特開 2024-48356 学習用データ生成方法、材料の物性値推定方法、学習用データ生成プログラム、材料の物性値推定プログラムおよび学習用データ生成装置

(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】P2024048356

(43)【公開日】2024-04-08

(54)【発明の名称】学習用データ生成方法、材料の物性値推定方法、学習用データ生成プログラム、材料の物性値推定プログラムおよび学習用データ生成装置

(51)【国際特許分類】

   G16C 60/00 20190101AFI20240401BHJP

   G06F 18/27 20230101ALI20240401BHJP

   G16C 20/70 20190101ALI20240401BHJP

   G06N 20/00 20190101ALI20240401BHJP

【ＦＩ】

G16C60/00

G06F18/27

G16C20/70

G06N20/00

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2023137905

(22)【出願日】2023-08-28

(31)【優先権主張番号】P 2022153541

(32)【優先日】2022-09-27

(33)【優先権主張国・地域又は機関】JP

(71)【出願人】

【識別番号】000003159

【氏名又は名称】東レ株式会社

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】西川 智裕

(72)【発明者】

【氏名】山本 海

(72)【発明者】

【氏名】茂本 勇

(57)【要約】

【課題】物性値を推定する際の精度低下を抑制することができる学習用データ生成方法、材料の物性値推定方法、学習用データ生成プログラム、材料の物性値推定プログラムおよび学習用データ生成装置を提供すること。
【解決手段】本発明に係る学習用データの生成方法は、材料の製造条件、および複数種の物性値をそれぞれ含む複数のデータセットを記憶部から読み出し、該複数のデータセットを製造条件ごとにグループ化するグループ化ステップと、補正対象の物性値、および、補正の基準とする基準用物性値を選択する選択ステップと、物性値の統計量を算出する統計量算出ステップと、基準用物性値の統計量を用いて補正モデルを生成する補正モデル生成ステップと、補正モデルを用いて補正対象の物性値の統計量を補正する補正ステップと、補正後のデータセットを用いて学習用データを生成する生成ステップと、を含む。
【選択図】図１

【特許請求の範囲】

【請求項1】

コンピュータが、材料の物性値を推定するための学習用データを生成する学習用データ生成方法であって、
材料の製造条件、および複数種の物性値をそれぞれ含む複数のデータセットを記憶部から読み出し、該複数のデータセットを製造条件ごとにグループ化するグループ化ステップと、
補正対象の物性値、および、補正の基準とする基準用物性値を選択する選択ステップと、
各グループにおいて、前記選択ステップで選択した物性値の統計量を算出する統計量算出ステップと、
前記基準用物性値の統計量を用いて、前記補正対象の物性値の統計量を補正するための補正モデルを生成する補正モデル生成ステップと、
前記補正モデルを用いて前記補正対象の物性値の統計量を補正する補正ステップと、
補正後のデータセットを用いて学習用データを生成する生成ステップと、
を含む学習用データ生成方法。

【請求項2】

前記選択ステップは、前記基準用物性値とする物性値を複数選択する、
請求項１に記載の学習用データ生成方法。

【請求項3】

前記選択ステップは、前記基準用物性値とする物性値を基準物性値候補として複数選択し、
前記補正モデル生成ステップは、複数の基準物性値候補の統計量、または、複数の基準物性値候補および補正対象の物性値の統計量を用いてそれぞれ生成された補正モデルに対し精度評価を行って、各補正モデルから最適な補正モデルを選択する、
請求項１に記載の学習用データ生成方法。

【請求項4】

前記統計量算出ステップの前に実行され、適正範囲から外れている物性値を外れ値として前記データセットから除外する除外ステップ、
をさらに含む請求項１～３のいずれか一つに記載の学習用データ生成方法。

【請求項5】

前記補正モデル生成ステップは、関数フィッティングまたは機械学習を用いて補正モデルを生成する、
請求項１～３のいずれか一つに記載の学習用データ生成方法。

【請求項6】

コンピュータが材料の物性値を推定する材料の物性値推定方法であって、
材料の製造条件、および複数種の物性値をそれぞれ含む複数のデータセットを記憶部から読み出し、該複数のデータセットを製造条件ごとにグループ化するグループ化ステップと、
補正対象の物性値、および、補正の基準とする基準用物性値を選択する選択ステップと、
各グループにおいて、前記選択ステップで選択した物性値の統計量を算出する統計量算出ステップと、
前記基準用物性値の統計量を用いて、前記補正対象の物性値の統計量を補正するための補正モデルを生成する補正モデル生成ステップと、
前記補正モデルを用いて前記補正対象の物性値の統計量を補正する補正ステップと、
補正後のデータセットを用いて学習用データを生成する生成ステップと、
前記学習用データを用いて回帰モデルを学習する学習ステップと、
前記学習ステップで学習した前記回帰モデルに基づいて、推定対象の材料の物性値を算出する算出ステップと、
を有する材料の物性値推定方法。

