特許 6963119 熱力学的平衡状態の予測装置、予測方法、及び予測プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6963119

(24)【登録日】2021年10月18日

(45)【発行日】2021年11月5日

(54)【発明の名称】熱力学的平衡状態の予測装置、予測方法、及び予測プログラム

(51)【国際特許分類】

   G16Z 99/00 20190101AFI20211025BHJP

【ＦＩ】

   G16Z99/00

【請求項の数】8

【全頁数】13

(21)【出願番号】特願2020-553834(P2020-553834)

(86)(22)【出願日】2019年10月24日

(86)【国際出願番号】JP2019041716

(87)【国際公開番号】WO2020090617

(87)【国際公開日】20200507

【審査請求日】2021年3月10日

(31)【優先権主張番号】特願2018-206017(P2018-206017)

(32)【優先日】2018年10月31日

(33)【優先権主張国】JP

【早期審査対象出願】

(73)【特許権者】

【識別番号】000002004

【氏名又は名称】昭和電工株式会社

(74)【代理人】

【識別番号】100107766

【弁理士】

【氏名又は名称】伊東 忠重

(74)【代理人】

【識別番号】100070150

【弁理士】

【氏名又は名称】伊東 忠彦

(72)【発明者】

【氏名】奥野 克樹

(72)【発明者】

【氏名】奥野 好成

【審査官】 鈴木 和樹

(56)【参考文献】

【文献】 特開平１０−０５５３４８（ＪＰ，Ａ）

【文献】 米国特許出願公開第２０１５／０１０６０３５（ＵＳ，Ａ１）

【文献】 特開２０１８−０１０４２８（ＪＰ，Ａ）

【文献】 特開２０１８−１５８８３０（ＪＰ，Ａ）

【文献】 米国特許出願公開第２０１４／０２３６５４８（ＵＳ，Ａ１）

【文献】 中国特許出願公開第１０２６６３４９８（ＣＮ，Ａ）

【文献】 源聡、ほか２名，マテリアルズインテグレーション的手法を用いた熱力学解析，２０１７年（第１６１回）秋期講演大会 日本金属学会講演概要集［ＣＤ−ＲＯＭ］，公益社団法人日本金属学会，2017年08月23日，ｐ．１（Ｓ９．２０）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ１６Ｚ ９９／００

Ｇ０６Ｎ ３／０４

Ｇ０６Ｎ ３／０８

Ｇ０６Ｎ ２０／００

(57)【特許請求の範囲】

【請求項1】

対象材料の熱力学的平衡状態の予測装置であって、
前記対象材料の設計条件に係る説明変数の入力に基づいて、前記熱力学的平衡状態に係る目的変数を出力するモデルと、
所定の設計条件の入力と、該設計条件に基づき生じ得る前記熱力学的平衡状態の出力とを含む学習用データを作成する学習用データ作成部と、
前記学習用データ作成部により作成された前記学習用データを用いて、前記モデルの入出力関係が前記学習用データの入出力関係に近づくように機械学習を行うモデル学習部と、
前記対象材料の熱力学的平衡状態の予測に用いる予測用説明変数を設定する説明変数設定部と、
前記モデル学習部による機械学習が済んだ前記モデルへの前記予測用説明変数の入力に基づき、前記熱力学的平衡状態の予測結果である予測用目的変数を前記モデルから出力する予測部と、
を備える予測装置。

【請求項2】

前記予測部により出力された前記予測用目的変数に基づき前記熱力学的平衡状態の状態図を作成して表示する状態図表示部を備える、請求項１に記載の予測装置。

【請求項3】

前記モデルは多層ニューラルネットワークであり、
前記モデル学習部はディープラーニングを用いて前記モデルの学習を行う、
請求項１または２に記載の予測装置。

【請求項4】

前記モデルの出力である前記目的変数は、前記対象材料の熱力学的平衡状態における相分率であり、
前記多層ニューラルネットワークの出力層のニューロンにはソフトマックス関数が用いられる、
請求項３に記載の予測装置。

