特開 2024-151224 材料特性を予測する方法、情報処理装置、及びプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024151224

(43)【公開日】2024-10-24

(54)【発明の名称】材料特性を予測する方法、情報処理装置、及びプログラム

(51)【国際特許分類】

   G16C 20/30 20190101AFI20241017BHJP

   G16C 20/70 20190101ALI20241017BHJP

【ＦＩ】

G16C20/30

G16C20/70

【審査請求】未請求

【請求項の数】17

【出願形態】ＯＬ

(21)【出願番号】P 2023064454

(22)【出願日】2023-04-11

(71)【出願人】

【識別番号】000002886

【氏名又は名称】ＤＩＣ株式会社

(74)【代理人】

【識別番号】100177426

【弁理士】

【氏名又は名称】粟野 晴夫

(74)【代理人】

【識別番号】100141601

【弁理士】

【氏名又は名称】貴志 浩充

(74)【代理人】

【識別番号】100164471

【弁理士】

【氏名又は名称】岡野 大和

(72)【発明者】

【氏名】北出 祐也

(57)【要約】

【課題】材料特性を予測する技術を改善する。
【解決手段】情報処理装置が実行する材料特性を予測する方法であって、材料の分析チャートを説明変数とし、前記材料の材料特性を目的変数とする実績データに基づき予測モデルを生成するステップと、予測モデルに基づき材料特性を予測するステップと、を含む。
【選択図】図５

【特許請求の範囲】

【請求項1】

情報処理装置が実行する材料特性を予測する方法であって、
材料の分析チャートを説明変数とし、前記材料の材料特性を目的変数とする実績データに基づき予測モデルを生成するステップと、
前記予測モデルに基づき材料特性を予測するステップと、
を含む、方法。

【請求項2】

請求項１に記載の方法であって、
前記分析チャートは、高分子材料の分析チャートであり、前記材料特性は、前記高分子
材料のレオロジー特性である、方法。

【請求項3】

請求項２に記載の方法であって、
前記分析チャートは、前記材料の分子構造を示す分析チャート、及び前記材料の分子量情報を含む分析チャートである、方法。

【請求項4】

請求項３に記載の方法であって、
前記分子構造を示す分析チャートはＩＲチャートであり、前記分子量情報を含む分析チャートはＧＰＣチャートである、方法。

【請求項5】

請求項４に記載の方法であって、
前記レオロジー特性が粘弾特性であることを特徴とする、方法。

【請求項6】

請求項５に記載の方法であって、さらに、
前記分析チャートを圧縮した圧縮データを生成するステップを含み、
前記圧縮データを説明変数として前記予測モデルを生成する方法。

【請求項7】

請求項６に記載の方法であって、
前記圧縮データを生成するステップは、オートエンコーダにより実行される、方法。

【請求項8】

請求項２に記載の方法であって、さらに、
前記実績データは、所定用途で使用される高分子材料のデータと、前記所定用途以外で使用される高分子材料の実績データとを含むことを特徴とする方法。

【請求項9】

請求項５に記載の方法であって、さらに、
前記実績データは、粘接着剤用途で使用される高分子材料のデータと、粘接着剤用途以外で使用される高分子材料の実績データとを含むことを特徴とする方法。

【請求項10】

請求項１～９のいずれか一項に記載の方法であって、さらに、
前記分析チャートからチャート領域を選定するステップを含み、前記チャート領域として選定された部分を説明変数として前記予測モデルを生成する方法。

【請求項11】

請求項１～９のいずれか一項のいずれか一項に記載の方法であって、
前記予測モデルは、ニューラルネットワークモデルであり、予測する特性値のチャートの複数の数値を目的変数に対応する形で多数出力する、方法。

【請求項12】

請求項１１に記載の方法であって、
前記ニューラルネットワークモデルが畳み込みニューラルネットワーク、又は再帰型ニューラルネットワーク、又は注意機構を有するニューラルネットワークであることを特徴とする、方法。

【請求項13】

請求項５～７、又は９のいずれか一項に記載の方法であって、さらに、
粘弾特性を説明変数とし、接着特性を目的変数とする粘接着材料の実績データに基づき接着特性予測モデルを生成するステップと、
前記接着特性予測モデルに基づき、前記粘弾特性から、前記高分子材料を原料とする粘接着材料の接着特性を予測するステップと、
を含む方法。

【請求項14】

請求項１～９のいずれか一項に記載の方法であって、さらに、
前記予測モデルを用いた逆解析により、所望の材料特性を有する分析チャートを探索するステップを含む、方法。

【請求項15】

請求項１３に記載の方法であって、さらに、
前記接着特性予測モデルを用いた逆解析により、所望の接着特性を有する高分子材料の粘弾特性を探索するステップと、
前記予測モデルを用いた逆解析により、前記探索するステップで探索された粘弾特性を有するＩＲチャート及びＧＰＣチャートを探索するステップと、
を含む方法。

【請求項16】

制御部を備え、材料特性を予測する情報処理装置であって、
前記制御部は、
材料の分析チャートを説明変数とし、前記材料の材料特性を目的変数とする実績データに基づき予測モデルを生成し、
前記予測モデルに基づき材料特性を予測する、情報処理装置。

