知財求人 - 知財ポータルサイト「IP Force」
特開2024-175630情報処理方法、機械学習方法、情報処理装置、及び、機械学習装置
(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】P2024175630
(43)【公開日】2024-12-18
(54)【発明の名称】情報処理方法、機械学習方法、情報処理装置、及び、機械学習装置
(51)【国際特許分類】
G06N 20/00 20190101AFI20241211BHJP
G06N 3/09 20230101ALI20241211BHJP
G06F 18/27 20230101ALI20241211BHJP
【ＦＩ】
G06N20/00 130
G06N3/09
G06F18/27
【審査請求】未請求
【請求項の数】11
【出願形態】ＯＬ
(21)【出願番号】P 2023119806
(22)【出願日】2023-07-24
(31)【優先権主張番号】P 2023093005
(32)【優先日】2023-06-06
(33)【優先権主張国・地域又は機関】JP
(71)【出願人】
【識別番号】000003768
【氏名又は名称】東洋製罐グループホールディングス株式会社
(74)【代理人】
【識別番号】100214248
【弁理士】
【氏名又は名称】青山 純
(74)【代理人】
【識別番号】100214260
【弁理士】
【氏名又は名称】相羽 昌孝
(72)【発明者】
【氏名】中村 圭亨
(72)【発明者】
【氏名】柏原 賢
(72)【発明者】
【氏名】原 萌子
(72)【発明者】
【氏名】猪爪 誠太
(57)【要約】
【課題】生成物の特性を予測する際の予測性能を向上させることを可能とする情報処理方法を提供する。
【解決手段】情報処理方法は、複数の原材料から生成物を製造するときの製造条件を定める１又は複数の製造条件パラメータからなる製造条件情報を取得する製造条件取得工程と、１又は複数の評価パラメータからなる評価情報を取得する評価取得工程と、１又は複数の製造条件パラメータ及び１又は複数の評価パラメータに対して重要度をそれぞれ受け付ける重要度受付工程と、学習モデルにおいて、製造条件パラメータ毎及び評価パラメータ毎の重要度にそれぞれ対応する確率に基づいて、１又は複数の製造条件パラメータ及び１又は複数の評価パラメータに対して説明変数及び準説明変数として使用する使用変数と、説明変数及び準説明変数として使用しない未使用変数とを設定し、使用変数及び未使用変数を設定した学習モデルに対して製造条件情報及び評価情報を入力することで特性パラメータを取得する特性取得工程と、を含む。
【選択図】 図５
【解決手段】情報処理方法は、複数の原材料から生成物を製造するときの製造条件を定める１又は複数の製造条件パラメータからなる製造条件情報を取得する製造条件取得工程と、１又は複数の評価パラメータからなる評価情報を取得する評価取得工程と、１又は複数の製造条件パラメータ及び１又は複数の評価パラメータに対して重要度をそれぞれ受け付ける重要度受付工程と、学習モデルにおいて、製造条件パラメータ毎及び評価パラメータ毎の重要度にそれぞれ対応する確率に基づいて、１又は複数の製造条件パラメータ及び１又は複数の評価パラメータに対して説明変数及び準説明変数として使用する使用変数と、説明変数及び準説明変数として使用しない未使用変数とを設定し、使用変数及び未使用変数を設定した学習モデルに対して製造条件情報及び評価情報を入力することで特性パラメータを取得する特性取得工程と、を含む。
【選択図】 図５
【特許請求の範囲】
【請求項1】
コンピュータにより実行される情報処理方法であって、
複数の原材料から生成物を製造するときの製造条件を定める１又は複数の製造条件パラメータからなる製造条件情報を取得する製造条件取得工程と、
前記製造条件を１又は複数の評価方法に基づいてそれぞれ評価した１又は複数の評価パラメータからなる評価情報を取得する評価取得工程と、
１又は複数の前記製造条件パラメータと、１又は複数の前記評価パラメータとに対して前記製造条件パラメータ毎及び前記評価パラメータ毎にそれぞれ指定された重要度を受け付ける重要度受付工程と、
１又は複数の前記製造条件パラメータが１又は複数の説明変数として、１又は複数の前記評価パラメータが１又は複数の準説明変数としてそれぞれ入力されて、前記生成物の特性を定める特性パラメータを目的変数として出力する学習モデルにおいて、前記製造条件パラメータ毎及び前記評価パラメータ毎の前記重要度にそれぞれ対応する確率に基づいて、１又は複数の前記製造条件パラメータ及び１又は複数の前記評価パラメータに対して前記説明変数及び前記準説明変数として使用する使用変数と、前記説明変数及び前記準説明変数として使用しない未使用変数とを設定し、前記使用変数及び前記未使用変数を設定した前記学習モデルに対して前記製造条件情報及び前記評価情報を入力することで前記学習モデルから出力される前記特性パラメータを取得する特性取得工程と、を含む、
情報処理方法。
複数の原材料から生成物を製造するときの製造条件を定める１又は複数の製造条件パラメータからなる製造条件情報を取得する製造条件取得工程と、
前記製造条件を１又は複数の評価方法に基づいてそれぞれ評価した１又は複数の評価パラメータからなる評価情報を取得する評価取得工程と、
１又は複数の前記製造条件パラメータと、１又は複数の前記評価パラメータとに対して前記製造条件パラメータ毎及び前記評価パラメータ毎にそれぞれ指定された重要度を受け付ける重要度受付工程と、
１又は複数の前記製造条件パラメータが１又は複数の説明変数として、１又は複数の前記評価パラメータが１又は複数の準説明変数としてそれぞれ入力されて、前記生成物の特性を定める特性パラメータを目的変数として出力する学習モデルにおいて、前記製造条件パラメータ毎及び前記評価パラメータ毎の前記重要度にそれぞれ対応する確率に基づいて、１又は複数の前記製造条件パラメータ及び１又は複数の前記評価パラメータに対して前記説明変数及び前記準説明変数として使用する使用変数と、前記説明変数及び前記準説明変数として使用しない未使用変数とを設定し、前記使用変数及び前記未使用変数を設定した前記学習モデルに対して前記製造条件情報及び前記評価情報を入力することで前記学習モデルから出力される前記特性パラメータを取得する特性取得工程と、を含む、
情報処理方法。
【請求項2】
前記重要度受付工程は、
前記製造条件パラメータ毎の前記重要度が、前記評価パラメータ毎の前記重要度よりも高く指定されたとき、前記製造条件パラメータ毎及び前記評価パラメータ毎の前記重要度を受け付ける、
請求項１に記載の情報処理方法。
前記製造条件パラメータ毎の前記重要度が、前記評価パラメータ毎の前記重要度よりも高く指定されたとき、前記製造条件パラメータ毎及び前記評価パラメータ毎の前記重要度を受け付ける、
請求項１に記載の情報処理方法。
【請求項3】
１又は複数の前記製造条件パラメータは、
前記原材料に関する原材料条件を定める原材料条件パラメータと、前記原材料から前記生成物を製造する製造プロセスに関するプロセス条件を定めるプロセス条件パラメータとのうち、少なくとも一方を含む、
請求項１に記載の情報処理方法。
前記原材料に関する原材料条件を定める原材料条件パラメータと、前記原材料から前記生成物を製造する製造プロセスに関するプロセス条件を定めるプロセス条件パラメータとのうち、少なくとも一方を含む、
請求項１に記載の情報処理方法。
【請求項4】
前記評価取得工程は、
１又は複数の前記評価方法に応じた評価式を用いて、１又は複数の前記製造条件パラメータから１又は複数の前記評価パラメータをそれぞれ算出することで、前記評価情報を取得する、
請求項３に記載の情報処理方法。
１又は複数の前記評価方法に応じた評価式を用いて、１又は複数の前記製造条件パラメータから１又は複数の前記評価パラメータをそれぞれ算出することで、前記評価情報を取得する、
請求項３に記載の情報処理方法。
【請求項5】
前記評価取得工程は、
１又は複数の前記評価方法に応じた評価式を用いて、１又は複数の前記製造条件パラメータと、前記原材料及び前記製造プロセスを評価するための参照情報とから１又は複数の前記評価パラメータをそれぞれ算出することで、前記評価情報を取得する、
請求項３に記載の情報処理方法。
１又は複数の前記評価方法に応じた評価式を用いて、１又は複数の前記製造条件パラメータと、前記原材料及び前記製造プロセスを評価するための参照情報とから１又は複数の前記評価パラメータをそれぞれ算出することで、前記評価情報を取得する、
請求項３に記載の情報処理方法。
【請求項6】
１又は複数の前記評価パラメータは、
前記原材料のコスト、前記原材料の供給安定性、前記製造プロセスに要するコスト、前記製造プロセスに要するエネルギー量、前記製造プロセスに要するプロセス時間、及び、前記製造プロセスに要する環境負荷のうち、少なくとも１つを含む、
請求項３に記載の情報処理方法。
前記原材料のコスト、前記原材料の供給安定性、前記製造プロセスに要するコスト、前記製造プロセスに要するエネルギー量、前記製造プロセスに要するプロセス時間、及び、前記製造プロセスに要する環境負荷のうち、少なくとも１つを含む、
請求項３に記載の情報処理方法。
【請求項7】
前記製造条件取得工程、前記評価取得工程及び前記特性取得工程を繰り返すことで、所定の特性要求を満たす前記特性パラメータが取得されたときの前記製造条件情報及び前記評価情報を候補変数として複数取得する候補変数取得工程と、
複数の前記候補変数に基づいて最適化処理を行うことにより、所定の評価基準を満たす前記評価情報に対応する前記製造条件情報を取得する最適化処理工程と、を含む、
請求項１乃至請求項６のいずれか一項に記載の情報処理方法。
複数の前記候補変数に基づいて最適化処理を行うことにより、所定の評価基準を満たす前記評価情報に対応する前記製造条件情報を取得する最適化処理工程と、を含む、
請求項１乃至請求項６のいずれか一項に記載の情報処理方法。
【請求項8】
前記最適化処理工程は、
応答局面法、ベイズ最適化、モンテカルロ法、マルコフ連鎖モンテカルロ法、深層学習、強化学習のうち、少なくとも１つの最適化手法を用いて、前記最適化処理を行う、
請求項７に記載の情報処理方法。
応答局面法、ベイズ最適化、モンテカルロ法、マルコフ連鎖モンテカルロ法、深層学習、強化学習のうち、少なくとも１つの最適化手法を用いて、前記最適化処理を行う、
請求項７に記載の情報処理方法。
【請求項9】
コンピュータにより実行される機械学習方法であって、
複数の原材料から生成物を製造するときの製造条件を定める１又は複数の製造条件パラメータと、前記製造条件を１又は複数の評価方法に基づいてそれぞれ評価した１又は複数の評価パラメータとに対して前記製造条件パラメータ毎及び前記評価パラメータ毎にそれぞれ指定された重要度を受け付ける重要度受付工程と、
