態では、物性予測装置１が、実測データ及び仮想データを入力するための入力画面を生成する入力画面生成部２４を更に備える。また、実測データ取得部２１は、入力画面生成部２４により生成された入力画面に入力された、実測データを取得する。また、仮想データ取得部２２は、入力画面生成部２４により生成された入力画面に入力された、仮想データを取得する。
　したがって、ユーザの意思を反映した予測モデルを算出できる。
　また、第１の実施形態では、モデル生成部２３が、数式（１）及び数式（２）にしたがったベイズ推定を用いて予測モデルを生成する。すなわち、モデル生成部２３は、実測データに対して第１の分散を有し、仮想データに対して第１の分散よりも大きい第２の分散を有するような、予測モデルを生成する。
　したがって、最適な製造条件を高精度に探索可能な予測モデルを生成できる。
　また、第１の実施形態では、製造条件算出部２５が、モデル生成部２３で生成された予測モデルに基づいて試料の第３の製造条件を算出する。
　したがって、予測モデルに基づいて最適な製造条件を探索できる。
　また、第１の実施形態では、第３の製造条件が、予測モデル中の物性の不確かさが最大になるときの製造条件及び予測モデル中の前記物性の不確かさが最小になるときの製造条件の少なくとも１つを含む。
　したがって、所望の物性が得られるまでの試料の試作回数を低減することができ、所望の物性を有する材料を効率的に開発できる。
　また、第１の実施形態では、実測データ取得部２１が、製造条件算出部２５により算出された第３の製造条件と、第３の製造条件に基づいて製造された試料の物性を実測した第２の実測値と、を含む第２の実測データを更に取得する。また、モデル生成部２３は、実測データ取得部２１により取得された第２の実測データに基づいて予測モデルを更新する。
　したがって、実験計画を最適化できるので、所望の物性を有する材料を適切に開発できる。
　また、第１の実施形態では、モデル生成部２３が、第２の実測値が設定された最適値である場合には、予測モデルを更新しない。
　したがって、試料の試作回数を低減できる。
［第２の実施形態］
　次に、設定された不確かさに基づいて予測モデルを生成する第２の実施形態について、第１の実施形態との差異を中心に説明する。図８は、第２の実施形態による物性予測装置１を示すブロック図である。
　図８に示すように、第２の実施形態による物性予測装置１の制御部２は、第１の実施形態の構成に加えて、更に、不確かさ設定部２６と、設定画面生成部２７とを備える。
　不確かさ設定部２６は、物性の第１の不確かさと、物性の第２の不確かさとを設定する。モデル生成部２３は、不確かさ設定部２６により設定された物性の第１の不確かさ及び物性の第２の不確かさに更に基づいて予測モデルを生成する。
　設定画面生成部２７は、物性の第１の不確かさ及び物性の第２の不確かさを設定するための設定画面を生成する。設定画面生成部２７は、生成された設定画面を表示部４に表示する。不確かさ設定部２６は、設定画面生成部２７により生成された設定画面に対する入力操作に応じて、物性の第１の不確かさと、物性の第２の不確かさとを設定する。より具体的には、不確かさ設定部２６は、表示部４に表示された設定画面に対する入力インタフェース３を用いた入力操作に応じて、物性の第１の不確かさと、物性の第２の不確かさとを設定する。設定画面生成部２７は、入力画面生成部２４により表示される入力画面と同時に、設定画面を表示してもよい。或いは、設定画面生成部２７は、入力画面生成部２４により表示される入力画面と異なるタイミングで、設定画面を表示してもよい。
　図９は、第２の実施形態による物性予測装置１の動作例を示すフローチャートである。図９に示すように、第２の実施形態において、設定画面生成部２７は、入力画面生成部２４により表示される入力画面と同時に、設定画面を表示する（ステップＳ１１）。
　図１０は、第２の実施形態による物性予測装置の動作例において、入力画面ＳＣの一例を示す図である。図１０に示される例において、設定画面生成部２７は、入力画面ＳＣ上に設定画面ＳＣ２を表示する。設定画面ＳＣ２は、実測データの重みと仮想データの重みとの比率を入力可能なスライダーバーＳを有する。スライダーバーＳをスライドさせて実測データの重みと仮想データの重みとの比率を入力することで、入力された比率に対応する第１の不確かさ及び第２の不確かさを設定できる。
