(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】P2024079152
(43)【公開日】2024-06-11
(54)【発明の名称】反応性予測システム、反応性予測方法
(51)【国際特許分類】
G16C 20/70 20190101AFI20240604BHJP
【ＦＩ】
G16C20/70
【審査請求】未請求
【請求項の数】13
【出願形態】ＯＬ
(21)【出願番号】P 2022191909
(22)【出願日】2022-11-30
(71)【出願人】
【識別番号】000006507
【氏名又は名称】横河電機株式会社
(74)【代理人】
【識別番号】100165179
【弁理士】
【氏名又は名称】田▲崎▼ 聡
(74)【代理人】
【識別番号】100206081
【弁理士】
【氏名又は名称】片岡 央
(74)【代理人】
【識別番号】100167553
【弁理士】
【氏名又は名称】高橋 久典
(74)【代理人】
【識別番号】100181124
【弁理士】
【氏名又は名称】沖田 壮男
(72)【発明者】
【氏名】眞鍋 優佳
(72)【発明者】
【氏名】小川 潤一
(72)【発明者】
【氏名】今村 優佑
(57)【要約】
【課題】従来よりも高い精度で活性化自由エネルギーを予測できる反応性予測システム、反応性予測方法を提供する。
【解決手段】反応性予測システム４０は、測定された活性化自由エネルギーと、活性化自由エネルギーが測定された際の反応条件との関係を学習させた学習済みモデルＭＤを格納する格納部４３と、学習済みモデルＭＤを用いて、入力された反応条件から活性化自由エネルギーを予測する処理部４４と、を備える。
【選択図】図２
【解決手段】反応性予測システム４０は、測定された活性化自由エネルギーと、活性化自由エネルギーが測定された際の反応条件との関係を学習させた学習済みモデルＭＤを格納する格納部４３と、学習済みモデルＭＤを用いて、入力された反応条件から活性化自由エネルギーを予測する処理部４４と、を備える。
【選択図】図２
【特許請求の範囲】
【請求項1】
測定された活性化自由エネルギーと、前記活性化自由エネルギーが測定された際の反応条件との関係を学習させた学習済みモデルを格納する格納部と、
前記学習済みモデルを用いて、入力された反応条件から活性化自由エネルギーを予測する処理部と、を備える、
反応性予測システム。
前記学習済みモデルを用いて、入力された反応条件から活性化自由エネルギーを予測する処理部と、を備える、
反応性予測システム。
【請求項2】
前記測定された活性化自由エネルギーを教師データとし、前記活性化自由エネルギーが測定された際の反応条件を第１データセットとして、前記学習済みモデルを生成する生成部を備える、
請求項１に記載の反応性予測システム。
請求項１に記載の反応性予測システム。
【請求項3】
前記第１データセットの反応条件は、反応物、溶媒、触媒、添加物、試薬、温度、反応時間の少なくとも１つを含む、
請求項２に記載の反応性予測システム。
請求項２に記載の反応性予測システム。
【請求項4】
前記活性化自由エネルギーを測定する測定装置と接続可能な第１インターフェースを備える、
請求項１から請求項３の何れか一項に記載の反応性予測システム。
請求項１から請求項３の何れか一項に記載の反応性予測システム。
【請求項5】
前記学習済みモデルは、前記測定された活性化自由エネルギーと、活性化自由エネルギーが測定された際の反応条件との関係に加えて、量子化学計算で求めた反応に関する特徴量と、前記量子化学計算が行われた際の計算条件との関係を学習させたものである、
請求項１に記載の反応性予測システム。
請求項１に記載の反応性予測システム。
【請求項6】
前記測定された活性化自由エネルギーを教師データとし、前記活性化自由エネルギーが測定された際の反応条件を第１データセットとし、前記特徴量及び前記計算条件を第２データセットとして、前記学習済みモデルを生成する生成部を備える、
請求項５に記載の反応性予測システム。
請求項５に記載の反応性予測システム。
【請求項7】
前記第２データセットの特徴量は、双極子モーメント、原子電荷、振動数、分子軌道の少なくとも１つを含む、
請求項６に記載の反応性予測システム。
請求項６に記載の反応性予測システム。
【請求項8】
前記量子化学計算を行う計算装置と接続可能な第２インターフェースを備える、
請求項５から請求項７の何れか一項に記載の反応性予測システム。
請求項５から請求項７の何れか一項に記載の反応性予測システム。
【請求項9】
前記処理部で予測した活性化自由エネルギーに基づいて、所定の反応条件を提示する反応条件提示部を備える、
請求項１に記載の反応性予測システム。
請求項１に記載の反応性予測システム。
【請求項10】
前記反応条件提示部は、前記所定の反応条件として、前記処理部で予測した活性化自由エネルギーのうち、最も活性化自由エネルギーが低いと予想された反応条件を提示する、
請求項９に記載の反応性予測システム。
請求項９に記載の反応性予測システム。
【請求項11】
前記処理部で予測した活性化自由エネルギーと、所定の制約条件と、に基づいて、所定の反応条件を提示する反応条件提示部を備える、
請求項１に記載の反応性予測システム。
請求項１に記載の反応性予測システム。
【請求項12】
前記所定の制約条件は、反応時間、反応場温度、反応物の濃度の少なくとも１つを含む、
請求項１１に記載の反応性予測システム。
請求項１１に記載の反応性予測システム。
【請求項13】
反応条件を入力する第１ステップと、
測定された活性化自由エネルギーと、前記活性化自由エネルギーが測定された際の反応条件との関係を学習させた学習済みモデルを用いて、前記第１ステップで入力された反応条件から活性化自由エネルギーを予測する第２ステップと、を有する、
反応性予測方法。
測定された活性化自由エネルギーと、前記活性化自由エネルギーが測定された際の反応条件との関係を学習させた学習済みモデルを用いて、前記第１ステップで入力された反応条件から活性化自由エネルギーを予測する第２ステップと、を有する、