【請求項7】

コンピュータに、材料の物性値を推定するための学習用データを生成させる学習用データ生成プログラムであって、
材料の製造条件、および複数種の物性値をそれぞれ含む複数のデータセットを記憶部から読み出し、該複数のデータセットを製造条件ごとにグループ化するグループ化ステップと、
補正対象の物性値、および、補正の基準とする基準用物性値を選択する選択ステップと、
各グループにおいて、前記選択ステップで選択した物性値の統計量を算出する統計量算出ステップと、
前記基準用物性値の統計量を用いて、前記補正対象の物性値の統計量を補正するための補正モデルを生成する補正モデル生成ステップと、
前記補正モデルを用いて前記補正対象の物性値の統計量を補正する補正ステップと、
補正後のデータセットを用いて学習用データを生成する生成ステップと、
を前記コンピュータに実行させる学習用データ生成プログラム。

【請求項8】

コンピュータに、材料の物性値を推定させる材料の物性値推定プログラムであって、
材料の製造条件、および複数種の物性値をそれぞれ含む複数のデータセットを記憶部から読み出し、該複数のデータセットを製造条件ごとにグループ化するグループ化ステップと、
補正対象の物性値、および、補正の基準とする基準用物性値を選択する選択ステップと、
各グループにおいて、前記選択ステップで選択した物性値の統計量を算出する統計量算出ステップと、
前記基準用物性値の統計量を用いて、前記補正対象の物性値の統計量を補正するための補正モデルを生成する補正モデル生成ステップと、
前記補正モデルを用いて前記補正対象の物性値の統計量を補正する補正ステップと、
補正後のデータセットを用いて学習用データを生成する生成ステップと、
前記学習用データを用いて回帰モデルを学習する学習ステップと、
前記学習ステップで学習した前記回帰モデルに基づいて、推定対象の材料の物性値を算出する算出ステップと、
を前記コンピュータに実行させる材料の物性値推定プログラム。

【請求項9】

材料の物性値を推定するための学習用データを生成する学習用データ生成装置であって、
材料の製造条件、および複数種の物性値をそれぞれ含む複数のデータセットを記憶部から読み出し、該複数のデータセットを製造条件ごとにグループ化する抽出部と、
補正対象の物性値を補正する物性値補正部と、
補正後のデータセットを用いて学習用データを生成する学習用データ生成部と、
を備え、
前記物性値補正部は、
補正対象の物性値、および、補正の基準とする基準用物性値を選択する選択し、
各グループにおいて、選択した物性値の統計量を算出し、
前記基準用物性値の統計量を用いて、前記補正対象の物性値の統計量を補正するための補正モデルを生成し、
前記補正モデルを用いて前記補正対象の物性値の統計量を補正する、
学習用データ生成装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、学習用データ生成方法、材料の物性値推定方法、学習用データ生成プログラム、材料の物性値推定プログラムおよび学習用データ生成装置に関するものである。

【背景技術】

【0002】

近年、多岐にわたる原料あるいは製造条件の組み合わせから、所望の物性を有する組み合わせを推定する技術として、ポリマー組成物の製造条件情報から、ポリマー組成物の物性情報を推定する技術が開示されている（例えば、特許文献１を参照）。特許文献１では、製造条件情報をもとに生成される学習済みモデルを用いて、物性情報を推測する。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２０－１６３７８３号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

ところで、学習済みモデルを生成するための物性値において測定のばらつきが大きいと、実験で得られる測定平均値と、本来得るべき真の測定平均値とが乖離し、学習済みモデルによる物性値の推定精度が低下する場合があった。

【0005】

本発明は、上記に鑑みてなされたものであって、物性値を推定する際の精度低下を抑制することができる学習用データ生成方法、材料の物性値推定方法、学習用データ生成プログラム、材料の物性値推定プログラムおよび学習用データ生成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】

【0006】

上述した課題を解決し、目的を達成するために、本発明に係る学習用データ生成方法は、コンピュータが、材料の物性値を推定するための学習用データを生成する学習用データ生成方法であって、材料の製造条件、および複数種の物性値をそれぞれ含む複数のデータセットを記憶部から読み出し、該複数のデータセットを製造条件ごとにグループ化するグループ化ステップと、補正対象の物性値、および、補正の基準とする基準用物性値を選択する選択ステップと、各グループにおいて、前記選択ステップで選択した物性値の統計量を算出する統計量算出ステップと、前記基準用物性値の統計量を用いて、前記補正対象の物性値の統計量を補正するための補正モデルを生成する補正モデル生成ステップと、前記補正モデルを用いて前記補正対象の物性値の統計量を補正する補正ステップと、補正後のデータセットを用いて学習用データを生成する生成ステップと、を含む。

【0007】

本発明に係る学習用データ生成方法は、上記発明において、前記選択ステップは、前記基準用物性値とする物性値を複数選択する。

【0008】

本発明に係る学習用データ生成方法は、上記発明において、前記選択ステップは、前記基準用物性値とする物性値を基準物性値候補として複数選択し、前記補正モデル生成ステップは、複数の基準物性値候補の統計量、または、複数の基準物性値候補および補正対象の物性値の統計量を用いてそれぞれ生成された補正モデルに対し精度評価を行って、各補正モデルから補正モデルを選択する。

【0009】

本発明に係る学習用データ生成方法は、上記発明において、前記統計量算出ステップの前に実行され、適正範囲から外れている物性値を外れ値として前記データセットから除外する除外ステップ、をさらに含む。