【請求項17】

情報処理装置が実行する材料特性を予測するプログラムであって、コンピュータに、
材料の分析チャートを説明変数とし、前記材料の材料特性を目的変数とする実績データに基づき予測モデルを生成することと、
前記予測モデルに基づき材料特性を予測することと、
を実行させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、材料特性を予測する方法、情報処理装置、及びプログラムに関する。

【背景技術】

【0002】

従来から機械学習等により材料特性を予測する技術等が知られている。例えば特許文献１には、ポリマーの物性を予測する方法が開示されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２０－０７４０９５号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１では、学習モデルを訓練する際に、材料の分子構造等の特徴量ベクトルを説明変数として用いることを前提としている。つまり従来の材料の特性を予測する方法としては、材料の組成、構造等を使用し、ある特定温度域の材料特性を目的変数として予測モデルを生成する方法が一般的に考えられてきた。しかしながら、従来の方法では、材料の組成・構造等が既知であることが前提であったため、組成・構造が不明な材料については、予測することができなかった。このように材料特性を予測する技術には改善の余地があった。

【0005】

かかる事情に鑑みてなされた本開示の目的は、材料特性を予測する技術を改善することにある。

【課題を解決するための手段】

【0006】

（１）本開示の一実施形態に係る方法は、
情報処理装置が実行する材料特性を予測する方法であって、
材料の分析チャートを説明変数とし、前記材料の材料特性を目的変数とする実績データに基づき予測モデルを生成するステップと、
前記予測モデルに基づき材料特性を予測するステップと、
を含む。

【0007】

（２）本開示の一実施形態に係る方法は、（１）に記載の方法であって、
前記分析チャートは、高分子材料の分析チャートであり、前記材料特性は、前記高分
子材料のレオロジー特性である。

【0008】

（３）本開示の一実施形態に係る方法は、（１）又は（２）に記載の方法であって、
前記分析チャートは、前記材料の分子構造を示す分析チャート、及び前記材料の分子量情報を含む分析チャートである。

【0009】

（４）本開示の一実施形態に係る方法は、（１）～（３）のいずれか一項に記載の方法であって、
前記構造を示す分析チャートはＩＲチャートであり、前記分子量情報を含む分析チャートはＧＰＣチャートである。

【0010】

（５）本開示の一実施形態に係る方法は、（１）～（４）のいずれか一項に記載の方法であって、前記レオロジー特性が粘弾特性であることを特徴とする。

【0011】

（６）本開示の一実施形態に係る方法は、（１）～（５）のいずれか一項に記載の方法であって、さらに
前記分析チャートを圧縮した圧縮データを生成するステップを含み、
前記圧縮データを説明変数として前記予測モデルを生成する。

【0012】

（７）本開示の一実施形態に係る方法は、（６）に記載の方法であって、
前記圧縮データを生成するステップは、オートエンコーダにより実行される。

【0013】

（８）本開示の一実施形態に係る方法は、（２）～（７）に記載の方法であって、さらに、
前記実績データは、所定用途で使用される高分子材料のデータと、前記所定用途以外で使用される高分子材料の実績データとを含む。

【0014】

（９）本開示の一実施形態に係る方法は、（５）に記載の方法であって、さらに、
前記実績データは、粘接着剤用途で使用される高分子材料のデータと、粘接着剤用途以外で使用される高分子材料の実績データとを含む。

【0015】

（１０）本開示の一実施形態に係る方法は、（１）～（９）のいずれか一項に記載の方法であって、さらに、
前記分析チャートからチャート領域を選定するステップを含み、前記チャート領域として選定された部分を説明変数として前記予測モデルを生成する方法。

【0016】

（１１）本開示の一実施形態に係る方法は、（１）～（１０）のいずれか一項に記載の方法であって、前記予測モデルは、ニューラルネットワークモデルであり、予測する特性値のチャートの複数の数値を目的変数に対応する形で多数出力する。

【0017】

（１２）本開示の一実施形態に係る方法は、（１１）に記載の方法であって前記ニューラルネットワークモデルが畳み込みニューラルネットワーク、又は再帰型ニューラルネットワーク、又は注意機構を有するニューラルネットワークであることを特徴とする、方法。

【0018】

（１３）本開示の一実施形態に係る方法は、（５）～（７）、又は（９）のいずれか一項に記載の方法であって、さらに、
粘弾特性を説明変数とし、接着特性を目的変数とする粘接着材料の実績データに基づき接着特性予測モデルを生成するステップと、
前記接着特性予測モデルに基づき、前記粘弾特性から、前記高分子材料を原料とする粘接着材料の接着特性を予測するステップと、を含む。

【0019】

（１４）本開示の一実施形態に係る方法は、（１）～（１２）のいずれか一項に記載の方法であって、さらに、
前記予測モデルを用いた逆解析により、所望の材料特性を有する分析チャートを探索するステップを含む。

【0020】

（１５）本開示の一実施形態に係る方法は、（１３）に記載の方法であって、さらに、
前記接着特性予測モデルを用いた逆解析により、所望の接着特性を有する高分子材料の粘弾特性を探索するステップと、
前記予測モデルを用いた逆解析により、前記探索するステップで探索された粘弾特性を有するＩＲチャート及びＧＰＣチャートを探索するステップと、
を含む。