反応性予測方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、反応性予測システム、反応性予測方法に関するものである。
【背景技術】
【0002】
下記特許文献１には、合成したい目的化合物の複数の合成経路の活性化エネルギーを量子化学計算より得られた化学反応の遷移状態の構造およびエネルギーを含むデータにより活性化エネルギーを計算するとともに、合成したい目的化合物の複数の合成経路の合成経路に対して合成反応に対する収率予測式のデータから合成収率を予測し、前記活性化エネルギーと前記合成収率から合成経路ランキング式を構築し、目的化合物を合成するために最適とされる合成経路をランキングして絞り込んで提案する最適合成経路開発方法が開示されている。
【0003】
下記特許文献２には、合成の目的化合物に対する複数の合成経路から最適な合成経路を抽出するために、量子化学計算部と、反応機構解析部と、合成経路ランキング部と、を備える演算処理手段と、前記合成経路に係るデータを格納する記憶手段と、を有する合成経路評価システムが開示されている。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開２００８－１５０３３７号公報
【特許文献2】特開２０１０－９２５７号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
上記従来技術では、合成経路の予測のための入力データとして用いている活性化自由エネルギー（ΔＧ‡）を量子化学計算から求めている。このΔＧ‡は、実測した値ではなくシミュレーションから算出した値であるため、実測値との乖離が大きい。
【0006】
本発明は、上記問題点に鑑みてなされたものであり、従来よりも高い精度で活性化自由エネルギーを予測できる反応性予測システム、反応性予測方法の提供を目的とする。
【課題を解決するための手段】
【0007】
上記課題を解決するために、本発明の第１の態様による反応性予測システムは、測定された活性化自由エネルギーと、前記活性化自由エネルギーが測定された際の反応条件との関係を学習させた学習済みモデルを格納する格納部と、前記学習済みモデルを用いて、入力された反応条件から活性化自由エネルギーを予測する処理部と、を備える。
【0008】
本発明の第２の態様による反応性予測システムは、本発明の第１の態様による反応性予測システムにおいて、前記測定された活性化自由エネルギーを教師データとし、前記活性化自由エネルギーが測定された際の反応条件を第１データセットとして、前記学習済みモデルを生成する生成部を備える。
【0009】
本発明の第３の態様による反応性予測システムは、本発明の第２の態様による反応性予測システムにおいて、前記第１データセットの反応条件は、反応物、溶媒、触媒、添加物、試薬、温度、反応時間の少なくとも１つを含む。
【0010】
本発明の第４の態様による反応性予測システムは、本発明の第１の態様から第３の態様のいずれかによる反応性予測システムにおいて、前記活性化自由エネルギーを測定する測定装置と接続可能な第１インターフェースを備える。
【0011】
本発明の第５の態様による反応性予測システムは、本発明の第１の態様から第４の態様のいずれかによる反応性予測システムにおいて、前記学習済みモデルは、前記測定された活性化自由エネルギーと、活性化自由エネルギーが測定された際の反応条件との関係に加えて、量子化学計算で求めた反応に関する特徴量と、前記量子化学計算が行われた際の計算条件との関係を学習させたものである。
【0012】
本発明の第６の態様による反応性予測システムは、本発明の第５の態様による反応性予測システムにおいて、前記測定された活性化自由エネルギーを教師データとし、前記活性化自由エネルギーが測定された際の反応条件を第１データセットとし、前記特徴量及び前記計算条件を第２データセットとして、前記学習済みモデルを生成する生成部を備える。
【0013】
本発明の第７の態様による反応性予測システムは、本発明の第６の態様による反応性予測システムにおいて、前記第２データセットの特徴量は、双極子モーメント、原子電荷、振動数、分子軌道の少なくとも１つを含む。
【0014】
本発明の第８の態様による反応性予測システムは、本発明の第５の態様から第７の態様のいずれかによる反応性予測システムにおいて、前記量子化学計算を行う計算装置と接続可能な第２インターフェースを備える。
【0015】
本発明の第９の態様による反応性予測システムは、本発明の第１の態様から第８の態様のいずれかによる反応性予測システムにおいて、前記処理部で予測した活性化自由エネルギーに基づいて、所定の反応条件を提示する反応条件提示部を備える。
【0016】
本発明の第１０の態様による反応性予測システムは、本発明の第９の態様による反応性予測システムにおいて、前記反応条件提示部は、前記所定の反応条件として、前記処理部で予測した活性化自由エネルギーのうち、最も活性化自由エネルギーが低いと予想された反応条件を提示する。
【0017】
本発明の第１１の態様による反応性予測システムは、第１の態様から第１０の態様のいずれかによる反応性予測システムにおいて、前記処理部で予測した活性化自由エネルギーと、所定の制約条件と、に基づいて、所定の反応条件を提示する反応条件提示部を備える。
【0018】
本発明の第１２の態様による反応性予測システムは、本発明の第１１の態様による反応性予測システムにおいて、前記所定の制約条件は、反応時間、反応場温度、反応物の濃度の少なくとも１つを含む。
【0019】
本発明の第１３の態様による反応性予測方法は、反応条件を入力する第１ステップと、測定された活性化自由エネルギーと、前記活性化自由エネルギーが測定された際の反応条件との関係を学習させた学習済みモデルを用いて、前記第１ステップで入力された反応条件から活性化自由エネルギーを予測する第２ステップと、を有する。