【請求項5】

前記学習用データ作成部は、前記設計条件の所定範囲の組合せから成る前記説明変数を作成し、ＣＡＬＰＨＡＤ法を用いて前記目的変数を算出して、前記作成した前記説明変数と前記算出した前記目的変数とを含む前記学習用データを作成する、
請求項１〜４のいずれか１項に記載の予測装置。

【請求項6】

前記対象材料がアルミニウム合金であり、
前記説明変数が前記アルミニウム合金の組成及び製造条件を含み、
前記目的変数が前記アルミニウム合金の熱力学的平衡状態での相分率を含む、
請求項１〜５のいずれか１項に記載の予測装置。

【請求項7】

コンピュータが実行する、対象材料の熱力学的平衡状態の予測方法であって、
前記対象材料の設計条件に係る説明変数の入力に基づいて、前記熱力学的平衡状態に係る目的変数を出力するモデルに関して、所定の設計条件の入力と、該設計条件に基づき生じ得る前記熱力学的平衡状態の出力とを含む学習用データを作成する学習用データ作成ステップと、
前記学習用データ作成ステップにて作成された前記学習用データを用いて、前記モデルの入出力関係が前記学習用データの入出力関係に近づくように機械学習を行うモデル学習ステップと、
前記対象材料の熱力学的平衡状態の予測に用いる予測用説明変数を設定する説明変数設定ステップと、
前記説明変数設定ステップにて設定された前記予測用説明変数の、前記モデル学習ステップにて機械学習が済んだ前記モデルへの入力に基づき、前記熱力学的平衡状態の予測結果である予測用目的変数を前記モデルから出力する予測ステップと、
を含む予測方法。

【請求項8】

対象材料の熱力学的平衡状態の予測プログラムであって、
前記対象材料の設計条件に係る説明変数の入力に基づいて、前記熱力学的平衡状態に係る目的変数を出力するモデルに関して、所定の設計条件の入力と、該設計条件に基づき生じ得る前記熱力学的平衡状態の出力とを含む学習用データを作成する学習用データ作成機能と、
前記学習用データ作成機能により作成された前記学習用データを用いて、前記モデルの入出力関係が前記学習用データの入出力関係に近づくように機械学習を行うモデル学習機能と、
前記対象材料の熱力学的平衡状態の予測に用いる予測用説明変数を設定する説明変数設定機能と、
前記説明変数設定機能により設定された前記予測用説明変数の、前記モデル学習機能により機械学習が済んだ前記モデルへの入力に基づき、前記熱力学的平衡状態の予測結果である予測用目的変数を前記モデルから出力する予測機能と、
をコンピュータに実現させるための予測プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、熱力学的平衡状態の予測装置、予測方法、及び予測プログラムに関する。

【背景技術】

【0002】

合金、セラミックス、水溶液、化学反応等の熱力学的平衡状態を計算機シミュレーションにより予測する手法としてＣＡＬＰＨＡＤ（ＣＡＬｃｕｌａｔｉｏｎ ｏｆ ＰＨＡｓｅ Ｄｉａｇｒａｍ ａｎｄ Ｔｈｅｒｍｏｄｙｎａｍｉｃｓ）法が知られている（例えば特許文献１）。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１４−４８２０８号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

ＣＡＬＰＨＡＤ法は平衡状態として最小のギブズエネルギーを与える状態を探索するシミュレーション手法であり、計算に時間がかかる。１つの材料組成に対して熱力学的平衡計算を行って状態図を予測するには、ＣＡＬＰＨＡＤ法は現実的な時間内に実施できるが、多数の材料組成に対して状態図を予測してスクリーニングを実施するには時間がかかり過ぎ、現実的ではない。例えば合金材料について１００００通りの説明変数（組成や製造条件の組）をスクリーニングすべく全合金組成の状態図を算出しようとすると、各組の計算に約９０秒かかるので、合計で約２５０時間の時間を要する。