【0010】

本発明に係る学習用データ生成方法は、上記発明において、前記補正モデル生成ステップは、関数フィッティングまたは機械学習を用いて補正モデルを生成する。

【0011】

本発明に係る材料の物性値推定方法は、コンピュータが材料の物性値を推定する材料の物性値推定方法であって、材料の製造条件、および複数種の物性値をそれぞれ含む複数のデータセットを記憶部から読み出し、該複数のデータセットを製造条件ごとにグループ化するグループ化ステップと、補正対象の物性値、および、補正の基準とする基準用物性値を選択する選択ステップと、各グループにおいて、前記選択ステップで選択した物性値の統計量を算出する統計量算出ステップと、前記基準用物性値の統計量を用いて、前記補正対象の物性値の統計量を補正するための補正モデルを生成する補正モデル生成ステップと、前記補正モデルを用いて前記補正対象の物性値の統計量を補正する補正ステップと、補正後のデータセットを用いて学習用データを生成する生成ステップと、前記学習用データを用いて回帰モデルを学習する学習ステップと、前記学習ステップで学習した前記回帰モデルに基づいて、推定対象の材料の物性値を算出する算出ステップと、を有する。

【0012】

本発明に係る学習用データ生成プログラムは、コンピュータに、材料の物性値を推定するための学習用データを生成させる学習用データ生成プログラムであって、材料の製造条件、および複数種の物性値をそれぞれ含む複数のデータセットを記憶部から読み出し、該複数のデータセットを製造条件ごとにグループ化するグループ化ステップと、補正対象の物性値、および、補正の基準とする基準用物性値を選択する選択ステップと、各グループにおいて、前記選択ステップで選択した物性値の統計量を算出する統計量算出ステップと、前記基準用物性値の統計量を用いて、前記補正対象の物性値の統計量を補正するための補正モデルを生成する補正モデル生成ステップと、前記補正モデルを用いて前記補正対象の物性値の統計量を補正する補正ステップと、補正後のデータセットを用いて学習用データを生成する生成ステップと、を前記コンピュータに実行させる。

【0013】

本発明に係る材料の物性値推定プログラムは、コンピュータに、材料の物性値を推定させる材料の物性値推定プログラムであって、材料の製造条件、および複数種の物性値をそれぞれ含む複数のデータセットを記憶部から読み出し、該複数のデータセットを製造条件ごとにグループ化するグループ化ステップと、補正対象の物性値、および、補正の基準とする基準用物性値を選択する選択ステップと、各グループにおいて、前記選択ステップで選択した物性値の統計量を算出する統計量算出ステップと、前記基準用物性値の統計量を用いて、前記補正対象の物性値の統計量を補正するための補正モデルを生成する補正モデル生成ステップと、前記補正モデルを用いて前記補正対象の物性値の統計量を補正する補正ステップと、補正後のデータセットを用いて学習用データを生成する生成ステップと、前記学習用データを用いて回帰モデルを学習する学習ステップと、前記学習ステップで学習した前記回帰モデルに基づいて、推定対象の材料の物性値を算出する算出ステップと、を前記コンピュータに実行させる。

【0014】

本発明に係る学習用データ生成装置は、材料の物性値を推定するための学習用データを生成する学習用データ生成装置であって、材料の製造条件、および複数種の物性値をそれぞれ含む複数のデータセットを記憶部から読み出し、該複数のデータセットを製造条件ごとにグループ化する抽出部と、補正対象の物性値を補正する物性値補正部と、補正後のデータセットを用いて学習用データを生成する学習用データ生成部と、を備え、前記物性値補正部は、補正対象の物性値、および、補正の基準とする基準用物性値を選択する選択し、各グループにおいて、選択した物性値の統計量を算出し、前記基準用物性値の統計量を用いて、前記補正対象の物性値の統計量を補正するための補正モデルを生成し、前記補正モデルを用いて前記補正対象の物性値の統計量を補正する。

【発明の効果】

【0015】

本発明によれば、物性値を推定する際の精度低下を抑制することができる。

【図面の簡単な説明】

【0016】

【図1】図１は、本発明の実施形態１に係る物性値推定システムの概略構成を示す図である。

【図2】図２は、本発明の実施形態１に係る物性値推定システムが備える学習装置の構成を示すブロック図である。

【図3】図３は、データセットの内容を一覧表示した図である。

【図4】図４は、物性値のばらつきについて説明するための図である。

【図5】図５は、補正対象の物性値の補正処理について説明するための図である。

【図6】図６は、本発明の実施形態１に係る物性値推定システムが備える推定装置の構成を示すブロック図である。

【図7】図７は、本発明の実施形態１に係る物性値推定システムが行う推定処理の流れを説明するための図である。

【図8】図８は、推定装置が行う推定処理の概要を示すフローチャートである。

【図9】図９は、本発明の実施形態１に係る学習装置が行う学習用データ生成処理を説明するためのフローチャートである。

【図10】図１０は、本発明の実施形態１の変形例に係る学習装置が行う学習用データ生成処理を説明するためのフローチャートである。

【図11】図１１は、本発明の実施形態２に係る学習装置が行う学習用データ生成処理を説明するためのフローチャートである。

【発明を実施するための形態】

【0017】

以下に、本発明に係る物性値推定システムの実施形態を、図面に基づいて、詳細に説明する。なお、この実施形態により本発明が限定されるものではない。また、本発明の個々の実施形態は、独立したものではなく、それぞれ組み合わせて適宜実施することができる。