【0021】

（１６）本開示の一実施形態に係る情報処理装置は、
制御部を備え、材料特性を予測する情報処理装置であって、
前記制御部は、
材料の分析チャートを説明変数とし、前記材料の材料特性を目的変数とする実績データに基づき予測モデルを生成し、
前記予測モデルに基づき材料特性を予測する。

【0022】

（１７）本開示の一実施形態に係るプログラムは、
情報処理装置が実行する材料特性を予測するプログラムであって、コンピュータに、
材料の分析チャートを説明変数とし、前記材料の材料特性を目的変数とする実績データに基づき予測モデルを生成することと、
前記予測モデルに基づき材料特性を予測することと、
を実行させる。

【発明の効果】

【0023】

本開示の一実施形態に係る材料特性を予測する方法、情報処理装置、及びプログラムによれば、材料特性を予測する技術を改善することができる。

【図面の簡単な説明】

【0024】

【図1】粘接着材料の一例を示す図である。

【図2】貯蔵弾性率の一例を示す図である。

【図3】損失弾性率の一例を示す図である。

【図4】損失正接の一例を示す図である。

【図5】本開示の一実施形態に係る予測技術の概要を示す図である。

【図6】本開示の一実施形態に係る情報処理装置の概略構成を示すブロック図である。

【図7】本開示の一実施形態に係る材料特性を予測する方法を示すフローチャートである。

【図8】本開示の一実施形態に係る予測技術による予測結果と実験結果の比較グラフを示す。

【図9】本開示の一実施形態に係る予測技術により予測した損失正接に係る予測値と実測値との関係を示すグラフを示す。

【図10】接着特性の予測方法を概念的に示す図である。

【図11】学習用データセットの一例を示す図である。

【図12】所望の材料特性を有する分析チャートを探索する方法を示すフローチャートである。

【図13】所望の粘着特性を有する分析チャートを探索する方法を示すフローチャートである。

【発明を実施するための形態】

【0025】

以下、本開示の実施形態に係る材料特性を予測する技術ついて、図面を参照して説明する。

【0026】

各図中、同一又は相当する部分には、同一符号を付している。本実施形態の説明において、同一又は相当する部分については、説明を適宜省略又は簡略化する。

【0027】

（予測対象）
本開示の一実施形態に係る材料特性を予測する技術の予測対象は、例えば粘接着材料用の高分子材料のレオロジー特性である。レオロジー特性とは物質の変形と流動に関わる特性であり、粘弾特性、引張強度、応力緩和、クリープ、塑性流動性、チキソトロピー性等が挙げられる。ただし材料特性を予測する技術の予測対象はこれに限られない。予測対象の材料は、例えば、有機化合物、無機化合物、低分子材料、高分子材料等であってよく、より具体的には強化炭素繊維プラスチックなどであってよい。また予測対象の材料特性もこれらの任意の特性であってよい。以下本実施の形態では、予測対象が高分子材料の粘弾特性である場合について説明する。

【0028】

まず図１を参照して、粘接着材料について説明する。図１は、粘接着材料の一例を示す図である。

【0029】

本明細書における「粘接着材料」とは、物と物とを接合する機能を有する材料を意味する。粘接着材料としては、たとえば、粘着テープおよび接着剤などが挙げられる。以下では、粘接着材料として粘着テープを例に挙げて説明を行うが、粘接着材料は、粘着テープに限定されない。

【0030】

粘着テープは、片面テープであってもよいし、両面テープであってもよい。また、粘着テープの用途は、特に限定されず、工業用であってもよいし、家庭用であってもよい。粘着テープの種類としては、たとえば、中芯レステープ、不織布中芯テープ、フィルム中芯テープ、発泡体中芯テープ、金属箔中芯テープなどが挙げられる。

【0031】

図１には、粘接着材料１０の一例である片面粘着テープ１０Ａが示されている。片面粘着テープ１０Ａは、たとえば、シート状の中芯基材１２と、粘着剤１４と、剥離剤１６とで構成されている。

【0032】

中芯基材１２の種類は特に限定されない。中芯基材１２は、プラスチックフィルムであってもよいし、紙であってもよいし、発泡体であってもよいし、金属箔であってもよいし、その他の種類のシートであってもよい。

【0033】

中芯基材１２の一方の面には、粘着剤１４が塗られている。中芯基材１２の他方の面には、剥離剤１６が塗られている。

【0034】

剥離剤１６は、片面粘着テープ１０Ａがロール状に巻かれている状態で粘着剤１４を覆い、接着力が落ちないように粘着剤１４を保護する。

【0035】

粘接着材料用の粘接着剤となる高分子材料の粘弾特性には、温度依存性がある。かかる粘弾特性は例えば粘弾特性チャート（以下、粘弾性チャートともいう。）により示される。粘弾性チャートは、具体的には例えば、貯蔵弾性率、損失弾性率、及び損失正接のチャートを含む。

