知財求人 - 知財ポータルサイト「IP Force」
(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】P2024006853
(43)【公開日】2024-01-17
(54)【発明の名称】予測装置および予測方法
(51)【国際特許分類】
G16C 20/30 20190101AFI20240110BHJP
G16C 20/70 20190101ALI20240110BHJP
G16C 60/00 20190101ALI20240110BHJP
【ＦＩ】
G16C20/30
G16C20/70
G16C60/00
【審査請求】未請求
【請求項の数】12
【出願形態】ＯＬ
(21)【出願番号】P 2022144739
(22)【出願日】2022-09-12
(31)【優先権主張番号】P 2022104972
(32)【優先日】2022-06-29
(33)【優先権主張国・地域又は機関】JP
(71)【出願人】
【識別番号】000006633
【氏名又は名称】京セラ株式会社
(74)【代理人】
【識別番号】110000338
【氏名又は名称】弁理士法人 ＨＡＲＡＫＥＮＺＯ ＷＯＲＬＤ ＰＡＴＥＮＴ ＆ ＴＲＡＤＥＭＡＲＫ
(72)【発明者】
【氏名】野田 恭平
(72)【発明者】
【氏名】高橋 久尚
(72)【発明者】
【氏名】廣島 雅人
(72)【発明者】
【氏名】杉田 丈也
(72)【発明者】
【氏名】松井 直樹
(57)【要約】
【課題】無機化合物の特定の物性値を高精度に予測する予測装置および予測方法を実現する。
【解決手段】予測装置１は、第１無機化合物の入力情報（３１）を取得する入力取得部（１１）と、学習済モデル（２１３）を用いて、入力情報（３１）から第１無機化合物の特定の物性値（４１０）を予測する予測部（１３）と、を備え、学習済モデル（２１３）は、物性値が既知である第２無機化合物の参照情報（３２）と、物性値との関係性を学習処理されており、入力情報（３１）および参照情報（３２）は、それぞれ無機化合物の元素を示す元素情報（３１０）と、元素の比率を示す組成情報（３１１）と、無機化合物の結晶構造の単位格子ならびに並進性および対称性を示す第１構造情報（３１２）と、を有している。
【選択図】図１
【解決手段】予測装置１は、第１無機化合物の入力情報（３１）を取得する入力取得部（１１）と、学習済モデル（２１３）を用いて、入力情報（３１）から第１無機化合物の特定の物性値（４１０）を予測する予測部（１３）と、を備え、学習済モデル（２１３）は、物性値が既知である第２無機化合物の参照情報（３２）と、物性値との関係性を学習処理されており、入力情報（３１）および参照情報（３２）は、それぞれ無機化合物の元素を示す元素情報（３１０）と、元素の比率を示す組成情報（３１１）と、無機化合物の結晶構造の単位格子ならびに並進性および対称性を示す第１構造情報（３１２）と、を有している。
【選択図】図１
【特許請求の範囲】
【請求項1】
特定の物性値が未知である第１無機化合物の入力情報を取得する入力取得部と、
学習済モデルを用いて、前記入力情報から前記第１無機化合物の前記物性値を予測する予測部と、を備え、
前記学習済モデルは、前記物性値が既知である第２無機化合物の参照情報と、前記物性値との関係性を学習処理されており、
前記入力情報および前記参照情報は、それぞれ無機化合物の元素を示す元素情報と、前記元素の比率を示す組成情報と、前記無機化合物の結晶構造の単位格子ならびに並進性および対称性を示す第１構造情報と、を有している、予測装置。
学習済モデルを用いて、前記入力情報から前記第１無機化合物の前記物性値を予測する予測部と、を備え、
前記学習済モデルは、前記物性値が既知である第２無機化合物の参照情報と、前記物性値との関係性を学習処理されており、
前記入力情報および前記参照情報は、それぞれ無機化合物の元素を示す元素情報と、前記元素の比率を示す組成情報と、前記無機化合物の結晶構造の単位格子ならびに並進性および対称性を示す第１構造情報と、を有している、予測装置。
【請求項2】
前記予測部は、前記入力情報から前記第１無機化合物に含まれる各元素の前記第１無機化合物の物性値への影響の度合いを示す第１貢献度を予測可能である、請求項１に記載の予測装置。
【請求項3】
前記予測部は、前記入力情報から第１構造情報が示す構造が影響する前記第１無機化合物の物性値への影響の度合いを示す第２貢献度を予測可能である、請求項２に記載の予測装置。
【請求項4】
前記予測部は、前記第１貢献度と、前記第２貢献度とに基づいて、前記第１無機化合物の物性値を算出する、請求項３に記載の予測装置。
【請求項5】
前記入力情報は、前記単位格子の各軸の長さを示す第２構造情報を有している、請求項１に記載の予測装置。
【請求項6】
前記入力情報は、前記単位格子の各稜間の角度を示す第３構造情報を有している、請求項１に記載の予測装置。
【請求項7】
前記予測部は、前記第１無機化合物に含まれる各元素のうち、所定の周期に含まれる少なくとも１つの元素の前記第１貢献度および前記第２貢献度から、前記所定の周期に含まれる少なくとも１つの元素の前記第１無機化合物の物性値への影響の度合いを示す第３貢献度を算出する、請求項３に記載の予測装置。
【請求項8】
最適な前記第１無機化合物を予測する、最適条件予測部をさらに備える、請求項１に記載の予測装置。
【請求項9】
前記第１構造情報と、前記第１無機化合物の物性値に影響を与える電子の数とを２軸として、前記第３貢献度の分布を示すヒートマップを作成する作成部をさらに備える、請求項７に記載の予測装置。
【請求項10】
前記作成部は、前記ヒートマップにおける前記第３貢献度が高い領域について前記第１構造情報における前記電子の数と、前記第３貢献度との相関を示す図をさらに作成する、請求項９に記載の予測装置。
【請求項11】
前記作成部は、所定の前記第３貢献度を示す前記第１構造情報と、前記電子の数とを有する無機化合物のリストをさらに作成する、請求項９に記載の予測装置。
【請求項12】
特定の物性値が未知である第１無機化合物の入力情報を取得する入力取得ステップと、
学習済モデルを用いて、前記入力情報から前記第１無機化合物の前記物性値を予測する予測ステップと、を含み、
前記学習済モデルは、前記物性値が既知である第２無機化合物の参照情報と、前記物性値との関係性を学習処理されており、
前記入力情報および前記参照情報は、それぞれ無機化合物の元素を示す元素情報と、前記元素の比率を示す組成情報と、前記無機化合物の結晶構造の単位格子ならびに並進性および対称性を示す第１構造情報と、を有している、予測方法。
学習済モデルを用いて、前記入力情報から前記第１無機化合物の前記物性値を予測する予測ステップと、を含み、
前記学習済モデルは、前記物性値が既知である第２無機化合物の参照情報と、前記物性値との関係性を学習処理されており、
前記入力情報および前記参照情報は、それぞれ無機化合物の元素を示す元素情報と、前記元素の比率を示す組成情報と、前記無機化合物の結晶構造の単位格子ならびに並進性および対称性を示す第１構造情報と、を有している、予測方法。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、化合物の物性を予測する予測装置および予測方法に関する。
【背景技術】
【0002】
材料開発において、開発前に材料の物性を精度高く推測できることが求められている。例えば、特許文献１では、材料の組成式および構造情報を取得して、材料の特性値を予測する技術が開示されている。また、非特許文献１では、無機化合物の元素ごとの貢献度を算出して、無機化合物の物性値を予測する技術が開示されている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】国際特許公報２０２０／０３１６７１
【非特許文献】
【0004】
【非特許文献1】Anthony Yu-Tung Wang, npj Computational Materials (2021),77.