【0005】

本発明は、熱力学的平衡状態を短時間で計算できる熱力学的平衡状態の予測装置、予測方法、及び予測プログラムを提供することを目的とする。

【課題を解決するための手段】

【0006】

本発明の実施態様は、以下に示す構成を備える。

【0007】

［１］ 対象材料の熱力学的平衡状態の予測装置であって、
前記対象材料の設計条件に係る説明変数の入力に基づいて、前記熱力学的平衡状態に係る目的変数を出力するモデルと、
所定の設計条件の入力と、該設計条件に基づき生じ得る前記熱力学的平衡状態の出力とを含む学習用データを作成する学習用データ作成部と、
前記学習用データ作成部により作成された前記学習用データを用いて、前記モデルの入出力関係が前記学習用データの入出力関係に近づくように機械学習を行うモデル学習部と、
前記対象材料の熱力学的平衡状態の予測に用いる予測用説明変数を設定する説明変数設定部と、
前記モデル学習部による機械学習が済んだ前記モデルへの前記予測用説明変数の入力に基づき、前記熱力学的平衡状態の予測結果である予測用目的変数を前記モデルから出力する予測部と、
を備える予測装置。

【0008】

［２］ 前記予測部により出力された前記予測用目的変数に基づき前記熱力学的平衡状態の状態図を作成して表示する状態図表示部を備える、［１］に記載の予測装置。

【0009】

［３］ 前記モデルは多層ニューラルネットワークであり、
前記モデル学習部はディープラーニングを用いて前記モデルの学習を行う、
［１］または［２］に記載の予測装置。

【0010】

［４］ 前記モデルの出力である前記目的変数は、前記対象材料の熱力学的平衡状態における相分率であり、
前記多層ニューラルネットワークの出力層のニューロンにはソフトマックス関数が用いられる、
［３］に記載の予測装置。

【0011】

［５］ 前記学習用データ作成部は、前記設計条件の所定範囲の組合せから成る前記説明変数を作成し、ＣＡＬＰＨＡＤ法を用いて前記目的変数を算出して、前記作成した前記説明変数と前記算出した前記目的変数とを含む前記学習用データを作成する、
［１］〜［４］のいずれか１項に記載の予測装置。

【0012】

［６］ 前記対象材料がアルミニウム合金であり、
前記説明変数が前記アルミニウム合金の組成及び製造条件を含み、
前記目的変数が前記アルミニウム合金の熱力学的平衡状態での相分率を含む、
［１］〜［５］のいずれか１項に記載の予測装置。

【0013】

［７］
対象材料の熱力学的平衡状態の予測方法であって、
前記対象材料の設計条件に係る説明変数の入力に基づいて、前記熱力学的平衡状態に係る目的変数を出力するモデルに関して、所定の設計条件の入力と、該設計条件に基づき生じ得る前記熱力学的平衡状態の出力とを含む学習用データを作成する学習用データ作成ステップと、
前記学習用データ作成ステップにて作成された前記学習用データを用いて、前記モデルの入出力関係が前記学習用データの入出力関係に近づくように機械学習を行うモデル学習ステップと、
前記対象材料の熱力学的平衡状態の予測に用いる予測用説明変数を設定する説明変数設定ステップと、
前記説明変数設定ステップにて設定された前記予測用説明変数の、前記モデル学習ステップにて機械学習が済んだ前記モデルへの入力に基づき、前記熱力学的平衡状態の予測結果である予測用目的変数を前記モデルから出力する予測ステップと、
を含む予測方法。

【0014】

［８］ 対象材料の熱力学的平衡状態の予測プログラムであって、
前記対象材料の設計条件に係る説明変数の入力に基づいて、前記熱力学的平衡状態に係る目的変数を出力するモデルに関して、所定の設計条件の入力と、該設計条件に基づき生じ得る前記熱力学的平衡状態の出力とを含む学習用データを作成する学習用データ作成機能と、
前記学習用データ作成機能により作成された前記学習用データを用いて、前記モデルの入出力関係が前記学習用データの入出力関係に近づくように機械学習を行うモデル学習機能と、
前記対象材料の熱力学的平衡状態の予測に用いる予測用説明変数を設定する説明変数設定機能と、
前記説明変数設定機能により設定された前記予測用説明変数の、前記モデル学習機能により機械学習が済んだ前記モデルへの入力に基づき、前記熱力学的平衡状態の予測結果である予測用目的変数を前記モデルから出力する予測機能と、
をコンピュータに実現させるための予測プログラム。