【0036】

貯蔵弾性率は、粘接着剤が変形する際に弾性エネルギーとして粘接着剤内に貯蔵されるエネルギーの成分に相当し、粘接着剤の硬さの程度を表す指標である。

【0037】

図２は、貯蔵弾性率の一例を示す図である。図２の例では、温度が「Ｔ」で示されており、温度Ｔにおける貯蔵弾性率が「Ｇ１（Ｔ）」で示されている。

【0038】

損失弾性率は、粘接着剤が変形する際に内部摩擦などにより散逸される損失エネルギーの成分に相当し、粘接着剤の粘性の程度を表す指標である。

【0039】

図３は、損失弾性率の一例を示す図である。図３の例では、温度が「Ｔ」で示されており、温度Ｔにおける損失弾性率が「Ｇ２（Ｔ）」で示されている。

【0040】

損失正接は、貯蔵弾性率「Ｇ１（Ｔ）」と損失弾性率「Ｇ２（Ｔ）」との比で表される。典型的には、損失正接「ｔａｎδ（Ｔ）」は、下記式（１）で示される。

【0041】

ｔａｎδ（Ｔ）＝Ｇ２（Ｔ）／Ｇ１（Ｔ）・・・（１）
図４は、損失正接の一例を示す図である。図４の例では、温度が「Ｔ」で示されており、温度Ｔにおける損失正接が「ｔａｎδ（Ｔ）」で示されている。

【0042】

後述するように、高分子材料の粘弾特性、すなわち粘弾性チャートが予測できれば、当該高分子材料を用いた粘接着材料の物性を把握することができる。本実施形態に係る予測技術は、例えば当該高分子材料の粘弾特性を予測する場合に用いることができる。

【0043】

（本実施形態の概要）
図５を参照して、本実施形態の概要について説明する。本開示の実施形態に係る材料特性を予測する技術は、情報処理装置により実行される。また本開示の実施形態に係る材料特性を予測する技術は、材料の分析チャートを説明変数とし、材料の材料特性を目的変数とする実績データに基づき予測モデル４を生成する。ここで材料の分析チャートは、材料の分析機器によって出力される二次元で表示されるデータである。かかる予測モデル４を用いて、材料の分析チャートから、当該材料の材料特性が予測される。図５に示すように、材料の分析チャートを予測モデル４に入力し、材料特性を予測する。ここでは高分子材料の分析チャートとして、ＩＲチャートのデータ１と、ＧＰＣチャートのデータ２とを入力としている。また材料特性として、粘弾性チャートのデータ３が出力されている。

【0044】

このように本開示の実施形態に係る材料特性を予測する技術によれば、材料の分析チャートを説明変数としている。そのため、組成・構造が不明な材料であったとしても、分析チャートが得られれば材料特性を予測できるという点で、材料特性を予測する技術が改善される。

【0045】

（情報処理装置の構成）
次に、情報処理装置２０の各構成について詳細に説明する。情報処理装置２０は、ユーザによって使用される任意の装置である。例えばパーソナルコンピュータ、サーバコンピュータ、汎用の電子機器、又は専用の電子機器が、情報処理装置２０として採用可能である。

【0046】

図６に示されるように、情報処理装置２０は、制御部２１と、記憶部２２と、入力部２３と、出力部２４とを備える。

【0047】

制御部２１には、少なくとも１つのプロセッサ、少なくとも１つの専用回路、又はこれらの組み合わせが含まれる。プロセッサは、ＣＰＵ（central processing unit）若しくはＧＰＵ（graphics processing unit）などの汎用プロセッサ、又は特定の処理に特化した専用プロセッサである。専用回路は、例えば、ＦＰＧＡ（field-programmable gate array）又はＡＳＩＣ（application specific integrated circuit）である。制御部２１は、情報処理装置２０の各部を制御しながら、情報処理装置２０の動作に関わる処理を実行する。

【0048】

記憶部２２には、少なくとも１つの半導体メモリ、少なくとも１つの磁気メモリ、少なくとも１つの光メモリ、又はこれらのうち少なくとも２種類の組み合わせが含まれる。半導体メモリは、例えば、ＲＡＭ（random access memory）又はＲＯＭ（read only memory）である。ＲＡＭは、例えば、ＳＲＡＭ（static random access memory）又はＤＲＡＭ（dynamic random access memory）である。ＲＯＭは、例えば、ＥＥＰＲＯＭ（electrically erasable programmable read only memory）である。記憶部２２は、例えば、主記憶装置、補助記憶装置、又はキャッシュメモリとして機能する。記憶部２２には、情報処理装置２０の動作に用いられるデータと、情報処理装置２０の動作によって得られたデータとが記憶される。

【0049】

入力部２３には、少なくとも１つの入力用インタフェースが含まれる。入力用インタフェースは、例えば、物理キー、静電容量キー、ポインティングデバイス、ディスプレイと一体的に設けられたタッチスクリーンである。また入力用インタフェースは、例えば、音声入力を受け付けるマイクロフォン、又はジェスチャー入力を受け付けるカメラ等であってもよい。入力部２３は、情報処理装置２０の動作に用いられるデータを入力する操作を受け付ける。入力部２３は、情報処理装置２０に備えられる代わりに、外部の入力機器として情報処理装置２０に接続されてもよい。接続方式としては、例えば、ＵＳＢ（Universal Serial Bus）、ＨＤＭＩ（登録商標）（High-Definition Multimedia Interface）、又はBluetooth（登録商標）などの任意の方式を用いることができる。