【発明の概要】
【発明が解決しようとする課題】
【0005】
本開示の一態様は、無機化合物の特定の物性値を高精度に予測する予測装置および予測方法を実現することにある。
【課題を解決するための手段】
【0006】
本開示の一態様に係る予測装置は、特定の物性値が未知である第１無機化合物の入力情報を取得する入力取得部と、学習済モデルを用いて、前記入力情報から前記第１無機化合物の前記物性値を予測する予測部と、を備え、前記学習済モデルは、前記物性値が既知である第２無機化合物の参照情報と、前記物性値との関係性を学習処理されており、前記入力情報および前記参照情報は、それぞれ無機化合物の元素を示す元素情報と、前記元素の比率を示す組成情報と、前記無機化合物の結晶構造の単位格子ならびに並進性および対称性を示す第１構造情報と、を有している。
【0007】
本開示の一態様に係る予測方法は、特定の物性値が未知である第１無機化合物の入力情報を取得する入力取得ステップと、学習済モデルを用いて、前記入力情報から前記第１無機化合物の前記物性値を予測する予測ステップと、を含み、前記学習済モデルは、前記物性値が既知である第２無機化合物の参照情報と、前記物性値との関係性を学習処理されており、前記入力情報および前記参照情報は、それぞれ無機化合物の元素を示す元素情報と、前記元素の比率を示す組成情報と、前記無機化合物の結晶構造の単位格子ならびに並進性および対称性を示す第１構造情報と、を有している。
【0008】
本開示の各態様に係る予測装置は、コンピュータによって実現してもよく、この場合には、コンピュータを前記予測装置が備える各部（ソフトウェア要素）として動作させることにより前記予測装置をコンピュータにて実現させる予測装置の制御プログラム、およびそれを記録したコンピュータ読み取り可能な記録媒体も、本開示の範疇に入る。
【発明の効果】
【0009】
本開示の一態様によれば、無機化合物の特定の物性値を高精度に予測することができる。
【図面の簡単な説明】
【0010】
【図1】本開示の実施形態に係る予測装置の構成の一例を示すブロック図である。
【図2】入力情報のデータ構造の一例を示す図である。
【図3】出力情報のデータ構造の一例を示す図である。
【図4】学習済モデルに基づき予測処理を行う予測部の機能ブロック図である。
【図5】学習済モデルを用いて行われる処理の一部を説明するための概略図である。
【図6】学習済モデルを用いて行われる処理の一部を説明するための概略図である。
【図7】表示情報の一例を示す図である。
【図8】表示情報の一例を示す図である。
【図9】表示情報の一例を示す図である。
【図10】予測装置が実行する予測処理の流れの一例を示すフローチャートである。
【図11】本開示の変形例に係る予測装置の構成の一例を示すブロック図である。
【図12】表示情報の一例を示す図である。
【図13】実施例の訓練データに係る磁気モーメントの実測値と予測値との相関を示すグラフである。
【図14】実施例の検証データに係る磁気モーメントの実測値と予測値との相関を示すグラフである。
【図15】比較例の訓練データに係る磁気モーメントの実測値と予測値との相関を示すグラフである。
【図16】比較例の検証データに係る磁気モーメントの実測値と予測値との相関を示すグラフである。
【発明を実施するための形態】
【0011】
＜実施形態１＞
〔予測装置の概要〕
従来、目標の物性値を有する新規の材料を開発するためには、研究者の経験および勘に頼っていた。本発明の発明者らは、無機化合物の元素情報と、組成情報と、無機化合物の結晶構造の単位格子ならびに並進性および対称性を示す第１構造情報と、物性値との関係性を予測装置に学習させることにより、未知の無機化合物の特定の物性値を予測する方法を確立した。
〔予測装置の概要〕
従来、目標の物性値を有する新規の材料を開発するためには、研究者の経験および勘に頼っていた。本発明の発明者らは、無機化合物の元素情報と、組成情報と、無機化合物の結晶構造の単位格子ならびに並進性および対称性を示す第１構造情報と、物性値との関係性を予測装置に学習させることにより、未知の無機化合物の特定の物性値を予測する方法を確立した。
【0012】
本開示の予測装置は、例えば、新規材料の研究および開発が行われる研究施設などにおいて使用されうる。本開示の予測装置は、入力情報として、無機化合物の元素を示す元素情報と、元素の比率を示す組成情報とに加えて、無機化合物の結晶構造の単位格子、対称性および並進性を示す第１構造情報を使用する。これによって、予測装置は、無機化合物の特定の物性値を精度高く予測することができる。
【0013】
予測装置は、入力情報として、無機化合物の結晶構造の単位格子ならびに並進性および対称性を示す第１構造情報を採用することにより、結晶構造が物性値に対して支配的な無機化合物についても、物性値を精度高く予測することができる。
【0014】
また、第１構造情報として、無機化合物の結晶構造の単位格子ならびに並進性および対称性を示す情報を採用することにより、情報を入力する際に、無機化合物の各原子の空間的配置を詳細に設定せずとも、ユーザが簡便に構造情報を入力することができる。また、既知化合物だけなく、未知の化合物の物性を予測する際においても、ユーザが構造情報のデータセットを用意しやすいという効果がある。
【0015】
【0016】
予測装置１は、入力情報３１として、無機化合物の元素を示す元素情報と、元素の比率を示す組成情報と、無機化合物の結晶構造の単位格子、対称性および並進性を示す第１構造情報を取得し、無機化合物の特定の物性値を予測するコンピュータである。
【0017】
図１に示すように、予測装置１は、予測装置１の各部を統括的に制御する制御部１０、および制御部１０が使用する各種データを記憶する記憶部２０、外部機器と通信を行う通信部３０を備えている。
【0018】
記憶部２０には、学習済モデル２１３、第１無機化合物データベース２１０、および第２無機化合物データベース２１１が格納されている。
【0019】
学習済モデル２１３は、物性値が既知である第２無機化合物の参照情報３２と、特定の物性値との関係性を学習処理されているモデルである。参照情報３２は、第２無機化合物である無機化合物の元素を示す元素情報と、元素の比率を示す組成情報と、第２無機化合物である無機化合物の結晶構造の単位格子ならびに並進性および対称性を示す第１構造情報とを有している。元素情報、組成情報、第１構造情報、物性値の詳細については後述する。
【0020】
第１無機化合物データベース２１０は、物性値が未知である第１無機化合物である無機化合物の元素情報、組成情報、第１構造情報などがそれぞれ対応づけられて格納されているデータベースである。ここで、単位格子ごとに物性値が異なる場合、単位格子ごとに「未知」または「既知」が決定される。例えば、「物性値が未知である」とは、化学式としては既知の無機化合物であっても、単位格子に基づく物性値が知られていないことに相当する。
【0021】
第２無機化合物データベース２１１は、物性値が既知である第２無機化合物の参照情報３２が格納されているデータベースである。参照情報３２は、具体的には、第２無機化合物の元素情報、組成情報、第１構造情報と、物性値とがそれぞれ対応づけられている情報である。また、第２無機化合物データベース２１１には、後述する第２構造情報および第３構造情報をさらに含んでいてもよい。
【0022】
本実施形態においては、予測装置１が、第１無機化合物データベース２１０および第２無機化合物データベース２１１を備える態様であるが、これに限定されない。第１無機化合物データベース２１０および第２無機化合物データベース２１１は外部のサーバに格納されていてもよく、予測装置１が、該サーバに格納されている各データベースにアクセスする態様であってもよい。この場合、第１無機化合物データベース２１０と、第２無機化合物データベース２１１とは、同じサーバに格納されていてもよく、それぞれのデータベースが異なるサーバに格納されていてもよい。また、記憶部２０には、予測装置１の各種制御を行うための制御プログラムが格納されていてもよい。
【0023】
＜制御部１０＞
制御部１０は、入力取得部１１、予測部１３、作成部１４および学習部１５を備える。以下、制御部１０が備える各構成について説明する。
制御部１０は、入力取得部１１、予測部１３、作成部１４および学習部１５を備える。以下、制御部１０が備える各構成について説明する。
【0024】
（学習部１５）
学習部１５は、学習済モデル２１３を生成する。学習済モデル２１３は、教師データとして、物性値が既知である第２無機化合物の参照情報３２、すなわち元素情報、組成情報、および第１構造情報と、物性値とのデータセットを用いて、生成される。教師データは、例えば、上述した記憶部２０に格納されていてもよい。具体的には、教師データは第２無機化合物データベース２１１に格納されていてもよい。この場合、教師データは、後述する入力取得部１１を介して、第２無機化合物データベース２１１から取得されてよい。また、教師データは、外部機器から入力取得部１１を介して取得されてもよい。元素情報、組成情報、第１構造情報、物性値の詳細については後述する。また、学習部１５は、学習済モデル２１３のハイパーパラメータセットを適宜変更してもよい。