【0018】

（実施の形態１）
図１は、本発明の実施形態１に係る物性値推定システムの概略構成を示す図である。これらの図に示す物性値推定システム１は、学習用データを作成し、該作成した学習用データを用いて学習した学習済みモデルを生成する学習装置２と、学習装置２が生成した学習済みモデルを用いて、推定対象の物性値を推定する推定装置３と、推定装置３の推定結果を含む情報を表示する表示装置４と、入力装置５とを備える。

【0019】

推定装置３が推定する物性値は、複数の原料、その配合比率や、製造時の温度等の設定条件を含む製造条件に基づいて推定される。推定装置３は、例えば、ポリマー組成物を製造する際に用いる原料や硬化剤（例えば硬化性樹脂組成物）や、その配合比率、硬化条件（温度、時間等）を組とする製造条件を、学習済みモデルに入力し、出力された値に基づいて物性値を推定する。この際、原料として、硬化反応や重合反応を起こさない添加剤などを含んでもよい。
以下、ポリマー組成物の物性値を推定する例について説明する。

【0020】

学習装置２は、推定装置３と電気的に接続されている。学習装置２は、学習用データを選択的に抽出して、抽出した学習用データを用いた学習によって学習済みモデルを生成して出力する。図２は、本発明の実施形態１に係る物性値推定システムが備える学習装置の構成を示すブロック図である。学習装置２は、抽出部２１、物性値補正部２２、学習用データ生成部２３、学習部２４、制御部２５および記憶部２６を有する。なお、本実施の形態１では、少なくとも抽出部２１、物性値補正部２２、学習用データ生成部２３および記憶部２６によって学習用データ生成装置が構成される。

【0021】

抽出部２１は、記憶部２６に記憶されているデータセットから、推定対象のポリマー組成物の製造条件を構成するデータセットを抽出し、抽出したデータセットを物性値補正部２２または学習用データ生成部２３に出力する。

【0022】

ここで、データセット、およびデータセットの抽出について説明する。データセットは、ポリマー組成物を構成する複数の原料、および該原料の配合比率や設定条件からなる製造条件と、複数の物性値とを有する水準を有する。なお、本実施の形態１では、データセットに対して、二種の物性値（物性値Ａ、Ｂ）が対応付けられているものとして説明するが、三種以上の物性値が対応付けられているものであってもよい。

【0023】

抽出部２１は、入力装置５を介して入力された推定対象のポリマー組成物について、データセットを読み出して抽出する。また、抽出部２１は、抽出した複数のデータセットに対し、製造条件をもとにグループ化する。

【0024】

図３は、データセットの内容を一覧表示した図である。図３は、抽出部２１が、入力されたポリマー組成物ついて読み出したデータセットの例を示す。抽出されたデータセット１～Ｎは、製造条件Ｍ１～Ｍ３、物性値Ａ（Ｘ₁～Ｘ_N）および物性値Ｂ（Ｙ₁～Ｙ_N）がそれぞれ対応付いたものである。ここで、製造条件Ｍ１～Ｍ３は、例えば原料の配合比率、温度や処理時間等のいずれかが互いに異なっている。

【0025】

その後、抽出部２１は、製造条件（製造条件Ｍ１～Ｍ３）ごとに、データセットをグループ化する。図３に示す例では、データセット１、３、Ｎ－１、Ｎと、データセット２と、データセットＮ－２とに分けてグループ化される。なお、図示していないデータセット（例えばデータセット４～Ｎ－３）については、それぞれの製造条件に応じてグループ分けされる。

【0026】

物性値補正部２２は、抽出部２１が抽出したデータセットについて、物性値の補正を行う。物性値補正部２２は、例えば、ばらつきの大きい物性値を、ばらつきの小さい物性値をもとに補正する。

【0027】

図４は、物性値のばらつきについて説明するための図である。図４の（ａ）は、製造条件のある項目（例えば温度）における物性値Ａの分布を示す。図４の（ｂ）は、製造条件のある項目（例えば温度）における物性値Ｂの分布を示す。なお、図４の（ａ）および（ｂ）は、同一の製造条件における物性値を示している。また、各物性値を示すプロットは、その製造条件における測定データの平均値（または最頻値）を示している。さらに、そのプロット上に、その製造条件において得られるべき理想の物性値の範囲を示すエラーバーを重畳している。図４に示す例では、物性値Ｂのばらつき（例えばエラーバーの平均長さ等）が、物性値Ａのばらつきよりも大きい。

【0028】

図４において、ばらつきが小さい物性値Ａは、製造条件に対して得られるべき理想の物性値を推定する理想推定式Ｌ_TＡと、測定データから得られる実測推定式Ｌ_NＡとの差が小さい。これに対し、ばらつきが大きい物性値Ｂは、製造条件に対する物性値の理想推定式Ｌ_TＢと、測定データから得られる実測推定式Ｌ_NＢとの差が大きい。なお、推定式は、物性値の推定結果の説明のために表示しているものであって、実際の推定処理に用いるものではない。
物性値補正部２２は、例えば、このばらつきが相対的に大きい物性値Ｂの測定値を補正する。