【発明の効果】
【0020】
上記本発明の一態様によれば、従来よりも高い精度で活性化自由エネルギーを予測できる。
【図面の簡単な説明】
【0021】
【図1】本発明の第１実施形態によるソフトセンサの構成例を示すブロック図である。
【図2】本発明の第１実施形態による反応性予測システムの要部構成を示すブロック図である。
【図3】本発明の第１実施形態による反応性予測システムの学習済みモデルの生成に係る機能的構成の一例を示すブロック図である。
【図4】本発明の第１実施形態で用いられる学習用データセットの一例を示す説明図である。
【図5】本発明の第１実施形態による反応性予測システムが行うモデル生成処理の一例を示すフローチャートである。
【図6】本発明の第１実施形態による反応性予測システムのΔＧ‡の予測に係る機能的構成の一例を示すブロック図である。
【図7】本発明の第１実施形態による反応性予測システムが行うΔＧ‡の予測処理の一例を示すフローチャートである。
【図8】本発明の第２実施形態による反応性予測システムの要部構成を示すブロック図である。
【図9】本発明の第２実施形態で用いられる学習用データセットの一例を示す説明図である。
【図10】本発明の第３実施形態による反応性予測システムの要部構成を示すブロック図である。
【図11】本発明の第３実施形態による反応条件提示部が行う反応条件提示処理の一例を示す説明図である。
【図12】本発明の第４実施形態による反応性予測システムの要部構成を示すブロック図である。
【図13】本発明の第４実施形態による反応条件提示部が行う反応条件提示処理の一例を示す説明図である。
【発明を実施するための形態】
【0022】
以下、図面を参照して本発明の実施形態による反応性予測システム、反応性予測方法について詳細に説明する。以下では、まず、本発明の実施形態の概要について説明し、続いて本発明の各実施形態の詳細について説明する。
【0023】
〔概要〕
有機化学反応を用いる医薬品やファインケミカル素材の生産時には、生産の効率化のために反応条件の最適化が重要である。反応条件には、例えば、溶媒種や試薬の選択、濃度、温度、および反応時間等がある。最適化の工程では、効率化のために、高い収率を得られる条件を探索する。最適化の工程では、各項目を順に最適化していくが、その指標としては主に反応時間における生成物の濃度をサンプリングにより測定した収率や反応速度が使用される。なお、生成物の合成には、例えば第１の溶液と第２の溶液を供給装置に注入し、ミキサーで混合して合成するフローリアクタが用いられる。
有機化学反応を用いる医薬品やファインケミカル素材の生産時には、生産の効率化のために反応条件の最適化が重要である。反応条件には、例えば、溶媒種や試薬の選択、濃度、温度、および反応時間等がある。最適化の工程では、効率化のために、高い収率を得られる条件を探索する。最適化の工程では、各項目を順に最適化していくが、その指標としては主に反応時間における生成物の濃度をサンプリングにより測定した収率や反応速度が使用される。なお、生成物の合成には、例えば第１の溶液と第２の溶液を供給装置に注入し、ミキサーで混合して合成するフローリアクタが用いられる。
【0024】
しかしながら、従来の技術では、実験から反応速度を求めるためにある反応時間における反応流体をサンプリングし、そのサンプリングした反応流体に対して生成物の抽出や濃度測定等を行う工程が必要であり、１つの条件下における濃度を算出するまでに少なくとも数時間の作業時間を要する。従来の技術では、最適化項目の数によっては数十回以上、条件変更と抽出を行うトライアンドエラーの工程を繰り返す必要がある。また、従来の技術では、複数の温度条件下での濃度データが必要となるため、より多くの工数を要する。
【0025】
上記トライアンドエラーでは、目的化合物の合成に長時間を要してしまったり、コストが嵩んでしまったり、最悪の場合、合成できない場合もありうるため、特許文献１及び２に開示されている方法は、量子化学計算によって、最適な合計経路を導き出している。この方法では、合成経路の予測のための入力データとして用いている活性化自由エネルギー（ΔＧ‡）を計算で求めているが、このΔＧ‡は、実測した値ではなくシミュレーションから算出した値であるため、実測値との乖離が大きいという課題がある。
【0026】
本発明の実施形態では、測定された活性化自由エネルギーと、前記活性化自由エネルギーが測定された際の反応条件との関係を学習させた学習済みモデルを格納する格納部と、前記学習済みモデルを用いて、入力された反応条件から活性化自由エネルギーを予測する。これにより、従来よりも高い精度で活性化自由エネルギーを予測することができる。
【0027】
〔第１実施形態〕
先ず、活性化自由エネルギーを測定するソフトセンサ（測定装置）について説明する。
先ず、活性化自由エネルギーを測定するソフトセンサ（測定装置）について説明する。
【0028】
〈ソフトセンサ〉
図１は、本発明の第１実施形態によるソフトセンサ１の構成例を示すブロック図である。図１のように、ソフトセンサ１は、第１ポンプ１１、送液管１１１、第２ポンプ１２、送液管１１２、混合器１３、反応管１４、温度調整器１５、温度測定部１６、および反応解析装置２０を備えている。温度測定部１６は、第１の温度測定部１６１、第２の温度測定部１６２、第３の温度測定部１６３、および第４の温度測定部１６４を備えている。フローリアクタ１０は、第１ポンプ１１、送液管１１１、第２ポンプ１２、送液管１１２、混合器１３、および反応管１４を備える。反応解析装置２０は、ＣＰＵ２３を備えている。
図１は、本発明の第１実施形態によるソフトセンサ１の構成例を示すブロック図である。図１のように、ソフトセンサ１は、第１ポンプ１１、送液管１１１、第２ポンプ１２、送液管１１２、混合器１３、反応管１４、温度調整器１５、温度測定部１６、および反応解析装置２０を備えている。温度測定部１６は、第１の温度測定部１６１、第２の温度測定部１６２、第３の温度測定部１６３、および第４の温度測定部１６４を備えている。フローリアクタ１０は、第１ポンプ１１、送液管１１１、第２ポンプ１２、送液管１１２、混合器１３、および反応管１４を備える。反応解析装置２０は、ＣＰＵ２３を備えている。