学習部１５は、学習済モデル２１３を生成する。学習済モデル２１３は、教師データとして、物性値が既知である第２無機化合物の参照情報３２、すなわち元素情報、組成情報、および第１構造情報と、物性値とのデータセットを用いて、生成される。教師データは、例えば、上述した記憶部２０に格納されていてもよい。具体的には、教師データは第２無機化合物データベース２１１に格納されていてもよい。この場合、教師データは、後述する入力取得部１１を介して、第２無機化合物データベース２１１から取得されてよい。また、教師データは、外部機器から入力取得部１１を介して取得されてもよい。元素情報、組成情報、第１構造情報、物性値の詳細については後述する。また、学習部１５は、学習済モデル２１３のハイパーパラメータセットを適宜変更してもよい。
【0025】
（入力取得部１１）
入力取得部１１は、特定の物性値が未知である第１無機化合物の入力情報３１を取得する。入力取得部１１は、予測装置１以外の外部機器から入力情報３１を取得してもよい。
入力取得部１１は、特定の物性値が未知である第１無機化合物の入力情報３１を取得する。入力取得部１１は、予測装置１以外の外部機器から入力情報３１を取得してもよい。
【0026】
また、１回の入力につき、１つの無機化合物についての入力情報３１が入力されてもよいし、１回の入力につき、複数の無機化合物についての入力情報３１が入力されてもよい。入力情報３１は、第１無機化合物データベース２１０から取得されてもよい。
【0027】
図２は、入力情報３１のデータ構造の一例を示す図である。入力情報３１は、元素情報３１０、組成情報３１１、第１構造情報３１２を含む。また、入力情報３１は、第２構造情報３１３、および第３構造情報３１４を含んでいてもよい。
【0028】
元素情報３１０は、無機化合物に含まれる元素の種類を示す情報である。例えば、図２において、元素情報３１０には、無機化合物ＢａＴｉＯ３について、ＢａＴｉＯ３が含む元素「Ｂａ」、元素「Ｔｉ」、および元素「Ｏ」を含む態様が示されている。
【0029】
組成情報３１１は、無機化合物に含まれる元素の比率を示す情報である。例えば、図２において、無機化合物ＢａＴｉＯ３の組成情報３１１は、元素Ｂａと、元素Ｔｉと、元素Ｏとの比率が、１：１：３であることを示す「Ｂａ：Ｔｉ：Ｏ＝１：１：３」である。
【0030】
第１構造情報３１２は、無機化合物の結晶構造の単位格子ならびに並進性および対称性を示す情報である。
【0031】
無機化合物の結晶構造の単位格子は、無機化合物の結晶に含まれる最小の単位であり、例えば、公知の単位格子を使用することができる。具体的には、７種類の結晶系（立方晶系、正方晶系、直方晶系、六方晶系、三方晶系、単斜晶系、三斜晶系）と、４種類の格子系（単純（Ｐ）、体心（Ｉ）、面心（Ｆ）、底心（Ｃ））とを考慮した、１４種類のブラベ格子が採用される。
【0032】
結晶構造の並進性および対称性は、結晶の中心を起点とした空間群で示される情報である。結晶構造の並進性は、具体的に並進、らせん、映進の対称要素を含み、対称性は、具体的に回転、回反、反転、鏡映の並進を伴わない対象要素を含む。
【0033】
第１構造情報３１２は、単位格子、対称性および並進性の組み合わせによって、２３０個の三次元空間群が結論される。具体的には、１４種類のブラベ格子、３２種類の点群および並進操作の組み合わせによって２３０種類の三次元空間が結論される。すなわち、無機化合物の第１構造情報３１２は、２３０個の三次元空間群のうちいずれか１つが割り当てられることになる。第１構造情報３１２としては、国際表記で決定されている空間群の記号、または対応する番号が入力されてもよい。図２において、一例として、無機化合物ＢａＴｉＯ３の空間群番号「２２１」が第１構造情報３１２として入力されている。以降、第１構造情報を、「空間群」とも称する。
【0034】
入力情報３１は、単位格子の各軸の長さを示す第２構造情報３１３をさらに有していてもよい。単位格子の各軸の長さは、例えば、Å（オングストローム）またはｎｍ（ナノメートル）で表わされてもよい。
【0035】
図２において、第２構造情報３１３は、単位格子の各軸の長さが同じであり、かつ、各軸の長さが３Åであることを示す「ａ＝ｂ＝ｃ＝３」という情報である。
【0036】
このように、無機化合物の物性の予測に、第２構造情報３１３をさらに用いることにより、予測装置１は、高精度に物性を予測することができる。
【0037】
また、入力情報は、単位格子の各稜間の角度を示す第３構造情報３１４をさらに有していてもよい。
【0038】
図２において、第３構造情報３１４は、単位格子の軸ａと軸ｂとの間の角度α、軸ｂと軸ｃとの間の角度β、軸ｃと軸ａとの間の角度γとが全て等しく、各角度が９０°であることを示す「α＝β＝γ＝９０°」という情報である。
【0039】
このように、無機化合物の物性の予測に、第３構造情報３１４をさらに用いることにより、予測装置１は、より高精度に物性を予測することができる。
【0040】
（予測部１３）
予測部１３は、学習済モデル２１３を用いて、入力情報３１から無機化合物の特定の物性値を予測する。
予測部１３は、学習済モデル２１３を用いて、入力情報３１から無機化合物の特定の物性値を予測する。
【0041】
無機化合物の特定の物性値としては、例えば、磁気モーメント、１分子の形成エネルギー、１原子当たりの形成エネルギー、バンドギャップ、密度、熱力学的凸包からの安定性、単位構成の体積などが挙げられる。
【0042】
学習済モデル２１３は、物性値が既知である第２無機化合物の参照情報３２（元素情報、組成情報、および第１構造情報）と、物性値との関係性を学習処理されているモデルである。学習済モデル２１３の詳細については後述する。
【0043】
予測部１３は、入力情報３１から第１無機化合物に含まれる各元素の第１無機化合物の物性値への影響の度合いを示す第１貢献度を予測してもよい。
【0044】
無機化合物に含まれる元素は、無機化合物の物性値へ影響を及ぼす。また、無機化合物に含まれる複数の元素は、全てが同じように物性値へ影響を及ぼすわけではなく、元素の種類によって物性値へ及ぼす影響の度合いは異なる。第１貢献度は、このように、各元素の無機化合物の物性値への影響の度合い、すなわち物性値への寄与の大きさを示す情報である。
【0045】
第１貢献度は、第１無機化合物に含まれる元素ごとに算出された値であってもよく、第１無機化合物に含まれる全元素の貢献度の合計値であってもよい。第１貢献度は、例えば、数値で表わされる。第１貢献度の数値が大きい程、その第１貢献度を示す元素が第１無機化合物の物性値へ与える影響の度合いが大きいと言える。
【0046】
予測部１３が第１貢献度を予測可能であることにより、第１無機化合物に含まれるどの元素が、その第１無機化合物の物性値に大きく影響しているかをユーザが知ることができる。
【0047】
予測部１３は、入力情報３１から構造情報が示す構造が影響する第１無機化合物の物性値への影響の度合いを示す第２貢献度を予測してもよい。
【0048】
無機化合物の構造情報は、無機化合物の物性値へ影響を及ぼす。例えば、無機化合物に含まれる元素の種類が同じ場合であっても、構造情報が異なれば物性値が異なることも生じ得る。第２貢献度は、このように、構造情報の無機化合物の物性値への影響の度合い、すなわち物性値への寄与の大きさを示す情報である。
【0049】
第２貢献度は、例えば、数値で表わされる。第２貢献度の数値が大きい程、その第２貢献度を示す構造情報が無機化合物の物性値へ与える影響の度合いが大きいと言える。第２貢献度と、前述した第１貢献度とは、例えば、互いに比較することができる。そのため、例えば、ある元素が物性値へ与える影響の度合いよりも、無機化合物の構造が物性値へ与える影響の度合いの方が大きい場合、「第２貢献度＞第１貢献度」であってもよい。この場合、例えば、ユーザが、この無機化合物の物性値のコントロール（例えば、大きくしたい）を試みるときに、無機化合物の構造の設計を重視すればよいという指針を得ることができる。
【0050】
図３は、図２で示した無機化合物ＢａＴｉＯ３についての入力情報３１が入力された場合に予測部１３が出力する出力情報４１の一例を示す図である。出力情報４１には、第１貢献度４１１、第２貢献度４１２および物性値４１０が含まれている。また、第１貢献度４１１は、無機化合物ＢａＴｉＯ３の元素ごとの貢献度を示している。第１貢献度４１１、第２貢献度４１２および物性値は、それぞれ数値で表わされていてよい。
【0051】
予測部１３は、後述する、第１無機化合物に含まれる各元素の第１無機化合物の物性値への影響の度合いを示す第１貢献度と、構造情報が示す構造が影響する第１無機化合物の物性値への影響の度合いを示す第２貢献度とに基づいて物性値を予測してもよい。予測部１３は、具体的に、各元素の第１貢献度と、第２貢献度との平均を算出することで、第１無機化合物の物性値を算出してもよい。これによれば、予測装置１は、第１無機化合物の物性値を高精度に予測することができる。