【0029】

物性値補正部２２は、物性値Ａ、または、物性値Ａおよび物性値Ｂから補正モデルを求め、該補正モデルを用いて物性値Ｂを補正する。なお、本実施の形態では、物性値補正部２２が、物性値Ａおよび物性値Ｂから補正モデルを求める例について説明する。
図５は、補正対象の物性値の補正処理について説明するための図である。物性値補正部２２は、物性値Ａと物性値Ｂとを用いて近似式を作成し、これを補正モデルＬ_CＡとする。物性値補正部２２は、物性値Ｂを、補正モデルＬ_CＡに近付くように補正する（図５の（ａ）参照）。これにより、各物性値Ｂが、理想推定式Ｌ_TＢ側に近付き、実測推定式Ｌ_NＢを理想推定式Ｌ_TＢに近いものとすることができる。
なお、本実施の形態１では、物性値Ａと物性値Ｂとをもとに近似によって補正モデルを作成する例について説明するが、その他の方法によって補正モデルを作成してもよい。例えば、近似以外の関数フィッティングや、機械学習によって補正モデルを作成してもよいし、理論式を参照して補正モデルを作成してもよい。
また、補正モデルへの移動量（補正量）は、例えば、予め設定した条件に応じて定められる。ここで設定される条件としては、例えば、「補正モデルと一致するように補正する」、「補正モデルと補正対象の物性値との差に対する所定の割合だけ補正する」、「差が閾値を超えるもののみ補正する」、「製造条件ごとに設定される補正量で補正する」などがある。なお、複数の条件を組み合わせたものとしてもよい。

【0030】

学習用データ生成部２３は、抽出部２１が抽出したデータセット、または物性値補正部２２による補正後のデータセットを用いて、学習用データを生成する。

【0031】

学習部２４は、学習用データ生成部２３が生成した学習用データを用いて学習を行って学習済みモデルを生成する。学習済みモデルは、入力層、中間層および出力層からなり、各層が一または複数のノードを有するニューラルネットワークである。学習済みモデルは、学習を行うことによって生成されたものである。学習済みモデルにおけるネットワークパラメータ等の情報は、記憶部２６に格納されている。ネットワークパラメータには、ニューラルネットワークの層間の重みやバイアスに関する情報が含まれる。

【0032】

学習部２４が行う学習は、公知の学習方法を採用することができる。例えば、正則化を用いた学習によって学習済みモデルを生成する場合、回帰モデルのハイパーパラメータの候補値を複数与え、与えられたハイパーパラメータの候補値のそれぞれに対して学習を実行する。その後、各候補値によって学習して得たモデルに対し、学習用データを用いて、交差検証またはホールドアウト検証による予測誤差を算出し、最小の予測誤差を与える回帰モデルを選択する。選択された回帰モデルが、学習済みモデルとして出力される。なお、ここでいうハイパーパラメータは、例えばニューラルネットワークの層の数や、正則化の係数である。

【0033】

制御部２５は、学習装置２の動作を統括して制御する。

【0034】

記憶部２６は、学習装置２を動作させるための各種プログラム、および学習装置２の動作に必要な各種パラメータ等を含むデータを記憶する。各種プログラムには、学習済みモデルを生成するための学習用データを生成する学習用データ生成プログラム、学習用データを用いて学習して学習済みモデルを生成する学習済みモデル生成プログラムも含まれる。また、記憶部２６は、学習用データとして用いる複数のデータセットを記憶するデータセット記憶部２６１を有する。本実施の形態１では、ポリマー組成物について、原料の配合比率や製造時の設定条件等を含む製造条件と、その物性値を対応付けたデータセットを記憶する。

【0035】

記憶部２６は、各種プログラム等があらかじめインストールしたＲＯＭ（Read Only Memory）、および各処理の演算パラメータやデータ等を記憶するＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）等を用いて構成される。

【0036】

各種プログラムは、ＨＤＤ、フラッシュメモリ、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、Ｂｌｕ－ｒａｙ（登録商標）等のコンピュータ読み取り可能な記録媒体に記録して広く流通させることも可能である。ここでいう通信ネットワークは、例えば既存の公衆回線網、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）等を用いて構成されるものであり、有線、無線を問わない。

【0037】

以上の機能構成を有する学習装置２は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）等の１または複数のハードウェアを用いて構成されるコンピュータである。

【0038】

推定装置３は、学習装置２および表示装置４と電気的に接続されている。推定装置３は、推定対象のポリマー組成物の製造条件と、学習装置２から取得した学習済みモデルとを用いて、ポリマー組成物の推定物性値を含む推定結果を出力する。図６は、本発明の実施形態１に係る物性値推定システムが備える推定装置の構成を示すブロック図である。推定装置３は、算出部３１、制御部３２および記憶部３３を有する。