【0029】
図１に示すフローリアクタ１０は、化学反応に供される複数の反応物をそれぞれ供給する複数の供給流路（第１ポンプ１１と送液管１１１、第２ポンプ１２と送液管１１２）と、これら複数の供給流路に接続されて複数の反応物を混合する混合器１３とを備えたものであり、流路状に形成される。
【0030】
第１ポンプ１１は、送液管１１１を介して混合器１３の第１の導入口に接続されている。第２ポンプ１２は、送液管１１２を介して混合器１３の第２の導入口に接続されている。混合器１３は、２つの導入口と１つの排出口を備えている。混合器１３の排出口は、複数の反応物が混合されて得られる反応流体が流通される反応管１４に接続されている。
【0031】
温度測定部１６は、反応管１４に沿う複数の位置における反応流体の温度を測定可能なように、例えば、混合器１３の前後で流路に沿って複数配置される第１の温度測定部１６１、第２の温度測定部１６２、第３の温度測定部１６３、および第４の温度測定部１６４を有する。なお、温度測定部１６の個数は、４個に限定されず、例えば４個以上であってもよい。
第１の温度測定部１６１は、混合器１３の入力側に設置され、この第１の温度測定部１６１により、複数の反応物を混合させて得られる反応流体の初期温度（混合器１３の排出口における反応流体の温度）を測定することができる。
第２の温度測定部１６２、第３の温度測定部１６３、および第４の温度測定部１６４は、混合器１３の出力側の反応管１４に設置され、これら第２の温度測定部１６２～第４の温度測定部１６４により、反応流体の流れ方向に沿う混合直後（反応開始直後）の反応流体の温度（温度分布）を測定することができる。なお、「反応開始直後」とは、反応流体が実際に反応を開始した直後の意味ではなく、反応が開始される状態に反応流体が置かれた直後（第１実施形態では、複数の反応物が混合された直後）の意味である。
送液管１１１、送液管１１２、混合器１３および反応管１４は、温度調整器１５内に設置される。
第１の温度測定部１６１は、混合器１３の入力側に設置され、この第１の温度測定部１６１により、複数の反応物を混合させて得られる反応流体の初期温度（混合器１３の排出口における反応流体の温度）を測定することができる。
第２の温度測定部１６２、第３の温度測定部１６３、および第４の温度測定部１６４は、混合器１３の出力側の反応管１４に設置され、これら第２の温度測定部１６２～第４の温度測定部１６４により、反応流体の流れ方向に沿う混合直後（反応開始直後）の反応流体の温度（温度分布）を測定することができる。なお、「反応開始直後」とは、反応流体が実際に反応を開始した直後の意味ではなく、反応が開始される状態に反応流体が置かれた直後（第１実施形態では、複数の反応物が混合された直後）の意味である。
送液管１１１、送液管１１２、混合器１３および反応管１４は、温度調整器１５内に設置される。
【0032】
〈ソフトセンサの動作〉
ソフトセンサ１は、フロー合成型の化学反応装置における反応流体の反応状態を特定するものである。ソフトセンサ１は、反応前の温度と、反応後の複数箇所の温度とを測定し、測定した温度に基づいて活性化自由エネルギー（ΔＧ‡）を含む反応パラメータを算出する。第１ポンプ１１と第２ポンプ１２に投入される反応物は、液体であっても気体であってもよい。反応パラメータは、反応流体の反応状態を示すものであって、後述するように、例えば化学反応場の温度分布に影響を及ぼすパラメータである。ソフトセンサ１によって生成される生成物は、例えばペプチド合成物である。
ソフトセンサ１は、フロー合成型の化学反応装置における反応流体の反応状態を特定するものである。ソフトセンサ１は、反応前の温度と、反応後の複数箇所の温度とを測定し、測定した温度に基づいて活性化自由エネルギー（ΔＧ‡）を含む反応パラメータを算出する。第１ポンプ１１と第２ポンプ１２に投入される反応物は、液体であっても気体であってもよい。反応パラメータは、反応流体の反応状態を示すものであって、後述するように、例えば化学反応場の温度分布に影響を及ぼすパラメータである。ソフトセンサ１によって生成される生成物は、例えばペプチド合成物である。
【0033】
第１ポンプ１１には、第１反応物が投入される。第１ポンプ１１は、投入された第１反応物を、例えば第１流速、第１流量で、送液管１１１を介して混合器１３に供給する。
【0034】
第２ポンプ１２には、第２反応物が投入される。第２ポンプ１２は、投入された第２反応物を、例えば第２流速、第２流量で、送液管１１２を介して混合器１３に供給する。
【0035】
混合器１３は、第１ポンプ１１から供給された第１反応物と、第２ポンプ１２から供給された第２反応物と、を混合し、混合した生成物を反応管１４に供給する。
【0036】
反応管１４には、混合器１３の排出口から生成物が供給される。混合器１３内部の空間内では、第１反応物と第２反応物との混合が開始される。そして、フローリアクタ１０では、混合器１３内部から反応管１４内部において反応が起き、生成物を含む例えば溶液が反応管１４内を移動する。そして、フローリアクタ１０では、生成物を含む例えば溶液が、反応管１４を通して反応管１４の外部に排出される。
【0037】
温度調整器１５は、例えば恒温水槽であり、反応解析装置２０の制御に応じて、混合器１３、反応管１４の温度を所定の温度に調整する。
【0038】
温度測定部１６は、化学反応場の温度を測定するセンサであり、例えば熱電対である。温度測定部１６は、非接触型の、例えば光学式温度センサであってもよい。温度測定部１６は、反応管１４に沿う反応流体の温度分布を測定し、測定した温度を示す温度情報（実測温度分布）を反応解析装置２０に出力する。なお、化学反応場は、混合器１３の下流側において混合された反応物の化学反応が生ずる領域である。