【発明の効果】

【0015】

本発明によれば、熱力学的平衡状態を短時間で計算できる熱力学的平衡状態の予測装置、予測方法、及び予測プログラムを提供することができる。

【図面の簡単な説明】

【0016】

【図1】実施形態に係る予測装置の概略構成を示すブロック図である。

【図2】４元系の学習用データの一例を示す図である。

【図3】図２に示した４元系の学習データを用いた場合の学習結果を示す図である。

【図4】９元系の学習用データの一例を示す図である。

【図5】図４に示した９元系の学習データを用いた場合の学習結果を示す図である。

【図6】予測装置のハードウェア構成を示すブロック図である。

【図7】実施形態に係る予測装置１により実施される熱力学的平衡状態の予測処理のフローチャートである。

【発明を実施するための形態】

【0017】

以下、添付図面を参照しながら実施形態について説明する。説明の理解を容易にするため、各図面において同一の構成要素に対しては可能な限り同一の符号を付して、重複する説明は省略する。

【0018】

図１〜図５を参照して実施形態に係る熱力学的平衡状態の予測装置１（以下では単に「予測装置１」とも表記する）の構成を説明する。図１は、実施形態に係る予測装置１の概略構成を示すブロック図である。予測装置１は、複数の組成からなる材料、または、複数の製造条件の組合せにより製造される材料を含む対象材料の熱力学系平衡状態や状態図を予測するための装置である。本実施形態では、予測対象材料の一例として、アルミニウム合金を挙げて説明する。

【0019】

図１に示すように、予測装置１は、モデル２と、学習用データ作成部３と、モデル学習部４と、説明変数設定部５と、予測部６と、状態図表示部７とを備える。

【0020】

モデル２は、対象材料の設計条件に係る説明変数（アルミニウム合金の組成、製造条件）の入力に基づいて、熱力学的平衡状態に係る目的変数（熱力学的平衡状態における化合物の相分率）を出力する。モデル２は、教師あり学習モデルであり、熱力学的平衡状態の予測を行う前段階として、モデル学習部４によって機械学習が行われて、説明変数と目的変数との対応関係、すなわちモデル２の入出力関係が学習される。

【0021】

本実施形態では、モデル２は図１に示すように入力層と、複数の中間層と、出力層とを有する多層ニューラルネットワークである。モデル２の入力層の各ニューロンは、説明変数の各項目と同数設けられ、各項目の数値が入力される。図１では、製造条件として温度Ｔ（℃）と、原料組成として添加元素３種のＳｉ、Ｃｕ、Ｍｇの重量百分率（ｗｔ％）の数値が入力層の各ニューロンに入力される。モデル２の出力層の各ニューロンは、目的変数の各項目と同数設けられ、各項目の数値が出力される。

【0022】

また、モデル２の多層ニューラルネットワークの出力層にはソフトマックス関数が用いられる。つまり、モデル２の複数の出力のそれぞれが０から１の範囲であり、かつ、複数の出力の総和が１となる。上述のように本実施形態ではモデル２の出力は熱力学的平衡状態における各化合物の相分率なので、ソフトマックス関数を出力層に用いることにより、モデル２の出力値に追加演算を行わずに相分率として利用でき、計算コストを低減できる。

【0023】

学習用データ作成部３は、モデル２の学習用データを作成する。学習用データは、所定の設計条件の入力と、該設計条件に基づき生じ得る熱力学的平衡状態の出力とを含む。学習用データ作成部３は、アルミニウム合金の設計条件（組成、製造条件）の所定範囲の組合せから成る説明変数を作成し、ＣＡＬＰＨＡＤ法を用いて目的変数を算出して、作成した説明変数と、算出した目的変数とを含む学習用データを作成する。