　図９に示すように、第２の実施形態において、不確かさ設定部２６は、設定画面に対する入力操作に応じて、第１の不確かさと、第２の不確かさとを設定する（ステップＳ９）。
　モデル生成部２３は、入力された仮想データ及び実測データと、設定された第１の不確かさ及び第２の不確かさと、に基づいて予測モデルを生成する（ステップＳ４）。
　以上述べたように、第２の実施形態では、不確かさ設定部２６が、物性の第１の不確かさと、物性の第２の不確かさとを設定する。また、モデル生成部２３は、不確かさ設定部２６により設定された物性の第１の不確かさ及び物性の第２の不確かさに更に基づいて、予測モデルを生成する。
　したがって、ユーザの意思を反映した予測モデルを算出できるので、製造条件の探索の自由度を向上させることができる。
　また、第２の実施形態では、設定画面生成部２７が、物性の第１の不確かさ及び物性の第２の不確かさを設定するための設定画面を生成する。また、不確かさ設定部２６は、設定画面生成部２７により生成された設定画面に対する入力操作に応じて、物性の第１の不確かさ及び物性の第２の不確かさを設定する。
　したがって、設定画面を用いて第１の不確かさ及び第２の不確かさを簡便に設定できる。
［第３の実施形態］
　次に、仮想データを補完する第３の実施形態について、第１の実施形態との差異を中心に説明する。図１１は、第３の実施形態による物性予測装置１を示すブロック図である。
　図１１に示すように、第３の実施形態による物性予測装置１の制御部２は、第１の実施形態の構成に加えて、更に、仮想データ補完部２８を備える。
　仮想データ補完部２８は、仮想データを補完する。仮想データ補完部２８は、入力画面に入力された仮想データが完全なデータではなく一部のデータが欠落している場合に、欠落したデータを補うことで仮想データを補完する。
　仮想データ取得部２２は、仮想データ補完部２８により補完された仮想データを取得する。
　仮想データ補完部２８は、第２の製造条件に含まれる複数のパラメータのうちの極端に小さい又は大きい値を有する一部のパラメータと、一部のパラメータに基づいて予測される仮想値と、が入力画面に入力されたときに、仮想データを補完してもよい。具体的には、仮想データ補完部２８は、複数のパラメータのうちの一部のパラメータ以外のパラメータの値を算出することで、仮想データの第２の製造条件を補完してもよい。
　図１２は、第３の実施形態による物性予測装置１の動作例を示すフローチャートである。図１３は、第３の実施形態による物性予測装置１の動作例において、入力画面の一例を示す図である。
　図１２に示すように、第３の実施形態において、仮想データ補完部２８は、入力画面に入力された仮想データが完全なデータではない場合に、仮想データを補完する（ステップＳ１０）。
　例えば、第２の製造条件に含まれるｍ個のパラメータｘ１，ｘ２，…，ｘｍのうち、１つのパラメータｘ１の値が極端に小さい又は大きい値ｘ１ ＊であるときに、ユーザの暗黙知によって試料の物性値がθ＊であると予測できることがある。物性値がθ＊であると予測できる場合、ユーザは、入力画面に、パラメータｘ１の値としてｘ１ ＊を入力し、物性値としてθ＊入力し、ｘ１以外のパラメータの値は入力しない。図１３に示される例において、入力画面ＳＣには、第１パラメータの値として極端に小さい０が入力されている。また、入力画面ＳＣには、第１物性及び第２物性として０．０がそれぞれ入力されている。また、入力画面ＳＣにおいて、第１パラメータ以外のパラメータの値は未確定すなわち***に設定されている。
　ｘ１以外のパラメータの値が入力されない場合、仮想データは不完全となる。仮想データが不完全となる場合、仮想データ補完部２８は、ｘ１以外のパラメータｘ２，…，ｘｍの値を算出して追加することで、仮想データを補完する。例えば、仮想データ補完部２８は、予め決められたパラメータｘ２，…，ｘｍのそれぞれの探索領域を、ｋ水準に分割する。そして、仮想データ補完部２８は、ｋ水準に分割された各分割領域のそれぞれから選択された値を組み合わせた、ｋｍ-１通りのパラメータｘ２，…，ｘｍの値を算出する。ｋ水準を用いた算出方法に代えて、仮想データ補完部２８は、ｍ－１次元の一様乱数を発生させることによってパラメータｘ２，…，ｘｍの値を算出してもよい。