【0039】
第１の温度測定部１６１は、反応前の位置ｐ１に設置されている。なお、設置箇所は、第１ポンプ１１側および第２ポンプ１２側のうち少なくとも１つであってもよく、第１ポンプ１１側および第２ポンプ１２側の両方であってもよい。第１ポンプ１１側および第２ポンプ１２側の両方に第１の温度測定部１６１を設置する場合は、第１ポンプ１１側の温度と、第２ポンプ１２側の温度と、の平均値を反応解析装置２０に出力するようにしてもよい。なお、平均値は、反応解析装置２０が算出するようにしてもよい。なお、混合器１３の上流側の温度を測定することは、必ずしも必須ではない。例えば、反応物の温度が一定に保たれている場合に第１の温度測定部１６１は不要である。
【0040】
第２の温度測定部１６２は、反応後の位置ｐ２に設置されている。位置ｐ２は、位置ｐ２～ｐ４の中で最も混合器１３の排出口に近い位置である。第２の温度測定部１６２は、位置ｐ２の温度を測定し、測定した温度を示す情報を反応解析装置２０に出力する。
【0041】
第３の温度測定部１６３は、反応後の位置ｐ３に設置されている。位置ｐ３は、位置ｐ２と位置ｐ４の間の位置であり、位置ｐ２より混合器１３の排出口からの距離が長い。第３の温度測定部１６３は、位置ｐ３の温度を測定し、測定した温度を示す情報を反応解析装置２０に出力する。
【0042】
第４の温度測定部１６４は、反応後の位置ｐ４に設置されている。位置ｐ４は、位置ｐ２～ｐ４の中で最も混合器１３の排出口から遠い位置である。第４の温度測定部１６４は、位置ｐ４の温度を測定し、測定した温度を示す情報を反応解析装置２０に出力する。
【0043】
反応解析装置２０は、温度調整器１５を制御する。反応解析装置２０は、第１ポンプ１１と第２ポンプ１２の流量の制御を行う。反応解析装置２０は、温度測定部１６が出力する測定された温度を示す情報を取得する。反応解析装置２０は、取得した温度を示す情報を用いて、複数の反応物を混合させて得られる反応流体の反応状態を特定する。反応状態は、例えば、反応流体の反応速度、複数の反応物の濃度、反応流体に含まれる生成物の濃度または収率である。反応解析装置２０は、例えば位置と温度の関数を推定することで反応を解析する。なお、推定方法等は後述する。
【0044】
なお、図１に示した構成は一例であり、これに限らない。例えば、第１反応物と第２反応物とを第１の混合器で混合して第１の生成物を生成し、この第１の生成物と第３反応物とを第２の混合器で混合して第２の生成物を生成する構成であってもよい。この場合は、第１の混合器の前後（上下流側）または下流側のみに温度測定部を取り付け、第２の混合器の前後（上下流側）または下流側のみに温度測定部を取り付けることにより、第１の混合器による第１反応物と第２反応物の混合直後の反応流体の温度分布を検出すると共に、第２の混合器による第１の生成物と第３反応物の混合直後の反応流体の温度分布を検出するようにしてもよい。
【0045】
〈反応場の温度分布から反応パラメータの算出方法〉
次に、反応場の温度分布から反応パラメータを算出する方法について説明する。
次に、反応場の温度分布から反応パラメータを算出する方法について説明する。
【0046】
関数Ｔｎ（ｘ）は、混合直後の反応流体の温度分布を推定する支配方程式の解であり、位置ｘに対する温度の関数である。例えば、Ｔｎ（ｐ１）は、関数Ｔｎ（ｘ）による位置ｐ１の温度の推定値である。Ｔｎ（ｐ２）は、関数Ｔｎ（ｘ）による位置ｐ２の温度の推定値である。Ｔｎ（ｐ３）は、関数Ｔｎ（ｘ）による位置ｐ３の温度の推定値である。Ｔｎ（ｐ４）は、関数Ｔｎ（ｘ）による位置ｐ４の温度の推定値である。
【0047】
反応解析装置２０は、温度測定部１６によって反応流体の温度を実測することにより得られる実測温度分布と、混合直後の反応流体の温度分布を推定することにより得られる推定温度分布とを比較し、推定値と実測値との差が所定値以内となる反応パラメータを設定する。
【0048】
ここで、反応パラメータ、関数Ｔｎ（ｘ）について説明する。
関数Ｔｎ（ｘ）は、混合直後の反応流体の温度分布を推定する支配方程式の解であり、次式（１）のように、位置ｘ、反応パラメータΔＨ、ΔＧ‡の関数である。
関数Ｔｎ（ｘ）は、混合直後の反応流体の温度分布を推定する支配方程式の解であり、次式（１）のように、位置ｘ、反応パラメータΔＨ、ΔＧ‡の関数である。
【0049】
【数1】
【0050】
反応パラメータΔＨは、反応モルエンタルピー（ｋＪ／ｍｏｌ）である。反応モルエンタルピーとは、モルあたり（単位物質量当たり）の反応熱を表す量である。反応パラメータΔＨは、混合直後の反応流体の温度分布のピーク値に関連する。
【0051】
反応パラメータΔＧ‡は、活性化自由エネルギー（ｋＪ／ｍｏｌ）である。活性化自由エネルギーとは、反応前と反応遷移状態の自由エネルギーの差であり、反応速度の温度依存性を示すものである。反応パラメータΔＧ‡は、混合直後の反応流体の温度分布のピーク値およびピーク位置に関連する。
【0052】
次に、ソフトセンサ１における反応解析の処理手順例を説明する。
【0053】
反応解析装置２０は、温度測定部１６が測定した温度に関する情報（反応流体の温度を実測することにより得られる実測温度分布）を取得する。これにより、反応解析装置２０は、温度分布測定値Ｔ０（ｘ）を読み込む。なお、反応解析装置２０は、温度測定部１６が設置されている位置ｘを記憶している。
【0054】
次に、反応解析装置２０は、反応パラメータΔＨｎ、ΔＧ‡
ｎを仮設定して、温度分布計算値Ｔｎ（ｘ）を算出する（混合直後の反応流体の温度分布を推定することにより得られる推定温度分布を取得する）。なお、反応解析装置２０は、当該処理が一回目の場合、反応パラメータΔＨ１、ΔＧ‡
１を自部が記憶する例えば初期値に設定して、温度分布計算値Ｔ１（ｘ）を算出する。
【0055】
