特開2024-63662 | 知財ポータル「IP Force」

知財求人 - 知財ポータルサイト「IP Force」

▶ ＤＩＣ株式会社の特許一覧

特開2024-63662賦形材料の探索方法、情報処理装置、及びプログラム

書誌要約請求の範囲詳細な説明課題実施例実施するための形態図面の説明

目に優しい文字サイズ小中大 PDF Top

< >

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

(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】P2024063662

(43)【公開日】2024-05-13

(54)【発明の名称】賦形材料の探索方法、情報処理装置、及びプログラム

(51)【国際特許分類】

G16C 60/00 20190101AFI20240502BHJP

G16C 20/70 20190101ALI20240502BHJP

【ＦＩ】

G16C60/00

G16C20/70

【審査請求】有

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2022171789

(22)【出願日】2022-10-26

(11)【特許番号】

(45)【特許公報発行日】2023-03-08

(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】木下祐紀

(72)【発明者】

【氏名】原裕二郎

(72)【発明者】

【氏名】高田泰廣

(72)【発明者】

【氏名】石井融

(72)【発明者】

【氏名】松下広樹

(57)【要約】

【課題】賦形材料の探索技術を改善する。
【解決手段】情報処理装置１０が実行する賦形材料の探索方法であって、所定の表記法で表された賦形材料情報を入力として、賦形材料情報に相当する潜在空間５上の潜在変数を出力するＶＡＥエンコーダ３と、潜在空間５上の任意の潜在変数を入力として所定の表記法で表された賦形材料情報を出力するＶＡＥデコーダ４と、をそれぞれ訓練するステップと、ＶＡＥエンコーダ３と、ＶＡＥデコーダ４と、賦形材料の複数の物性に係るデータとに基づき、複数の物性の全てを満足する所望の賦形材料を特定するステップと、を含む。
【選択図】図１

【特許請求の範囲】

【請求項1】

情報処理装置が実行する賦形材料の探索方法であって、
所定の表記法で表された賦形材料情報を入力として、前記賦形材料情報に相当する潜在空間上の潜在変数を出力するＶＡＥエンコーダと、前記潜在空間上の任意の潜在変数を入力として前記所定の表記法で表された賦形材料情報を出力するＶＡＥデコーダと、をそれぞれ訓練するステップと、
前記ＶＡＥエンコーダと、前記ＶＡＥデコーダと、前記賦形材料の複数の物性に係るデータとに基づき、前記複数の物性の全てを満足する所望の賦形材料を特定するステップと、
を含む、賦形材料の探索方法。

【請求項2】

請求項１に記載の探索方法であって、
潜在空間の任意の変数を入力として前記複数の物性の予測値を出力する物性予測モデルを訓練するステップを含み、前記賦形材料の複数の物性に係るデータは、前記物性予測モデルの訓練に使用され、
前記特定するステップにおいて、前記物性予測モデルに基づく最適化処理により前記所望の賦形材料に対応する潜在変数を探索する、賦形材料の探索方法。

【請求項3】

請求項２に記載の探索方法であって、
前記賦形材料の複数の物性に係るデータの一部を前記ＶＡＥエンコーダ、及び前記ＶＡＥデコーダに入力することで前記所望の賦形材料を特定する、賦形材料の探索方法。

【請求項4】

請求項３に記載の探索方法であって、さらに
前記賦形材料の複数の物性に係るデータの一部を前記物性予測モデルにも入力することで前記所望の賦形材料を特定する、賦形材料の探索方法。

【請求項5】

請求項１に記載の探索方法であって、
前記賦形材料の複数の物性に係るデータを前記ＶＡＥエンコーダ、及び前記ＶＡＥデコーダに入力することで前記所望の賦形材料を特定する、賦形材料の探索方法。

【請求項6】

請求項１乃至５のいずれか一項に記載の探索方法であって、
前記複数の物性は、基材密着性に関する情報を含む、賦形材料の探索方法。

【請求項7】

請求項１乃至５のいずれか一項に記載の探索方法であって、
前記複数の物性は、粘度に関する情報を含む、賦形材料の探索方法。

【請求項8】

請求項１に記載の探索方法であって、
前記訓練するステップにおいて、賦形材料として用いられる組成物の実績データと、賦形材料以外の用途で用いられる組成物の実績データとを用いて、前記ＶＡＥエンコーダと、前記ＶＡＥデコーダとを訓練する、賦形材料の探索方法。

【請求項9】

請求項２乃至４のいずれか一項に記載の探索方法であって、
前記最適化処理はベイズ最適化処理である、賦形材料の探索方法。

【請求項10】

請求項１に記載の探索方法であって、
前記複数の物性に係るデータの少なくとも一部が、連続値情報、離散値情報、又はカテゴリカル情報である、賦形材料の探索方法。

【請求項11】

請求項１に記載の探索方法であって、
前記複数の物性は、基材密着性、粘度、硬化後屈折率、及び金型離型性を含む、賦形材料の探索方法。

【請求項12】

制御部を備え、賦形材料の探索をする情報処理装置であって、
前記制御部は、
所定の表記法で表された賦形材料情報を入力として、前記賦形材料情報に相当する潜在空間上の潜在変数を出力するＶＡＥエンコーダと、前記潜在空間上の任意の潜在変数を入力として前記所定の表記法で表された賦形材料情報を出力するＶＡＥデコーダと、をそれぞれ訓練し、
前記ＶＡＥエンコーダと、前記ＶＡＥデコーダと、前記賦形材料の複数の物性に係るデータとに基づき、前記複数の物性の全てを満足する所望の賦形材料を特定する情報処理装置。

【請求項13】

情報処理装置が実行する賦形材料の探索をするプログラムであって、コンピュータに、
所定の表記法で表された賦形材料情報を入力として、前記賦形材料情報に相当する潜在空間上の潜在変数を出力するＶＡＥエンコーダと、前記潜在空間上の任意の潜在変数を入力として前記所定の表記法で表された賦形材料情報を出力するＶＡＥデコーダと、をそれぞれ訓練することと、
前記ＶＡＥエンコーダと、前記ＶＡＥデコーダと、前記賦形材料の複数の物性に係るデータとに基づき、前記複数の物性の全てを満足する所望の賦形材料を特定することと
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、賦形材料の探索方法、情報処理装置、及びプログラムに関する。

【背景技術】

【0002】

従来から機械学習により新規材料を探索する技術が知られている。例えば非特許文献１及び２では、新規の薬剤をベイズ最適化等により探索する技術が提案されている。

【先行技術文献】

【特許文献】

【0003】

【非特許文献1】Rafael Gomez-Bombarelli et. al. “Automatic Chemical Design Using a Data-Driven Continuous Representation of Molecules”ACS Cent. Sci. 2018, 4, 2, 268-276.