【0039】

算出部３１は、入力装置５から取得した、推定対象のポリマー組成物の製造条件と、学習装置２から取得した、学習済みモデルとを用いて推定される物性値を算出する。

【0040】

図７は、本発明の実施形態１に係る物性値推定システムが行う推定処理の流れを説明するための図である。算出部３１は、複数の学習用データＩＰを用いて学習された学習済みモデル１００を取得する。算出部３１は、この学習済みモデル１００を用いて、推定対象のポリマー組成物の製造条件における推定の物性値ＯＰを出力する。

【0041】

制御部３２は、推定装置３の動作を統括して制御する。制御部３２は、算出部３１の算出結果（推定結果）を表示装置４に表示させる表示制御部３２１を有する。表示制御部３２１は、推定結果に加えて、推定対象のポリマー組成物の製造条件（原料や、該原料の配合比率、設定条件等）の情報を表示装置４に表示させてもよい。

【0042】

記憶部３３は、推定装置３を動作させるための各種プログラム、および推定装置３の動作に必要な各種パラメータ等を含むデータを記憶する。各種プログラムには、学習済みモデルを用いて実行される物性値推定プログラムも含まれる。記憶部３３は、各種プログラム等があらかじめインストールしたＲＯＭ、および各処理の演算パラメータやデータ等を記憶するＲＡＭ、ＨＤＤ、ＳＳＤ等を用いて構成される。

【0043】

各種プログラムは、ＨＤＤ、フラッシュメモリ、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、Ｂｌｕ－ｒａｙ（登録商標）等のコンピュータ読み取り可能な記録媒体に記録して広く流通させることも可能である。また、推定装置３が、通信ネットワークを介して各種プログラム取得することも可能である。ここでいう通信ネットワークは、例えば既存の公衆回線網、ＬＡＮ、ＷＡＮ等を用いて構成されるものであり、有線、無線を問わない。

【0044】

以上の機能構成を有する推定装置３は、ＣＰＵ、ＧＰＵ、ＡＳＩＣ、ＦＰＧＡ等の１または複数のハードウェアを用いて構成されるコンピュータである。

【0045】

表示装置４は、液晶や有機ＥＬ（Electro Luminescence）などからなるディスプレイであり、推定装置３と電気的に接続されている。表示装置４は、表示制御部３２１の制御のもとで推定装置３から出力される表示用データを取得して表示する。なお、表示装置４がスピーカ等の音声出力機能を有してもよい。

【0046】

入力装置５は、物性値を推定する処理に関する設定等の情報を含む各種情報の入力を受け付け、受け付けた情報を学習装置２および推定装置３に出力する。入力装置５は、キーボード、マウス、マイク、タッチパネル等のユーザインタフェースを用いて構成される。

【0047】

図８は、推定装置３が行う推定処理の概要を示すフローチャートである。図８に示す推定処理は、ポリマー組成物の製造条件を用いる場合について説明するものであるが、他の組成物の場合も同様である。

【0048】

まず、学習装置２は、入力装置５を介して推定条件を取得する（ステップＳ１）。ここで入力される推定条件とは、推定対象とするポリマー組成物の製造条件である。

【0049】

学習装置２は、入力装置５を介して入力された推定条件に基づいて学習用データを生成する（ステップＳ２）。

【0050】

図９は、本発明の実施形態１に係る学習装置が行う学習用データ生成処理を説明するためのフローチャートである。抽出部２１は、データセット記憶部２６１に記憶されている複数のデータセットから、推定対象のポリマー組成物と同様の物性測定値を持つデータセットを読み出す（ステップＳ１１）。

【0051】

その後、抽出部２１は、読み出した複数のデータセットから、ポリマー組成物の製造条件をもとにデータセットをグループ化する（ステップＳ１２）。この際、抽出部２１は、製造条件ごとに、データセットを分けることによってグループ化を実行する。

【0052】

グループ化後、物性値補正部２２が、物性値の補正処理を実行する。
まず、物性値補正部２２は、分散が小さい物性値を基準用の物性値として選択する（ステップＳ１３）。
基準用として選択された物性値以外の物性値（ここでは、例えば物性値Ｂ）は、補正対象の物性値となる。

【0053】

その後、物性値補正部２２は、統計量を算出する（ステップＳ１４）。物性値補正部２２は、グループごとの各物性値（例えば物性値Ａ、Ｂ）の平均値を、統計量としてそれぞれ算出する。なお、統計量は、平均値のほか、最頻値や中央値を算出するようにしてもよい。

【0054】

物性値補正部２２は、基準用の物性値の統計量と、補正対象の物性値の統計量とを用いて、補正モデルを生成する（ステップＳ１５）。物性値補正部２２は、近似等によって、補正モデル（例えば、補正モデルＬ_CＡ）を生成する。これにより、基準用の物性値に基づく補正モデルが生成される。

【0055】

その後、物性値補正部２２は、補正モデルを用いて、補正対象の物性値を補正する（ステップＳ１６）。物性値補正部２２は、各物性値が補正モデルに近付くように、当該物性値を補正する。

【0056】

学習用データ生成部２３は、物性値補正部２２による補正後のデータセットを用いて学習用データを生成する（ステップＳ１７）。学習用データ生成部２３は、これらのデータセットに基づいて、製造条件を特徴量、物性値を目的変数とする学習用データを生成する。なお、学習用データは、各物性値の分散がそれぞれ小さく、補正を必要とする物性値がない場合等、補正処理が施されていない、抽出部２１が抽出したデータセットを含んでいてもよい。