１又は複数の前記製造条件パラメータからなる製造条件情報及び１又は複数の前記評価パラメータからなる評価情報と、前記生成物の特性を定める特性パラメータとで構成される学習用データを複数組取得する学習用データ取得工程と、
１又は複数の前記製造条件パラメータが１又は複数の説明変数として、１又は複数の前記評価パラメータが１又は複数の準説明変数としてそれぞれ入力されて、前記特性パラメータを目的変数として出力する学習モデルにおいて、前記製造条件パラメータ毎及び前記評価パラメータ毎の前記重要度にそれぞれ対応する確率に基づいて、１又は複数の前記製造条件パラメータ及び１又は複数の前記評価パラメータに対して前記説明変数及び前記準説明変数として使用する使用変数と、前記説明変数及び前記準説明変数として使用しない未使用変数とを設定し、前記使用変数及び前記未使用変数を設定した前記学習モデルに対して前記学習用データを入力することで、前記製造条件情報及び前記評価情報と前記特性パラメータとの相関関係を前記学習モデルに学習させる機械学習工程と、
前記機械学習工程により前記相関関係を学習させた前記学習モデルを学習済みモデル記憶部に記憶する学習済みモデル記憶工程と、を含む、
機械学習方法。
複数の原材料から生成物を製造するときの製造条件を定める１又は複数の製造条件パラメータと、前記製造条件を１又は複数の評価方法に基づいてそれぞれ評価した１又は複数の評価パラメータとに対して前記製造条件パラメータ毎及び前記評価パラメータ毎にそれぞれ指定された重要度を受け付ける重要度受付工程と、
１又は複数の前記製造条件パラメータからなる製造条件情報及び１又は複数の前記評価パラメータからなる評価情報と、前記生成物の特性を定める特性パラメータとで構成される学習用データを複数組取得する学習用データ取得工程と、
１又は複数の前記製造条件パラメータが１又は複数の説明変数として、１又は複数の前記評価パラメータが１又は複数の準説明変数としてそれぞれ入力されて、前記特性パラメータを目的変数として出力する学習モデルにおいて、前記製造条件パラメータ毎及び前記評価パラメータ毎の前記重要度にそれぞれ対応する確率に基づいて、１又は複数の前記製造条件パラメータ及び１又は複数の前記評価パラメータに対して前記説明変数及び前記準説明変数として使用する使用変数と、前記説明変数及び前記準説明変数として使用しない未使用変数とを設定し、前記使用変数及び前記未使用変数を設定した前記学習モデルに対して前記学習用データを入力することで、前記製造条件情報及び前記評価情報と前記特性パラメータとの相関関係を前記学習モデルに学習させる機械学習工程と、
前記機械学習工程により前記相関関係を学習させた前記学習モデルを学習済みモデル記憶部に記憶する学習済みモデル記憶工程と、を含む、
機械学習方法。
【請求項10】
複数の原材料から生成物を製造するときの製造条件を定める１又は複数の製造条件パラメータからなる製造条件情報を取得する製造条件取得部と、
前記製造条件を１又は複数の評価方法に基づいてそれぞれ評価した１又は複数の評価パラメータからなる評価情報を取得する評価取得部と、
１又は複数の前記製造条件パラメータと、１又は複数の前記評価パラメータとに対して前記製造条件パラメータ毎及び前記評価パラメータ毎にそれぞれ指定された重要度を受け付ける重要度受付部と、
１又は複数の前記製造条件パラメータが１又は複数の説明変数として、１又は複数の前記評価パラメータが１又は複数の準説明変数としてそれぞれ入力されて、前記生成物の特性を定める特性パラメータを目的変数として出力する学習モデルにおいて、前記製造条件パラメータ毎及び前記評価パラメータ毎の前記重要度にそれぞれ対応する確率に基づいて、１又は複数の前記製造条件パラメータ及び１又は複数の前記評価パラメータに対して前記説明変数及び前記準説明変数として使用する使用変数と、前記説明変数及び前記準説明変数として使用しない未使用変数とを設定し、前記使用変数及び前記未使用変数を設定した前記学習モデルに対して前記製造条件情報及び前記評価情報を入力することで前記学習モデルから出力される前記特性パラメータを取得する特性取得部と、を備える、
情報処理装置。
前記製造条件を１又は複数の評価方法に基づいてそれぞれ評価した１又は複数の評価パラメータからなる評価情報を取得する評価取得部と、
１又は複数の前記製造条件パラメータと、１又は複数の前記評価パラメータとに対して前記製造条件パラメータ毎及び前記評価パラメータ毎にそれぞれ指定された重要度を受け付ける重要度受付部と、
１又は複数の前記製造条件パラメータが１又は複数の説明変数として、１又は複数の前記評価パラメータが１又は複数の準説明変数としてそれぞれ入力されて、前記生成物の特性を定める特性パラメータを目的変数として出力する学習モデルにおいて、前記製造条件パラメータ毎及び前記評価パラメータ毎の前記重要度にそれぞれ対応する確率に基づいて、１又は複数の前記製造条件パラメータ及び１又は複数の前記評価パラメータに対して前記説明変数及び前記準説明変数として使用する使用変数と、前記説明変数及び前記準説明変数として使用しない未使用変数とを設定し、前記使用変数及び前記未使用変数を設定した前記学習モデルに対して前記製造条件情報及び前記評価情報を入力することで前記学習モデルから出力される前記特性パラメータを取得する特性取得部と、を備える、
情報処理装置。
【請求項11】
複数の原材料から生成物を製造するときの製造条件を定める１又は複数の製造条件パラメータと、前記製造条件を１又は複数の評価方法に基づいてそれぞれ評価した１又は複数の評価パラメータとに対して前記製造条件パラメータ毎及び前記評価パラメータ毎にそれぞれ指定された重要度を受け付ける重要度受付部と、
１又は複数の前記製造条件パラメータからなる製造条件情報及び１又は複数の前記評価パラメータからなる評価情報と、前記生成物の特性を定める特性パラメータとで構成される学習用データを複数組取得する学習用データ取得部と、
１又は複数の前記製造条件パラメータが１又は複数の説明変数として、１又は複数の前記評価パラメータが１又は複数の準説明変数としてそれぞれ入力されて、前記特性パラメータを目的変数として出力する学習モデルにおいて、前記製造条件パラメータ毎及び前記評価パラメータ毎の前記重要度にそれぞれ対応する確率に基づいて、１又は複数の前記製造条件パラメータ及び１又は複数の前記評価パラメータに対して前記説明変数及び前記準説明変数として使用する使用変数と、前記説明変数及び前記準説明変数として使用しない未使用変数とを設定し、前記使用変数及び前記未使用変数を設定した前記学習モデルに対して前記学習用データを入力することで、前記製造条件情報及び前記評価情報と前記特性パラメータとの相関関係を前記学習モデルに学習させる機械学習部と、
前記機械学習部より前記相関関係を学習させた前記学習モデルを記憶する学習済みモデル記憶部と、を備える、
機械学習装置。
１又は複数の前記製造条件パラメータからなる製造条件情報及び１又は複数の前記評価パラメータからなる評価情報と、前記生成物の特性を定める特性パラメータとで構成される学習用データを複数組取得する学習用データ取得部と、
１又は複数の前記製造条件パラメータが１又は複数の説明変数として、１又は複数の前記評価パラメータが１又は複数の準説明変数としてそれぞれ入力されて、前記特性パラメータを目的変数として出力する学習モデルにおいて、前記製造条件パラメータ毎及び前記評価パラメータ毎の前記重要度にそれぞれ対応する確率に基づいて、１又は複数の前記製造条件パラメータ及び１又は複数の前記評価パラメータに対して前記説明変数及び前記準説明変数として使用する使用変数と、前記説明変数及び前記準説明変数として使用しない未使用変数とを設定し、前記使用変数及び前記未使用変数を設定した前記学習モデルに対して前記学習用データを入力することで、前記製造条件情報及び前記評価情報と前記特性パラメータとの相関関係を前記学習モデルに学習させる機械学習部と、
前記機械学習部より前記相関関係を学習させた前記学習モデルを記憶する学習済みモデル記憶部と、を備える、
機械学習装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、情報処理方法、機械学習方法、情報処理装置、及び、機械学習装置に関する。
【背景技術】
【0002】
複数の原材料から生成物を製造する場合、原材料の種類や使用量、製造プロセスの処理時間等の製造条件に関する製造条件パラメータは膨大な数の組み合わせが考えられる。そのため、所望の特性を有する生成物の製造条件を求めるために、特許文献１及び特許文献２には、複数の原材料から生成物を製造するときの製造条件パラメータ（説明変数）から、その製造条件に基づいて製造される生成物の特性を定める特性パラメータ（目的変数）を予測する学習モデルを用いることが開示されている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特許第７１５７４０２号公報
【特許文献2】特開２０１９－０８６８１７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及び特許文献２に開示された上記の学習モデルでは、生成物の製造条件と、生成物の特性との間に何らかの因果関係があることを仮定して作成されたものである。そして、特許文献１及び特許文献２には、上記の学習モデルを用いて、原材料のコスト等の評価パラメータを制約条件として、製造条件の最適化を行うことが開示されている。
【0005】
ここで、原材料のコスト等の評価パラメータは、生成物を製造するときの原材料や製造プロセスに関連している。そのため、評価パラメータを上記の学習モデルに反映させることで、学習モデルの予測性能を向上させる見込みがある。一方で、生成物の製造条件パラメータに比べて、評価パラメータをどの程度重要なパラメータとして学習モデルに反映させるかは、ユーザや予測対象の生成物によって異なると推察される。
【0006】
本発明は、上記の課題に鑑みてなされたものであり、生成物の特性を予測する際の予測性能を向上させることを可能とする情報処理方法、機械学習方法、情報処理装置、及び、機械学習装置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】
【0007】
上記目的を達成するために、本発明の一態様に係る情報処理方法は、
コンピュータにより実行される情報処理方法であって、
複数の原材料から生成物を製造するときの製造条件を定める１又は複数の製造条件パラメータからなる製造条件情報を取得する製造条件取得工程と、
前記製造条件を１又は複数の評価方法に基づいてそれぞれ評価した１又は複数の評価パラメータからなる評価情報を取得する評価取得工程と、
１又は複数の前記製造条件パラメータと、１又は複数の前記評価パラメータとに対して前記製造条件パラメータ毎及び前記評価パラメータ毎にそれぞれ指定された重要度を受け付ける重要度受付工程と、