【非特許文献2】Ryan-Rhys Griffiths et. al. “Constrained Bayesian Optimization for Automatic Chemical Design using Variational Autoencoders”Chem. Sci. 2020, 11, 577-586.

【発明の概要】

【発明が解決しようとする課題】

【0004】

非特許文献１及び２に記載の物質の探索技術は薬剤を探索対象としたものであるところ、新規の賦形材料を探索することについては従来技術では考慮されていなかった。換言すると賦形材料の探索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、賦形材料の探索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賦形材料の探索方法は、
情報処理装置が実行する賦形材料の探索方法であって、
所定の表記法で表された賦形材料情報を入力として、前記賦形材料情報に相当する潜在空間上の潜在変数を出力するＶＡＥエンコーダと、前記潜在空間上の任意の潜在変数を入力として前記所定の表記法で表された賦形材料情報を出力するＶＡＥデコーダと、をそれぞれ訓練するステップと、
前記ＶＡＥエンコーダと、前記ＶＡＥデコーダと、前記賦形材料の複数の物性に係るデータとに基づき、前記複数の物性の全てを満足する所望の賦形材料を特定するステップと、
を含む。

【0007】

（２）本開示の一実施形態に係る賦形材料の探索方法は、（１）に記載の探索方法であって、
潜在空間の任意の変数を入力として前記複数の物性の予測値を出力する物性予測モデルを訓練するステップを含み、前記賦形材料の複数の物性に係るデータは、前記物性予測モデルの訓練に使用され、
前記特定するステップにおいて、前記物性予測モデルに基づく最適化処理により前記所望の賦形材料に対応する潜在変数を探索する。

【0008】

（３）本開示の一実施形態に係る賦形材料の探索方法は、（２）に記載の探索方法であって、
前記賦形材料の複数の物性に係るデータの一部を前記ＶＡＥエンコーダ、及び前記ＶＡＥデコーダに入力することで前記所望の賦形材料を特定する。

【0009】

（４）本開示の一実施形態に係る賦形材料の探索方法は、（３）に記載の探索方法であって、さらに
前記賦形材料の複数の物性に係るデータの一部を前記物性予測モデルにも入力することで前記所望の賦形材料を特定する。

【0010】

（５）本開示の一実施形態に係る賦形材料の探索方法は、（１）に記載の探索方法であって、
前記賦形材料の複数の物性に係るデータを前記ＶＡＥエンコーダ、及び前記ＶＡＥデコーダに入力することで前記所望の賦形材料を特定する。

【0011】

（６）本開示の一実施形態に係る賦形材料の探索方法は、（１）乃至（５）のいずれか一項に記載の探索方法であって、
前記複数の物性が、基材密着性に関する情報を含む。

【0012】

（７）本開示の一実施形態に係る賦形材料の探索方法は、（１）乃至（５）のいずれか一項に記載の探索方法であって、
前記複数の物性が、粘度に関する情報を含む。

【0013】

（８）本開示の一実施形態に係る賦形材料の探索方法は、（１）乃至（７）のいずれか一項に記載の探索方法であって、
前記訓練するステップにおいて、賦形材料として用いられる組成物の実績データと、賦形材料以外の用途で用いられる組成物の実績データとを用いて、前記ＶＡＥエンコーダと、前記ＶＡＥデコーダとを訓練する。

【0014】

（９）本開示の一実施形態に係る賦形材料の探索方法は、（２）乃至（４）のいずれか一項に記載の探索方法であって、
前記最適化処理がベイズ最適化処理である。

【0015】

（１０）本開示の一実施形態に係る賦形材料の探索方法は、（１）乃至（９）のいずれか一項に記載の探索方法であって、
前記複数の物性に係るデータの少なくとも一部が、連続値情報、離散値情報、又はカテゴリカル情報である。

【0016】

（１１）本開示の一実施形態に係る賦形材料の探索方法は、（１）乃至（１０）に記載の探索方法であって、
前記複数の物性が、基材密着性、粘度、硬化後屈折率、及び金型離型性を含む。

【0017】

（１２）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、賦形材料の探索をする情報処理装置であって、
前記制御部は、
所定の表記法で表された賦形材料情報を入力として、前記賦形材料情報に相当する潜在空間上の潜在変数を出力するＶＡＥエンコーダと、前記潜在空間上の任意の潜在変数を入力として前記所定の表記法で表された賦形材料情報を出力するＶＡＥデコーダと、をそれぞれ訓練し、
前記ＶＡＥエンコーダと、前記ＶＡＥデコーダと、前記賦形材料の複数の物性に係るデータとに基づき、前記複数の物性の全てを満足する所望の賦形材料を特定する。

【0018】

（１３）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賦形材料の探索をするプログラムであって、コンピュータに、
所定の表記法で表された賦形材料情報を入力として、前記賦形材料情報に相当する潜在空間上の潜在変数を出力するＶＡＥエンコーダと、前記潜在空間上の任意の潜在変数を入力として前記所定の表記法で表された賦形材料情報を出力するＶＡＥデコーダと、をそれぞれ訓練することと、
前記ＶＡＥエンコーダと、前記ＶＡＥデコーダと、前記賦形材料の複数の物性に係るデータとに基づき、前記複数の物性の全てを満足する所望の賦形材料を特定することと
を実行させる。