　また、第２の製造条件に含まれるｍ個のパラメータｘ１，ｘ２，…，ｘｍのうち、２個以上ｍ-１個以下のパラメータの値が極端に小さい又は大きい値であるときに、ユーザの暗黙知によって試料の物性値を予測できることがある。物性値を予測できる場合、ユーザは、入力画面に２個以上ｍ-１個以下のパラメータの値を入力し、予測される物性値を入力し、２個以上ｍ-１個以下のパラメータ以外のパラメータは入力しない。図１３に示される例において、入力画面ＳＣには、第３パラメータの値として極端に大きい１００が入力されている。また、入力画面ＳＣには、第４パラメータの値として極端に大きい１００が入力されている。また、入力画面ＳＣには、第１物性として１００．０が入力されている。また、入力画面ＳＣには、第２物性として１３３．３が入力されている。また、入力画面ＳＣにおいて、第３、第４パラメータ以外のパラメータの値は未確定に設定されている。
　２個以上ｍ-１個以下のパラメータ以外のパラメータの値が入力されない場合、仮想データは不完全となる。仮想データが不完全となる場合、仮想データ補完部２８は、例えば、２個以上ｍ-１個以下のパラメータ以外のパラメータのそれぞれの探索領域をｋ水準に分割する。そして、仮想データ補完部２８は、ｋ水準に分割された各分割領域のそれぞれから選択された値を組み合わせたパラメータの値を算出する。
　試料に類似する物質の実測データが参考になる場合、ユーザは、入力画面に、当該物質の実測データを仮想データとして入力してもよい。
　入力画面に完全な仮想データが入力された場合、仮想データ補完部２８は、仮想データを補完しない。
　以上述べたように、第３の実施形態では、仮想データ補完部２８が、仮想データを補完する。また、仮想データ取得部２２は、仮想データ補完部２８により補完された仮想データを取得する。
　したがって、仮想データを効率的に生成できる。
　また、第３の実施形態では、仮想データ補完部２８が、第２の製造条件に含まれる複数のパラメータのうちの極端に小さい又は大きい値を有する一部のパラメータと、一部のパラメータに基づいて予測される仮想値と、が前記入力画面に入力されたときに、複数のパラメータのうちの一部のパラメータ以外のパラメータの値を算出することで、仮想データの第２の製造条件を補完する。
　したがって、仮想データを効率的に補完できる。
［第４の実施形態］
　次に、ユーザの端末装置に入力画面を提供する第４の実施形態について、第１の実施形態との差異を中心に説明する。図１４は、第４の実施形態による物性予測装置１を示すブロック図である。
　図１では、入力インターフェース３及び表示部４が物性予測装置１に備えられている例について説明した。図１の例に対して、図１４に示される例において、入力インタフェース３及び表示部４は、ユーザの端末装置９に備えられている。物性予測装置１と端末装置９とは、ネットワーク８を介して通信可能に接続される。
　物性予測装置１は、通信部７を備える。通信部７は、ネットワーク８を経由して端末装置９と通信するためのインタフェースである。例えば、通信部７は、ネットワークカード及びネットワークアダプタ等であってもよい。通信部７は、入力画面生成部２４により生成された入力画面を端末装置９に送信する。通信部７は、入力画面に入力された実測データ及び仮想データを端末装置９から受信する。
　実測データ取得部２１は、通信部７により受信された実測データを取得する。仮想データ取得部２２は、通信部７により受信された仮想データを取得する。
　モデル生成部２３は、通信部７を介して、モデル生成部２３により生成された予測モデルを端末装置９に送信してもよい。端末装置９に送信された予測モデルは、端末装置９の表示部４に表示されてもよい。
　製造条件算出部２５は、通信部７を介して、製造条件算出部２５により算出された製造条件を端末装置９に送信してもよい。端末装置９に送信された製造条件は、端末装置９の表示部４に表示されてもよい。
　第４の実施形態によれば、端末装置９を使用するユーザが、物性予測装置１すなわちサーバから提供される入力画面を通じて、最適な製造条件を探索できる。
　本開示のいくつかの実施形態を説明したが、各実施形態は、例として提示したものであり、開示の範囲を限定することは意図していない。各実施形態は、他の様々な形態で実施されることが可能であり、本開示の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。各実施形態や各実施形態の変形は、本開示の範囲や要旨に含まれると同様に、特許請求の範囲に記載された本開示と本開示の均等の範囲に含まれるものである。