１又は複数の前記製造条件パラメータが１又は複数の説明変数として、１又は複数の前記評価パラメータが１又は複数の準説明変数としてそれぞれ入力されて、前記生成物の特性を定める特性パラメータを目的変数として出力する学習モデルにおいて、前記製造条件
パラメータ毎及び前記評価パラメータ毎の前記重要度にそれぞれ対応する確率に基づいて、１又は複数の前記製造条件パラメータ及び１又は複数の前記評価パラメータに対して前記説明変数及び前記準説明変数として使用する使用変数と、前記説明変数及び前記準説明変数として使用しない未使用変数とを設定し、前記使用変数及び前記未使用変数を設定した前記学習モデルに対して前記製造条件情報及び前記評価情報を入力することで前記学習モデルから出力される前記特性パラメータを取得する特性取得工程と、を含む。
コンピュータにより実行される情報処理方法であって、
複数の原材料から生成物を製造するときの製造条件を定める１又は複数の製造条件パラメータからなる製造条件情報を取得する製造条件取得工程と、
前記製造条件を１又は複数の評価方法に基づいてそれぞれ評価した１又は複数の評価パラメータからなる評価情報を取得する評価取得工程と、
１又は複数の前記製造条件パラメータと、１又は複数の前記評価パラメータとに対して前記製造条件パラメータ毎及び前記評価パラメータ毎にそれぞれ指定された重要度を受け付ける重要度受付工程と、
１又は複数の前記製造条件パラメータが１又は複数の説明変数として、１又は複数の前記評価パラメータが１又は複数の準説明変数としてそれぞれ入力されて、前記生成物の特性を定める特性パラメータを目的変数として出力する学習モデルにおいて、前記製造条件
パラメータ毎及び前記評価パラメータ毎の前記重要度にそれぞれ対応する確率に基づいて、１又は複数の前記製造条件パラメータ及び１又は複数の前記評価パラメータに対して前記説明変数及び前記準説明変数として使用する使用変数と、前記説明変数及び前記準説明変数として使用しない未使用変数とを設定し、前記使用変数及び前記未使用変数を設定した前記学習モデルに対して前記製造条件情報及び前記評価情報を入力することで前記学習モデルから出力される前記特性パラメータを取得する特性取得工程と、を含む。
【発明の効果】
【0008】
本発明の一態様に係る情報処理方法によれば、生成物の特性を予測（取得）する際、生成物の製造条件に関する製造条件パラメータだけでなく、製造条件に対する評価を定める評価パラメータも反映されるので、予測性能を向上させることができる。また、評価パラメータは、重要度に応じて確率的に反映されるので、評価パラメータをどの程度学習モデルに反映させるかを設定することができる。
【0009】
上記以外の課題、構成及び効果は、後述する発明を実施するための形態にて明らかにされる。
【図面の簡単な説明】
【0010】
【図1】情報処理システム１の一例を示す全体図である。
【図2】情報処理装置２の一例を示すブロック図である。
【図3】製造条件データベース２１０の一例を示すデータ構成図である。
【図4】学習機能２０１の一例を示す機能説明図である。
【図5】情報処理機能２０２と、特性パラメータの予測処理の一例を示す機能説明図である。
【図6】情報処理機能２０２と、製造条件の最適化処理の一例を示す機能説明図である。
【図7】コンピュータ９００の一例を示すハードウエア構成図である。
【図8】学習機能２０１による機械学習方法の一例を示すフローチャートである。
【図9】情報処理機能２０２による情報処理方法の一例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】
【0011】
以下、図面を参照して本発明を実施するための実施形態について説明する。以下では、本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。
【0012】
（情報処理システム１の構成）
図１は、本実施形態に係る情報処理システム１の一例を示す全体図である。情報処理システム１は、その主要な構成要素として、情報処理装置２を備える。
図１は、本実施形態に係る情報処理システム１の一例を示す全体図である。情報処理システム１は、その主要な構成要素として、情報処理装置２を備える。
【0013】
情報処理装置２は、汎用又は専用のコンピュータ（後述の図７参照）であり、例えば、サーバ型コンピュータやクラウド型コンピュータで構成される。情報処理装置２には、有線又は無線のネットワーク４を介して、ユーザが使用するユーザ端末装置３が接続される。なお、情報処理装置２及びユーザ端末装置３の数やネットワーク４の構成は、図１の例に限られない。
【0014】
情報処理装置２は、例えば、複数の原材料から所定の製造条件に基づいて製造される生成物の特性を予測したり、複数の原材料から生成物を製造するときの製造条件を最適化したりする装置として機能する。
【0015】
ユーザ端末装置３は、汎用又は専用のコンピュータ（後述の図７参照）であり、例えば、据置型コンピュータや携帯型コンピュータで構成される。そして、ブラウザやアプリ等のプログラムがインストールされて、各種の入力操作を受け付けるとともに、表示画面や音声を介して各種の情報を出力する。
【0016】
ユーザ端末装置３は、例えば、情報処理装置２に指示するための各種の情報をユーザから受け付けたり、情報処理装置２による生成物の特性の予測結果や製造条件の最適化結果をユーザに出力したりする装置として機能する。
【0017】
原材料は、例えば、プラスチック、金属、ガラス、紙等の任意の物質であり、人工物及び自然物のいずれでもよく、触媒も含まれる。生成物は、上記のような原材料から製造される任意の物質であり、完成品でもよいし、中間品でもよい。製造条件には、原材料に関する原材料条件と、原材料から生成物を製造する製造プロセスに関するプロセス条件とが含まれる。それぞれの詳細については後述する。
【0018】
（情報処理装置２の構成）
図２は、本実施形態に係る情報処理装置２の一例を示すブロック図である。情報処理装置２は、プロセッサ等により構成される制御部２０と、ＨＤＤ、ＳＳＤ、メモリ等により構成される記憶部２１と、ネットワーク４や外部機器との通信インターフェースである通信部２２と、キーボード、マウス等により構成される入力部２３と、ディスプレイ等により構成される表示部２４とを備える。なお、入力部２３及び表示部２４は省略されてもよい。
図２は、本実施形態に係る情報処理装置２の一例を示すブロック図である。情報処理装置２は、プロセッサ等により構成される制御部２０と、ＨＤＤ、ＳＳＤ、メモリ等により構成される記憶部２１と、ネットワーク４や外部機器との通信インターフェースである通信部２２と、キーボード、マウス等により構成される入力部２３と、ディスプレイ等により構成される表示部２４とを備える。なお、入力部２３及び表示部２４は省略されてもよい。
【0019】
記憶部２１は、製造条件データベース２１０、学習済みモデル管理データベース２１１、及び、情報処理プログラム２１２を記憶するとともに、オペレーティングシステム、他のプログラムやデータ等を記憶する。
【0020】
制御部２０は、記憶部２１に記憶された情報処理プログラム２１２を実行することにより、情報管理機能２００、学習機能２０１、及び、情報処理機能２０２を実現する。制御部２０は、学習機能２０１を実現する各部として、重要度受付部２０１Ａ、学習用データ取得部２０１Ｂ、及び、機械学習部２０１Ｃを備える。制御部２０は、情報処理機能２０２を実現する各部として、製造条件取得部２０２Ａ、評価取得部２０２Ｂ、重要度受付部２０２Ｃ、特性取得部２０２Ｄ、候補変数取得部２０２Ｅ、最適化処理部２０２Ｆ、及び、出力処理部２０２Ｇを備える。
【0021】
以下、各機能２００～２０２と、各データベース２１０、２１１のデータ構成について説明する。
【0022】
（情報管理機能２００）
情報処理装置２の制御部２０は、製造条件データベース２１０を用いて、情報管理機能２００を実現する。
情報処理装置２の制御部２０は、製造条件データベース２１０を用いて、情報管理機能２００を実現する。
【0023】
図３は、製造条件データベース２１０の一例を示すデータ構成図である。製造条件データベース２１０は、情報処理システム１で取り扱う各種の情報を関連付けるための管理ＩＤ毎に複数のレコードを有する。各レコードは、例えば、製造条件（原材料条件、プロセス条件）を定める複数の製造条件パラメータ、製造条件に対する評価を定める複数の評価パラメータ、及び、生成物の特性を定める１又は複数の特性パラメータ等が登録可能なフィールドを有する。
【0024】
製造条件データベース２１０は、ユーザ端末装置３から参照可能であり、ユーザ端末装置３の表示画面において、各データの追加、削除、修正等の編集操作が行われる。製造条件データベース２１０に登録される各種の情報は、例えば、製造装置にて実際に生成物を製造したときの実績値、実験装置にて実験的に生成物を製造したときの実験値、シミュレーション装置にて製造プロセスのシミュレーションを行ったときのシミュレーション値等のいずれでもよい。その場合、各種の情報が、各装置から取得されて製造条件データベース２１０に登録されてもよい。
【0025】
複数の製造条件パラメータは、原材料に関する原材料条件を定める原材料条件パラメータと、原材料から生成物を製造する製造プロセスに関するプロセス条件を定めるプロセス条件パラメータとのうち、少なくとも一方を含む。原材料条件パラメータは、例えば、原材料の名称（成分や化学式でもよい）、使用量、使用比率等を示すパラメータである。プロセス条件パラメータは、製造プロセスにおける時間、回数、温度、圧力等を示すパラメータである。製造プロセスとしては、例えば、加熱（焼成）、冷却、触媒反応、成形、加工等が挙げられるが、これらに限られない。図３には、ｐ種類（ｐ：２以上の整数）の原材料に関する製造条件パラメータ（原材料条件パラメータ）として、原材料１の使用量（製造条件パラメータＡ１）、…、原材料Ｐの使用量（製造条件パラメータＡｐ）が図示されている。
【0026】
複数の評価パラメータは、複数の製造条件パラメータを複数の評価方法に基づいてそれぞれ評価したパラメータである。複数の評価パラメータは、原材料のコスト、原材料の供給安定性、製造プロセスに要するコスト、製造プロセスに要するエネルギー量、製造プロセスに要するプロセス時間、及び、製造プロセスに要する環境負荷のうち、少なくとも１つを含むものである。
【0027】
複数の評価パラメータは、例えば、複数の評価方法に応じた評価式を用いて、複数の製造条件パラメータから複数の評価パラメータをそれぞれ算出可能なパラメータである。なお、複数の評価パラメータは、複数の評価方法に応じた評価式を用いて、複数の製造条件パラメータと、原材料及び製造プロセスを評価するための参照情報とから算出可能なパラメータでもよい。参照情報は、例えば、単位量当たりの原材料の価格や、単位量当たりの原材料を生成するときに環境に与える負荷、単位量当たりの原材料を生成するときに要するエネルギー量、単位時間当たりの製造プロセスを行うときの費用、単位時間当たりの製造プロセスに要するエネルギー量、単位時間当たりの製造プロセスに要する環境負荷等を記録した情報である。したがって、例えば、原材料の使用量に単位量当たりの原材料の価格を乗算することで、原材料のコストが算出される。