【発明の効果】

【0019】

本開示の一実施形態に係る賦形材料の探索方法、情報処理装置、及びプログラムによれば、賦形材料の探索技術を改善することができる。

【図面の簡単な説明】

【0020】

【図1】本開示の一実施形態に係る賦形材料の探索技術の概要を示す図である。

【図2】本開示の一実施形態に係る賦形材料の探索方法の概要を示すフローチャートである。

【図3】本開示の一実施形態に係る賦形材料の探索方法を実行する情報処理装置の概略構成を示すブロック図である。

【図4】本開示の一実施形態に係る賦形材料の探索方法の第１の具体例を示す図である。

【図5】本開示の一実施形態に係る賦形材料の探索方法の第１の具体例に係るフローチャートである。

【図6】ペナルティの例を示す図である。

【図7】本開示の一実施形態に係る賦形材料の探索方法の第２の具体例を示す図である。

【図8】本開示の一実施形態に係る賦形材料の探索方法の第２の具体例に係るフローチャートである。

【図9】本開示の一実施形態に係る賦形材料の探索方法の第２の具体例の変形例を示す図である。

【図10】本開示の一実施形態に係る賦形材料の探索方法の第３の具体例を示す図である。

【図11】本開示の一実施形態に係る賦形材料の探索方法の第３の具体例に係るフローチャートである。

【図12】多成分材料の組成比を探索する場合の探索手法の一例を示す図である。

【図13】多成分材料の組成比を探索する場合の探索手法の一例を示す図である。

【図14】多成分材料の組成比を探索する場合の探索手法の一例を示す図である。

【図15】多成分材料の組成比を探索する場合の探索手法の一例を示す図である。

【発明を実施するための形態】

【0021】

以下、本開示の実施形態に係る賦形材料の探索技術ついて、図面を参照して説明する。

【0022】

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。

【0023】

まず、図１及び図２を参照して本実施形態の概要について説明する。本実施形態に係る賦形材料の探索技術では図１に示す実験データ１及び公開データベース２（公開ＤＢ２）が用いられる。本探索技術による探索対象の賦形材料は、例えば、レンチキュラーレンズやフレネルレンズ等のレンズ、液晶ディスプレイ等のバックライトユニットの構成部材であるマイクロレンズシートやプリズムシートの原料である。マイクロレンズシートは、光源からの光を均一に散乱させ、プリズムシートはその光を前方に導き、ディスプレイの正面輝度を高めるために用いられる。賦形材料は、主要成分として、樹脂、光開始剤を含む。主要成分は、無機粒子を含んでもよい。賦形材料には、複数種類の樹脂（モノマー、オリゴマー等）が使用される。屈折率が１．６以上の用途では、粒子としてジルコニア微粒子が用いられる。

【0024】

実験データ１及び公開ＤＢ２は、賦形材料に係る情報（以下、賦形材料情報ともいう。）及び賦形材料に係る実績データを含む。なお本実施形態に係る賦形材料の探索技術では実験データ１及び公開ＤＢ２の両方が用いられる例を示すが、これに限られない。本実施形態に係る賦形材料の探索技術において、実験データ１又は公開ＤＢ２のいずれか一方のみが用いられてもよい。

【0025】

賦形材料情報は、賦形材料の分子構造に係る情報を含む。かかる賦形材料情報は所定の表記法で表される。本実施の形態では所定の表記法は、例えばＳＭＩＬＥＳ表記である。ただし所定の表記法はＳＭＩＬＥＳ表記に限られない。例えば、賦形材料情報は、高分子として扱いうる分子構造表現により表現されてもよい。具体的には例えば、賦形材料情報は、BigSMILESにより表現されてもよい（Tzyy-Shyang Lin,et. al. “BigSMILES: A Structually-Based Line Notation for Describing Macromolecules” ACS Cent. Sci. 2019, 5 1523-1531）。また例えば賦形材料情報は、CurlySMILESにより表現されてもよい(Axel Drefahl, “CurlySMILES: a chemical language to customize and annotate encodings of molecular and nanodevice structures”Journal of Cheminformatics 2011, 3:1)。なお賦形材料の各成分の分子構造表現は、いずれかひとつの表現に統一するのが好ましいが、各成分の分子構造表現は異なっていてもよい。
また賦形材料は一般的に複数の成分を含む材料（以下、多成分材料ともいう）であることから、賦形材料情報は、成分間の比率及び各成分の分子量等を含んでもよい。換言すると、以下に説明する各物性予測モデルの入力には、成分比率、各成分の分子量等が含まれてもよい。なお賦形材料の各成分が１つのＳＭＩＬＥＳ表記により表現されてもよい。

【0026】

賦形材料に係る実績データは、賦形材料に係る複数の物性に係るデータ（以下、物性データともいう。）であって実験等により得られたデータを含む。また本実施形態に係る賦形材料の探索技術は情報処理装置１０により実行される方法であり、ＶＡＥエンコーダ３とＶＡＥデコーダ４とを含む。換言すると本実施形態に係る賦形材料の探索技術ではVariational Autoencoder（変分オートエンコーダ、ＶＡＥ）が用いられる。

【0027】

ＶＡＥエンコーダ３は、賦形材料情報を入力として、賦形材料情報に相当する潜在変数を出力する学習モデルである。潜在変数は、潜在空間５上の変数である。図１では潜在空間５を２次元座標により示しているが潜在空間５の次元数は２に限られない。潜在空間の次元数は３以上であってもよい。ＶＡＥデコーダ４は、潜在空間５上の任意の潜在変数を入力として、賦形材料情報を出力する学習モデルである。

【0028】

図２に示すように、ＶＡＥエンコーダ３及びＶＡＥデコーダ４は、賦形材料情報に基づき訓練される（ステップＳ１０）。そして本実施形態に係る賦形材料の探索技術では学習済みのＶＡＥエンコーダ３及びＶＡＥデコーダ４と、物性データとに基づき、複数の物性の全てを満足する所望の賦形材料を特定する（ステップＳ２０）。かかる特定処理は、各種の手法を採用することができる。例えばステップＳ２０において、物性データにより訓練された予測モデルが用いられてもよい。かかる予測モデルは、潜在空間５上の潜在変数を入力して、当該潜在変数に対応する物性の予測値を出力するモデルである。予測モデルが用いられる場合、予測モデルに基づく最適化処理により、複数の物性の全てを満足する所望の賦形材料が特定される。なお後述するように、当該予測モデルを用いない方法により複数の物性の全てを満足する所望の賦形材料が特定されてもよい。