【0050】

出力部２４には、少なくとも１つの出力用インタフェースが含まれる。出力用インタフェースは、例えば、情報を映像で出力するディスプレイ等である。ディスプレイは、例えば、ＬＣＤ（liquid crystal display）又は有機ＥＬ（electro luminescence）ディスプレイである。出力部２４は、情報処理装置２０の動作によって得られるデータを表示出力する。出力部２４は、情報処理装置２０に備えられる代わりに、外部の出力機器として情報処理装置２０に接続されてもよい。接続方式としては、例えば、ＵＳＢ、ＨＤＭＩ（登録商標）、又はBluetooth（登録商標）などの任意の方式を用いることができる。

【0051】

情報処理装置２０の機能は、本実施形態に係るプログラムを、情報処理装置２０に相当するプロセッサで実行することにより実現される。すなわち、情報処理装置２０の機能は、ソフトウェアにより実現される。プログラムは、情報処理装置２０の動作をコンピュータに実行させることで、コンピュータを情報処理装置２０として機能させる。すなわち、コンピュータは、プログラムに従って情報処理装置２０の動作を実行することにより情報処理装置２０として機能する。

【0052】

本実施形態においてプログラムは、コンピュータで読取り可能な記録媒体に記録しておくことができる。コンピュータで読取り可能な記録媒体は、非一時的なコンピュータ読取可能な媒体を含み、例えば、磁気記録装置、光ディスク、光磁気記録媒体、又は半導体メモリである。プログラムの流通は、例えば、プログラムを記録したＤＶＤ（digital versatile disc）又はＣＤ－ＲＯＭ（compact disc read only memory）などの可搬型記録媒体を販売、譲渡、又は貸与することによって行う。またプログラムの流通は、プログラムを外部サーバのストレージに格納しておき、外部サーバから他のコンピュータにプログラムを送信することにより行ってもよい。またプログラムはプログラムプロダクトとして提供されてもよい。

【0053】

情報処理装置２０の一部又は全ての機能が、制御部２１に相当する専用回路により実現されてもよい。すなわち、情報処理装置２０の一部又は全ての機能が、ハードウェアにより実現されてもよい。

【0054】

次に図７のフローチャートを参照して、本開示の一実施形態に係る材料特性を予測する技術を示す。特にここでは、高分子材料の粘弾特性、すなわち粘弾性チャートを予測する技術について説明する。

【0055】

ステップＳ１０１：情報処理装置２０の制御部２１は、予測モデル４を生成する。具体的には、制御部２１は、材料の分析チャートを説明変数とし、材料の材料特性を目的変数とする実績データに基づき予測モデル４を生成する。具体的には、高分子材料の分析チャートを説明変数とする。

【0056】

より具体的には、材料の分析チャートは、材料の分子構造を示す分析チャートと、材料の分子量情報を含む分析チャートを含む。具体的には例えば材料の分子構造を示す分析チャートは、ＩＲ、ラマン、ＮＭＲ、Ｘ線スペクトルを含む。また例えば材料の分子量情報を含む分析チャートは、ＧＰＣ、ＳＥＣ、ＦＦＦ、電揺動等を含む。

【0057】

高分子材料の粘弾特性を目的変数として予測する場合、説明変数として使用される材料の分子構造を示す分析チャートは、ＩＲチャートを使用することが望ましい。ＩＲチャートは、材料の分子構造を示す分析チャートとして測定が容易である。さらに、高分子のレオロジー特性に重要となる官能基の構造や架橋密度の状態を説明変数として反映することができる。材料の分子量情報を含む分析チャートは、ＧＰＣチャートを使用することが望ましい。ＧＰＣチャートは、分子量情報を含む分析チャートとして測定が容易かつ測定精度が高い。さらに、平均分子量等の単一な情報ではなく、分子量の分布情報を説明変数と使用することにより高分子材料のバルク全体の情報を反映することができ、粘弾特性を精度良く予測することが可能となる。換言すると、高分子の構造に対応する情報としてＩＲチャートが用いられ、高分子の大きさの分布に対応する情報としてＧＰＣチャートを使うことで、予測モデル４の予測精度を向上させることができる。目的変数である高分子材料の粘弾特性、すなわち粘弾性チャートは、例えば、貯蔵弾性率、損失弾性率、及び損失正接のチャートを含む。

【0058】

予測モデル４の生成における学習処理は任意の手法が採用されてよい。例えば、予測モデル４は、ニューラルネットワークモデルであり、この場合、予測する特性値のチャートの複数の数値を目的変数に対応する形で多数出力する。具体的には例えば予測モデル４は、全結合ニューラルネットワーク、畳み込みニューラルネットワーク、又は再帰型ニューラルネットワーク、又は注意機構を有するニューラルネットワークであってよい。ただし学習処理において採用される機械学習アルゴリズムは、ニューラルネットワークモデルに限定されず、たとえば、ディープラーニング（深層学習）などのニューラルネットワーク、サポートベクターマシン、ガウス過程回帰モデル、または決定木系などの種々の機械学習アルゴリズムが採用され得る。ガウス過程回帰モデルを使用した場合には予測値とともに予測の標準偏差や分散等の情報を得ることができるため、これらの数値情報から目標値の達成確率を計算することが可能となる。このため、ガウス過程回帰モデルを使用した場合には達成確率を基に目標特性を満たす実験計画の策定を行うことも可能である。