【0028】
図３には、ｑ種類（ｑ：２以上の整数）の評価方法に対する評価パラメータとして、原材料のコスト（評価パラメータＢ１）、…、原材料の環境負荷（評価パラメータＢｑ）が図示されている。
【0029】
特性パラメータは、生成物の特性を示すパラメータである。特性パラメータは、例えば、計測装置や検査装置等で測定可能なパラメータでもよいし、官能評価試験やアンケート調査等で評価可能なパラメータでもよい。また、特性パラメータは、計測装置や検査装置等で得られた測定値、官能評価試験やアンケート調査等で得られた結果のように、一次的なデータでもよいし、一次的なデータに対して所定の演算処理、変換処理、統計処理等を施した二次的なデータでもよい。
【0030】
特性パラメータには、例えば、生成物が有する機械的特性（強度、剛性等）、熱的特性（ガラス転移温度、熱膨張率、熱伝導率等）、光学的特性（反射率、屈折率等）、電気的特性（電気伝導率、誘電率等）、化学的特性（耐酸性、耐アルカリ性）、物理的特性（密
度、比重等）、外形的特性（色、表面粗さ等）、官能評価的特性（アンケート評点、感覚刺激値等）、品質特性（特性値の個体間変動、経時変動等）等が含まれるが、これらに限られない。図３には、３種類の特性パラメータとして、引張強さ（特性パラメータＣ１）、ガラス転移温度（特性パラメータＣ２）、色（特性パラメータＣ３）が図示されている。なお、特性パラメータの種類数は、３つに限られず、任意の数でよい。すなわち、特性パラメータとしては、１又は複数の特性パラメータが用いられる。
度、比重等）、外形的特性（色、表面粗さ等）、官能評価的特性（アンケート評点、感覚刺激値等）、品質特性（特性値の個体間変動、経時変動等）等が含まれるが、これらに限られない。図３には、３種類の特性パラメータとして、引張強さ（特性パラメータＣ１）、ガラス転移温度（特性パラメータＣ２）、色（特性パラメータＣ３）が図示されている。なお、特性パラメータの種類数は、３つに限られず、任意の数でよい。すなわち、特性パラメータとしては、１又は複数の特性パラメータが用いられる。
【0031】
以下に、製造条件パラメータ、評価パラメータ、及び、特性パラメータの組み合わせとして、３つのケースについて説明する。複数の製造条件パラメータとして、ケース１では、図３の例と同様に、原材料条件パラメータが含まれる。ケース２では、プロセス条件パラメータが含まれる。ケース３では、原材料条件パラメータ及びプロセス条件パラメータの両方が含まれる。
【0032】
（ケース１）
製造条件パラメータ：原材料Ａの使用量、原材料Ｂの使用量、原材料Ｃの使用量、…
評価パラメータ：原材料Ａ～Ｃのコスト、原材料Ａ～Ｃの供給安定性、環境負荷、…
特性パラメータ：引張強さ、メルトフローレート、…
製造条件パラメータ：原材料Ａの使用量、原材料Ｂの使用量、原材料Ｃの使用量、…
評価パラメータ：原材料Ａ～Ｃのコスト、原材料Ａ～Ｃの供給安定性、環境負荷、…
特性パラメータ：引張強さ、メルトフローレート、…
【0033】
（ケース２）
製造条件パラメータ：焼成時間、焼成温度、焼成時間、余熱温度、処理回数、…
評価パラメータ：プロセス時間、エネルギー使用量…
特性パラメータ：色（色差）、…
製造条件パラメータ：焼成時間、焼成温度、焼成時間、余熱温度、処理回数、…
評価パラメータ：プロセス時間、エネルギー使用量…
特性パラメータ：色（色差）、…
【0034】
（ケース３）
製造条件パラメータ：原材料Ａの使用量、原材料Ｂの使用量、原材料Ｃの触媒濃度、反応温度、反応時間、…
評価パラメータ：原材料Ａ～Ｃのコスト、原材料Ａ～Ｃの供給安定性、エネルギー使用量、環境負荷、…
特性パラメータ：平均分子量、ガラス転移温度、…
製造条件パラメータ：原材料Ａの使用量、原材料Ｂの使用量、原材料Ｃの触媒濃度、反応温度、反応時間、…
評価パラメータ：原材料Ａ～Ｃのコスト、原材料Ａ～Ｃの供給安定性、エネルギー使用量、環境負荷、…
特性パラメータ：平均分子量、ガラス転移温度、…
【0035】
（学習機能２０１）
図４は、学習機能２０１の一例を示す機能説明図である。情報処理装置２の重要度受付部２０１Ａ、学習用データ取得部２０１Ｂ、及び、機械学習部２０１Ｃは、製造条件データベース２１０（学習用データ記憶部）と、学習済みモデル管理データベース２１１（学習済みモデル記憶部）とを用いて、学習機能２０１を実現する。
図４は、学習機能２０１の一例を示す機能説明図である。情報処理装置２の重要度受付部２０１Ａ、学習用データ取得部２０１Ｂ、及び、機械学習部２０１Ｃは、製造条件データベース２１０（学習用データ記憶部）と、学習済みモデル管理データベース２１１（学習済みモデル記憶部）とを用いて、学習機能２０１を実現する。
【0036】
学習済みモデル管理データベース２１１に登録される学習モデル１２は、複数の製造条件パラメータが複数の説明変数として、複数の評価パラメータが複数の準説明変数としてそれぞれ入力される。また、学習モデル１２は、入力された複数の説明変数及び複数の準説明変数に対して、特性パラメータを目的変数として出力する。
【0037】
学習モデル１２は、例えば、ニューラルネットワークの構造を採用したものであり、入力層１２０、中間層１２１、及び、出力層１２２を備える。各層の間には、各ニューロンをそれぞれ接続するシナプス（不図示）が張られており、各シナプスには、重みがそれぞれ対応付けられている。各シナプスの重みからなる重みパラメータ群が、機械学習により調整される。
【0038】
入力層１２０は、複数の説明変数及び複数の準説明変数にそれぞれ対応する数のニューロンを有し、各値が各ニューロンにそれぞれ入力される。入力層１２０は、製造条件パラメータ毎及び評価パラメータ毎にそれぞれ指定された重要度に応じて、ドロップアウト層
として機能する。出力層１２２は、目的変数に対応する数のニューロンを有し、目的変数の予測結果（推論結果）が出力される。なお、学習モデル１２は、回帰モデル及び分類モデルのいずれでもよい。
として機能する。出力層１２２は、目的変数に対応する数のニューロンを有し、目的変数の予測結果（推論結果）が出力される。なお、学習モデル１２は、回帰モデル及び分類モデルのいずれでもよい。
【0039】
重要度受付部２０１Ａは、複数の製造条件パラメータと、複数の評価パラメータとに対して製造条件パラメータ毎及び評価パラメータ毎にそれぞれ指定された重要度を受け付ける。例えば、重要度受付部２０１Ａは、ユーザ端末装置３に対するユーザの操作入力として、製造条件パラメータ毎及び評価パラメータ毎の重要度が入力されたものを受け付ける。重要度は、例えば、所定の範囲（図４の例では、０以上１００以下）で指定される値であり、その値が大きいほど重要度は高いものとして扱われる。なお、重要度は、段階的な値でもよいし、連続的な値でもよい。
【0040】
なお、重要度受付部２０１Ａは、製造条件パラメータ毎の重要度が、評価パラメータ毎の重要度よりも高く指定されたとき、製造条件パラメータ毎及び評価パラメータ毎の重要度を受け付けるようにしてもよい。これにより、評価パラメータの重要度が、製造条件パラメータの重要度よりも高く設定されることを制限し、学習モデル１２に対する製造条件パラメータの寄与度を評価製造条件パラメータの寄与度よりも高くなることを担保することができる。
【0041】
学習用データ取得部２０１Ｂは、複数の製造条件パラメータからなる製造条件情報及び複数の評価パラメータからなる評価情報と、生成物の特性を定める特性パラメータとで構成される学習用データ１１を複数組取得する。学習用データ１１は、教師あり学習における教師データ（トレーニングデータ）、検証データ及びテストデータとして用いられるデータである。また、学習用データ１１に含まれる特性パラメータは、教師あり学習における正解ラベルとして用いられるデータである。
【0042】
例えば、学習用データ取得部２０１Ｂは、製造条件データベース２１０に登録された情報を参照したり、ユーザ端末装置３から入力操作を受け付けたりすることにより、学習用データ１１を取得する。なお、外部のシステム（製造管理システム等）に、学習用データ１１に相当する情報が記憶されている場合には、学習用データ取得部２０１Ｂは、外部のシステムから学習用データ１１を取得してもよい。
【0043】
機械学習部２０１Ｃは、学習用データ取得部２０１Ｂにより取得された複数組の学習用データ１１を用いて学習モデル１２の機械学習を実施する。その際、機械学習部２０１Ｃは、学習モデル１２において、製造条件パラメータ毎及び評価パラメータ毎の重要度にそれぞれ対応する確率に基づいて、複数の製造条件パラメータ及び複数の評価パラメータに対して、説明変数及び準説明変数として使用する使用変数と、説明変数及び準説明変数として使用しない未使用変数とを設定する。例えば、重要度が高くなるほど使用変数として設定される確率が高くなるように、乱数等を用いて、説明変数及び準説明変数として使用する使用変数と、説明変数及び準説明変数として使用しない未使用変数とを設定する。
【0044】
本実施形態では、使用変数を設定することは、学習モデル１２のドロップアウト層（入力層１２０）において、使用変数に対応するニューロンを活性化することである。また、未使用変数を設定することは、学習モデル１２のドロップアウト層（入力層１２０）において、未使用変数に対応するニューロンを不活性化することである。図４の例では、重要度が「１００」の製造条件パラメータＡ１は、１００％の確率で使用変数に設定される。重要度が「９０」の製造条件パラメータＡｐは、９０％の確率で使用変数に設定される。重要度が「５０」の評価パラメータＢ１は、５０％の確率で使用変数に設定される。重要度が「３０」の評価パラメータＢｑは、３０％の確率で使用変数に設定される。その結果として、評価パラメータＢ１だけが未使用変数に設定されることで、評価パラメータＢ１
に対応するニューロンが不活性化されるとともに、その他のニューロンは活性化されている状態が図示されている。その場合、評価パラメータＢ１の値は中間層１２１には伝播されないことになる。
に対応するニューロンが不活性化されるとともに、その他のニューロンは活性化されている状態が図示されている。その場合、評価パラメータＢ１の値は中間層１２１には伝播されないことになる。
【0045】
そして、機械学習部２０１Ｃは、使用変数及び未使用変数を設定した学習モデル１２に対して学習用データ１１を入力することで、製造条件情報（説明変数）及び評価情報（準説明変数）と、特性パラメータ（目的変数）との相関関係を学習モデル１２に学習させることで、学習済みの学習モデル１２を生成する。