【0052】
予測部１３は、第１無機化合物に含まれる各元素のうち、所定の周期に含まれる少なくとも１つの元素の第１貢献度および第２貢献度から、第３貢献度を算出してもよい。第３貢献度は、所定の周期に含まれる少なくとも１つの元素の第１無機化合物の物性値への影響の度合いを示す。第３貢献度は、第１無機化合物が所定の構造を取る場合に、その第１無機化合物に含まれる少なくとも１種類の元素に着目したときの、該元素が無機化合物の物性値へどの程度寄与しているかを表わす指標である。
【0053】
第１貢献度は、元素ごとに算出された無機化合物の物性値への影響の度合いであり、第１貢献度には、無機化合物の構造情報は考慮されていない。しかし、無機化合物の元素がどのような構造に配されるかによって、その元素が無機化合物の物性値へ及ぼす影響の度合いは変わり得る。そのため、第３貢献度が算出されることにより、無機化合物の元素が所定の構造に配された場合に、その元素が無機化合物の物性値へ及ぼす影響の度合いをユーザが知ることができる。
【0054】
所定の構造とは、入力情報３１に含まれる構造情報が示す構造である。この場合、構造情報は、第１構造情報３１２のみであってもよいし、第１構造情報３１２、第２構造情報３１３および第３構造情報３１４を有していてもよい。
【0055】
所定の周期とは、特に限定されないが、例えば、第４周期、第５周期の元素である。
【0056】
［学習済モデル］
上述のように、予測部１３の物性値を予測する機能は、予測部１３が学習済モデル２１３に入力情報３１を入力することによって実現される。
上述のように、予測部１３の物性値を予測する機能は、予測部１３が学習済モデル２１３に入力情報３１を入力することによって実現される。
【0057】
以下、学習済モデル２１３について説明する。図４は、学習済モデル２１３に基づき予測処理を行う予測部１３の機能ブロック図の一例を示す。ここで、元素情報３１０、および組成情報３１１にそれぞれ所定の処理を行った後の情報については、単に「元素情報」、「組成情報」とも称する。また、第１構造情報３１２、第２構造情報３１３、および第３構造情報３１４にそれぞれ所定の処理を行った後の情報については、単に「構造情報」とも称する。
【0058】
学習済モデル２１３は、第１変換部２１３０、第１ＮＮ部２１３１、第２変換部２１３２、加算部２１３３、ベクトル変換部２１３４、スケーリング部２１３５、構造情報統合部２１３６、第２ＮＮ部２１３７、統合部２１３８、関係性学習部２１３９、第３ＮＮ部２１４０、および算出部２１４１を備える。
【0059】
第１変換部２１３０は、入力された元素情報３１０を固有の配列に変換する。具体的には、第１変換部２１３０は、無機化合物を構成する元素の原子番号を、元素情報の埋め込み表現に変換する。一例として、第１変換部２１３０は、水素原子の原子番号「１」という情報を、［０．０５７１、－０．２２５５、・・・］のような固有の配列に変換する。第１変換部２１３０は、元素情報３１０に対して、一例として、Ｍａｔ２ｖｅｃ ｅｍｂｅｄｄｉｎｇ処理が使用される。
【0060】
第１ＮＮ部２１３１は、ニューラルネットワークを通して、第１変換部２１３０において変換された固有の配列を有する元素情報の次元数を所定の次元数に変換する。第１ＮＮ部２１３１に用いられるニューラルネットワークは、例えば、入力層と、出力層との間に中間層を有しないニューラルネットワークであってよく、入力層と、出力層との間は、所定の重みパラメータＷ１によって重みづけがされていてよい。言い換えれば、重みＷ１はモデル学習時に学習されるパラメータである。
【0061】
第２変換部２１３２は、入力された組成情報３１１を特定の長さの配列に変換する。一例として、Ｐｏｓｉｔｉｏｎａｌ ｅｎｃｏｄｉｎｇ処理が使用される。
【0062】
加算部２１３３は、元素情報と、組成情報とを足し合わせ、元素情報に組成情報が加味された情報を生成する。一例として、第２変換部２１３２は、Ｍｎ（マンガン）という元素情報を、無機化合物の組成比を加えた「Ｍｎ２」という情報に変換する。
【0063】
ベクトル変換部２１３４は、入力された第１構造情報３１２をベクトル化し、さらに固定長のベクトルに変換する。具体的には、第１構造情報３１２である空間群番号をＯｎｅ－ｈｏｔベクトル化した情報を、固定長のベクトルに変換している。空間群番号は、所定の空間群に振られた番号であって、空間群番号自体に意味はないが、この空間群番号を示す数字について、それぞれ類似する空間群を示す情報には類似する配列に、類似しない空間群を示す情報には全く異なる配列に変換する。
【0064】
スケーリング部２１３５は、入力された第２構造情報３１３および第３構造情報３１４を標準化する処理を行う。上述の空間群番号を示す第１構造情報３１２は、単なる数値を示すのに対し、第２構造情報３１３である単位格子の各軸の長さ、および第３構造情報３１４である単位格子の各稜間の角度は、それぞれ一次元配列である。一例として、第３構造情報３１４の単位格子の各稜間の角度は、［９０、９０、９０］のような一次元配列で示される。そのため、第２構造情報３１３および第３構造情報３１４に対しては、第１構造情報３１２とは異なり、スケーリング部２１３５による標準化の処理が行われる。
【0065】
構造情報統合部２１３６は、ベクトル変換処理後の第１構造情報と、標準化された第２構造情報および標準化された第３構造情報とを統合する。
【0066】
第２ＮＮ部２１３７は、ニューラルネットワークを通して、構造情報統合部２１３６において統合された構造情報の次元数を、所定の次元数に変換する。第２ＮＮ部２１３７に用いられるニューラルネットワークは、例えば、入力層と、出力層との間に中間層を有しないニューラルネットワークであってよく、入力層と、出力層との間は、所定の重みパラメータＷ２によって重みづけがされていてよい。言い換えれば、重みＷ２はモデル学習時に学習されるパラメータである。
【0067】
図５は、第１構造情報３１２、第２構造情報３１３、および第３構造情報３１４の入力から、第２ＮＮ部２１３７による処理を模式的に示した図である。図５においては、一例として、無機化合物「ＭｎＯ２」の情報が入力された場合を説明する。例えば、第１構造情報３１２として入力された空間群番号「１６６」という数値は、ベクトル変換部２１３４によって、所定のベクトル（第１構造情報ｍ１）に変換され、さらに固定長のベクトル（第１構造情報ｍ２）に変換される。また、第２構造情報３１３として入力された単位格子の各軸の長さ［２．９３、２．９３、２．９３］、および第３構造情報３１４として入力された単位格子の各稜間の角度［７７．０、７７．０、６０．０］は、スケーリング部２１３５によって、標準化される。標準化された第２構造情報と、第３構造情報とは、結合されて所定の配列を示す情報（構造情報ｍ３）となってもよい。ベクトル変換後の第１構造情報ｍ２と、標準化後の構造情報ｍ３とは、構造情報統合部２１３６において統合される。また、統合された構造情報ｍ４は、第２ＮＮ部２１３７において、所定の次元数の情報（構造情報ｍ５）となる。
【0068】
図４に戻り、第２ＮＮ部２１３７において、統合された構造情報は、統合部２１３８において元素情報と、組成情報とが加算された情報にさらに統合される。
【0069】
図６は、第１ＮＮ部２１３１において変換された元素情報ｍ６、第２変換部２１３２において変換された組成情報ｍ７、および構造情報統合部２１３６において統合された構造情報ｍ５が統合される処理を模式的に示した図である。例えば、変換後の元素情報ｍ６と、変換後の組成情報ｍ７とは、加算部２１３３において加算され、元素情報ｍ８となる。元素情報ｍ８は、統合部２１３８において、第１～第３構造情報が統合された構造情報ｍ５にさらに統合され、統合情報ｍ９となる。統合情報ｍ９は、次に説明する関係性学習部２１３９に入力される。
【0070】
図４に戻り、関係性学習部２１３９は、元素情報、組成情報、構造情報が統合された統合情報ｍ９について、各元素、構造情報間で内積を取ることにより、各元素と、構造情報との相互の関係性を学習する。関係性学習部２１３９が行う処理によって、無機化合物の物性値において、どの要素が物性値に影響を与えているかが明らかになる。関係性学習部２１３９は、公知のａｔｔｅｎｔｉｏｎ機構を使用し得る。例えば、Ｍｕｌｔｉ－ｈｅａｄ Ａｔｔｅｎｔｉｏｎが使用される。
【0071】
第３ＮＮ部２１４０は、ニューラルネットワークを通して、関係性学習部２１３９において処理後の情報を所定の次元数の情報に変換する。
【0072】
算出部２１４１は、第３ＮＮ部２１４０が出力した情報に対して、シグモイド関数を適用することによって、各元素の貢献度を算出する。また、算出部２１４１は、全元素の貢献度の平均を求めることによって、物性値を算出し、出力情報４１を出力する。
【0073】
（作成部１４）