【0059】

ここで、制御部２１は、分析チャートを圧縮した圧縮データを生成してもよい。また予測モデル４の教師データとして、当該圧縮データが用いられてよい。かかるデータの圧縮において、オートエンコーダにより圧縮処理が実行されてよい。また目的変数についても、オートエンコーダにより圧縮処理がされてよい。このような圧縮データを用いることで、予測モデル４の過学習を防止することができる。オートエンコーダは、ニューラルネットワークを使用して圧縮する処理であり、全結合型ニューラルネットワークによる情報圧縮に加えて、畳み込構造、再帰型構造、注意機構等の各種処理構造と併用して圧縮される方法も使用することができる。また情報を圧縮する際に確率分布を考慮した変分オートエンコーダ等も使用することができる。

【0060】

なお、制御部２１は、分析チャートからチャート領域を選定し、当該チャート領域のチャートを説明変数として予測モデル４を生成してもよい。換言すると、本実施形態における方法において、分析チャートからチャート領域を選定するステップを含み、チャート領域として選定された部分を説明変数として予測モデル４を生成してもよい。

【0061】

ステップＳ１０２：制御部２１は、生成した予測モデル４により、材料特性を予測する。例えば制御部２１は、入力部２３等により取得した材料の分析チャートと予測モデル４とに基づき、材料の材料特性を予測する。より具体的には、制御部２１は、高分子材料のＩＲチャート及びＧＰＣチャートに基づき、粘弾特性を予測する。

【0062】

図８に、本実施形態に係る予測モデル４を用いて予測した高分子材料の粘弾特性の予測モデル４による予測結果と実験結果の比較グラフを示す。図８は、損失正接のチャートであり、本実施形態に係る予測モデル４による予測結果と実験結果とが概ね一致していることがわかる。図９は、本実施形態に係る予測モデル４を用いて予測した損失正接に係る予測値と実測値との関係を示すグラフを表している。図９のグラフからも、本実施形態に係る予測モデル４による予測結果と実験結果とが概ね一致していることがわかる。

【0063】

このように本開示の実施形態に係る材料特性を予測する技術では、材料の分析チャートを説明変数としている。そのため、本開示の実施形態に係る材料特性を予測する技術によれば、組成・構造が不明な材料であったとしても、分析チャートが得られれば材料特性を予測できるという点で、材料特性を予測する技術が改善される。

【0064】

なお、実績データは、所定用途で使用される高分子材料のデータと、所定用途以外で使用される高分子材料の実績データが含まれてよい。この場合、ステップＳ１０１の予測モデル４を生成するステップにおいて、所定用途以外で使用される高分子材料のデータを用いて予測モデル４を生成した後に、所定用途で使用される高分子材料のデータを用いて予測モデル４を再学習してもよい。このように予測モデル４を生成する処理において、学習に用いる教師データに広範囲の用途の組成物を含むことにより、外挿による精度の低下を防止することができる。より具体的には、粘接着剤用途以外で使用される高分子材料のデータを用いて予測モデル４を生成した後に、粘接着剤用途で使用される高分子材料のデータを用いて予測モデル４を再学習してもよい。このように予測モデル４を生成する処理において、学習に用いる教師データに広範囲の用途の組成物を含むことにより、外挿による精度の低下を防止することができる。

【0065】

（変形例１）
上記の実施形態では、情報処理装置２０が予測モデル４により粘弾特性を予測する例を示したが、さらに予測モデル４により予測された高分子材料の粘弾特性から、かかる高分子材料を原料とする粘接着材料の接着特性を別の予測モデル１２４（以下、接着特性予測モデル１２４ともいう。）により予測してもよい。

【0066】

図１０を参照して、粘接着材料１０の粘着剤１４の粘弾特性から該当面側の粘接着材料１０の接着特性を予測する方法について説明する。図１０は、接着特性の予測方法を概念的に示す図である。接着特性の予測機能は、たとえば、情報処理装置２０に実装される。

【0067】

情報処理装置２０は、学習済みの予測モデル１２４を用いて粘接着材料１０の接着特性を予測する。予測モデル１２４は、学習用データセットを用いて予め生成されている。学習用データセットは、様々な粘接着材料の粘弾特性に係る実測データに対して接着特性に係る実測データをラベルとして関連付けている。

【0068】

このような学習用データセットが学習に用いられることで、予測モデル１２４は、粘接着材料１０を構成する粘着剤１４の粘弾特性を示すデータの入力を受けると、粘接着材料１０の接着特性を示すデータを出力するようになる。換言すると、予測モデル１２４は、粘接着材料１０を構成する粘着剤１４の粘弾特性に係るデータを説明変数として受けて、粘接着材料１０の接着特性に係るデータを目的変数として出力するようになる。

【0069】

粘接着材料１０を構成する粘着剤１４の粘弾特性と粘接着材料１０の接着特性との間の相関関係が学習されることで、情報処理装置２０は、粘接着材料１０を構成する粘着剤１４の組成、構造の既知に依存せず粘接着材料１０の接着特性を予測することが可能になる。