【0046】
なお、機械学習部２０１Ｃは、機械学習を実施する際、例えば、オンライン学習、バッチ学習、ミニバッチ学習等の任意の手法を採用することができる。また、機械学習部２０１Ｃは、学習モデル１２に入力する複数の製造条件パラメータ及び複数の評価パラメータに対して所定の前処理を行うようにしてもよいし、学習モデル１２から出力される特性パラメータに対して所定の後処理を行うようにしてもよい。
【0047】
学習済みモデル管理データベース２１１は、機械学習部２０１Ｃにより生成された学習済みの学習モデル１２（具体的には、調整済みの重みパラメータ群）を記憶する。学習済みモデル管理データベース２１１に記憶された学習済みの学習モデル１２は、ネットワーク４や記録媒体等を介して他のシステムに提供されてもよい。
【0048】
なお、本実施形態では、学習用データ１１及び学習モデル１２のデータ構成は、図４で示すように構成される場合について説明したが、例えば、機械学習の手法、説明変数の違い、準説明変数の違い、目的変数の違い等のように、条件が異なる複数のデータ構成を採用してもよい。その場合には、学習用データ取得部２０１Ｂは、条件が異なる複数のデータ構成にそれぞれ対応する複数種類の学習用データ１１を取得するとともに、機械学習部２０１Ｃは、それらの学習用データ１１をそれぞれ用いて機械学習を実施し、学習済みの学習モデル１２を学習済みモデル管理データベース２１１に記憶すればよい。
【0049】
【0050】
情報処理装置２の製造条件取得部２０２Ａ、評価取得部２０２Ｂ、重要度受付部２０２Ｃ、特性取得部２０２Ｄ、候補変数取得部２０２Ｅ、最適化処理部２０２Ｆ、及び、出力処理部２０２Ｇは、学習済みモデル管理データベース２１１を用いて、情報処理機能２０２を実現する。
【0051】
製造条件取得部２０２Ａは、製造条件を定める複数の製造条件パラメータからなる製造条件情報を取得する。例えば、製造条件取得部２０２Ａは、ユーザ端末装置３に対するユーザの操作入力に基づいて、製造条件情報を取得する。その際、後述の最適化処理を行う場合には、複数の製造条件情報を取得する。
【0052】
評価取得部２０２Ｂは、製造条件を複数の評価方法に基づいてそれぞれ評価した複数の評価パラメータからなる評価情報を取得する。その際、後述の最適化処理を行う場合には、複数の製造条件情報にそれぞれ対応する複数の評価情報を取得する。
【0053】
例えば、評価取得部２０２Ｂは、複数の評価方法に応じた評価式を用いて、複数の製造条件パラメータから複数の評価パラメータをそれぞれ算出することで、評価情報を取得する。評価式が、例えば、複数の製造条件パラメータを含む関数として定義されている場合
には、各製造条件パラメータを評価式に代入することで、評価パラメータは算出される。
には、各製造条件パラメータを評価式に代入することで、評価パラメータは算出される。
【0054】
なお、評価取得部２０２Ｂは、複数の評価方法に応じた評価式を用いて、複数の製造条件パラメータと、原材料及び製造プロセスを評価するための参照情報とから複数の評価パラメータをそれぞれ算出することで、評価情報を取得してもよい。参照情報は、例えば、単位量当たりの原材料の価格や、単位量当たりの原材料を生成するときに環境に与える負荷、単位量当たりの原材料を生成するときに要するエネルギー量、単位時間当たりの製造プロセスを行うときの費用、単位時間当たりの製造プロセスに要するエネルギー量、単位時間当たりの製造プロセスに要する環境負荷等を記録した情報である。
【0055】
重要度受付部２０２Ｃは、学習機能２０１の重要度受付部２０１Ａと同様に、複数の製造条件パラメータと、複数の評価パラメータとに対して製造条件パラメータ毎及び評価パラメータ毎にそれぞれ指定された重要度を受け付ける。例えば、重要度受付部２０２Ｃは、ユーザ端末装置３に対するユーザの操作入力として、製造条件パラメータ毎及び評価パラメータ毎の重要度が入力されたものを受け付ける。重要度は、例えば、所定の範囲（例えば、０以上１００以下）で指定される値であり、その値が大きいほど重要度は高いものとして扱われる。なお、重要度は、段階的な値でもよいし、連続的な値でもよい。
【0056】
なお、重要度受付部２０２Ｃは、製造条件パラメータ毎の重要度が、評価パラメータ毎の重要度よりも高く指定されたとき、製造条件パラメータ毎及び評価パラメータ毎の重要度を受け付けるようにしてもよい。これにより、評価パラメータの重要度が、製造条件パラメータの重要度よりも高く設定されることを制限し、特性パラメータに対する製造条件パラメータの寄与度を評価製造条件パラメータの寄与度よりも高くなることを担保することができる。
【0057】
特性取得部２０２Ｄは、学習モデル１２を用いて、製造条件取得部２０２Ａにより取得された製造条件情報と、評価取得部２０２Ｂにより取得された評価情報とから生成物の特性パラメータを予測（取得）する。
【0058】
その際、特性取得部２０２Ｄは、学習モデル１２において、重要度受付部２０２Ｃにより受け付けられた製造条件パラメータ毎及び評価パラメータ毎の重要度にそれぞれ対応する確率に基づいて、複数の製造条件パラメータ及び複数の評価パラメータに対して、説明変数及び準説明変数として使用する使用変数と、説明変数及び準説明変数として使用しない未使用変数とを設定する。例えば、重要度が高くなるほど使用変数として設定される確率が高くなるように、乱数等を用いて、説明変数及び準説明変数として使用する使用変数と、説明変数及び準説明変数として使用しない未使用変数とを設定する。
【0059】
本実施形態では、使用変数を設定することは、学習モデル１２のドロップアウト層（入力層１２０）において、使用変数に対応するニューロンを活性化することである。また、未使用変数を設定することは、学習モデル１２のドロップアウト層（入力層１２０）において、未使用変数に対応するニューロンを不活性化することである。図５の例では、重要度が「１００」の製造条件パラメータＡ１は、１００％の確率で使用変数に設定される。重要度が「９０」の製造条件パラメータＡｐは、９０％の確率で使用変数に設定される。重要度が「５０」の評価パラメータＢ１は、５０％の確率で使用変数に設定される。重要度が「３０」の評価パラメータＢｑは、３０％の確率で使用変数に設定される。その結果として、評価パラメータＢｑだけが未使用変数に設定されることで、評価パラメータＢｑに対応するニューロンが不活性化されるとともに、その他のニューロンは活性化されている状態が図示されている。その場合、評価パラメータＢｑの値は中間層１２１には伝播されないことになる。
【0060】
そして、特性取得部２０２Ｄは、使用変数及び未使用変数を設定した学習モデル１２に対して製造条件情報及び評価情報を入力することで学習モデル１２から出力される特性パラメータを取得する。なお、特性取得部２０２Ｄは、学習モデル１２に入力する複数の製造条件パラメータ及び複数の評価パラメータに対して所定の前処理を行うようにしてもよいし、学習モデル１２から出力される特性パラメータに対して所定の後処理を行うようにしてもよい。
【0061】
特性取得部２０２Ｄにて用いられる学習モデル１２は、学習済みモデル管理データベース２１１に記憶された学習済みの学習モデル１２である。なお、条件が異なる複数の学習モデル１２が学習済みモデル管理データベース２１１に記憶されている場合には、特性取得部２０２Ｄは、例えば、製造条件情報及び評価情報に含まれるデータの種類に合わせて、複数の学習モデル１２を選択的又は並列的に用いてもよい。
【0062】
候補変数取得部２０２Ｅは、製造条件取得部２０２Ａによる製造条件情報の取得、評価取得部２０２Ｂによる評価情報の取得、及び、特性取得部２０２Ｄによる特性パラメータの取得を繰り返すことで、所定の特性要求を満たす特性パラメータが取得されたときの製造条件情報及び評価情報を候補変数として複数取得する。その際、候補変数取得部２０２Ｅは、例えば、ユーザ端末装置３に対するユーザの操作入力として、ユーザが生成物の特性として所望する特性要求を事前に受け付ける。特性要求は、例えば、ユーザが所望する特性パラメータの範囲、上限値、下限値等が指定される。その際、１又は複数の特性パラメータに対して所望する特性パラメータの範囲、上限値、下限値等がそれぞれ指定されてもよい。
【0063】
最適化処理部２０２Ｆは、複数の候補変数に基づいて最適化処理を行うことにより、所定の評価基準を満たす評価情報に対応する製造条件情報を取得する。最適化処理部２０２Ｆは、最適化処理として、応答局面法、ベイズ最適化、モンテカルロ法、マルコフ連鎖モンテカルロ法、深層学習、強化学習のうち、少なくとも１つの最適化手法を用いる。
【0064】
その際、最適化処理部２０２Ｆは、ユーザ端末装置３に対するユーザの操作入力として、ユーザが評価情報として所望する評価基準を事前に受け付ける。評価基準は、例えば、ユーザが所望する評価パラメータの範囲、上限値、下限値、最大化、最小化等が指定される。その際、複数の評価パラメータに対して所望する評価パラメータの範囲、上限値、下限値、最大化、最小化等がそれぞれ指定されてもよい。
【0065】
出力処理部２０２Ｇは、特性取得部２０２Ｄにより取得された特性パラメータ（特性の予測結果）や、最適化処理部２０２Ｆにより取得された製造条件情報（製造条件の最適化結果）をユーザに出力するための出力処理を行う。例えば、出力処理部２０２Ｇは、特性の予測結果や製造条件の最適化結果をユーザ端末装置３に表示するための表示情報をユーザ端末装置３に送信する。
【0066】
図７は、各装置を構成するコンピュータ９００の一例を示すハードウエア構成図である。
【0067】
情報処理システム１における情報処理装置２及びユーザ端末装置３の各々は、汎用又は専用のコンピュータ９００により構成される。コンピュータ９００は、図７に示すように、その主要な構成要素として、バス９１０、プロセッサ９１２、メモリ９１４、入力デバイス９１６、出力デバイス９１７、表示デバイス９１８、ストレージ装置９２０、通信Ｉ／Ｆ（インターフェース）部９２２、外部機器Ｉ／Ｆ部９２４、Ｉ／Ｏ（入出力）デバイスＩ／Ｆ部９２６、及び、メディア入出力部９２８を備える。なお、上記の構成要素は、コンピュータ９００が使用される用途に応じて適宜省略されてもよい。
【0068】
プロセッサ９１２は、１つ又は複数の演算処理装置（ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ－ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、ＤＳＰ（ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｏｒ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等）で構成され、コンピュータ９００全体を統括する制御部として動作する。メモリ９１４は、各種のデータ及びプログラム９３０を記憶し、例えば、メインメモリとして機能する揮発性メモリ（ＤＲＡＭ、ＳＲＡＭ等）と、不揮発性メモリ（ＲＯＭ）、フラッシュメモリ等とで構成される。