Claims (18)

  1. 　試料の第１の製造条件と、前記第１の製造条件に基づいて製造された前記試料の物性を実測した実測値と、を含む実測データを取得する実測データ取得部と、
    　前記試料の第２の製造条件と、前記第２の製造条件に対応する前記試料の物性を仮想した仮想値と、を含む仮想データを取得する仮想データ取得部と、
    　前記実測データ取得部により取得された前記実測データと、前記仮想データ取得部により取得された前記仮想データとに基づいて、前記実測データに対して前記物性の第１の不確かさを有し、前記仮想データに対して前記物性の第１の不確かさよりも大きい前記物性の第２の不確かさを有するような前記物性の予測モデルを生成するモデル生成部と、
    　を備える物性予測装置。
  2. 　前記仮想データ取得部は、前記第２の製造条件に含まれる複数のパラメータのうちの少なくとも１つのパラメータの値が極端に小さい又は大きい場合に予測される前記試料の物性値を、前記仮想値として取得する、請求項１に記載の物性予測装置。
  3. 　前記仮想データ取得部は、原材料又はプロセスが前記試料に類似する物質の物性値を、前記仮想値として取得する、請求項１に記載の物性予測装置。
  4. 　前記物性の第１の不確かさは０である、請求項１に記載の物性予測装置。
  5. 　前記実測データ及び前記仮想データを入力するための入力画面を生成する入力画面生成部を更に備え、
    　前記実測データ取得部は、前記入力画面生成部により生成された前記入力画面に入力された前記実測データを取得し、
    　前記仮想データ取得部は、前記入力画面生成部により生成された前記入力画面に入力された前記仮想データを取得する、請求項１に記載の物性予測装置。
  6. 　前記入力画面生成部により生成された前記入力画面をユーザの端末装置に送信し、前記入力画面に入力された前記実測データ及び前記仮想データを前記端末装置から受信する通信部を更に備え、
    　前記実測データ取得部は、前記通信部により受信された前記実測データを取得し、
    　前記仮想データ取得部は、前記通信部により受信された前記仮想データを取得する、請求項５に記載の物性予測装置。
  7. 　前記仮想データを補完する仮想データ補完部を更に備え、
    　前記仮想データ取得部は、前記仮想データ補完部により補完された前記仮想データを取得する、請求項５に記載の物性予測装置。
  8. 　前記仮想データ補完部は、前記第２の製造条件に含まれる複数のパラメータのうちの極端に小さい又は大きい値を有する一部のパラメータと、前記一部のパラメータに基づいて予測される前記仮想値と、が前記入力画面に入力されたときに、前記複数のパラメータのうちの前記一部のパラメータ以外のパラメータの値を算出することで、前記仮想データの前記第２の製造条件を補完する、請求項７に記載の物性予測装置。
  9. 　前記物性の第１の不確かさ及び前記物性の第２の不確かさを設定する不確かさ設定部を更に備え、
    　前記モデル生成部は、前記不確かさ設定部により設定された前記物性の第１の不確かさ及び前記物性の第２の不確かさに更に基づいて前記予測モデルを生成する、請求項１に記載の物性予測装置。
  10. 　前記物性の第１の不確かさ及び前記物性の第２の不確かさを設定するための設定画面を生成する設定画面生成部を更に備え、
    　前記不確かさ設定部は、前記設定画面生成部により生成された前記設定画面に対する入力操作に応じて、前記物性の第１の不確かさ及び前記物性の第２の不確かさを設定する、請求項９に記載の物性予測装置。
  11. 　前記モデル生成部は、ベイズ推定を用いて前記予測モデルを生成し、前記第１の不確かさは、第１の分散であり、前記第２の不確かさは、前記第１の分散よりも大きい第２の分散である、請求項１に記載の物性予測装置。
  12. 　前記モデル生成部は、次式にしたがって前記予測モデルを生成する、請求項１１に記載の物性予測装置。
  13. 　前記モデル生成部により生成された前記予測モデルに基づいて前記試料の第３の製造条件を算出する製造条件算出部を更に備える、請求項１乃至１２のいずれか１項に記載の物性予測装置。
  14. 　前記第３の製造条件は、前記予測モデル中の前記物性の不確かさが最大になるときの製造条件及び前記予測モデル中の前記物性の不確かさが最小になるときの製造条件の少なくとも１つを含む、請求項１３に記載の物性予測装置。
  15. 　前記実測データ取得部は、前記製造条件算出部により算出された前記第３の製造条件と、前記第３の製造条件に基づいて製造された前記試料の物性を実測した第２の実測値と、を含む第２の実測データを更に取得し、
    　前記モデル生成部は、前記実測データ取得部により取得された前記第２の実測データに基づいて前記予測モデルを更新する、請求項１３に記載の物性予測装置。
  16. 　前記モデル生成部は、前記第２の実測値が設定された最適値である場合には、前記予測モデルを更新しない、請求項１５に記載の物性予測装置。
  17. 　試料の第１の製造条件と、前記第１の製造条件に基づいて製造された前記試料の物性を実測した実測値と、を含む実測データを取得する工程と、
    　前記試料の第２の製造条件と、前記第２の製造条件に対応する前記試料の物性を仮想した仮想値と、を含む仮想データを取得する工程と、
    　前記取得された実測データ及び仮想データに基づいて、前記実測データに対して前記物性の第１の不確かさを有し、前記仮想データに対して前記物性の第１の不確かさよりも大きい前記物性の第２の不確かさを有するような前記物性の予測モデルを生成する工程と、
    　を備える物性予測方法。
  18. 　コンピュータに、
    　試料の第１の製造条件と、前記第１の製造条件に基づいて製造された前記試料の物性を実測した実測値と、を含む実測データを取得する手順、
    　前記試料の第２の製造条件と、前記第２の製造条件に対応する前記試料の物性を仮想した仮想値と、を含む仮想データを取得する手順、及び
    　前記取得された実測データ及び仮想データに基づいて、前記実測データに対して前記物性の第１の不確かさを有し、前記仮想データに対して前記物性の第１の不確かさよりも大きい前記物性の第２の不確かさを有するような前記物性の予測モデルを生成する手順
    　を実行させるための物性予測プログラム。
PCT/JP2024/019633 2023-06-06 2024-05-29 物性予測装置、物性予測方法、及び物性予測プログラム Ceased WO2024252995A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202480037082.9A CN121241399A (zh) 2023-06-06 2024-05-29 物性预测装置、物性预测方法以及物性预测程序
IL325095A IL325095A (en) 2023-06-06 2024-05-29 Physical property prediction device, physical property prediction method, and physical property prediction program
KR1020257040870A KR20260020108A (ko) 2023-06-06 2024-05-29 물성 예측 장치, 물성 예측 방법, 및 물성 예측 프로그램
EP24819226.2A EP4726725A1 (en) 2023-06-06 2024-05-29 Physical property prediction device, physical property prediction method, and physical property prediction program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2023093364A JP2024175522A (ja) 2023-06-06 2023-06-06 物性予測装置、物性予測方法、及び物性予測プログラム
JP2023-093364 2023-06-06