【0070】

換言すると情報処理装置２０は、予測モデル４及び予測モデル１２４とを組合せて用いることにより、材料の分析チャートを用いて、製品の特性を予測することができる。より具体的には、情報処理装置２０は、粘接着材料用の高分子材料の分析チャートである、ＩＲチャート及びＧＰＣチャートに基づき、粘接着材料１０の接着特性を予測することができる。

【0071】

図１１を参照して、予測モデル１２４の学習に用いられる学習用データセット１２２について説明する。図１１は、学習用データセット１２２の一例を示す図である。

【0072】

学習用データセット１２２は、複数の学習用データ１２３を含む。学習用データセット１２２に含まれる学習用データ１２３の数は、任意である。一例として、学習用データ１２３の数は、数十～数万である。

【0073】

学習用データ１２３は、粘接着材料の粘弾特性に対して当該粘接着材料の接着特性をラベルとして関連付けている。粘弾特性は、学習用データ１２３において説明変数として規定される。接着特性は、学習用データ１２３において目的変数として規定される。

【0074】

また、学習用データ１２３には、テープＩＤ（Identification）が関連付けられている。テープＩＤは、学習用データ１２３を一意に識別するための情報である。テープＩＤは、たとえば、重複しないようにユーザによって入力される。

【0075】

学習用データセット１２２に規定される粘弾特性は、動的粘弾性測定装置を用いて測定された実測値である。当該粘弾特性は、たとえば、粘接着材料の貯蔵弾性率と、粘接着材料の損失弾性率と、粘接着材料の損失正接との内の少なくとも１つを含む。図１１の例では、粘弾特性は、当該貯蔵弾性率と、当該損失弾性率と、当該損失正接との３つを含んでいる。

【0076】

好ましくは、学習用データセット１２２に規定される粘弾特性は、損失正接を含む。学習用データセット１２２において損失正接と接着特性との関係が規定されることで、上述の予測モデル１２４による予測精度がより向上する。

【0077】

学習用データ１２３に規定される接着特性は、試験機などの各種測定装置を用いて測定された実測値である。当該接着特性は、粘接着材料１０および被着体の剥離に要する強さ（以下、「接着力」ともいう。）と、被着体に対する粘接着材料１０のずれにくさ（以下、「保持力」ともいう。）と、粘接着材料１０および被着体の接着のしやすさ（以下、「タック」ともいう。）との少なくとも１つを含む。図８の例では、接着特性は、接着力と、保持力と、タックとの３つで規定されている。

【0078】

接着力の例としては、ピール接着力、せん断接着力、および割裂接着力などが挙げられる。

【0079】

ピール接着力は、たとえば、被着面に対して直交する方向に粘接着材料を剥がすのに要する力（いわゆる、９０°ピール接着力）で表される。あるいは、ピール接着力は、被着面に対して平行な方向に粘接着材料を剥がすのに要する力（いわゆる、１８０°ピール接着力）で表される。

【0080】

せん断接着力は、粘接着材料によって接合されている被着体同士に対して水平面で反対方向の力（すなわち、せん断応力）を加えて接合部を破断させた際の力に相当する。

【0081】

割裂接着力は、粘接着材料によって接合されている被着体同士に対して垂直面で反対方向の力を加えて被着体同士が剥がれる際の力に相当する。

【0082】

保持力としては、せん断保持力、定荷重保持力などが挙げられる。せん断保持力は、被着体に貼られた粘接着材料に対してせん断方向に荷重を一定時間加えた際に粘接着材料がずれた距離で表される。あるいは、保持力は、被着体に貼られた粘接着材料に対してせん断方向に荷重が加えられてから当該粘接着材料が落下するまでの時間で表される。一方、定荷重保持力は、被着体に貼られた粘接着材料に対して垂直方向に荷重を加えた際に当該粘接着材料がずれた距離、または当該荷重が加えられてから当該粘接着材料が落下するまでの時間で表される。

【0083】

タックの例としては、ボールタックなどが挙げられる。ボールタックは、粘接着材料が貼られた傾斜面に対して径の異なるボールを順に転がすことで測定される。当該ボールタックは、傾斜面上で停止したボールの最大径で表される。

【0084】

なお、学習用データセット１２２は、粘接着材料に係る学習用データ１２３（以下、「第１データ群」ともいう。）だけでなく、粘接着材料以外の高分子材料に係る学習用データ１２３（以下、「第２データ群」ともいう。）を含んでもよい。

【0085】

この場合、第１データ群を構成する各学習用データは、粘接着材料の粘弾特性に対して接着機能を有することを示す接着特性をラベルとして関連付けている。接着機能を有することを示す接着特性は、たとえば、学習用データ１２３において「０」よりも大きい値で規定される。

【0086】

一方で、第２データ群を構成する各学習用データは、粘接着材料以外の高分子材料の粘弾特性に対して接着機能を有さないことを示す接着特性をラベルとして関連付けている。粘接着材料以外の高分子材料は、粘接着材料としては使用されない、接着機能を有さない高分子材料を意味する。接着機能を有さないことを示す接着特性は、たとえば、学習用データ１２３において「０」で規定される。