【0069】
入力デバイス９１６は、例えば、キーボード、マウス、テンキー、電子ペン等で構成され、入力部として機能する。出力デバイス９１７は、例えば、音（音声）出力装置、バイブレーション装置等で構成され、出力部として機能する。表示デバイス９１８は、例えば、液晶ディスプレイ、有機ＥＬディスプレイ、電子ペーパー、プロジェクタ等で構成され、出力部として機能する。入力デバイス９１６及び表示デバイス９１８は、タッチパネルディスプレイのように、一体的に構成されていてもよい。ストレージ装置９２０は、例えば、ＨＤＤ、ＳＳＤ等で構成され、記憶部として機能する。ストレージ装置９２０は、オペレーティングシステムやプログラム９３０の実行に必要な各種のデータを記憶する。
【0070】
通信Ｉ／Ｆ部９２２は、インターネットやイントラネット等のネットワーク９４０（図１のネットワーク４と同じであってもよい）に有線又は無線により接続され、所定の通信規格に従って他のコンピュータとの間でデータの送受信を行う通信部として機能する。外部機器Ｉ／Ｆ部９２４は、カメラ、プリンタ、スキャナ、リーダライタ等の外部機器９５０に有線又は無線により接続され、所定の通信規格に従って外部機器９５０との間でデータの送受信を行う通信部として機能する。Ｉ／ＯデバイスＩ／Ｆ部９２６は、各種のセンサ、アクチュエータ等のＩ／Ｏデバイス９６０に接続され、Ｉ／Ｏデバイス９６０との間で、例えば、センサによる検出信号やアクチュエータへの制御信号等の各種の信号やデータの送受信を行う通信部として機能する。メディア入出力部９２８は、例えば、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）ドライブ、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）ドライブ等のドライブ装置、メモリカードスロット、ＵＳＢコネクタで構成され、ＤＶＤ、ＣＤ、メモリカード、ＵＳＢメモリ等のメディア（非一時的な記憶媒体）９７０に対してデータの読み書きを行う。
【0071】
上記構成を有するコンピュータ９００において、プロセッサ９１２は、ストレージ装置９２０に記憶されたプログラム９３０をメモリ９１４に呼び出して実行し、バス９１０を介してコンピュータ９００の各部を制御する。なお、プログラム９３０は、ストレージ装置９２０に代えて、メモリ９１４に記憶されていてもよい。プログラム９３０は、インストール可能なファイル形式又は実行可能なファイル形式でメディア９７０に記録され、メディア入出力部９２８を介してコンピュータ９００に提供されてもよい。プログラム９３０は、通信Ｉ／Ｆ部９２２を介してネットワーク９４０経由でダウンロードすることによりコンピュータ９００に提供されてもよい。また、コンピュータ９００は、プロセッサ９１２がプログラム９３０を実行することで実現する各種の機能を、例えば、ＦＰＧＡ（ｆｉｅｌｄ－ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、ＡＳＩＣ（ａｐｐｌｉｃａｔｉｏｎ ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）等のハードウエアで実現するものでもよい。
【0072】
コンピュータ９００は、例えば、据置型コンピュータや携帯型コンピュータで構成され、任意の形態の電子機器である。コンピュータ９００は、クライアント型コンピュータでもよいし、サーバ型コンピュータやクラウド型コンピュータでもよい。
【0073】
（情報処理システム１の動作）
以下、情報処理システム１の動作として、情報処理装置２により実現される各機能２０１、２０２について説明する。なお、情報処理装置２は、各種の情報を登録したり参照したりするために、各データベース２１０、２１１にアクセスするが、以下では、そのアクセスする動作については適宜省略して説明する。
以下、情報処理システム１の動作として、情報処理装置２により実現される各機能２０１、２０２について説明する。なお、情報処理装置２は、各種の情報を登録したり参照したりするために、各データベース２１０、２１１にアクセスするが、以下では、そのアクセスする動作については適宜省略して説明する。
【0074】
（機械学習方法）
図８は、学習機能２０１による機械学習方法の一例を示すフローチャートである。
図８は、学習機能２０１による機械学習方法の一例を示すフローチャートである。
【0075】
まず、ステップＳ１００において、重要度受付部２０１Ａは、複数の製造条件パラメータと、複数の評価パラメータとに対して、製造条件パラメータ毎及び評価パラメータ毎にそれぞれ指定された重要度を受け付ける。
【0076】
次に、ステップＳ１１０において、学習用データ取得部２０１Ｂは、製造条件データベース２１０から所望の数の学習用データ１１を取得する。ここで取得する学習用データ１１の数については、最終的に得られる学習モデル１２に求められる推論精度を考慮して設定すればよい。
【0077】
次に、ステップＳ１２０において、機械学習部２０１Ｃは、機械学習を開始すべく、学習前の学習モデル１２を準備する。ここで準備する学習前の学習モデル１２は、図４に例示したニューラルネットワークのモデルで構成されており、各シナプスの重みが初期値に設定されている。
【0078】
次に、ステップＳ１３０において、機械学習部２０１Ｃは、学習用データ取得部２０１Ｂにより取得された複数組の学習用データ１１から、例えば、ランダムに１組の学習用データ１１を取得する。
【0079】
次に、ステップＳ１４０において、機械学習部２０１Ｃは、ステップＳ１００で受け付けられた製造条件パラメータ毎及び評価パラメータ毎の重要度にそれぞれ対応する確率に基づいて、学習モデル１２における使用変数及び未使用変数を設定する。
【0080】
次に、ステップＳ１５０において、機械学習部２０１Ｃは、使用変数及び未使用変数を設定した学習モデル１２の入力層１２０に対して、１組の学習用データ１１に含まれる製造条件情報（説明変数）及び評価情報（準説明変数）を入力する。その結果、学習モデル１２の出力層１２２から推論結果として特性パラメータ（目的変数）が出力されるが、当該出力データは、学習前（又は学習中）の学習モデル１２によって生成されたものである。そのため、学習前（又は学習中）の状態では、推論結果として出力された特性パラメータは、学習用データ１１に含まれる特性パラメータ（正解ラベル）とは異なる情報を示す。
【0081】
次に、ステップＳ１６０において、機械学習部２０１Ｃは、ステップＳ１３０において取得された１組の学習用データ１１に含まれる特性パラメータ（正解ラベル）と、ステップＳ１５０において出力層１２２から推論結果として出力された特性パラメータとを比較し、各シナプスの重みを調整する処理（バックプロパゲーション）を実施することで、機械学習を実施する。これにより、機械学習部２０１Ｃは、製造条件情報及び評価情報と、特性パラメータとの相関関係を学習モデル１２に学習させる。
【0082】
次に、ステップＳ１７０において、機械学習部２０１Ｃは、所定の学習終了条件が満たされたか否かを、例えば、学習用データ１１に含まれる特性パラメータ（正解ラベル）と、推論結果として出力された特性パラメータとに基づく誤差関数の評価値や、未学習の学習用データ１１の残数に基づいて判定する。
【0083】
ステップＳ１７０において、機械学習部２０１Ｃが、学習終了条件が満たされておらず、機械学習を継続すると判定した場合（ステップＳ１７０でＮｏ）、ステップＳ１３０に戻り、学習中の学習モデル１２に対してステップＳ１３０～Ｓ１６０の工程を未学習の学習用データ１１を用いて複数回実施する。一方、ステップＳ１７０において、機械学習部２０１Ｃが、学習終了条件が満たされて、機械学習を終了すると判定した場合（ステップＳ１７０でＹｅｓ）、ステップＳ１８０に進む。
【0084】
そして、ステップＳ１８０において、機械学習部２０１Ｃは、各シナプスに対応付けられた重みを調整することで生成された学習済みの学習モデル１２（調整済みの重みパラメータ群）を学習済みモデル管理データベース２１１に記憶する。
【0085】
上記のようにして、図８に示す一連の機械学習方法を終了する。機械学習方法において、ステップＳ１００が重要度受付工程、ステップＳ１１０が学習用データ取得工程、ステップＳ１２０～Ｓ１７０が機械学習工程、ステップＳ１８０が学習済みモデル記憶工程に相当する。
【0086】
以上のように、本実施形態に係る情報処理装置２の学習機能２０１及び機械学習方法によれば、製造条件情報及び評価情報を説明変数及び準説明変数として、特性パラメータを目的変数として予測（推論）することが可能な学習モデル１２を提供することができる。そして、評価情報を、重要度受付工程で受け付けられた重要度に応じて確率的に特性パラメータに反映することが可能な学習モデル１２を提供することができる。
【0087】
（情報処理方法）
図９は、情報処理機能２０２による情報処理方法の一例を示すフローチャートである。
図９は、情報処理機能２０２による情報処理方法の一例を示すフローチャートである。
【0088】
まず、ステップＳ２００において、重要度受付部２０２Ｃは、複数の製造条件パラメータと、複数の評価パラメータとに対して製造条件パラメータ毎及び評価パラメータ毎にそれぞれ指定された重要度を受け付ける。
【0089】
次に、ステップＳ２１０において、製造条件取得部２０２Ａは、製造条件を定める複数の製造条件パラメータからなる製造条件情報を取得する。
【0090】
次に、ステップＳ２２０において、評価取得部２０２Ｂは、ステップＳ２１０で取得された製造条件情報に基づいて、複数の製造条件パラメータを複数の評価方法に基づいてそれぞれ評価した複数の評価パラメータからなる評価情報を取得する。
【0091】
次に、ステップＳ２３０において、特性取得部２０２Ｄは、ステップＳ２００で受け付けられた製造条件パラメータ毎及び評価パラメータ毎の重要度にそれぞれ対応する確率に基づいて、学習モデル１２における使用変数及び未使用変数を設定する。そして、特性取得部２０２Ｄは、使用変数及び未使用変数を設定した学習モデル１２に対して、ステップＳ２１０で取得された製造条件情報、及び、ステップＳ２２０で取得された評価情報を入力することで学習モデル１２から出力される特性パラメータを取得する。
【0092】
次に、ステップＳ２４０において、候補変数取得部２０２Ｅは、ステップＳ２１０～Ｓ２３０を実行した回数が、所定の繰り返しの回数を超えたか否かを判定する。なお、繰り返しの回数は、ユーザ端末装置３を介してユーザにより指定されてもよい。
【0093】