作成部１４は、予測部１３が予測し出力した出力情報４１に基づく表示情報４２を作成する。ここで、表示情報４２は、特に限定されないが、例えば、予測部１３が予測した結果に基づく画像、グラフ、数値、リストなどであってよい。また、表示情報４２は、ユーザに提示するためのＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ画面）であってもよい。また、作成部１４は、所定のＧＵＩを作成するために必要なデータを、例えば、第２無機化合物データべース２１１から取得してもよい。以下では、作成部１４が作成する表示情報４２の具体的な例について説明する。
作成部１４は、予測部１３が予測し出力した出力情報４１に基づく表示情報４２を作成する。ここで、表示情報４２は、特に限定されないが、例えば、予測部１３が予測した結果に基づく画像、グラフ、数値、リストなどであってよい。また、表示情報４２は、ユーザに提示するためのＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ画面）であってもよい。また、作成部１４は、所定のＧＵＩを作成するために必要なデータを、例えば、第２無機化合物データべース２１１から取得してもよい。以下では、作成部１４が作成する表示情報４２の具体的な例について説明する。
【0074】
作成部１４は、表示情報４２として、第１構造情報３１２と、第１無機化合物の物性値に影響を与える電子の数とを２軸として、第３貢献度の分布を示すヒートマップを作成してもよい。作成部１４は、第１構造情報３１２に加えて、第２構造情報３１３および第３構造情報３１４を入力情報とした構造情報を使用してもよい。第１無機化合物の物性値に影響を与える電子の数は、特に限定されないが、例えば、第１無機化合物に含まれる、所定の周期に含まれる少なくとも１つの元素の最外殻電子数である。
【0075】
図７は、作成部１４が作成したヒートマップの一例である。図７のヒートマップ１４１は、横軸に空間群（空間群番号）、縦軸に最外殻電子数を示す。空間群は２３０種類で示され、最外殻電子数は、０～１２個の範囲で示され、各空間群と各最外殻電子数とに対応する第３貢献度が色の勾配によって示されている。第３貢献度は、０から２００までの範囲で示され、ヒートマップ１４１において、相対的に色の薄い領域は第３貢献度が高い。ヒートマップ１４１においては、空間群番号１６０および空間群番号１６６に分類されている無機化合物の元素の第３貢献度が比較的高いことが分かる。このように、作成部１４が空間群と、最外殻電子数とに対応する第３貢献度の分布を示すヒートマップを作成することにより、例えば、表示装置２などを介して、ユーザが視覚的に第３貢献度の大小を知ることができる。具体的に、ユーザは、最外殻電子がいくつの場合にその元素の第３貢献度が高いのか、どの空間群に属している場合にその元素の第３貢献度が高いのかを視覚的に識別することができる。
【0076】
また、作成部１４は、表示情報４２として、作成部１４が作成したヒートマップにおける第３貢献度が高い領域について、第１構造情報３１２における、無機化合物の物性値に影響を与える電子の数と、第３貢献度との相関を示す図をさらに作成してもよい。電子の数と、第３貢献度との相関を示す図とは、具体的には、グラフであってよい。
【0077】
図８は、電子の数と、第３貢献度との相関を示すグラフの一例である。図８のグラフ１４２は、一例として、図７のヒートマップ１４１から、第３貢献度が高い領域である、空間群番号１６６に属するデータについて、電子の数と、第３貢献度との相関を示す。グラフ１４２は、縦軸に第３貢献度、横軸に空間群番号１６６における電子の数との相関を示す。また、グラフ１４２は、第３貢献度と、電子の数との相関に加え、第２無機化合物データベース２１１から抽出されたデータ数を示してもよい。
【0078】
データ数は、第２無機化合物データベース２１１から抽出された一部のデータの数である。さらに具体的には、データ数は、第２無機化合物データベース２１１に含まれる無機化合物のうち、空間群番号１６６の構造をとり、０～１０の最外殻電子を含む元素を有する化合物の数である。すなわち、グラフ１４２によれば、ユーザは、第３貢献度の高い元素を有する化合物が、第２無機化合物データベース２１１にいくつ含まれているかを知ることができる。
【0079】
また、作成部１４は、電子の数と、第３貢献度との相関図に、第３貢献度のプロットに基づく近似曲線を追加してもよい。図８において、点線で示す曲線が、近似曲線である。これによれば、例えば、近似曲線から、第３貢献度が最大となる電子数をユーザが理解し易い表示情報となる。また、作成部１４は、近似曲線で極大値を示す点に対応する電子数、すなわち、第３貢献度が最大と見積もられる電子数の化合物を第２無機化合物データベース２１１から抽出してもよい。
【0080】
また、作成部１４は、表示情報４２として、第３貢献度を示す第１構造情報３１２と、無機化合物の物性値に影響を与える電子の数とを有する無機化合物のリストをさらに作成してもよい。
【0081】
図９は、第３貢献度を示す第１構造情報（空間群）３１２と、無機化合物の物性値に影響を与える電子の数（最外殻電子数）とを有する無機化合物のリストの一例である。図９のリスト１４３は、複数の無機化合物のデータを含む、第２無機化合物データベース２１１から、空間群番号１６０、かつ最外殻電子数５の元素を含む無機化合物を抽出して表示したリストである。ＩＤは、抽出された各無機化合物に付されている識別番号である。
【0082】
リスト１４３には、一例として、同じＩＤが付された、組成が同じである無機化合物が含まれている（Ｎｏ．３とＮｏ．４）。これらは、無機化合物の組成は同じであるが、対象とされた元素が異なることを示している。すなわち、Ｎｏ．３は、Ｆｅ（鉄）の第３貢献度を示し、Ｎｏ．４は、Ｃｏ（コバルト）の第３貢献度を示している。これによれば、第３貢献度４１３が高い無機化合物、および無機化合物に含まれる元素をユーザが視覚的に識別することができる。
【0083】
作成部１４において作成された表示情報４２は、例えば、外部の表示装置２に出力され、表示装置２において表示されてもよいし、予測装置１が表示部（不図示）を備える場合は、予測装置１の表示部に出力されてもよい。これによれば、ユーザは、作成部１４が作成した表示情報４２を見て、予測装置１が予測した結果を視覚的に識別することができる。
【0084】
【0085】
まず、入力取得部１１が特定の物性値が未知である第１無機化合物の入力情報３１を取得する（ステップＳ１：入力ステップ）。入力情報３１は、無機化合物の元素を示す元素情報と、元素の比率を示す組成情報と、無機化合物の結晶構造の単位格子ならびに並進性および対称性を示す第１構造情報３１２とを有している。
【0086】
予測部１３は、学習済モデルを用いて、入力情報３１から第１無機化合物の特定の物性値を予測する。具体的には、予測部１３は、変換後の入力情報から無機化合物に含まれる各元素の第１無機化合物の物性値への影響の度合いを示す第１貢献度を予測する（ステップＳ２）。そして、予測部１３は、構造情報が示す構造が影響する第１無機化合物の物性値への影響の度合いを示す第２貢献度を予測する（ステップＳ３）。予測部１３は、第１貢献度と、第２貢献度とに基づいて、第１無機化合物の物性値を予測する（ステップＳ４）。学習済モデルは、物性値が既知である第２無機化合物の、元素情報、組成情報、および第１構造情報３１２と、前記物性値の関係性を学習処理されている。
【0087】
また、予測部１３は、第１無機化合物に含まれる各元素のうち、所定の周期に含まれる少なくとも１つの元素の第１貢献度および第２貢献度から、少なくとも１つの元素の第１無機化合物の物性値への影響の度合いを示す第３貢献度を算出する（ステップＳ５：算出ステップ）。
【0088】
作成部１４は、予測部１３によって算出された第３貢献度に関する表示情報４２として画像またはリストを作成する（ステップＳ６：作成ステップ）。
【0089】
作成部１４は、例えば、予測装置１の外部装置である表示装置２に、作成した表示情報４２を出力し（ステップＳ７：出力ステップ）、処理は終了となる。
【0090】
このように、予測装置１に係る予測処理は、入力情報３１取得する入力取得ステップと、学習済モデルを用いて、入力情報から第１無機化合物の特定の物性値を予測する予測ステップと、を含む。
【0091】
この予測方法を採用することにより、予測装置１は、第１無機化合物の特定の物性値を精度高く予測することができる。また、入力情報３１として、第１無機化合物の結晶構造の単位格子ならびに並進性および対称性を示す第１構造情報３１２が入力されることにより、予測装置１は、結晶構造が物性値に対して支配的な第１無機化合物についても、物性値を精度高く予測することができる。
【0092】
また、第１構造情報３１２として、第１無機化合物の結晶構造の単位格子ならびに並進性および対称性を示す情報を採用することにより、情報を入力する際に、第１無機化合物の各原子の空間的配置を詳細に設定せずとも、ユーザが簡便に構造情報を入力することができる。また、既知化合物だけなく、未知の化合物の物性を予測する際においても、ユーザが構造情報のデータセットを用意しやすいという効果がある。