【0057】

図８に戻り、学習部２４は、ステップＳ１７において生成された学習用データを用いた学習によって学習済みモデルを生成する（ステップＳ３）。

【0058】

その後、推定装置３において、推定対象のポリマー組成物の製造条件における物性値を推定する。算出部３１は、学習装置２が生成した学習済みモデルを用いて、推定対象のポリマー組成物の製造条件の物性値を算出する（ステップＳ４）。

【0059】

続いて、表示制御部３２１は、算出部３１による推定結果を表示装置４に出力し、該表示装置４に推定結果を表示させる表示制御を行う（ステップＳ５）。この際、表示装置４は、推定結果とともに、推定対象のポリマー組成物の原料やその配合比率等を表示する。

【0060】

以上説明した実施の形態１では、分散が相対的に小さい物性値を基準とし、補正対象の物性値と該基準物性値とをもとに生成される補正モデルを用いて、他の物性値を補正し、基準物性値、および補正後の物性値を目的変数とする学習用データを作成するようにした。本実施の形態１によれば、理論推定式に近付く補正物性値を学習用データとして学習済みモデルが生成されるため、物性値を推定する際の精度低下を抑制することができる。

【0061】

（実施の形態１の変形例）
次に、本発明の実施の形態１の変形例について説明する。本変形例に係る推定システムは、実施の形態１に係る物性値推定システム１の構成要素と同様であるため、説明は省略する。以下、実施の形態１とは異なる処理について説明する。

【0062】

図１０は、本発明の実施形態１の変形例に係る学習装置が行う学習用データ生成処理を説明するためのフローチャートである。抽出部２１は、図９に示すステップＳ１１、１２と同様に、データセット記憶部２６１に記憶されている複数のデータセットから推定対象のポリマー組成物と同様の物性測定値を持つデータセットを読み出し、読み出した複数のデータセットから、ポリマー組成物の製造条件をもとにデータセットをグループ化する。

【0063】

本変形例では、グループ化後、抽出部２１が、グループごとに各物性の外れ値をデータセットから除外する（ステップＳ１８）。抽出部２１は、例えば、物性として適切な範囲（適正範囲）から外れている値をデータセットから除外する。除外される値の例としては、測定者や測定機器に起因する測定誤差、異常値等の信頼性が低い値が挙げられる。測定誤差は、例えば、樹脂物性では、クラックが生じた試験片で曲げ試験を測定した測定値や、試験片が破壊される直前に試験を終了した時点で測定された測定値が挙げられ、膜物性では、破れや穴が発生した試験片を測定した測定値が挙げられる。また、外れ値は、標準偏差（３σ）またはパーセンタイルを用いた統計処理や、Isolation Forest、Local Outlier Factor、One-Class SVMなど機械学習処理によって判定することができる。ドメイン知識を有する者が外れ値か否かを判定するようにしてもよい。

【0064】

外れ値を除外した後は、実施の形態１と同様にして、物性値補正部２２が、物性値の補正処理を実行し（ステップＳ１３～Ｓ１６）、学習用データ生成部２３が、物性値補正部２２による補正後のデータセットを用いて学習用データを生成する（ステップＳ１７）。

【0065】

以上説明した変形例では、実施の形態１と同様に、分散が相対的に小さい物性値を基準とし、補正対象の物性値と該基準物性値とをもとに生成される補正モデルを用いて、他の物性値を補正し、基準物性値、および補正後の物性値を目的変数とする学習用データを作成するようにした。本変形例によれば、理論推定式に近付く補正物性値を学習用データとして学習済みモデルが生成されるため、物性値を推定する際の精度低下を抑制することができる。

【0066】

また、変形例によれば、物性の外れ値をデータセットから除外するようにしたので、実施の形態１と比して物性値の推定精度を向上させることができる。

【0067】

なお、変形例では、グループ化後に外れ値の除外処理を行う例について説明したが、当該外れ値の除外処理は、統計量の算出（ステップＳ１４）の前までに実行されればよい。

【0068】

また、変形例では、補正対象および基準用のデータセットに対してそれぞれ外れ値を除外する例について説明したが、補正対象および基準用とするデータセットの一方を外れ値の除外処理対象としてもよい。

【0069】

（実施の形態２）
次に、本発明の実施の形態２について説明する。実施の形態２に係る推定システムは、実施の形態１に係る物性値推定システム１の構成要素と同様であるため、説明は省略する。以下、実施の形態１とは異なる処理について説明する。なお、本実施の形態２では、データセットに対応付けられている物性値の種類が３つ以上であるものとして説明する。

【0070】

図１１は、本発明の実施形態２に係る学習装置が行う学習用データ生成処理を説明するためのフローチャートである。抽出部２１は、図９に示すステップＳ１１、１２と同様に、データセット記憶部２６１に記憶されている複数のデータセットから推定対象のポリマー組成物と同様の物性測定値を持つデータセットを読み出し（ステップＳ２１）、読み出した複数のデータセットから、ポリマー組成物の製造条件をもとにデータセットをグループ化する（ステップＳ２２）。