ステップＳ２４０において、候補変数取得部２０２Ｅが、所定の繰り返しの回数を超えていないと判定した場合（ステップＳ２４０でＮｏ）、ステップＳ２１０に戻り、ステッ
プＳ２１０の製造条件情報の取得、ステップＳ２２０の評価情報の取得、及び、ステップＳ２３０の特性パラメータの取得を繰り返す。一方、ステップＳ２４０において、候補変数取得部２０２Ｅが、所定の繰り返しの回数を超えたと判定した場合、（ステップＳ２４０でＹｅｓ）、ステップＳ２５０に進む。
プＳ２１０の製造条件情報の取得、ステップＳ２２０の評価情報の取得、及び、ステップＳ２３０の特性パラメータの取得を繰り返す。一方、ステップＳ２４０において、候補変数取得部２０２Ｅが、所定の繰り返しの回数を超えたと判定した場合、（ステップＳ２４０でＹｅｓ）、ステップＳ２５０に進む。
【0094】
次に、ステップＳ２５０において、候補変数取得部２０２Ｅは、ステップＳ２１０、Ｓ２２０で繰り返し取得された複数の製造条件情報及び評価情報のうち、所定の特性要求を満たす特性パラメータがステップＳ２３０で取得されたときの製造条件情報及び評価情報を候補変数として複数取得する。
【0095】
次に、ステップＳ２６０において、最適化処理部２０２Ｆは、ステップＳ２５０で取得された複数の候補変数に基づいて最適化処理を行うことにより、所定の評価基準を満たす評価情報に対応する製造条件情報を取得する。
【0096】
次に、ステップＳ２７０において、出力処理部２０２Ｇは、ステップＳ２６０で取得された製造条件情報（製造条件の最適化結果）をユーザに出力するための出力処理として、その製造条件情報をユーザ端末装置３に送信する。そして、ユーザ端末装置３が、その特性パラメータに基づいて表示画面を表示することで、製造条件の最適化結果がユーザに提示される。
【0097】
上記のようにして、図９に示す一連の情報処理方法を終了する。上記の情報処理方法において、ステップＳ２００が重要度受付工程、ステップＳ２１０が製造条件取得工程、ステップＳ２２０が評価取得工程、ステップＳ２３０が特性取得工程、ステップＳ２５０が候補変数取得工程、ステップＳ２６０が最適化処理工程、ステップＳ２７０が出力処理工程に相当する。
【0098】
以上のように、本実施形態に係る情報処理装置２の情報処理機能２０２及び情報処理方法によれば、特性取得工程にて、製造条件情報及び評価情報を説明変数及び準説明変数として学習モデル１２に入力することで、複数の製造条件パラメータ及び複数の評価パラメータに基づいて製造された生成物の特性パラメータを目的変数として予測（取得）する。したがって、生成物の製造条件に関する製造条件パラメータだけでなく、製造条件に対する評価を定める評価パラメータも反映されるので、特性パラメータの予測性能を向上させることができる。そして、複数の評価パラメータは、重要度受付工程で受け付けられた重要度に応じて確率的に反映されるので、評価パラメータをどの程度学習モデル１２に反映させるかを設定することができる。
【0099】
また、候補変数取得工程にて、学習モデル１２を用いて所定の特性要求を満たす特性パラメータが取得されたときの製造条件情報及び評価情報を候補変数として複数取得し、最適化処理工程にて、複数の候補変数に基づいて最適化処理を行うことにより、所定の評価基準を満たす評価パラメータに対応する製造条件情報を取得する。したがって、学習モデル１２を用いて生成物を製造するときの製造条件を最適化することができる。
【0100】
（他の実施形態）
本発明は上述した実施形態に制約されるものではなく、本発明の主旨を逸脱しない範囲内で種々変更して実施することが可能である。そして、それらはすべて、本発明の技術思想に含まれるものである。
本発明は上述した実施形態に制約されるものではなく、本発明の主旨を逸脱しない範囲内で種々変更して実施することが可能である。そして、それらはすべて、本発明の技術思想に含まれるものである。
【0101】
上記実施形態では、情報処理装置２が備える複数の機能２００～２０２は、１つの装置で実現されるものとして説明したが、各機能２００～２０２が複数の装置（コンピュータ）に分散されることで複数の装置で実現されてもよい。その際、３つの機能２００～２０
２のそれぞれが単一の装置で実現されてもよいし、３つの機能２００～２０２のうち任意の２つの機能が単一の装置で実現されてもよい。例えば、学習機能２０１を少なくとも実現する情報処理装置２は、機械学習装置として動作するが、学習機能２０１を実現する機械学習装置と、情報処理機能２０２を実現する情報処理装置２とが異なる装置である場合、機械学習装置による学習済みの学習モデル１２は、ネットワーク４や記録媒体等を介して情報処理装置２に提供されればよい。
２のそれぞれが単一の装置で実現されてもよいし、３つの機能２００～２０２のうち任意の２つの機能が単一の装置で実現されてもよい。例えば、学習機能２０１を少なくとも実現する情報処理装置２は、機械学習装置として動作するが、学習機能２０１を実現する機械学習装置と、情報処理機能２０２を実現する情報処理装置２とが異なる装置である場合、機械学習装置による学習済みの学習モデル１２は、ネットワーク４や記録媒体等を介して情報処理装置２に提供されればよい。
【0102】
上記実施形態では、情報処理装置２が通信部２２を備え、通信部２２を介してユーザ端末装置３との間で各種のデータを送受信するものとして説明したが、情報処理装置２は、単独の装置として動作するものでもよい。その際、情報処理装置２は、通信部２２を備えなくてもよい。
【0103】
上記実施形態では、情報処理装置２が、図８及び図９に示すフローチャートに従って動作する場合について説明したが、各工程（各部）の一部が省略されてもよいし、他の工程が追加されてもよい。その際、省略した各工程（各部）は、外部のシステムで実行されてもよい。
【0104】
上記実施形態では、学習機能２０１による機械学習を実現する学習モデル１２として、ニューラルネットワークを採用した場合について説明したが、他の機械学習のモデルを採用してもよい。他の機械学習のモデルとしては、例えば、決定木、回帰木等のツリー型、バギング、ブースティング等のアンサンブル学習、再帰型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、ＬＳＴＭ等のニューラルネット型(ディープラーニングを
含む)、階層型クラスタリング、非階層型クラスタリング、ｋ近傍法、ｋ平均法等のクラ
スタリング型、主成分分析、因子分析、ロジスティク回帰等の多変量解析、サポートベクターマシン等が挙げられる。
含む)、階層型クラスタリング、非階層型クラスタリング、ｋ近傍法、ｋ平均法等のクラ
スタリング型、主成分分析、因子分析、ロジスティク回帰等の多変量解析、サポートベクターマシン等が挙げられる。
【0105】
上記実施形態では、情報処理装置２の学習機能２０１及び機械学習方法と、情報処理装置２の情報処理機能２０２及び情報処理方法とで用いられる製造条件情報は、図３乃至図６に示すｐ種類（ｐ：２以上の整数）のように、複数の製造条件パラメータからなる場合について説明した。また、上記実施形態では、情報処理装置２の学習機能２０１及び機械学習方法と、情報処理装置２の情報処理機能２０２及び情報処理方法とで用いられる評価情報は、図３乃至図６に示すｑ種類（ｑ：２以上の整数）のように、複数の評価パラメータからなる場合について説明した。これに対し、製造条件情報は、１種類（ｐ＝１）、すなわち、１の製造条件パラメータからなるものでもよい。また、評価情報は、１種類（ｑ＝１）、すなわち、１の評価パラメータからなるものでもよい。その際、１の評価パラメータは、製造条件を１の評価方法に基づいて評価したものである。
【0106】
したがって、上記実施形態に関する説明において、製造条件情報は、ｐ種類（ｐは１以上の整数）、すなわち、１又は複数の製造条件パラメータからなり、評価情報は、ｑ種類（ｑは１以上の整数）、すなわち、１又は複数の評価パラメータからなるものとして、情報処理装置２にて実現される各工程（各部）は、各種の情報やデータを取り扱うようにすればよい。
【0107】
例えば、上記実施形態において、重要度は、１又は複数の製造条件パラメータと、１又は複数の評価パラメータとに対して製造条件パラメータ毎及び評価パラメータ毎にそれぞれ指定されるようにすればよい。すなわち、重要度は、製造条件情報及び評価情報の定義に合わせて適宜指定されるようにすればよい。
【0108】
また、上記実施形態において、学習モデル１２は、１又は複数の製造条件パラメータが１又は複数の説明変数として、１又は複数の評価パラメータが１又は複数の準説明変数と
してそれぞれ入力されて、特性パラメータを目的変数として出力するようにすればよい。その際、学習用データ１１は、１又は複数の製造条件パラメータからなる製造条件情報及び１又は複数の前記評価パラメータからなる評価情報と、特性パラメータとで構成されるようにすればよい。すなわち、学習用データ１１は、製造条件情報及び評価情報の定義に合わせて適宜変更すればよい。
してそれぞれ入力されて、特性パラメータを目的変数として出力するようにすればよい。その際、学習用データ１１は、１又は複数の製造条件パラメータからなる製造条件情報及び１又は複数の前記評価パラメータからなる評価情報と、特性パラメータとで構成されるようにすればよい。すなわち、学習用データ１１は、製造条件情報及び評価情報の定義に合わせて適宜変更すればよい。
【0109】
以下、本開示の諸態様を付記としてまとめて記載する。
【0110】
（付記１）
コンピュータにより実行される情報処理方法であって、
複数の原材料から生成物を製造するときの製造条件を定める１又は複数の製造条件パラメータからなる製造条件情報を取得する製造条件取得工程と、
前記製造条件を１又は複数の評価方法に基づいてそれぞれ評価した１又は複数の評価パラメータからなる評価情報を取得する評価取得工程と、
１又は複数の前記製造条件パラメータと、１又は複数の前記評価パラメータとに対して前記製造条件パラメータ毎及び前記評価パラメータ毎にそれぞれ指定された重要度を受け付ける重要度受付工程と、
１又は複数の前記製造条件パラメータが１又は複数の説明変数として、１又は複数の前記評価パラメータが１又は複数の準説明変数としてそれぞれ入力されて、前記生成物の特性を定める特性パラメータを目的変数として出力する学習モデルにおいて、前記製造条件パラメータ毎及び前記評価パラメータ毎の前記重要度にそれぞれ対応する確率に基づいて、１又は複数の前記製造条件パラメータ及び１又は複数の前記評価パラメータに対して前記説明変数及び前記準説明変数として使用する使用変数と、前記説明変数及び前記準説明変数として使用しない未使用変数とを設定し、前記使用変数及び前記未使用変数を設定した前記学習モデルに対して前記製造条件情報及び前記評価情報を入力することで前記学習モデルから出力される前記特性パラメータを取得する特性取得工程と、を含む、
情報処理方法。