【0024】

図２は、４元系の学習用データの一例を示す図である。図２の学習用データは、説明変数として、アルミニウム合金の組成のうち添加元素３種のＳｉ、Ｃｕ、Ｍｇの重量百分率（ｗｔ％）、及び製造条件のうち温度（℃）の４個の項目を含み、目的変数として、入力の３種の組成に基づく９種の化合物の相分率を含む、４元系の学習用データである。４元系の学習用データを採用する場合、図１に例示するように、モデル２の入力層のニューロンの数は４個、出力層のニューロンの数は９個となる。

【0025】

なお、説明変数の組成Ｓｉ、Ｃｕ、Ｍｇの重量百分率は、例えば各元素の数値を所定範囲内で振った数値群を作成し、各元素の数値群の全組合せである。また、説明変数の温度の数値は、所定の温度範囲（例えば０〜１０００℃）内で振った数値群である。これらの組成の全組合せのそれぞれに、温度の数値群が組み合わされて説明変数の組が生成される。目的変数の化合物の数は、説明変数に含む組成の内容に応じて決まる。

【0026】

図４は、９元系の学習用データの一例を示す図である。図４の学習用データは、説明変数として、アルミニウム合金の組成として添加元素８種Ｓｉ、Ｆｅ、Ｃｕ、Ｍｎ、Ｍｇ、Ｃｒ、Ｎｉ、Ｚｎの重量百分率、及び製造条件の温度（℃）の９個の項目を含み、目的変数として入力の８種の組成に基づく３５種の化合物の相分率を含む、９元系の学習用データである。９元系の学習用データを採用する場合、モデル２の入力層のニューロンの数は９個、出力層のニューロンの数は３５個となる。

【0027】

なお、説明変数に含める組成の種類としては上記の添加元素３種、８種等に限られず、任意の種類と数を設定できる。また、説明変数に含める製造条件の項目は温度以外のものでもよく、ガス雰囲気などを含めてもよい。

【0028】

モデル学習部４は、学習用データ作成部３により作成された学習用データを用いて、モデル２の入出力関係が学習用データの入出力関係に近づくように機械学習を行う。本実施形態では、モデル学習部４はディープラーニングを用いてモデル２の機械学習を行う。

【0029】

図３は、図２に示した４元系の学習データを用いた場合の学習結果を示す図である。図３の（ａ）は学習用データの目的変数から作成した状態図を示し、（ｂ）はその拡大図である。図３の（ｃ）は学習用データの説明変数の入力に基づく学習済みのモデル２の出力から作成した状態図を示し、（ｄ）はその拡大図である。状態図は、目的変数のＳｉ、Ｃｕ、Ｍｇの重量百分率の各組合せごとに、目的変数の温度範囲に亘って作成される。なお図３の例では目的変数は実際には９項目であるが、紙面の都合上代表的なものを図示している。図３に示す各状態図の横軸は温度（℃）を示し、縦軸は熱力学的平衡状態における各化合物の相分率を示す。図３の（ａ）、（ｂ）と（ｃ）、（ｄ）とを比較すれば、４元系では学習済みのモデル２の出力が学習用データに則していることがわかる。

【0030】

図５は、図４に示した９元系の学習データを用いた場合の学習結果を示す図である。図５の（ａ）は学習用データの目的変数から作成した状態図を示し、（ｂ）は学習用データの説明変数の入力に基づく学習済みのモデル２の出力から作成した状態図を示す。なお図５の例では目的変数は実際には３５項目であるが、紙面の都合上代表的なものを図示している。図５の（ａ）と（ｂ）とを比較すれば、９元系の学習データを用いた場合でも４元系の学習データを用いた場合と同様に学習済みのモデル２の出力が学習用データに則していることがわかる。