【0093】
本実施形態の予測処理においては、予測部１３は物性値を予測した後に、第３貢献度をさらに算出し、作成部１４において表示情報が作成されたが、この形態に限らず、予測部１３は、物性値のみを予測して、その結果を表示装置２に出力してもよい。
【0094】
また、予測部１３が予測した予測結果は、作成部１４に供されずに、通信部３０を介して外部機器へ送信されてもよい。この場合、外部機器において、上述した表示情報４２が作成されてもよい。
【0095】
＜変形例＞
本開示の変形例について、以下に説明する。説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。
本開示の変形例について、以下に説明する。説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。
【0096】
実施形態１においては、入力取得部１１は、無機化合物の元素を示す元素情報３１０と、元素の比率を示す組成情報３１１と、第１構造情報３１２とを第１無機化合物データベース２１０から取得する例について説明した。本変形例では、最適な第１無機化合物を予測する最適条件予測部１７を備える例について説明する。最適条件予測部１７は、第１無機化合物の少なくとも１つの最適条件を予測することができる。本変形例において、第１無機化合物は、例えば、１つ以上の変数を含む式で表され得、最適条件予測部１７は、当該変数の最適条件を予測する。なお、予測される最適条件は、構造情報であってもよい。入力取得部１１は、最適条件予測部１７から、入力情報３１として、最適条件として予測される条件を取得する。本変形例では、具体例として、上記変数が元素情報３１０および組成情報３１１である場合について説明する。
【0097】
〔予測装置１Ａの構成〕
図１１は、本変形例に係る予測装置１Ａの構成例を示すブロック図である。
図１１は、本変形例に係る予測装置１Ａの構成例を示すブロック図である。
【0098】
図１１に示すように、予測装置１Ａは、予測装置１Ａの各部を統括的に制御する制御部１０Ａ、および制御部１０Ａが使用する各種データを記憶する記憶部２０Ａ、外部機器と通信を行う通信部３０を備えている。
【0099】
記憶部２０Ａには、学習済モデル２１３、第１無機化合物データベース２１０、第２無機化合物データベース２１１に加え、統計モデル２１４、および探索空間データベース２２０が格納されている。
【0100】
統計モデル２１４には、学習済モデル２１３を用いて予測部１３が物性値を予測した場合に、どのような値が出力されるかについての確率の分布を示すモデルである。統計モデル２１４は、予測部１３によって更新されてよい。
【0101】
探索空間データベース２２０には、後述する探索空間決定部１６が探索空間を決定するための添加金属の種類と金属の添加量との複数の組み合わせが格納されている。
【0102】
本変形例においては、予測装置１Ａが、第１無機化合物データベース２１０および第２無機化合物データベース２１１、統計モデル２１４、および探索空間データベース２２０を備える態様について説明するが、これに限定されない。例えば、第１無機化合物データベース２１０、第２無機化合物データベース２１１、統計モデル２１４、および探索空間データベース２２０は、外部のサーバに格納されていてもよく、予測装置１Ａは、該サーバに格納されている各データベースにアクセスしてもよい。この場合、第１無機化合物データベース２１０と、第２無機化合物データベース２１１と、統計モデル２１４と、探索空間データベース２２０とは、同じサーバに格納されていてもよく、それぞれのデータベースが異なるサーバに格納されていてもよい。また、記憶部２０Ａには、予測装置１Ａの各種制御を行うための制御プログラムが格納されていてもよい。
【0103】
＜制御部１０Ａ＞
制御部１０Ａは、探索空間決定部１６、最適条件予測部１７、入力取得部１１、予測部１３Ａ、作成部１４および学習部１５を備える。以下、制御部１０Ａが備える各構成について説明する。
制御部１０Ａは、探索空間決定部１６、最適条件予測部１７、入力取得部１１、予測部１３Ａ、作成部１４および学習部１５を備える。以下、制御部１０Ａが備える各構成について説明する。
【0104】
（探索空間決定部１６）
探索空間決定部１６は、最適条件予測部１７が、最適な第１無機化合物を予測するための探索空間を決定する。より具体的には、探索空間決定部１６は、最適条件予測部１７が第１無機化合物を表す式における変数の最適条件を予測する際の探索空間を決定する。具体例として、探索空間決定部１６は、最適条件予測部１７が、元素情報３１０および組成情報３１１の最適条件を予測する際の探索空間を決定する。すなわち、探索空間決定部１６は、最適条件予測部１７が元素情報３１０および組成情報３１１を予測する際の探索空間を規定するための、元素の種類の候補、および組成比の範囲を特定する。一例として、磁性材料の中でも有望な磁性材料として知られている「ＦｅＣｏ」を元素情報３１０が含む場合、第１無機化合物は、ＦｅＣＯに添加する金属の種類（Ｍ）および金属の添加量（ｘ）を変数として、Ｍ＿ｘＦｅ＿（１－ｘ／２）Ｃｏ＿（１－ｘ／２）の式で表すことができる。探索空間決定部１６は、ＦｅＣＯに添加する金属の種類（Ｍ）の候補、および金属の添加量（ｘ）の範囲を決定する。探索空間決定部１６は、探索空間データベース２２０から、添加金属の種類の候補と、金属の添加量の範囲とを抽出してもよい。探索空間決定部１６は、一例として、探索空間として、添加金属Ｍ：［Ｓｃ－Ａｕの遷移金属元素］、添加量ｘ＝［０－１］（Ｍ＿ｘＦｅ＿（１－ｘ／２）Ｃｏ＿（１－ｘ／２））であると決定する。添加量ｘは、無機化合物の組成式の組成比を決定する因子である。
探索空間決定部１６は、最適条件予測部１７が、最適な第１無機化合物を予測するための探索空間を決定する。より具体的には、探索空間決定部１６は、最適条件予測部１７が第１無機化合物を表す式における変数の最適条件を予測する際の探索空間を決定する。具体例として、探索空間決定部１６は、最適条件予測部１７が、元素情報３１０および組成情報３１１の最適条件を予測する際の探索空間を決定する。すなわち、探索空間決定部１６は、最適条件予測部１７が元素情報３１０および組成情報３１１を予測する際の探索空間を規定するための、元素の種類の候補、および組成比の範囲を特定する。一例として、磁性材料の中でも有望な磁性材料として知られている「ＦｅＣｏ」を元素情報３１０が含む場合、第１無機化合物は、ＦｅＣＯに添加する金属の種類（Ｍ）および金属の添加量（ｘ）を変数として、Ｍ＿ｘＦｅ＿（１－ｘ／２）Ｃｏ＿（１－ｘ／２）の式で表すことができる。探索空間決定部１６は、ＦｅＣＯに添加する金属の種類（Ｍ）の候補、および金属の添加量（ｘ）の範囲を決定する。探索空間決定部１６は、探索空間データベース２２０から、添加金属の種類の候補と、金属の添加量の範囲とを抽出してもよい。探索空間決定部１６は、一例として、探索空間として、添加金属Ｍ：［Ｓｃ－Ａｕの遷移金属元素］、添加量ｘ＝［０－１］（Ｍ＿ｘＦｅ＿（１－ｘ／２）Ｃｏ＿（１－ｘ／２））であると決定する。添加量ｘは、無機化合物の組成式の組成比を決定する因子である。
【0105】
探索空間決定部１６には、予め第１構造情報３１２が入力されていてもよい。すなわち、探索空間決定部１６は、第１構造情報３１２が予め考慮された状態において、探索空間を決定してもよい。また、後述する最適条件予測部１７が、元素情報３１０および組成情報３１１の最適条件を予測した後において、入力取得部１１に、第１構造情報３１２が、第１無機化合物データベース２１０から入力されてもよい。
【0106】
（最適条件予測部１７）
最適条件予測部１７は、最適な前記第１無機化合物を予測する。より具体的には、最適条件予測部１７は、探索空間決定部１６において規定された探索空間から、第１無機化合物を表す式における変数の最適条件を予測する。具体例として、最適条件予測部１７は、元素情報３１０および組成情報３１１の最適条件を予測する。最適条件予測部１７には、探索空間決定部１６で決定された探索空間が入力される。最適条件予測部１７は、記憶部２０Ａに格納されている統計モデル２１４に基づいて、探索空間の中から、元素情報３１０および組成情報３１１の最適条件を予測する。最適条件予測部１７は、具体的には、上述した添加金属の種類Ｍおよび金属の添加量ｘの最適条件を予測する。
最適条件予測部１７は、最適な前記第１無機化合物を予測する。より具体的には、最適条件予測部１７は、探索空間決定部１６において規定された探索空間から、第１無機化合物を表す式における変数の最適条件を予測する。具体例として、最適条件予測部１７は、元素情報３１０および組成情報３１１の最適条件を予測する。最適条件予測部１７には、探索空間決定部１６で決定された探索空間が入力される。最適条件予測部１７は、記憶部２０Ａに格納されている統計モデル２１４に基づいて、探索空間の中から、元素情報３１０および組成情報３１１の最適条件を予測する。最適条件予測部１７は、具体的には、上述した添加金属の種類Ｍおよび金属の添加量ｘの最適条件を予測する。