Publications (1)

Publication Number Publication Date
WO2024252995A1 true WO2024252995A1 (ja) 2024-12-12

Family

ID=93795953

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2024/019633 Ceased WO2024252995A1 (ja) 2023-06-06 2024-05-29 物性予測装置、物性予測方法、及び物性予測プログラム

Country Status (6)

Country Link
EP (1) EP4726725A1 (ja)
JP (1) JP2024175522A (ja)
KR (1) KR20260020108A (ja)
CN (1) CN121241399A (ja)
IL (1) IL325095A (ja)
WO (1) WO2024252995A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7729965B1 (en) * 2005-04-26 2010-06-01 Fannie Mae Collateral valuation confidence scoring system
WO2020188971A1 (ja) 2019-03-15 2020-09-24 富士フイルム株式会社 特徴推定方法、特徴推定装置、プログラム及び記録媒体
WO2021200281A1 (ja) 2020-03-31 2021-10-07 Ｍｉ－６株式会社 試験評価システム、プログラムおよび試験評価方法
JP2022014618A (ja) * 2020-07-07 2022-01-20 株式会社日立製作所 予測装置および予測方法
JP2022065466A (ja) * 2020-10-15 2022-04-27 株式会社ニコン 物性予測装置、物性予測方法、及びプログラム
JP2022082064A (ja) * 2020-11-20 2022-06-01 富士通株式会社 混合物物性特定方法、混合物物性特定装置、及び混合物物性特定プログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7205122B2 (ja) * 2018-09-13 2023-01-17 住友金属鉱山株式会社 ペーストの設計方法、ペーストの製造方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7729965B1 (en) * 2005-04-26 2010-06-01 Fannie Mae Collateral valuation confidence scoring system
WO2020188971A1 (ja) 2019-03-15 2020-09-24 富士フイルム株式会社 特徴推定方法、特徴推定装置、プログラム及び記録媒体
WO2021200281A1 (ja) 2020-03-31 2021-10-07 Ｍｉ－６株式会社 試験評価システム、プログラムおよび試験評価方法
JP2022014618A (ja) * 2020-07-07 2022-01-20 株式会社日立製作所 予測装置および予測方法
JP2022065466A (ja) * 2020-10-15 2022-04-27 株式会社ニコン 物性予測装置、物性予測方法、及びプログラム
JP2022082064A (ja) * 2020-11-20 2022-06-01 富士通株式会社 混合物物性特定方法、混合物物性特定装置、及び混合物物性特定プログラム