【0029】

このように本実施形態に係る賦形材料の探索技術によれば、ＶＡＥエンコーダ３、ＶＡＥデコーダ４、及び物性データを用いて、任意の物性を満足する賦形材料を特定することができる。そのため、複数の物性の全てを満足する所望の賦形材料の探索ができるという点で、賦形材料の探索技術が改善される。

【0030】

（情報処理装置の構成）
次に、情報処理装置１０の各構成について詳細に説明する。情報処理装置１０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１０として採用可能である。

【0031】

図３に示されるように、情報処理装置１０は、制御部１１と、記憶部１２と、入力部１３と、出力部１４とを備える。

【0032】

制御部１１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１１は、情報処理装置１０の各部を制御しながら、情報処理装置１０の動作に関わる処理を実行する。

【0033】

記憶部１２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１２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１２には、情報処理装置１０の動作に用いられるデータと、情報処理装置１０の動作によって得られたデータとが記憶される。

【0034】

入力部１３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１３は、情報処理装置１０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１３は、情報処理装置１０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１０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。

【0035】

出力部１４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１４は、情報処理装置１０の動作によって得られるデータを表示出力する。出力部１４は、情報処理装置１０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１０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。

【0036】

情報処理装置１０の機能は、本実施形態に係るプログラムを、情報処理装置１０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１０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１０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１０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１０の動作を実行することにより情報処理装置１０として機能する。

【0037】

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。

【0038】

情報処理装置１０の一部又は全ての機能が、制御部１１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１０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。

【0039】

本実施形態において記憶部１２は、実験データ１、公開ＤＢ２、ＶＡＥエンコーダ３、及びＶＡＥデコーダ４を記憶する。

【0040】

上述したように実験データ１及び公開ＤＢ２は、賦形材料情報と、物性データとを含む。物性データは、組成物としての物性、すなわち硬化前の組成物自体の物性を含んでよい。また物性データは、硬化塗膜としての物性、すなわち、組成物を基材上に塗布して、賦形及び硬化させた後の物性を含んでよい。例えば物性データは、基材密着性、粘度、硬化後屈折率、及び金型離型性に関する情報を含んでよい。また物性データは、貯蔵安定性に関する情報を含んでもよい。さらに物性データは、硬化前屈折率、透明性（ヘイズ）、輝度、耐摩耗性に関する情報を含んでよい。これらのうち、硬化前屈折率、粘度、透明性（ヘイズ）、及び貯蔵安定性は、組成物としての物性（硬化前の組成物自体の物性）である。他方で、硬化後屈折率、輝度、基材密着性、耐摩耗性、及び金型離型性は、硬化塗膜としての物性（組成物を基材上に塗布して賦形・硬化させた後の物性）である。以下、本実施の形態では、物性データは、基材密着性、粘度、硬化後屈折率、金型離型性、及び貯蔵安定性に関する情報を含むものとして説明する。

【0041】

なお、実験データ１、公開ＤＢ２、ＶＡＥエンコーダ３、及びＶＡＥデコーダ４は、情報処理装置１０とは別の外部装置に記憶されていてもよい。その場合、情報処理装置１０は、外部通信用インタフェースを備えていてもよい。通信用インタフェースは、有線通信又は無線通信のいずれのインタフェースであってよい。有線通信の場合、通信用インタフェースは例えばＬＡＮインタフェース、ＵＳＢである。無線通信の場合、通信用インタフェースは例えば、ＬＴＥ、４Ｇ、若しくは５Ｇなどの移動通信規格に対応したインタフェース、Bluetooth（登録商標）などの近距離無線通信に対応したインタフェースである。通信用インタフェースは、情報処理装置１０の動作に用いられるデータを受信し、また情報処理装置１０の動作によって得られるデータを送信可能である。

【0042】

（第１の具体例）
図４及び図５を参照して、本開示の一実施形態に係る賦形材料の探索方法の第１の具体例及び動作について説明する。

【0043】

図４に示すように第１の具体例は、ＶＡＥエンコーダ１０３とＶＡＥデコーダ１０４と、物性予測モデル１０６とを含む。つまりこの場合、記憶部１２は、ＶＡＥエンコーダ１０３、ＶＡＥデコーダ１０４、及び物性予測モデル１０６を記憶する。

【0044】

ＶＡＥエンコーダ１０３は、賦形材料情報を入力として、賦形材料情報に相当する潜在変数を出力する学習モデルである。上述したように賦形材料情報はＳＭＩＬＥＳ表記のデータである。ＶＡＥエンコーダ１０３により出力される潜在変数は、潜在空間１０５上の変数である。図４では潜在空間１０５を２次元座標により示しているが潜在空間１０５の次元数は２に限られない。潜在空間の次元数は３以上であってもよい。ＶＡＥエンコーダ１０３は賦形材料情報に基づき訓練される。

【0045】

ＶＡＥデコーダ１０４は、潜在空間１０５上の任意の潜在変数を入力として、賦形材料情報を出力する学習モデルである。ＶＡＥデコーダ１０４は賦形材料情報に基づき訓練される。

【0046】

物性予測モデル１０６は、潜在空間１０５上の潜在変数を入力して、当該潜在変数に対応する物性予測値を出力する学習モデルである。物性予測モデル１０６は、物性データに基づき訓練される。かかる訓練は、ある入力に対する物性予測モデル１０６の出力と、物性データ（学習データ）との誤差に基づくパラメータ修正を行うことにより実行される。ここで物性予測モデル１０６は、各物性に対応する複数の予測モデルから構成される。つまり本実施形態においては、物性予測モデル１０６は、基材密着性に係る予測モデル、粘度に係る予測モデル、硬化後屈折率に係る予測モデル、金型離型性に係る予測モデル、及び貯蔵安定性に係る予測モデルから構成される。基材密着性に係る予測モデル、粘度に係る予測モデル、硬化後屈折率に係る予測モデル、金型離型性に係る予測モデル、及び貯蔵安定性に係る予測モデルは、物性データに基づき訓練される。つまり基材密着性に係る予測モデル、粘度に係る予測モデル、硬化後屈折率に係る予測モデル、金型離型性に係る予測モデル、及び貯蔵安定性に係る予測モデルは、それぞれ賦形材料の基材密着性、粘度、硬化後屈折率、金型離型性、及び貯蔵安定性の実績データにより訓練される。