【0107】
最適条件予測部１７は、ベイズ最適化を用いて、入力された元素情報３１０の一部と、組成情報３１１の一部とに基づいて、元素情報３１０および組成情報３１１の最適条件を予測する。
【0108】
ベイズ最適化は、入力と、それに対応した出力との関係性を統計モデルによって表現し、統計モデルより導出される評価指標である獲得関数をもとに、次に思考すべき最適な入力条件を決定していくアルゴリズムである。本変形例において、統計モデル２１４は、上述したように、学習済モデル２１３を用いて予測部１３が物性値を予測した場合に、どのような値が出力されるかについての確率の分布を示す。
【0109】
このように、最適条件予測部１７は、ベイズ最適化を用いて、添加金属の種類Ｍおよび金属の添加量ｘの最適条件を予測する。元素情報３１０と、組成情報３１１とは、一義的に決定される。
【0110】
（入力取得部１１）
入力取得部１１は、入力情報３１として、最適条件予測部１７において予測された条件に基づく元素情報３１０と、組成情報３１１とを取得する。上述したように、元素情報３１０と、組成情報３１１と併せて第１構造情報３１２も最適条件予測部１７から取得されてもよいし、第１構造情報３１２は、第１無機化合物データベース２１０から別途取得されてもよい。
入力取得部１１は、入力情報３１として、最適条件予測部１７において予測された条件に基づく元素情報３１０と、組成情報３１１とを取得する。上述したように、元素情報３１０と、組成情報３１１と併せて第１構造情報３１２も最適条件予測部１７から取得されてもよいし、第１構造情報３１２は、第１無機化合物データベース２１０から別途取得されてもよい。
【0111】
（予測部１３Ａ）
予測部１３Ａは、実施形態１の予測部１３と同様に、学習済モデル２１３を用いて、入力情報３１から無機化合物の特定の物性値を予測する。また、予測部１３Ａは、予測された物性値に基づいて、統計モデル２１４を更新してもよい。この後、更新された統計モデル２１４を用いて、最適条件予測部１７がさらに、最適条件として予測される、添加金属の種類Ｍと、金属の添加量ｘとを決定してもよい。
予測部１３Ａは、実施形態１の予測部１３と同様に、学習済モデル２１３を用いて、入力情報３１から無機化合物の特定の物性値を予測する。また、予測部１３Ａは、予測された物性値に基づいて、統計モデル２１４を更新してもよい。この後、更新された統計モデル２１４を用いて、最適条件予測部１７がさらに、最適条件として予測される、添加金属の種類Ｍと、金属の添加量ｘとを決定してもよい。
【0112】
最適条件予測部１７、入力取得部１１、および予測部１３Ａが行う一連の処理は、所定の回数、繰り返されてもよい。予測部１３Ａは、当該繰り返しによって予測された複数の物性値を比較することにより、最適条件を決定してもよい。最適条件予測部１７による最適化処理、入力取得部１１による入力処理、および予測部１３Ａによる予測処理が繰り返される度に、予測部１３Ａによって統計モデル２１４は更新される。所定の回数は、予め決定されていてよい。
【0113】
（作成部１４）
作成部１４は、予測部１３Ａが予測し出力した出力情報に基づく表示情報を作成する。本変形例において、作成部１４は、予測部１３Ａが１つの物性値を出力するごとに表示情報を作成してもよいし、最適化処理から予測処理までの一連の処理が所定の回数行われた後に表示情報を作成してもよい。
作成部１４は、予測部１３Ａが予測し出力した出力情報に基づく表示情報を作成する。本変形例において、作成部１４は、予測部１３Ａが１つの物性値を出力するごとに表示情報を作成してもよいし、最適化処理から予測処理までの一連の処理が所定の回数行われた後に表示情報を作成してもよい。
【0114】
図１２は、作成部１４が作成する添加する金属の種類（Ｍ）と、金属の添加量（ｘ）との相関を磁性値と共に示すグラフ１４４である。磁性値は、例えば、各プロットの色の違いによって表現されてもよく、濃淡によって表現されてもよい。グラフ１４４においては、一例として、プロットの濃淡が濃いほど磁性値は低く、プロットの濃淡が淡いほど磁性値は高くなる。このように、作成部１４が、金属の種類（Ｍ）と、金属の添加量（ｘ）との相関を磁性値と共に示すことにより、ユーザが、どの金属をどれだけ添加すれば高磁性の材料を得ることができるかの予測結果を視覚的に認識することができる。あるいは、作成部１４は、予測部１３Ａが決定した最適条件に基づき出力した出力情報４１に基づく表示情報４２を作成してもよい。
【0115】
このように、予測装置１Ａが最適条件予測部１７を備えることにより、入力取得部１１には、最適化された元素情報３１０および組成情報３１１が入力される。また、予測部１３Ａは、最適化された元素情報３１０、最適化された組成情報３１１、および第１構造情報３１２に基づいて物性値を予測する。これによれば、最適化されていない元素情報３１０および組成情報３１１が入力される場合よりも、予測部１３Ａが最適な物性値を出力するまでに繰り返し得る予測処理の回数が小さくなる。すなわち、予測に係る時間を短くすることができる。
【0116】
本変形例においては、予測装置１Ａが最適条件予測部１７を備えている例について説明したが、元素情報３１０および組成情報３１１の最適条件を予測する最適条件予測装置が、実施形態１の予測装置１の外部にある態様であってもよい。この場合、予測装置１は、最適条件予測装置から元素情報３１０および組成情報３１１を取得してもよい。また、最適条件予測装置の記憶部が統計モデルおよび探索空間データベースを備えており、予測装置１が予測した結果を取得して、統計モデルが更新されてもよい。
【0117】
〔ソフトウェアによる実現例〕
予測装置１（以下、「装置」と呼ぶ）の機能は、当該装置としてコンピュータを機能させるためのプログラムであって、当該装置の各制御ブロック（特に制御部１０に含まれる各部）としてコンピュータを機能させるためのプログラムにより実現することができる。
予測装置１（以下、「装置」と呼ぶ）の機能は、当該装置としてコンピュータを機能させるためのプログラムであって、当該装置の各制御ブロック（特に制御部１０に含まれる各部）としてコンピュータを機能させるためのプログラムにより実現することができる。
【0118】
この場合、上記装置は、上記プログラムを実行するためのハードウェアとして、少なくとも１つの制御装置（例えばプロセッサ）と少なくとも１つの記憶装置（例えばメモリ）を有するコンピュータを備えている。この制御装置と記憶装置により上記プログラムを実行することにより、上記各実施形態で説明した各機能が実現される。
【0119】
上記プログラムは、一時的ではなく、コンピュータ読み取り可能な、１または複数の記録媒体に記録されていてもよい。この記録媒体は、上記装置が備えていてもよいし、備えていなくてもよい。後者の場合、上記プログラムは、有線または無線の任意の伝送媒体を介して上記装置に供給されてもよい。
【0120】
また、上記各制御ブロックの機能の一部または全部は、論理回路により実現することも可能である。例えば、上記各制御ブロックとして機能する論理回路が形成された集積回路も本開示の範疇に含まれる。この他にも、例えば量子コンピュータにより上記各制御ブロックの機能を実現することも可能である。
【0121】
〔まとめ〕
本開示の態様１に係る予測装置１は、特定の物性値が未知である第１無機化合物の入力情報３１を取得する入力取得部１１と、学習済モデル２１３を用いて、入力情報３１から第１無機化合物の特定の物性値４１０を予測する予測部１３と、を備え、学習済モデル２１３は、物性値が既知である第２無機化合物の参照情報３２と、物性値との関係性を学習処理されており、入力情報３１および参照情報３２は、それぞれ無機化合物の元素を示す元素情報と、前記元素の比率を示す組成情報と、前記無機化合物の結晶構造の単位格子ならびに並進性および対称性を示す第１構造情報３１２と、を有している。
本開示の態様１に係る予測装置１は、特定の物性値が未知である第１無機化合物の入力情報３１を取得する入力取得部１１と、学習済モデル２１３を用いて、入力情報３１から第１無機化合物の特定の物性値４１０を予測する予測部１３と、を備え、学習済モデル２１３は、物性値が既知である第２無機化合物の参照情報３２と、物性値との関係性を学習処理されており、入力情報３１および参照情報３２は、それぞれ無機化合物の元素を示す元素情報と、前記元素の比率を示す組成情報と、前記無機化合物の結晶構造の単位格子ならびに並進性および対称性を示す第１構造情報３１２と、を有している。
【0122】
本開示の態様２に係る予測装置１は、前記態様１において、予測部１３が、入力情報３１から第１無機化合物に含まれる各元素の第１無機化合物の物性値への影響の度合いを示す第１貢献度４１１を予測可能であってよい。
【0123】