【0031】

なお、モデル学習部４によるモデル２の機械学習は、学習用データの各データセットの出力誤差を解消するよう学習する構成でもよいし、図３（ｃ）や図５（ｂ）に例示したモデル２出力に基づく状態図が、図３（ａ）や図５（ａ）に例示した学習用データの状態図に近づくように学習する構成でもよい。

【0032】

説明変数設定部５は、対象材料の熱力学的平衡状態の予測に用いる予測用の説明変数を設定する。説明変数設定部５は、例えば表示装置上のＧＵＩなどに各種設計条件の入力画面を表示して設計者に入力を促すことによって、説明変数を設定できる。

【0033】

予測部６は、説明変数設定部５により設定された予測用説明変数を、モデル学習部４による機械学習が済んだモデル２へ入力することによって、熱力学的平衡状態の予測結果である予測用の目的変数をモデル２から出力する。

【0034】

状態図表示部７は、予測部６により出力された予測用の目的変数に基づき、対象材料の熱力学的平衡状態の状態図を作成して表示する。

【0035】

図６は、予測装置１のハードウェア構成を示すブロック図である。図６に示すように、予測装置１は、物理的には、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０１、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０８、主記憶装置であるＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０２およびＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１０３、入力デバイスであるキーボード及びマウス等の入力装置１０４、ディスプレイ等の出力装置１０５、ネットワークカード等のデータ送受信デバイスである通信モジュール１０６、ハードディスク等の補助記憶装置１０７、などを含むコンピュータシステムとして構成することができる。

【0036】

図１に示す予測装置１の各機能は、ＣＰＵ１０１、ＲＡＭ１０２等のハードウェア上に所定のコンピュータソフトウェア（予測プログラム）を読み込ませることにより、ＣＰＵ１０１の制御のもとで通信モジュール１０６、入力装置１０４、出力装置１０５を動作させるとともに、ＲＡＭ１０２や補助記憶装置１０７におけるデータの読み出し及び書き込みを行うことで実現される。すなわち、本実施形態の予測プログラムをコンピュータ上で実行させることで、予測装置１は、図１のモデル２と、学習用データ作成部３と、モデル学習部４と、説明変数設定部５と、予測部６と、状態図表示部７として機能する。

【0037】

本実施形態の予測プログラムは、例えばコンピュータが備える記憶装置内に格納される。なお、予測プログラムは、その一部又は全部が、通信回線等の伝送媒体を介して伝送され、コンピュータが備える通信モジュール１０６等により受信されて記録（インストールを含む）される構成としてもよい。また、予測プログラムは、その一部又は全部が、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、フラッシュメモリなどの持ち運び可能な記憶媒体に格納された状態から、コンピュータ内に記録（インストールを含む）される構成としてもよい。

【0038】

図７は、実施形態に係る予測装置１により実施される熱力学的平衡状態の予測処理のフローチャートである。

【0039】

ステップＳ１では、学習用データ作成部３により、モデル２の学習用データが作成される（学習用データ作成ステップ）。学習用データ作成部３は、設計者による組成や製造条件（温度など）の指定範囲の入力に応じて、この指定範囲内を網羅するように説明変数の組を作成し、作成したすべての説明変数の組を使ってＣＡＬＰＨＡＤ法により目的変数を算出し、説明変数と紐づけて、例えば図２、図４に示す４元系や９元系の学習用データを作成する。

【0040】

ステップＳ２では、モデル学習部４により、ステップＳ１にて作成された学習用データを用いて、モデル２の機械学習が行われる（モデル学習ステップ）。モデル学習部４は、学習用データの説明変数の入力に応じて、この説明変数に紐づけられた目的変数と合致した出力となるように、多層ニューラルネットワークの各層間のウェイトを調整して、モデル２の学習を行う。モデル学習部４は、例えばディープラーニングを用いてモデル２の学習を行う。