【0047】

図５は、本開示の一実施形態に係る賦形材料の探索方法の第１の具体例に係るフローチャートである。

【0048】

ステップＳ１１０：情報処理装置１０の制御部１１は、ＶＡＥエンコーダ１０３及びＶＡＥデコーダ１０４を、賦形材料情報に基づき訓練する。

【0049】

ステップＳ１２０：制御部１１は、物性予測モデル１０６を物性データに基づき訓練する。つまり制御部１１は、物性予測モデル１０６を構成する基材密着性に係る予測モデル、粘度に係る予測モデル、硬化後屈折率に係る予測モデル、金型離型性に係る予測モデル、及び貯蔵安定性に係る予測モデルを、それぞれ賦形材料の基材密着性、粘度、硬化後屈折率、金型離型性、及び貯蔵安定性の実績データにより訓練する。なお、物性予測モデル１０６の訓練は、ステップＳ１１０におけるＶＡＥエンコーダ１０３及びＶＡＥデコーダ１０４の訓練と並行して実行されてもよい。

【0050】

ステップＳ１３０：制御部１１は、物性予測モデル１０６に基づく最適化処理により所望の賦形材料に対応する潜在変数を特定する。かかる最適化処理は、ベイズ最適化処理を含む。つまり例えば制御部１１は、ベイス最適化処理により所望の賦形材料に対応する潜在変数を特定する。

【0051】

ここでベイズ最適化処理において制御部１１は、物性予測値に対応するペナルティの合計により定められた総合指標値を最小化する潜在変数を探索する。複数の物性が基材密着性、粘度、硬化後屈折率、金型離型性、輝度、耐摩耗性、耐熱性、耐湿性、帯電防止性、低カール性、耐黄変性及び貯蔵安定性である場合、当該ペナルティの合計は、基材密着性の予測値に対応するペナルティ、粘度の予測値に対応するペナルティ、硬化後屈折率の予測値に対応するペナルティ、金型離型性の予測値に対応するペナルティ、輝度の予測値に対応するペナルティ、耐摩耗性の予測値に対応するペナルティ、耐熱性の予測値に対応するペナルティ、耐湿性の予測値に対応するペナルティ、帯電防止性の予測値に対応するペナルティ、低カール性の予測値に対応するペナルティ、耐黄変性の予測値に対応するペナルティ及び貯蔵安定性の予測値に対応するペナルティ、の総和により定められる。

【0052】

図６に、予測値が連続値である場合のペナルティの例を示す。図６に示すように、ペナルティは、関数ｆ０からｆ５のように定めることができる。例えば関数ｆ０は、予測値が目標範囲である場合においてペナルティが最小となるように設定されている。ここでは予測値の目標が所定の範囲である例を示しているがこれに限られない。予測値の目標は、ピンポイントの値であってもよい。この場合も同様にペナルティを定めることができる。また予測値が離散値情報、カテゴリカル情報である場合である場合、離散データ、カテゴリカルデータのそれぞれに対して適宜ペナルティを定めればよい。

【0053】

制御部１１は、ペナルティの合計（以下、総合指標値ともいう。）に基づき、総合指標値を最小化する潜在変数を探索する。当該潜在変数に対応する賦形材料が、所望の賦形材料に相当する。なお本実施形態において総合指標値が小さい場合を望ましい場合としたが、これに限られない。例えばペナルティの定め方によっては総合指標値が大きい場合を望ましい場合と定めてもよい。この場合、制御部１１は総合指標値を最大化する潜在変数を探索する。

【0054】

ステップＳ１４０：制御部１１は、ステップＳ１３０において特定した潜在変数に対応する所望の賦形材料をＶＡＥデコーダ１０４により出力する。具体的には制御部１１は、ＶＡＥデコーダ１０４により出力された賦形材料情報がＳＭＩＬＥＳの文法規則に適合しているか否かを確認する。出力された賦形材料情報がＳＭＩＬＥＳの文法規則に適合している場合、制御部１１は、当該賦形材料情報を所望の賦形材料として出力する。

【0055】

このように、本実施形態によれば、賦形材料情報により訓練されたＶＡＥエンコーダ１０３及びＶＡＥデコーダ１０４、及び物性データに基づき訓練された物性予測モデル１０６を用いて、複数の物性の全てを満足する所望の賦形材料の探索を行うことができる。

【0056】

（第２の具体例）
図７及び図８を参照して、本開示の一実施形態に係る賦形材料の探索方法の第２の具体例及び動作について説明する。

【0057】

図７に示すように第２の具体例は、ＶＡＥエンコーダ２０３とＶＡＥデコーダ２０４と、物性予測モデル２０６とを含む。つまりこの場合、記憶部１２は、ＶＡＥエンコーダ２０３、ＶＡＥデコーダ２０４、及び物性予測モデル２０６を記憶する。

【0058】

ＶＡＥエンコーダ２０３は、物性データの一部及び賦形材料情報を入力として、賦形材料情報に相当する潜在変数を出力する学習モデルである。物性データの一部は、複数の物性のうち任意の物性に係るデータである。かかるデータは、連続値情報であってもよく、連続値情報でなくてもよい。換言するとかかるデータは、連続値情報、離散値情報、又はカテゴリカル情報のいずれであってもよい。例えば貯蔵安定性、金型離型性は、カテゴリカル情報であってもよい。本実施形態では、かかる物性データの一部は、貯蔵安定性に係るデータであり、かつカテゴリカル情報（以下、カテゴリカル物性ともいう。）であるとして説明する。なお、当該カテゴリカルな情報は貯蔵安定性に係るデータに限られず、金型離型性、透明性、基材密着性、及び耐摩耗性に係るデータであってもよい。