Also Published As

Publication number Publication date
CN121241399A (zh) 2025-12-30
JP2024175522A (ja) 2024-12-18
EP4726725A1 (en) 2026-04-15
IL325095A (en) 2026-02-01
KR20260020108A (ko) 2026-02-10

Similar Documents

Publication Publication Date Title
Wang et al. Symbolic regression in materials science
JP7199489B2 (ja) 量子測定ノイズの除去方法、システム、電子機器、及び媒体
US20220207370A1 (en) Inferring device, training device, inferring method, and training method
JP6555411B2 (ja) 情報処理方法および情報処理装置
CN114037084A (zh) 量子测量设备校准方法及装置、电子设备和介质
TWI802294B (zh) 實驗點推薦裝置、實驗點推薦方法及半導體裝置製造系統
JP2020187642A (ja) 最適化装置、最適化システム、最適化方法および最適化プログラム
JP7334298B2 (ja) 量子測定機器の較正方法および装置、電子機器ならびに媒体
TW202407483A (zh) 模型產生方法、電腦程式及資訊處理裝置
CN118538328B (zh) 二面角能量预测模型的训练方法和装置
Comess et al. A Bayesian framework for incorporating exposure uncertainty into health analyses with application to air pollution and stillbirth
Huang et al. Direct entanglement detection of quantum systems using machine learning
Tan et al. Enhanced sampling of robust molecular datasets with uncertainty-based collective variables
WO2023238525A1 (ja) 試作条件提案システム、試作条件提案方法
Senapati et al. Towards redefining the reproducibility in quantum computing: A data analysis approach on nisq devices
CN114897175A (zh) 量子测量设备的噪声消除方法及装置、电子设备和介质
JP2003288579A (ja) 最適フィッティングパラメータ決定方法および装置、並びに最適フィッティングパラメータ決定プログラム
Situ et al. Automl-driven optimization of variational quantum circuit
WO2024252995A1 (ja) 物性予測装置、物性予測方法、及び物性予測プログラム
JP7631658B2 (ja) 量子回路の作成方法と装置及びコンピュータ機器とプログラム
Jin et al. Extending Equivalent Circuit Models for State of Charge and Lifetime Estimation
JP2005038216A (ja) パラメータ調整装置
Pelofske et al. Inferring the dynamics of the state evolution during quantum annealing
TW202430848A (zh) 光譜度量衡方法
US20260100253A1 (en) Image processing device, image processing method, and non-transitory computer readable medium

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: 24819226

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 325095

Country of ref document: IL

Ref document number: 202517121202

Country of ref document: IN

WWP Wipo information: published in national office

Ref document number: 202517121202

Country of ref document: IN

WWP Wipo information: published in national office

Ref document number: 325095

Country of ref document: IL

WWE Wipo information: entry into national phase

Ref document number: 2024819226

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2024819226

Country of ref document: EP

Effective date: 20260107

ENP Entry into the national phase

Ref document number: 2024819226

Country of ref document: EP

Effective date: 20260107

ENP Entry into the national phase

Ref document number: 2024819226

Country of ref document: EP

Effective date: 20260107

ENP Entry into the national phase

Ref document number: 2024819226

Country of ref document: EP

Effective date: 20260107

ENP Entry into the national phase

Ref document number: 2024819226

Country of ref document: EP

Effective date: 20260107

WWP Wipo information: published in national office

Ref document number: 2024819226

Country of ref document: EP