【0071】

グループ化後、物性値補正部２２が、物性値の補正処理を実行する。
まず、物性値補正部２２は、補正対象の物性値を選択する（ステップＳ２３）。この際、補正対象として選択された物性値以外の物性値は、基準物性候補の物性値となる。基準候補となる各種物性値には、基準物性候補としての番号Ｍ（Ｍ＝１～Ｍ_MAX）が付与される。

【0072】

その後、物性値補正部２２は、Ｍ＝１に設定する（ステップＳ２４）。そして、物性値補正部２２は、補正対象の物性値、およびＭ番目の基準物性候補の物性値を統計量算出対象物性値として選択する（ステップＳ２５）。

【0073】

物性値補正部２２は、製造条件のグループごとに統計量算出対象物性値の平均値および分散をそれぞれ算出する（ステップＳ２６）。

【0074】

その後、物性値補正部２２は、グループ内分散間の平均値を算出する（ステップＳ２７）。この平均値を、統計量算出対象物性値の分散とする。

【0075】

物性値補正部２２は、統計量算出対象物性値の分散算出後、Ｍを１つ増やす（ステップＳ２８）。物性値補正部２２は、Ｍ＞Ｍ_MAXであるか否かを判断する（ステップＳ２９）。物性値補正部２２は、Ｍ≦Ｍ_MAXであると判断した場合（ステップＳ２９：Ｎｏ）、ステップＳ２５に戻り、上述した処理を繰り返す。これに対し、物性値補正部２２は、Ｍ＞Ｍ_MAXであると判断した場合（ステップＳ２９：Ｙｅｓ）、ステップＳ３０に移行する。

【0076】

ステップＳ３０において、物性値補正部２２は、使用する基準物性値の数だけ、該統計量算出対象物性値の分散の小さい方から基準物性候補を選択する。基準物性値の数は、例えば、予め使用者によって設定してもよい。

【0077】

そして、物性値補正部２２は、ステップＳ３０で選択した基準物性候補の物性値とステップＳ２３で選択した補正対象の物性値の統計量（ここでは一例として平均値）とを用いて、基準物性候補ごとに補正モデルを生成する（ステップＳ３１）。物性値補正部２２は、実施の形態１と同様に、近似等によって、補正モデルをそれぞれ生成する。

【0078】

物性値補正部２２は、各補正モデルの精度評価を行って補正モデルの選択を行う（ステップＳ３２）。物性値補正部２２は、公知の手法を用いて精度評価を行う。この際、物性値補正部２２は、各補正モデルに対し交差検証を行い、例えば二乗平均平方根誤差（Root Mean Squared Error：ＲＭＳＥ）が最小となる最適な補正モデルを選択する。
なお、ステップＳ３０において、基準物性候補の選択数を１とし、ステップＳ３２を省略してもよい。

【0079】

その後、物性値補正部２２は、補正モデルを用いて、補正対象の物性値を補正する（ステップＳ３３）。物性値補正部２２は、各物性値が補正モデルに近付くように、当該物性値を補正する。

【0080】

学習用データ生成部２３は、物性値補正部２２による補正後のデータセットを用いて学習用データを生成する（ステップＳ３４）。学習用データ生成部２３は、抽出されたデータセットに基づいて、製造条件を特徴量、物性値を目的変数とする学習用データを生成する。

【0081】

その後は、図８にしたがって学習済みモデルを生成し（ステップＳ３）、推定装置３において、推定対象のポリマー組成物の製造条件における物性値を推定処理が実行される。続いて、表示制御部３２１は、算出部３１による推定結果を表示装置４に出力し、該表示装置４に推定結果を表示させる表示制御を行う（ステップＳ５）。

【0082】

以上説明した実施の形態２では、分散が相対的に小さい物性値を基準とし、該基準物性値と該補正対象の物性値とをもとに生成される補正モデルを用いて、他の物性値を補正し、基準物性値、および補正後の物性値を目的変数とする学習用データを作成するようにした。本実施の形態２によれば、理論推定式に近付く補正物性値を学習用データとして学習済みモデルが生成されるため、物性値を推定する際の精度低下を抑制することができる。

【0083】

また、実施の形態２では、補正対象以外の物性値を基準物性候補として、ばらつきが小さい最適な基準物性の数で補正モデルを生成するようにしたので、一層補正精度が高い補正モデルを得ることができる。

【0084】

（その他の実施の形態）
ここまで、本発明を実施するための形態を説明してきたが、本発明は、上述した実施の形態によってのみ限定されるべきものではない。例えば、推定装置が学習部の機能を備えてもよい。この場合、推定装置は、推定対象の目的変数を算出することに加え、学習用データを生成し、学習済みモデルを逐次更新する。

【0085】

また、機械学習は上述した深層学習に限られるわけではなく、例えばサポートベクターマシン、決定木、ランダムフォレスト、または勾配ブースティング木などを用いてもよい。

【符号の説明】

【0086】

１ 物性値推定システム
２ 学習装置
３ 推定装置
４ 表示装置
５ 入力装置
２１ 抽出部
２２ 物性値補正部
２３ 学習用データ生成部
２４ 学習部
２５、３２ 制御部
２６、３３ 記憶部
３１ 算出部
２６１ データセット記憶部
３２１ 表示制御部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】