【0059】

上述したように賦形材料情報はＳＭＩＬＥＳ表記のデータである。ＶＡＥエンコーダ２０３により出力される潜在変数は、潜在空間２０５上の変数である。図７では潜在空間２０５を２次元座標により示しているが潜在空間２０５の次元数は２に限られない。潜在空間の次元数は３以上であってもよい。ＶＡＥエンコーダ２０３はカテゴリカル物性及び賦形材料情報に基づき訓練される。つまり本実施形態においてＶＡＥエンコーダ２０３は、貯蔵安定性に係るデータ及び賦形材料情報に基づき訓練される。

【0060】

ＶＡＥデコーダ２０４は、カテゴリカル物性及び潜在空間２０５上の任意の潜在変数を入力として、賦形材料情報を出力する学習モデルである。ＶＡＥデコーダ２０４はカテゴリカル物性及び賦形材料情報に基づき訓練される。

【0061】

物性予測モデル２０６は、カテゴリカル物性及び潜在空間２０５上の潜在変数を入力して、当該潜在変数に対応する物性予測値を出力する学習モデルである。物性予測モデル２０６は、カテゴリカル物性及び物性データに基づき訓練される。ここで物性予測モデル２０６は、各物性に対応する複数の予測モデルから構成される。つまり本実施形態においては、物性予測モデル２０６は、基材密着性に係る予測モデル、粘度に係る予測モデル、硬化後屈折率に係る予測モデル、及び金型離型性に係る予測モデルから構成される。基材密着性に係る予測モデル、粘度に係る予測モデル、硬化後屈折率に係る予測モデル、及び金型離型性に係る予測モデルは、カテゴリカル物性及び対応する物性データに基づき訓練される。つまり、基材密着性に係る予測モデル、粘度に係る予測モデル、硬化後屈折率に係る予測モデル、及び金型離型性に係る予測モデルは、それぞれ賦形材料の基材密着性の実績データ及び貯蔵安定性の実績データ、粘度の実績データ及び貯蔵安定性の実績データ、硬化後屈折率の実績データ及び貯蔵安定性の実績データ、並びに金型離型性の実績データ及び貯蔵安定性の実績データにより訓練される。

【0062】

図８は、本開示の一実施形態に係る賦形材料の探索方法の第２の具体例に係るフローチャートである。

【0063】

ステップＳ２１０：情報処理装置１０の制御部１１は、ＶＡＥエンコーダ２０３及びＶＡＥデコーダ２０４を、賦形材料情報及びカテゴリカル物性に基づき訓練する。

【0064】

ステップＳ２２０：制御部１１は、物性予測モデル２０６を物性データ及びカテゴリカル物性に基づき訓練する。つまり制御部１１は、基材密着性に係る予測モデル、粘度に係る予測モデル、硬化後屈折率に係る予測モデル、及び金型離型性に係る予測モデルを、それぞれ賦形材料の基材密着性の実績データ及び貯蔵安定性の実績データ、粘度の実績データ及び貯蔵安定性の実績データ、透過鮮明度の実績データ及び貯蔵安定性の実績データ、並びに金型離型性の実績データ及び貯蔵安定性の実績データにより訓練する。なお、物性予測モデル２０６の訓練は、ステップＳ２１０におけるＶＡＥエンコーダ２０３及びＶＡＥデコーダ２０４の訓練と並行して実行されてもよい。

【0065】

ステップＳ２３０：制御部１１は、物性予測モデル２０６に基づく最適化処理により所望の賦形材料に対応する潜在変数を特定する。かかる最適化処理は、ベイズ最適化処理を含む。つまり例えば制御部１１は、ベイス最適化処理により所望の賦形材料に対応する潜在変数を特定する。ベイズ最適化処理において制御部１１は、物性予測値に対応するペナルティの合計により定められた総合指標値を最小化する潜在変数を探索する。ペナルティの設定方法は第１の具体例と同様である。

【0066】

ステップＳ２４０：制御部１１は、ステップＳ２３０において特定した潜在変数に対応する所望の賦形材料をＶＡＥデコーダ２０４により出力する。具体的には制御部１１は、ＶＡＥデコーダ２０４により出力された賦形材料情報がＳＭＩＬＥＳの文法規則に適合しているか否かを確認する。出力された賦形材料情報がＳＭＩＬＥＳの文法規則に適合している場合、制御部１１は、当該賦形材料情報を所望の賦形材料として出力する。

【0067】

このように、本実施形態によれば、賦形材料情報及びカテゴリカル物性により訓練されたＶＡＥエンコーダ２０３及びＶＡＥデコーダ２０４、並びに物性データ及びカテゴリカル物性に基づき訓練された物性予測モデル２０６を用いて、複数の物性の全てを満足する所望の賦形材料の探索ができる。特に第２の具体例に係る方法によれば、実績データにカテゴリカル物性を含む場合であっても、精度良く複数の物性の全てを満足する所望の賦形材料の探索ができる。例えば貯蔵安定性に係る実績データ等は、実験条件又は評価基準等が、実験毎又はデータベース毎によって相違する場合がある。本実施形態によればこのような場合であっても、実績データをカテゴリカル情報又は離散値情報として取り扱うことで精度良く複数の物性の全てを満足する所望の賦形材料の探索ができる。

【0068】

なお物性予測モデル２０６は、カテゴリカル物性及び潜在空間２０５上の潜在変数を入力して、当該潜在変数に対応する物性予測値を出力する学習モデルであるとして説明したがこれに限られない。物性予測モデル２０６は、潜在空間２０５上の潜在変数を入力して、当該潜在変数に対応する物性予測値を出力する学習モデルであってもよい。換言すると物性予測モデル２０６の入力には、カテゴリカル物性が含まれなくてもよい。例えばカテゴリカル物性が予測対象の物性と独立である場合は、物性予測モデル２０６にカテゴリカル物性を入力しなくても予測対象の物性を高精度で予測することができる。