本開示の態様３に係る予測装置１は、前記態様２において、予測部１３が、入力情報３１から第１構造情報３１２が示す構造が影響する第１無機化合物の物性値への影響の度合いを示す第２貢献度４１２を予測可能であってよい。
【0124】
本開示の態様４に係る予測装置１は、前記態様３において、予測部１３は、第１貢献度４１１と、第２貢献度４１２とに基づいて、第１無機化合物の物性値４１０を算出してもよい。
【0125】
本開示の態様５に係る予測装置１は、前記態様１～４の何れかにおいて、入力情報３１が、単位格子の各軸の長さを示す第２構造情報３１３を有していてもよい。
【0126】
本開示の態様６に係る予測装置１は、前記態様１～５の何れかにおいて、入力情報３１が、単位格子の各稜間の角度を示す第３構造情報３１４を有していてもよい。
【0127】
本開示の態様７に係る予測装置１は、前記態様３または４において、予測部１３が、第１無機化合物に含まれる各元素のうち、所定の周期に含まれる少なくとも１つの元素の第１貢献度４１１および第２貢献度４１２から、所定の周期に含まれる少なくとも１つの元素の第１無機化合物の物性値への影響の度合いを示す第３貢献度４１３を算出してもよい。
【0128】
本開示の態様８に係る予測装置１Ａは、前記態様１～７の何れかにおいて、最適な第１無機化合物を予測する、最適条件予測部１７をさらに備えてもよい。
【0129】
本開示の態様９に係る予測装置１は、前記態様７において、第１構造情報３１２と、第１無機化合物の物性値４１０に影響を与える電子の数とを２軸として、第３貢献度の分布を示すヒートマップ１４１を作成する作成部１４をさらに備えてもよい。
【0130】
本開示の態様１０に係る予測装置１は、前記態様９において、作成部１４が、ヒートマップ１４１における第３貢献度４１３が高い領域について第１構造情報３１２における電子の数と、第３貢献度４１３との相関を示す図をさらに作成してもよい。
【0131】
本開示の態様１１に係る予測装置１は、前記態様９または１０において、作成部１４が、所定の第３貢献度４１３を示す第１構造情報３１２と、電子の数とを有する無機化合物のリスト１４３をさらに作成してもよい。
【0132】
本開示の態様１２に係る予測方法は、特定の物性値が未知である第１無機化合物の入力情報３１を取得する入力取得ステップ（Ｓ１）と、学習済モデル２１３を用いて、入力情報３１から第１無機化合物の特定の物性値４１０を予測する予測ステップ（Ｓ４）と、含み、前記学習済モデルは、前記物性値が既知である第２無機化合物の参照情報３２と、前記物性値との関係性を学習処理されており、入力情報３１および参照情報３２は、それぞれ無機化合物の元素を示す元素情報と、前記元素の比率を示す組成情報と、前記無機化合物の結晶構造の単位格子ならびに並進性および対称性を示す第１構造情報３１２と、を有している。
【実施例0133】
本開示の一実施例について以下に説明する。実施例として、予測装置１を用い、入力情報として（１）元素情報、（２）組成情報、（３）単位格子ならびに並進性および対称性を示す第１構造情報を使用した。予測する物性は、磁気モーメントである。また、学習済モデル２１３の訓練、検証およびテストのためのデータセットは、（１）元素情報、（２）組成情報、（３）単位格子ならびに並進性および対称性を示す情報と、（４）磁気モーメントとがセットになっているデータを使用した。図１３および図１４は実施例のグラフである。
【0134】
また、比較例としては、入力情報として（１）元素情報、（２）組成情報のみを使用し、学習済モデルの訓練、検証およびテストのためのデータセットとしては、（１）元素情報、（２）組成情報と、（４）磁気モーメントとがセットになっているデータを使用した。図１５および図１６は実施例のグラフである。
【0135】
実施例は、入力情報として、単位格子ならびに並進性および対称性を示す第１構造情報を用いる点で、比較例とは異なる。
【0136】
実施例および比較例ともに、予測装置１は、データセットを３５，０００個ずつ使用し、３５，０００個のデータセットを、訓練データ（training data）と、検証データ（validation data）とテストデータ（test data)とにランダム分割して、７０％を訓練用、１５％を評価用、１５％をテスト用に用いた。訓練データは、学習済モデル２１３に学習を指せるためのデータ、検証データは、学習過程における学習済モデル２１３の精度を検証するためのデータ、テストデータは、構築した最終的な学習済モデル２１３の精度を検証するためのデータである。訓練データを使用して学習済モデル２１３を作成した。図１３および図１５の「Ｔｒａｉｎｉｎｇ ｄａｔａ」で示すデータは、訓練データであり、図１４および図１６の「Ｔｅｓｔ ｄａｔａ」で示すデータはテストデータである。図１３～図１６は全て磁気モーメントの実測値に対する予測値を、１～２５０μＢ／ｎｍ３の範囲においてプロットしたグラフである。
【0137】
図１３～図１６のグラフ内の実線は、磁気モーメントの予測値（ｐｒｅｄｉｃｔｅｄ）と、磁気モーメントの実測値（ｃａｌｃｕｌａｔｅｄ）とが一致する場合に得られる真の回帰直線を示す。決定係数Ｒ２は、真の回帰直線との相関を示す。決定係数Ｒ２は１に近い程、真の回帰直線に近くなる、すなわち予測装置の予測精度が高いと言える。ｍｓｅで示す値は、平均二乗誤差（ｍｓｅ：Ｍｅａｎ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ）を示し、各データに対して、予測値と実測値の差を二乗した値を計算し、その総和をデータ数で割った値である。ｍａｅで示す値は、平均絶対誤差（ｍａｅ：Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｅｒｒｏｒ）を示し、各データに対して、予測値と実測値の差の絶対値を計算し、その総和をデータ数で割った値である。ｍｓｅおよびｍａｅは、いずれも、値が小さいほど、予測値と実測値との誤差が小さい。すなわち、ｍｓｅおよびｍａｅの値が小さい程、予測装置の予測精度が高いと言える。
【0138】
＜結果＞
（１）実施例
実施例の訓練データにおいて、決定係数Ｒ２は０．８５、ｍｓｅは１４６．７８、ｍａｅは７．５４であった（図１３）。また、実施例のテストデータにおいて、決定係数Ｒ２は０．７５、ｍｓｅは２５８．９３、ｍａｅは９．２６であった（図１４）。
（１）実施例
実施例の訓練データにおいて、決定係数Ｒ２は０．８５、ｍｓｅは１４６．７８、ｍａｅは７．５４であった（図１３）。また、実施例のテストデータにおいて、決定係数Ｒ２は０．７５、ｍｓｅは２５８．９３、ｍａｅは９．２６であった（図１４）。
【0139】
（２）比較例
比較例の訓練データにおいて、決定係数Ｒ２は０．６１、ｍｓｅは３８３．４９、ｍａｅは１０．９９であった（図１５）。また、比較例のテストデータにおいて、決定係数Ｒ２は０．５３、ｍｓｅは４５４．４９、ｍａｅは１２．３７であった（図１６）。
比較例の訓練データにおいて、決定係数Ｒ２は０．６１、ｍｓｅは３８３．４９、ｍａｅは１０．９９であった（図１５）。また、比較例のテストデータにおいて、決定係数Ｒ２は０．５３、ｍｓｅは４５４．４９、ｍａｅは１２．３７であった（図１６）。
【0140】
決定係数Ｒ２の値から、実施例の予測装置１で予測された予測値は、実測値とよい相関を示していることが分かった。また、訓練データに含まれていないテストデータについても、訓練データと同様の精度で物性が予測できており、予測装置１が良好な性能を有することが示された。
【0141】
以上、本開示に係る発明について、諸図面および実施例に基づいて説明してきた。しかし、本開示に係る発明は上述した各実施形態に限定されるものではない。すなわち、本開示に係る発明は本開示で示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本開示に係る発明の技術的範囲に含まれる。つまり、当業者であれば本開示に基づき種々の変形または修正を行うことが容易であることに注意されたい。また、これらの変形または修正は本開示の範囲に含まれることに留意されたい。
【符号の説明】
【0142】
１ 予測装置
１１ 入力取得部
１３ 予測部
１４ 作成部
１６ 探索空間決定部
１７ 最適条件予測部
３１ 入力情報
３２ 参照情報
１４１ ヒートマップ
１４３ リスト
２１３ 学習済モデル
３１０ 元素情報
３１１ 組成情報
３１２ 第１構造情報
３１３ 第２構造情報
３１４ 第３構造情報
４１０ 物性値
４１１ 第１貢献度
４１２ 第２貢献度
１１ 入力取得部
１３ 予測部
１４ 作成部
１６ 探索空間決定部
１７ 最適条件予測部
３１ 入力情報
３２ 参照情報
１４１ ヒートマップ
１４３ リスト
２１３ 学習済モデル
３１０ 元素情報
３１１ 組成情報
３１２ 第１構造情報
３１３ 第２構造情報
３１４ 第３構造情報
４１０ 物性値
４１１ 第１貢献度
４１２ 第２貢献度
【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】
【図14】
【図15】
【図16】