次に、反応解析装置２０は、関数Ｔｎ（ｘ）により推定される各位置ｐｍ（ｍは例えば１～４の整数）の温度推定値と、温度測定部１６により実測される各位置ｐｍの温度実測値Ｔｍとの差Δｔｍを算出する（実測温度分布と推定温度分布とを比較する）。反応解析装置２０は、温度の測定箇所が４つの場合、Δｔ１（＝Ｔ１－Ｔｎ（ｐ１））、Δｔ２（＝Ｔ２－Ｔｎ（ｐ２））、Δｔ３（＝Ｔ３－Ｔｎ（ｐ３））、Δｔ４（＝Ｔ４－Ｔｎ（ｐ４））が全て、自装置の記憶する所定値以内であるか否かを判別することで、Ｔｎ（ｘ）がＴ０（ｘ）にほぼ一致するか否かを判別する。
【0056】
反応解析装置２０は、Ｔｎ（ｘ）がＴ０（ｘ）にほぼ一致しないと判別した場合、反応パラメータの値を調整する。例えば、Δｔ１～Δｔ４が全て正の場合、最大値の高さを高くするように反応パラメータΔＨをΔＨ１より大きな値にする。例えば、Δｔ１～Δｔ４が全て負の場合、最大値の高さを低くするように反応パラメータΔＨをΔＨ１より小さな値にする。また、仮にΔｔ２のみが負で、その他が正の場合（例えば推定温度分布のピーク位置が測定した温度分布に比べて後方に位置している場合）、推定温度分布のピーク位置が前方に来るようにΔＧ‡
１を小さな値にする。
【0057】
反応解析装置２０は、Ｔｎ（ｘ）がＴ０（ｘ）にほぼ一致すると判別した場合、また上記反応パラメータの調整によってＴｎ（ｘ）がＴ０（ｘ）にほぼ一致すると判別した場合、反応パラメータΔＨ、ΔＧ‡を出力する。
【0058】
また、反応解析装置２０は、生成物と反応物の濃度分布Ｐ（ｘ）を算出し、算出した生成物と反応物の濃度分布Ｐ（ｘ）を出力する。
【0059】
なお、反応解析装置２０が算出して出力する生成物と反応物の濃度分布Ｐ（ｘ）は、反応パラメータがΔＨ、ΔＧ‡である場合、次式（２）の微分方程式を解くことで得られる。
【0060】
【数2】
【0061】
式（２）において、［Ａ］は第１反応物の濃度、［Ｂ］は第２反応物の濃度、ｈはプランク定数（６．６２６０７００４×１０－３４（ｍ２ｋｇ／ｓ））、ｋＢはボルツマン定数（１．３８０６４９×１０－２３（ＪＫ－１））、Ｒは気体定数、Ｔは流体の温度である。
【0062】
このように、ソフトセンサ１では、実測値を用いて活性化自由エネルギー（ΔＧ‡）を含む反応パラメータを算出することができる。
また、濃度を推定することで、フローリアクタ１０中の任意の位置および任意の時間における生成物の収率を算出することができる。
また、濃度を推定することで、フローリアクタ１０中の任意の位置および任意の時間における生成物の収率を算出することができる。
【0063】
〈反応性予測システム〉
図２は、本発明の第１実施形態による反応性予測システム４０の要部構成を示すブロック図である。図２に示す通り、本実施形態の反応性予測システム４０は、操作部４１、表示部４２、格納部４３、及び処理部４４を備える。このような反応性予測システム４０は、例えば、デスクトップ型、ノート型、若しくはタブレット型のコンピュータ、又は、ワークステーション等で実現される。また、反応性予測システム４０は、上記ソフトセンサ１が接続可能な第１インターフェース４０Ａを備える。第１インターフェース４０Ａは、例えば、コネクタ、ソケット、カップリング等で実現される。
図２は、本発明の第１実施形態による反応性予測システム４０の要部構成を示すブロック図である。図２に示す通り、本実施形態の反応性予測システム４０は、操作部４１、表示部４２、格納部４３、及び処理部４４を備える。このような反応性予測システム４０は、例えば、デスクトップ型、ノート型、若しくはタブレット型のコンピュータ、又は、ワークステーション等で実現される。また、反応性予測システム４０は、上記ソフトセンサ１が接続可能な第１インターフェース４０Ａを備える。第１インターフェース４０Ａは、例えば、コネクタ、ソケット、カップリング等で実現される。
【0064】
操作部４１は、例えば、キーボード又はポインティングデバイス等の入力装置を備えており、反応性予測システム４０を使用する作業者の操作に応じた指示（反応性予測システム４０に対する指示）を処理部４４に出力する。表示部４２は、例えば、液晶表示装置等の表示装置を備えており、処理部４４から出力される各種情報を表示する。尚、操作部４１及び表示部４２は、物理的に分離されたものであってもよく、表示機能と操作機能とを兼ね備えるタッチパネル式の液晶表示装置のように物理的に一体化されたものであっても良い。
【0065】
格納部４３は、例えば、ＨＤＤ（ハードディスクドライブ）又はＳＳＤ（ソリッドステートドライブ）等の記憶装置を備えており、反応性予測システム４０で用いる各種データを格納する。格納部４３は、例えば、学習用データセットＤＳ及び学習済みモデルＭＤを格納する。尚、格納部４３は、反応性予測システム４０の機能を実現するプログラムを格納してもよい。
【0066】
学習用データセットＤＳは、ソフトセンサ１から得られたデータである。この学習用データセットＤＳは、例えば、ソフトセンサ１により測定された活性化自由エネルギー（ΔＧ‡）と、その活性化自由エネルギーが測定された際の反応条件（第１データセット）を含むデータである。学習済みモデルＭＤは、測定された活性化自由エネルギー（ΔＧ‡）と、活性化自由エネルギーが測定された際の反応条件との関係を学習させたモデルであり、学習用データセットＤＳを用いて機械学習を行うことによって生成される。尚、学習済みモデルＭＤの詳細については後述する。
【0067】
処理部４４は、例えば、ＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）等により実現され、操作部４１から入力される操作指示に基づいて、反応性予測システム４０の動作を統括して制御する。処理部４４は、例えば、学習用データセットＤＳから学習済みモデルＭＤを生成する処理、学習済みモデルＭＤを用いて、操作部４１から入力される反応条件から活性化自由エネルギーを予測する処理、その他の処理を行う。尚、処理部４４は、操作部４１から入力される操作指示に基づいて、予測した活性化自由エネルギー、その他の出力を表示部４２に表示させる処理を行うことも可能である。