【0041】

ステップＳ３では、説明変数設定部５により、対象材料の熱力学的平衡状態の予測に用いる予測用の説明変数が設定される（説明変数設定ステップ）。

【0042】

ステップＳ４では、予測部６により、学習済みのモデル２を用いて対象材料の熱力学的平衡状態が予測される（予測ステップ）。予測部６は、ステップＳ３にて設定された説明変数をステップＳ２にて機械学習が済んだモデル２へ入力し、モデル２から出力される熱力学的平衡状態の予測結果である予測用の目的変数を取得する。

【0043】

ステップＳ５では、状態図表示部７により、予測部６により出力された予測用の目的変数に基づき、対象材料の熱力学的平衡状態の状態図が作成されて表示される。

【0044】

本実施形態の効果を説明する。本実施形態の予測装置１は、対象材料の設計条件に係る説明変数の入力に基づいて、熱力学的平衡状態に係る目的変数を出力するモデル２と、所定の設計条件の入力と、該設計条件に基づき生じ得る熱力学的平衡状態の出力とを含む学習用データを作成する学習用データ作成部３と、学習用データ作成部３により作成された学習用データを用いて、モデル２の入出力関係が学習用データの入出力関係に近づくように機械学習を行うモデル学習部４と、対象材料の熱力学的平衡状態の予測に用いる予測用説明変数を設定する説明変数設定部５と、モデル学習部４による機械学習が済んだモデル２への予測用説明変数の入力に基づき、熱力学的平衡状態の予測結果である予測用目的変数をモデル２から出力する予測部６と、を備える。

【0045】

この構成により、学習済みのモデル２に予測用の目的変数を入力するだけで、この目的変数に応じた熱力学的平衡状態の予測結果である予測用目的変数がモデル２から出力されるので、従来のＣＡＬＰＨＡＤ法などのシミュレーションに比べて目的変数を算出するまでの計算コストを格段に低減でき、熱力学的平衡状態を短時間で計算できる。例えば１００００通りの説明変数（組成や製造条件の組）をスクリーニングすべく全組成の状態図を算出しようとすると、シミュレーションの場合、各組の計算に約９０秒かかるので、合計で約２５０時間の時間を要するが、本実施形態の場合、各組の計算時間は約３ミリ秒なので、合計で約３０秒で済む。

【0046】

また、この構成により、学習済みのモデル２の汎化能力を利用して、学習用データの説明変数とは異なる未知の入力に対しても適切な予測用の目的変数を出力できるので、熱力学的平衡状態の予測を高精度に行うことができる。つまり、従来のシミュレーション手法では未知の入力の場合には再度シミュレーション演算を行う必要があったのに対して、本実施形態では一度学習済みのモデル２を獲得すれば、モデル２の追加学習を行わなくても未知の入力に対して適切な出力を得ることができる。これにより、組成の網羅的な解析を短時間かつ高精度で実施できるので、従来のシミュレーションでは現実的ではなかった大量の組成のスクリーニングも可能となり、より最適な設計条件の抽出が可能となる。

【0047】

また、本実施形態の予測装置１は、予測部６により出力された予測用目的変数に基づき熱力学的平衡状態の状態図を作成して表示する状態図表示部７を備える。この構成により、設計者に対して対象材料の熱力学的平衡状態の予測結果を視覚的に提示できるので、設計者が予測結果を容易に理解できる。

【0048】

また、本実施形態の予測装置１では、モデル２が多層ニューラルネットワークであり、モデル学習部４はディープラーニングを用いてモデルの学習を行うので、学習を高速かつ高精度に行うことができ、熱力学的平衡状態の予測をより高精度にできる。

【0049】

また、本実施形態の予測装置１では、モデル２の出力である目的変数は、対象材料の熱力学的平衡状態における相分率であり、モデル２の多層ニューラルネットワークの出力層のニューロンはソフトマックス関数に基づき出力値を算出する。この構成により、出力の総和が常に１となるように維持できるので、相分率をモデル２の出力とする本実施形態では、各出力をそのまま相分率として使用でき、計算コストをさらに低減できる。

【0050】

また、本実施形態の予測装置１では、学習用データ作成部３は、説明変数を作成し、ＣＡＬＰＨＡＤ法を用いて目的変数を算出して学習用データを作成するので、目的変数を精度良く算出でき、学習用データの精度を向上できる。