コンピュータにより実行される情報処理方法であって、
複数の原材料から生成物を製造するときの製造条件を定める１又は複数の製造条件パラメータからなる製造条件情報を取得する製造条件取得工程と、
前記製造条件を１又は複数の評価方法に基づいてそれぞれ評価した１又は複数の評価パラメータからなる評価情報を取得する評価取得工程と、
１又は複数の前記製造条件パラメータと、１又は複数の前記評価パラメータとに対して前記製造条件パラメータ毎及び前記評価パラメータ毎にそれぞれ指定された重要度を受け付ける重要度受付工程と、
１又は複数の前記製造条件パラメータが１又は複数の説明変数として、１又は複数の前記評価パラメータが１又は複数の準説明変数としてそれぞれ入力されて、前記生成物の特性を定める特性パラメータを目的変数として出力する学習モデルにおいて、前記製造条件パラメータ毎及び前記評価パラメータ毎の前記重要度にそれぞれ対応する確率に基づいて、１又は複数の前記製造条件パラメータ及び１又は複数の前記評価パラメータに対して前記説明変数及び前記準説明変数として使用する使用変数と、前記説明変数及び前記準説明変数として使用しない未使用変数とを設定し、前記使用変数及び前記未使用変数を設定した前記学習モデルに対して前記製造条件情報及び前記評価情報を入力することで前記学習モデルから出力される前記特性パラメータを取得する特性取得工程と、を含む、
情報処理方法。
【0111】
（付記２）
前記重要度受付工程は、
前記製造条件パラメータ毎の前記重要度が、前記評価パラメータ毎の前記重要度よりも高く指定されたとき、前記製造条件パラメータ毎及び前記評価パラメータ毎の前記重要度を受け付ける、
付記１に記載の情報処理方法。
前記重要度受付工程は、
前記製造条件パラメータ毎の前記重要度が、前記評価パラメータ毎の前記重要度よりも高く指定されたとき、前記製造条件パラメータ毎及び前記評価パラメータ毎の前記重要度を受け付ける、
付記１に記載の情報処理方法。
【0112】
（付記３）
１又は複数の前記製造条件パラメータは、
前記原材料に関する原材料条件を定める原材料条件パラメータと、前記原材料から前記生成物を製造する製造プロセスに関するプロセス条件を定めるプロセス条件パラメータとのうち、少なくとも一方を含む、
付記１又は付記２に記載の情報処理方法。
１又は複数の前記製造条件パラメータは、
前記原材料に関する原材料条件を定める原材料条件パラメータと、前記原材料から前記生成物を製造する製造プロセスに関するプロセス条件を定めるプロセス条件パラメータとのうち、少なくとも一方を含む、
付記１又は付記２に記載の情報処理方法。
【0113】
（付記４）
前記評価取得工程は、
１又は複数の前記評価方法に応じた評価式を用いて、１又は複数の前記製造条件パラメータから１又は複数の前記評価パラメータをそれぞれ算出することで、前記評価情報を取得する、
付記１乃至付記３のいずれか１つに記載の情報処理方法。
前記評価取得工程は、
１又は複数の前記評価方法に応じた評価式を用いて、１又は複数の前記製造条件パラメータから１又は複数の前記評価パラメータをそれぞれ算出することで、前記評価情報を取得する、
付記１乃至付記３のいずれか１つに記載の情報処理方法。
【0114】
（付記５）
前記評価取得工程は、
１又は複数の前記評価方法に応じた評価式を用いて、１又は複数の前記製造条件パラメータと、前記原材料及び前記製造プロセスを評価するための参照情報とから１又は複数の前記評価パラメータをそれぞれ算出することで、前記評価情報を取得する、
付記１乃至付記４のいずれか１つに記載の情報処理方法。
前記評価取得工程は、
１又は複数の前記評価方法に応じた評価式を用いて、１又は複数の前記製造条件パラメータと、前記原材料及び前記製造プロセスを評価するための参照情報とから１又は複数の前記評価パラメータをそれぞれ算出することで、前記評価情報を取得する、
付記１乃至付記４のいずれか１つに記載の情報処理方法。
【0115】
（付記６）
１又は複数の前記評価パラメータは、
前記原材料のコスト、前記原材料の供給安定性、前記製造プロセスに要するコスト、前記製造プロセスに要するエネルギー量、前記製造プロセスに要するプロセス時間、及び、前記製造プロセスに要する環境負荷のうち、少なくとも１つを含む、
付記１乃至付記５のいずれか１つに記載の情報処理方法。
１又は複数の前記評価パラメータは、
前記原材料のコスト、前記原材料の供給安定性、前記製造プロセスに要するコスト、前記製造プロセスに要するエネルギー量、前記製造プロセスに要するプロセス時間、及び、前記製造プロセスに要する環境負荷のうち、少なくとも１つを含む、
付記１乃至付記５のいずれか１つに記載の情報処理方法。
【0116】
（付記７）
前記製造条件取得工程、前記評価取得工程及び前記特性取得工程を繰り返すことで、所定の特性要求を満たす前記特性パラメータが取得されたときの前記製造条件情報及び前記評価情報を候補変数として複数取得する候補変数取得工程と、
複数の前記候補変数に基づいて最適化処理を行うことにより、所定の評価基準を満たす前記評価情報に対応する前記製造条件情報を取得する最適化処理工程と、を含む、
付記１乃至付記６のいずれか１つに記載の情報処理方法。
前記製造条件取得工程、前記評価取得工程及び前記特性取得工程を繰り返すことで、所定の特性要求を満たす前記特性パラメータが取得されたときの前記製造条件情報及び前記評価情報を候補変数として複数取得する候補変数取得工程と、
複数の前記候補変数に基づいて最適化処理を行うことにより、所定の評価基準を満たす前記評価情報に対応する前記製造条件情報を取得する最適化処理工程と、を含む、
付記１乃至付記６のいずれか１つに記載の情報処理方法。
【0117】
（付記８）
前記最適化処理工程は、
応答局面法、ベイズ最適化、モンテカルロ法、マルコフ連鎖モンテカルロ法、深層学習、強化学習のうち、少なくとも１つの最適化手法を用いて、前記最適化処理を行う、
付記１乃至付記７のいずれか１つに記載の情報処理方法。
前記最適化処理工程は、
応答局面法、ベイズ最適化、モンテカルロ法、マルコフ連鎖モンテカルロ法、深層学習、強化学習のうち、少なくとも１つの最適化手法を用いて、前記最適化処理を行う、
付記１乃至付記７のいずれか１つに記載の情報処理方法。
【0118】
（付記９）
コンピュータにより実行される機械学習方法であって、
複数の原材料から生成物を製造するときの製造条件を定める１又は複数の製造条件パラメータと、前記製造条件を１又は複数の評価方法に基づいてそれぞれ評価した１又は複数の評価パラメータとに対して前記製造条件パラメータ毎及び前記評価パラメータ毎にそれぞれ指定された重要度を受け付ける重要度受付工程と、
１又は複数の前記製造条件パラメータからなる製造条件情報及び１又は複数の前記評価パラメータからなる評価情報と、前記生成物の特性を定める特性パラメータとで構成される学習用データを複数組取得する学習用データ取得工程と、
１又は複数の前記製造条件パラメータが１又は複数の説明変数として、１又は複数の前記評価パラメータが１又は複数の準説明変数としてそれぞれ入力されて、前記特性パラメータを目的変数として出力する学習モデルにおいて、前記製造条件パラメータ毎及び前記評価パラメータ毎の前記重要度にそれぞれ対応する確率に基づいて、１又は複数の前記製造条件パラメータ及び１又は複数の前記評価パラメータに対して前記説明変数及び前記準説明変数として使用する使用変数と、前記説明変数及び前記準説明変数として使用しない未使用変数とを設定し、前記使用変数及び前記未使用変数を設定した前記学習モデルに対して前記学習用データを入力することで、前記製造条件情報及び前記評価情報と前記特性パラメータとの相関関係を前記学習モデルに学習させる機械学習工程と、
前記機械学習工程により前記相関関係を学習させた前記学習モデルを学習済みモデル記憶部に記憶する学習済みモデル記憶工程と、を含む、
機械学習方法。
コンピュータにより実行される機械学習方法であって、
複数の原材料から生成物を製造するときの製造条件を定める１又は複数の製造条件パラメータと、前記製造条件を１又は複数の評価方法に基づいてそれぞれ評価した１又は複数の評価パラメータとに対して前記製造条件パラメータ毎及び前記評価パラメータ毎にそれぞれ指定された重要度を受け付ける重要度受付工程と、
１又は複数の前記製造条件パラメータからなる製造条件情報及び１又は複数の前記評価パラメータからなる評価情報と、前記生成物の特性を定める特性パラメータとで構成される学習用データを複数組取得する学習用データ取得工程と、
１又は複数の前記製造条件パラメータが１又は複数の説明変数として、１又は複数の前記評価パラメータが１又は複数の準説明変数としてそれぞれ入力されて、前記特性パラメータを目的変数として出力する学習モデルにおいて、前記製造条件パラメータ毎及び前記評価パラメータ毎の前記重要度にそれぞれ対応する確率に基づいて、１又は複数の前記製造条件パラメータ及び１又は複数の前記評価パラメータに対して前記説明変数及び前記準説明変数として使用する使用変数と、前記説明変数及び前記準説明変数として使用しない未使用変数とを設定し、前記使用変数及び前記未使用変数を設定した前記学習モデルに対して前記学習用データを入力することで、前記製造条件情報及び前記評価情報と前記特性パラメータとの相関関係を前記学習モデルに学習させる機械学習工程と、
前記機械学習工程により前記相関関係を学習させた前記学習モデルを学習済みモデル記憶部に記憶する学習済みモデル記憶工程と、を含む、
機械学習方法。
【符号の説明】
【0119】
１…情報処理システム、２…情報処理装置、３…ユーザ端末装置、
１１…学習用データ、１２…学習モデル、
２０…制御部、２１…記憶部、２２…通信部、２３…入力部、２４…表示部、
２００…情報管理機能、２０１…学習機能、２０１Ａ…重要度受付部、
２０１Ｂ…学習用データ取得部、２０１Ｃ…機械学習部、
２０２…情報処理機能、２０２Ａ…製造条件取得部、２０２Ｂ…評価取得部、
２０２Ｃ…重要度受付部、２０２Ｄ…特性取得部、２０２Ｅ…候補変数取得部、
２０２Ｆ…最適化処理部、２０２Ｇ…出力処理部、２１０…製造条件データベース、
２１１…モデル管理データベース、２１２…情報処理プログラム
１１…学習用データ、１２…学習モデル、
２０…制御部、２１…記憶部、２２…通信部、２３…入力部、２４…表示部、
２００…情報管理機能、２０１…学習機能、２０１Ａ…重要度受付部、
２０１Ｂ…学習用データ取得部、２０１Ｃ…機械学習部、
２０２…情報処理機能、２０２Ａ…製造条件取得部、２０２Ｂ…評価取得部、
２０２Ｃ…重要度受付部、２０２Ｄ…特性取得部、２０２Ｅ…候補変数取得部、
２０２Ｆ…最適化処理部、２０２Ｇ…出力処理部、２１０…製造条件データベース、
２１１…モデル管理データベース、２１２…情報処理プログラム
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】