【0068】
反応性予測システム４０の機能は、例えば、その機能を実現するプログラム（不図示の記録媒体に記録されたプログラムを含む）がＣＰＵ等のハードウェアによって実行されることによって実現されてもよい。つまり、反応性予測システム４０の機能は、ソフトウェアとハードウェア資源とが協働することによって実現されてもよい。勿論、反応性予測システム４０の機能は、ＦＰＧＡ、ＬＳＩ、ＡＳＩＣ等のハードウェアを用いて実現されてもよい。
【0069】
〈学習済みモデルの生成〉
図３は、本発明の第１実施形態による反応性予測システム４０の学習済みモデルＭＤの生成に係る機能的構成の一例を示すブロック図である。図３に示す通り、反応性予測システム４０は、取得部５１、前処理部５２、生成部５３、モデル生成格納部５４、及びモデル格納部５５を備える。取得部５１、前処理部５２、及び生成部５３は、図２に示す処理部４４によって実現される。即ち、処理部４４が、格納部４３に格納されたモデル生成プログラムを実行することにより、取得部５１、前処理部５２、及び生成部５３の機能が実現される。モデル生成格納部５４及びモデル格納部５５は、図２に示す格納部４３によって実現される。
図３は、本発明の第１実施形態による反応性予測システム４０の学習済みモデルＭＤの生成に係る機能的構成の一例を示すブロック図である。図３に示す通り、反応性予測システム４０は、取得部５１、前処理部５２、生成部５３、モデル生成格納部５４、及びモデル格納部５５を備える。取得部５１、前処理部５２、及び生成部５３は、図２に示す処理部４４によって実現される。即ち、処理部４４が、格納部４３に格納されたモデル生成プログラムを実行することにより、取得部５１、前処理部５２、及び生成部５３の機能が実現される。モデル生成格納部５４及びモデル格納部５５は、図２に示す格納部４３によって実現される。
【0070】
取得部５１は、学習用データセットＤＳを取得する。取得部５１が学習用データセットＤＳを取得する態様としては、例えば、ソフトセンサ１から入力される教師データ（測定された活性化自由エネルギー）と、操作部４１から入力される反応条件（活性化自由エネルギーが測定された際の反応条件）とを取得する態様が挙げられる。尚、ソフトセンサ１から入力される教師データと、操作部４１から入力される反応条件とを学習用データセットＤＳとして格納部４３に一時的に格納しておき、取得部５１が、格納部４３に一時的に格納された学習用データセットＤＳを取得するようにしてもよい。
【0071】
図４は、本発明の第１実施形態で用いられる学習用データセットＤＳの一例を示す説明図である。図４に示す通り、本実施形態で用いられる学習用データセットＤＳは、学習用サンプルＳＰ１～ＳＰｎを含む（ｎは、２以上の整数）。各学習用サンプルＳＰ１～ＳＰｎは、過去の測定結果から得られるものであり、第１データセットＤ１１及び教師データＤ１２を含む。
【0072】
教師データＤ１２は、ソフトセンサ１で測定された活性化自由エネルギー（ΔＧ‡）である。第１データセットＤ１１は、その活性化自由エネルギーが測定された際の反応条件であり、その反応条件を、例えば操作部４１を操作することにより反応性予測システム４０に入力したデータである。第１データセットＤ１１の反応条件は、反応物、溶媒、触媒、添加物、試薬、温度、反応時間の少なくとも１つを含むと良い。学習用サンプルＳＰ１～ＳＰｎには、第１データセットＤ１１と教師データＤ１２とが含まれる。
【0073】
図３に戻り、前処理部５２は、取得部５１で取得された学習用データセットＤＳに対し、学習済みモデルＭＤを作成するために必要となる前処理を行う。尚、学習用データセットＤＳに対する前処理が必要なければ、前処理部５２は省略される。
【0074】
生成部５３は、前処理部５２で前処理が行われた学習用データセットＤＳを用いて学習モデルを訓練して、学習済みモデルＭＤを生成する。生成部５３で生成される学習済みモデルＭＤは、例えば、ニューラルネットワークを用いて表されるモデルである。但し、学習済みモデルＭＤは、ニューラルネットワークを用いて表されるモデルに限定される訳ではなく、例えば、ランダムフォレスト、サポートベクターマシン等他のアルゴリズムを用いて表されるモデルとすることも可能である。
【0075】
モデル生成格納部５４は、生成部５３で訓練中の学習モデルとパラメータとを格納する。モデル格納部５５は、生成部５３で生成された学習済みモデルＭＤを格納する。
【0076】
図５は、本発明の第１実施形態による反応性予測システム４０が行うモデル生成処理の一例を示すフローチャートである。図５に示すフローチャートの処理は、例えば、反応性予測システム４０を使用する作業者が、反応性予測システム４０の操作部４１を操作して、学習開始指示を行うことによって開始される。尚、説明を簡単にするために、図３に示すモデル生成格納部５４には、学習モデル、パラメータが格納されているものとする。
【0077】
図５に示すフローチャートの処理が開始すると、まず、反応性予測システム４０の取得部５１は、学習用データセットＤＳを取得する（ステップＳ１１）。次に、反応性予測システム４０の前処理部５２は、取得した学習用データセットＤＳの前処理を行う（ステップＳ１２）。
【0078】
次いで、反応性予測システム４０の生成部５３は、前処理が行われた学習用データセットＤＳを用いた機械学習を実施する（ステップＳ１３）。ここで、学習用データセットＤＳには、教師データＤ１２が含まれていることから、生成部５３は、教師あり学習を実施する。続いて、生成部５３は、機械学習が終了であるか否かを判断する（ステップＳ１４）。
【0079】
機械学習が終了ではないと判断した場合（ステップＳ１４の判断結果が「ＮＯ」の場合）には、生成部５３は、機械学習を継続する（ステップＳ１３）。例えば、学習用データセットＤＳに含まれる学習用サンプルＳＰ１～ＳＰｎのうち、機械学習に用いられていないものを用いて機械学習を実施する。これに対し、機械学習が終了であると判断した場合（ステップＳ１４の判断結果が「ＹＥＳ」の場合）には、生成部５３は、生成された学習済みモデルＭＤをモデル格納部５５に格納させる（ステップＳ１５）。以上の処理によって、図５に示す一連の処理が終了する。