【0051】

以上、具体例を参照しつつ本実施形態について説明した。しかし、本開示はこれらの具体例に限定されるものではない。これら具体例に、当業者が適宜設計変更を加えたものも、本開示の特徴を備えている限り、本開示の範囲に包含される。前述した各具体例が備える各要素およびその配置、条件、形状などは、例示したものに限定されるわけではなく適宜変更することができる。前述した各具体例が備える各要素は、技術的な矛盾が生じない限り、適宜組み合わせを変えることができる。

【0052】

上記実施形態では、予測装置１が熱力学系平衡状態を予測する対象材料としてアルミニウム合金を挙げたが、アルミニウム合金以外の合金系を対象材料としてもよい。このような合金系としては、Ｆｅ合金、Ｃｕ合金、Ｎｉ合金、Ｃｏ合金、Ｔｉ合金、Ｍｇ合金、Ｍｎ合金、Ｚｎ合金などが挙げられる。また、セラミックス、水溶液、化学反応等の合金以外を対象材料としてもよい。

【0053】

上記実施形態では、モデル２として多層ニューラルネットワークを例示し、モデル２の機械学習手法としてディープラーニングを例示したが、モデル２や学習手法はこれに限られず、遺伝的アルゴリズムなどの他の教師あり学習モデルや、ランダムフォレスト回帰やカーネルリッジ回帰などの他の機械学習手法を用いることもできる。

【0054】

上記実施形態では、学習用データ作成部３が、モデル２の学習用データをＣＡＬＰＨＡＤ法で計算して作成する構成を例示したが、熱力学計算等を行ったシミュレーション結果ではなく実験結果を用いて学習用データを作成する構成でもよい。例えば、組成を変えて製造した種々の合金材料について、種々の温度に保持して平衡状態に達した後、この平衡状態を凍結するため低温へ急冷して、各種分析によって合金材料中における化合物の種類と相分率を算出する方法が挙げられる。分析の方法としては、例えばＸ線回折測定により得られたピーク位置から化合物の種類を特定し、ピーク強度比から相分率を算出する方法や、走査型電子顕微（Ｓｃａｎｎｉｎｇ Ｅｌｅｃｔｒｏｎ Ｍｉｃｒｏｓｃｏｐｅ（ＳＥＭ））や透過型電子顕微鏡（Ｔｒａｎｓｍｉｓｓｉｏｎ Ｅｌｅｃｔｒｏｎ Ｍｉｃｒｏｓｃｏｐｅ（ＴＥＭ））といった電子顕微鏡観察において、観察した対象視野に対してエネルギー分散型Ｘ線分析（Ｅｎｅｒｇｙ ｄｉｓｐｅｒｓｉｖｅ Ｘ−ｒａｙ ｓｐｅｃｔｒｏｍｅｔｒｙ（ＥＤＳ））を行い、相の種類を特定するとともに、観察像における各相の粒子のそれぞれの合計面積率から相分率を算出する方法が考えられる。

【0055】

上記実施形態では、予測装置１が状態図表示部７によって、最終的に熱力学的平衡状態の状態図を出力する構成を例示したが、予測装置１が予測部６から出力される予測結果の数値を出力し、状態図を出力しない構成でもよい。

【0056】

上記実施形態では、モデル２の出力が熱力学的平衡状態における化合物の相分率である構成を例示したが、モデル２の出力は熱力学的平衡状態に係る情報であればよく、相分率以外でもよい。

【0057】

本国際出願は２０１８年１０月３１日に出願された日本国特許出願２０１８−２０６０１７号に基づく優先権を主張するものであり、２０１８−２０６０１７号の全内容をここに本国際出願に援用する。

【符号の説明】

【0058】

１ 熱力学的平衡状態の予測装置
２ モデル
３ 学習用データ作成部
４ モデル学習部
５ 説明変数設定部
６ 予測部
７ 状態図表示部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】