【0069】

（第２の具体例の変形例）
図９を参照して、本開示の一実施形態に係る賦形材料の探索方法の第２の具体例の変形例について説明する。

【0070】

図９に示すように第２の具体例の変形例は、ＶＡＥエンコーダ２０３とＶＡＥデコーダ２０４と、物性予測モデル２０６と、学習済み予測モデル２０７とを含む。つまりこの場合、記憶部１２は、ＶＡＥエンコーダ２０３、ＶＡＥデコーダ２０４、物性予測モデル２０６、及び学習済み予測モデル２０７を記憶する。

【0071】

ＶＡＥエンコーダ２０３、ＶＡＥデコーダ２０４、及び物性予測モデル２０６は、第２の具体例と同一である。学習済み予測モデル２０７は、賦形材料情報を入力として、当該賦形材料情報に対応する物性の予測値を出力する学習モデルである。かかる予測値は、ＶＡＥエンコーダ２０３の入力されるカテゴリカル物性に対応する予測値である。本実施形態において学習済み予測モデル２０７により出力される予測値は、貯蔵安定性に係る予測値であるものとして説明する。

【0072】

第２の具体例の変形例では、学習済み予測モデル２０７により予測された物性の予測値（ここでは貯蔵安定性に係る予測値）を、ＶＡＥエンコーダ２０３、ＶＡＥデコーダ２０４、及び物性予測モデル２０６の入力として用いる。このようにすることで、カテゴリカル物性に係る実績データが不足している場合であっても、複数の物性の全てを満足する所望の賦形材料の探索ができる。例えば貯蔵安定性に係る実績データ等は、そもそも実験結果として測定されていない場合、又は明示されていない場合がある。このような場合でも、学習済み予測モデル２０７を用いることにより、不足する実績データを補うことができる。また不足する実績データを学習済み予測モデル２０７により補完することで、第２の具体例と同様に、精度良く複数の物性の全てを満足する所望の賦形材料の探索ができる。

【0073】

（第３の具体例）
図１０を参照して、本開示の一実施形態に係る賦形材料の探索方法の第３の具体例及び動作について説明する。

【0074】

図１０に示すように第３の具体例は、ＶＡＥエンコーダ３０３とＶＡＥデコーダ３０４とを含む。つまりこの場合、記憶部１２は、ＶＡＥエンコーダ３０３、及びＶＡＥデコーダ３０４を記憶する。

【0075】

ＶＡＥエンコーダ３０３は、物性データ及び賦形材料情報を入力として、賦形材料情報に相当する潜在変数を出力する学習モデルである。上述したように物性データは賦形材料に係る複数の物性値である。かかる物性値は、連続値情報、離散値情報、又はカテゴリカル情報のいずれであってもよい。あるいは物性値は、連続値情報、離散値情報をカテゴリカル情報に変換したものであってもよい。ここでは物性データはカテゴリカル情報であるものとする。上述したように賦形材料情報はＳＭＩＬＥＳ表記のデータである。ＶＡＥエンコーダ３０３により出力される潜在変数は、潜在空間３０５上の変数である。図１０では潜在空間３０５を２次元座標により示しているが潜在空間３０５の次元数は２に限られない。潜在空間の次元数は３以上であってもよい。ＶＡＥエンコーダ３０３は物性データ及び賦形材料情報に基づき訓練される。

【0076】

ＶＡＥデコーダ３０４は、潜在空間３０５上の任意の潜在変数及び物性データを入力として、賦形材料情報を出力する学習モデルである。ＶＡＥデコーダ３０４は物性データ及び賦形材料情報に基づき訓練される。

【0077】

図１１は、本開示の一実施形態に係る賦形材料の探索方法の第３の具体例に係るフローチャートである。

【0078】

ステップＳ３１０：情報処理装置１０の制御部１１は、ＶＡＥエンコーダ３０３及びＶＡＥデコーダ３０４を、賦形材料情報及び物性データに基づき訓練する。

【0079】

ステップＳ３２０：制御部１１は、潜在空間の中からランダムに選択した潜在変数をＶＡＥデコーダ３０４に入力して、対応する賦形材料情報を出力させる。潜在変数の選択方法は各種手法を採用できる。例えば制御部１１は、潜在空間から単純にランダムに潜在変数を選択してもよい。また制御部１１は、対応する実験データがある既知の賦形材料に対応する潜在変数の周辺でランダムに潜在変数を選択してもよい。あるいは制御部１１は、所望の物性を満たし得る潜在変数の周辺（換言するとターゲットとする賦形材料の周辺）でランダムに潜在変数を選択してもよい。

【0080】

ステップＳ３３０：制御部１１は、ステップＳ３２０において出力された賦形材料情報が所定基準を満たす場合、所望の賦形材料として出力する。所定基準とは、例えば出力された賦形材料情報がＳＭＩＬＥＳの文法規則に適合していることである。つまり例えば制御部１１は、ステップＳ３２０において出力された賦形材料情報がＳＭＩＬＥＳの文法規則に適合している場合、当該賦形材料情報を、所望の賦形材料として出力する。

【0081】

このように、本実施形態によれば、賦形材料情報及び物性データにより訓練されたＶＡＥエンコーダ３０３及びＶＡＥデコーダ３０４を用いて、複数の物性の全てを満足する所望の賦形材料の探索ができる。特に第３の具体例に係る方法によれば、複数の物性値の実績データの全てがカテゴリカル情報であったとしても、複数の物性の全てを満足する所望の賦形材料の探索ができる。