【0087】

粘接着材料に係る学習用データ１２３だけでなく、粘接着材料以外の高分子材料に係る学習用データ１２３が後述の学習で用いられることで、予測モデル１２４による接着特性の予測精度および予測の適用範囲が改善する。

【0088】

学習処理は任意の手法が採用されてよい。採用される機械学習アルゴリズムは、特に限定されず、たとえば、ディープラーニング（深層学習）などのニューラルネットワーク、サポートベクターマシン、ガウス過程回帰モデル、または決定木系などの種々の機械学習アルゴリズムが採用され得る。

【0089】

このように変形例１に係る予測する技術では、予測モデル４により予測された高分子材料の粘弾特性から、かかる高分子材料を原料とする粘接着材料の接着特性を予測することができる。本開示の変形例１に係る技術によれば、組成・構造が不明な高分子材料であったとしても、分析チャートが得られれば当該高分子材料の材料特性を予測でき、さらに当該材料特性から、接着特性を予測することができるという点で、材料特性を予測する技術が改善される。

【0090】

（変形例２）
上記の実施形態では、予測モデル４により材料の材料特性を予測したが、予測モデル４を用いた逆解析により、所望の材料特性を有する分析チャートを探索してもよい。図１２を参照して、情報処理装置２０が実行する、探索方法について説明する。

【0091】

ステップＳ１１１：情報処理装置２０の制御部２１は、予測モデル４を生成する。予測モデル４の生成方法は、上述の方法と同一である。

【0092】

ステップＳ１１２：制御部２１は、生成した予測モデル４を用いた逆解析により、所望の材料特性を有する分析チャートを探索する。制御部２１は、入力部２３等により取得した材料の材料特性を目標特性として、予測モデル４に基づき目標特性を有する分析チャートを探索する。具体的には、制御部１１は、目標特性を得られる分析チャートを予測モデル４により探索する処理において、ＳＭＢＯ（Sequential Model-based Global Optimization）などの探索アルゴリズムを適宜採用することができる。

【0093】

このように本開示の変形例２の方法によれば、予測モデル４を用いた逆解析により、所望の材料特性を有する分析チャートを探索することができる。また探索された分析チャートを用いることで、所望の材料特性を有する材料を探索することを支援することができる。

【0094】

（変形例３）
上記の変形例１では、予測モデル４及び予測モデル１２４を組合せて用いることにより、材料の分析チャートを用いて、情報処理装置２０が製品の特性を予測することができることを説明した。より具体的には、粘接着材料用の高分子材料の分析チャートである、ＩＲチャート及びＧＰＣチャートに基づき、情報処理装置２０が粘接着材料１０の接着特性を予測することについて説明した。ここで、予測モデル４及び予測モデル１２４を用いた逆解析により、所望の粘着特性を有する粘接着材料用の高分子材料の分析チャートを探索してもよい。図１３を参照して、情報処理装置２０が実行する、かかる探索方法について説明する。

【0095】

ステップＳ１２１：情報処理装置２０の制御部２１は、予測モデル４及び予測モデル１２４を生成する。予測モデル４及び予測モデル１２４の生成方法は、上述の方法と同一である。

【0096】

ステップＳ１２２：制御部２１は、生成した予測モデル４及び予測モデル１２４を用いた逆解析により、所望の接着特性を有する分析チャートを探索する。制御部２１は、入力部２３等により取得した粘接着材料の接着特性を目標特性として、予測モデル４及び予測モデル１２４に基づき目標特性を有する分析チャートを探索する。具体的には制御部２１は粘接着材料の接着特性を目標特性として、予測モデル１２４に基づき目標特性を有する高分子材料の粘弾特性を探索する。続いて制御部２１は、探索された高分子材料の粘弾特性を目標特性として、予測モデル４に基づき、目標特性を有する分析チャートを探索する。制御部１１は、目標特性を得られる分析チャートを予測モデル４及び予測モデル１２４により探索する処理において、ＳＭＢＯ（Sequential Model-based Global Optimization）などの探索アルゴリズムを適宜採用することができる。

【0097】

このように本開示の変形例３の方法によれば、予測モデル４及び予測モデル１２４を用いた逆解析により、所望の接着特性を有する分析チャートを探索することができる。また探索された分析チャートを用いることで、所望の接着特性を有する高分子材料を探索することを支援することができる。

【0098】

本開示を諸図面及び実施例に基づき説明してきたが、当業者であれば本開示に基づき種々の変形及び修正を行うことが容易であることに注意されたい。したがって、これらの変形及び修正は本開示の範囲に含まれることに留意されたい。例えば、各手段又は各ステップ等に含まれる機能等は論理的に矛盾しないように再配置可能であり、複数の手段又はステップ等を１つに組み合わせたり、或いは分割したりすることが可能である。

【符号の説明】

【0099】

１、２、３ データ
４ 予測モデル
１０ 粘接着材料
１０Ａ 片面粘着テープ
１２ 中芯基材
１４ 粘着剤
１６ 剥離剤
２０ 情報処理装置
２１ 制御部
２２ 記憶部
２３ 入力部
２４ 出力部
１２２ 学習用データセット
１２３ 学習用データ
１２４ 接着特性予測モデル

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】