【0082】

なお、実験データ１及び公開ＤＢ２は、賦形材料に係る情報及び賦形材料に係る実績データを含むとしたがこれに限られない。実験データ１及び公開ＤＢ２は、賦形材料以外の用途で用いられる組成物の実績データを含んでもよい。例えば、賦形材料以外の用途で用いられる組成物としては、建材、包材、自動車部材、電子部材などの熱硬化性樹脂組成物、熱可塑性樹脂組成物、芳香族樹脂組成物、脂肪族樹脂組成物、自己修復樹脂組成物などが挙げられる。また上述のＶＡＥエンコーダ３、ＶＡＥエンコーダ１０３、ＶＡＥエンコーダ２０３、ＶＡＥエンコーダ３０３、ＶＡＥデコーダ４、ＶＡＥデコーダ１０４、ＶＡＥデコーダ２０４、及びＶＡＥデコーダ３０４、物性予測モデル１０６、物性予測モデル２０６、学習済み予測モデル２０７は、いずれも当該賦形材料以外の用途で用いられる組成物の実績データを用いて訓練されてよい。換言すると本実施形態におけるＶＡＥエンコーダ、ＶＡＥデコーダ、物性予測モデル、及び学習済み予測モデルは、賦形材料として用いられる組成物の実績データと、賦形材料以外の用途で用いられる組成物の実績データとの両方を用いて訓練されてもよい。このようにＶＡＥエンコーダ、ＶＡＥデコーダ、物性予測モデル、及び学習済み予測モデルを訓練する処理において、訓練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。

【0083】

なお、賦形材料は多成分材料であるが、賦形材料情報は必ずしも全ての成分の情報を含まなくてもよい。また、本開示の実施形態にかかる手法により、多成分材料の少なくとも一部の成分のみの最適化が行われてもよい。換言すると、本開示の実施形態にかかる手法においては、必ずしも多成分材料の全ての成分の情報が、ＶＡＥエンコーダ及びＶＡＥデコーダに入力されなくてもよい。また、本開示の実施形態にかかる手法においては、必ずしも多成分材料の全ての成分の最適化が行わなくてもよい。例えば多成分で用いられる前提の材料において、いずれかの成分を固定して、固定していない成分のみの最適化を行って探索してもよい。同様に多成分材料の成分比率等についても、比率を固定して探索を行ってもよい。

【0084】

ここで賦形材料等の多成分材料の組成比を探索する場合には、以下の図１２から図１５に示す各種の手法を取り得る。

【0085】

図１２及び図１３は、多成分材料の各成分を１つのＳＭＩＬＥＳ表記で表現して用いることにより多成分材料の組成物構造と組成比とを探索する手法の概要を示す図である。図１２の手法は、ＶＡＥエンコーダ１００３とＶＡＥデコーダ１００４と物性予測モデル１００６とを含む。ＶＡＥエンコーダ１００３には、賦形材料情報に対応する、組成物に係るＳＭＩＬＥＳ（以下、組成物ＳＭＩＬＥＳともいう）が入力され、潜在空間１００５上の潜在変数（以下、組成物構造に係る潜在変数ともいう）が出力される。また、ＶＡＥデコーダ１００４には、かかる潜在変数が入力され、組成物ＳＭＩＬＥＳが出力される。物性予測モデル１００６には潜在空間１００５上の潜在変数と組成比とが入力されて、物性が出力される。ここで潜在空間１００５上の潜在変数は組成物の化学構造情報のエッセンスを抽出した数値に対応する。そのため図１２に示す手法では、当該潜在変数と組成比とが、併せて探索（最適化）される。

【0086】

図１３の手法は、ＶＡＥエンコーダ１１０３とＶＡＥデコーダ１１０４と物性予測モデル１１０６とを含む。ＶＡＥエンコーダ１１０３には組成物ＳＭＩＬＥＳと組成比とが入力され、潜在空間１１０５上の潜在変数が出力される。またＶＡＥデコーダ１１０４にはかかる潜在変数が入力され、組成物ＳＭＩＬＥＳと組成比とが出力される。物性予測モデル１１０６には、潜在空間１１０５上の潜在変数が入力されて物性が出力される。ここで潜在空間１１０５上の潜在変数は、組成物の化学構造情報及び組成比情報のエッセンスを抽出した数値に対応する。そのため図１３に示す手法では、当該潜在変数が探索（最適化）される。

【0087】

図１４及び図１５は、多成分材料の各成分をそれぞれ別のＳＭＩＬＥＳ表記で表現して用いることにより、多成分材料の各成分の構造と組成比とを探索する手法の概要を示す図である。図１４の手法は、ＶＡＥエンコーダ１２０３とＶＡＥデコーダ１２０４と物性予測モデル１２０６とを含む。ＶＡＥエンコーダ１２０３には、賦形材料情報に対応する各成分のＳＭＩＬＥＳ（以下、各成分ＳＭＩＬＥＳともいう）が入力され、潜在空間１２０５上の潜在変数が出力される。また、ＶＡＥデコーダ１２０４には、かかる潜在変数が入力され、各成分ＳＭＩＬＥＳが出力される。また物性予測モデル１２０６には潜在空間１２０５上の潜在変数と組成比とが入力されて、物性が出力される。ここで潜在空間１２０５上の潜在変数は、各成分の化学構造情報のエッセンスを抽出した数値に対応する。そのため図１４に示す手法では、当該潜在変数と組成比とが、併せて探索（最適化）される。

【0088】

図１５の手法は、ＶＡＥエンコーダ１３０３とＶＡＥデコーダ１３０４と、物性予測モデル１３０６とを含む。ＶＡＥエンコーダ１３０３には各成分ＳＭＩＬＥＳと各成分比率とが入力され、潜在空間１３０５上の潜在変数が出力される。またＶＡＥデコーダ１３０４には、かかる潜在変数が入力され、各成分ＳＭＩＬＥＳと各成分比率とが出力される。物性予測モデル１３０６には、潜在空間１３０５上の潜在変数が入力されて物性が出力される。ここで潜在空間１３０５上の潜在変数は、各成分の化学構造情報及び各成分比率情報のエッセンスを抽出した数値に対応する。そのため図１５に示す手法では、当該潜在変数が探索（最適化）される。

【0089】

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】

【0090】

１実験データ
２公開データベース
３、１０３、２０３、３０３、１００３、１１０３、１２０３、１３０３ＶＡＥエンコーダ
４、１０４、２０４、３０４、１００４、１１０４、１２０４、１３０４ＶＡＥデコーダ
５、１０５、２０５、３０５、１００５、１１０５、１２０５、１３０５潜在空間
１０情報処理装置
１１制御部
１２記憶部
１３入力部
１４出力部
１０６、２０６、１００６、１１０６、１２０６、１３０６物性予測モデル
２０７学習済み予測モデル

【図1】