【0080】
尚、本実施形態では、学習済みモデルＭＤが反応性予測システム４０で生成される例について説明している。しかしながら、学習済みモデルＭＤは、反応性予測システム４０とは異なる他の装置で生成されてもよい。学習済みモデルＭＤが他の装置で生成される場合には、学習済みモデルＭＤは、当該他の装置から供給されることによって、モデル格納部５５に格納されてもよい。
【0081】
〈ΔＧ‡の予測〉
図６は、本発明の第１実施形態による反応性予測システム４０のΔＧ‡の予測に係る機能的構成の一例を示すブロック図である。図６に示す通り、反応性予測システム４０は、モデル格納部５５に加えて、取得部６１、前処理部６２、ΔＧ‡予測部６３、及び出力部６４を備える。取得部６１～ΔＧ‡予測部６３は、図２に示す処理部４４によって実現される。即ち、処理部４４が、格納部４３に格納されたプログラムを実行することにより、取得部６１～ΔＧ‡予測部６３の機能が実現される。モデル格納部５５は、図２に示す格納部４３によって実現され、出力部６４は、図２に示す表示部４２によって実現される。
図６は、本発明の第１実施形態による反応性予測システム４０のΔＧ‡の予測に係る機能的構成の一例を示すブロック図である。図６に示す通り、反応性予測システム４０は、モデル格納部５５に加えて、取得部６１、前処理部６２、ΔＧ‡予測部６３、及び出力部６４を備える。取得部６１～ΔＧ‡予測部６３は、図２に示す処理部４４によって実現される。即ち、処理部４４が、格納部４３に格納されたプログラムを実行することにより、取得部６１～ΔＧ‡予測部６３の機能が実現される。モデル格納部５５は、図２に示す格納部４３によって実現され、出力部６４は、図２に示す表示部４２によって実現される。
【0082】
取得部６１は、例えば図２に示す反応性予測システム４０の操作部４１を操作して入力される反応条件（反応条件データセットＩＤ）を取得する。尚、反応条件データセットＩＤが格納部４３に格納されている場合には、取得部６１は、格納部４３から反応条件データセットＩＤを取得しても良い。反応条件データセットＩＤは、少なくとも、反応物、触媒、及び溶媒を含むと良い。
【0083】
前処理部６２は、取得部６１で取得された反応条件データセットＩＤに対し、ΔＧ‡を予測する上で必要となる前処理を行う。尚、反応条件データセットＩＤに対する前処理が必要なければ、前処理部６２は省略される。
【0084】
ΔＧ‡予測部６３は、モデル格納部５５に格納された学習済みモデルＭＤと、前処理部６２で前処理が行われた反応条件データセットＩＤとを用いて、ΔＧ‡の予測を行う。出力部６４は、ΔＧ‡予測部６３の予測結果を表示する。
【0085】
図７は、本発明の第１実施形態による反応性予測システム４０が行うΔＧ‡の予測処理の一例を示すフローチャートである。図７に示すフローチャートの処理は、例えば、反応性予測システム４０を使用する作業者が、反応性予測システム４０の操作部４１を操作して、ΔＧ‡の予測処理の開始指示を行うことによって開始される。
【0086】
図７に示すフローチャートの処理が開始すると、まず、反応性予測システム４０の取得部６１は、予測対象となっている反応条件データセットＩＤを取得する（ステップＳ２１：画像取得ステップ）。例えば、取得部６１は、操作部４１から入力された反応条件データセットＩＤを取得する。
【0087】
次に、反応性予測システム４０の前処理部６２は、取得した反応条件データセットＩＤの前処理を行う（ステップＳ２２）。
【0088】
次いで、反応性予測システム４０のΔＧ‡予測部６３は、モデル格納部５５に格納された学習済みモデルＭＤと、前処理部６２で前処理が行われた反応条件データセットＩＤとを用いて、ΔＧ‡の予測を行う（ステップＳ２３）。
【0089】
続いて、反応性予測システム４０の出力部６４は、予測したΔＧ‡を出力する（ステップＳ２４）。これにより、ΔＧ‡予測部６３における予測したΔＧ‡が、出力部６４に表示される。
【0090】
以上説明した通り、本実施形態による反応性予測システム４０は、測定された活性化自由エネルギー（ΔＧ‡）と、活性化自由エネルギーが測定された際の反応条件との関係を学習させた学習済みモデルＭＤを格納する格納部４３と、学習済みモデルＭＤを用いて、入力された反応条件（反応条件データセットＩＤ）から活性化自由エネルギーを予測する処理部４４と、を備える。この構成によれば、ソフトセンサ１で実測したΔＧ‡から機械学習を用いてΔＧ‡を予測するため、量子化学計算のみで導き出したΔＧ‡よりも、より確からしいΔＧ‡が得られる。
【0091】
また、本実施形態による反応性予測システム４０は、本発明の第１の態様による反応性予測システム４０において、測定された活性化自由エネルギーを教師データＤ１２とし、活性化自由エネルギーが測定された際の反応条件を第１データセットＤ１１として、学習済みモデルＭＤを生成する生成部５３を備える。この構成によれば、反応性予測システム４０の内部で学習済みモデルＭＤを生成できる。尚、学習済みモデルＭＤは、反応性予測システム４０の外部で生成したものであっても良い。
【0092】
また、本実施形態による反応性予測システム４０は、第１データセットＤ１１の反応条件は、反応物、溶媒、触媒、添加物、試薬、温度、反応時間の少なくとも１つを含む。この構成によれば、より確からしいΔＧ‡を予測できる。
【0093】
また、本実施形態による反応性予測システム４０は、活性化自由エネルギーを測定するソフトセンサ１（測定装置）と接続可能な第１インターフェース４０Ａを備える。この構成によれば、測定された活性化自由エネルギー（ΔＧ‡）を、第１インターフェース４０Ａを介してソフトセンサ１から直接取得することができる。
【0094】
また、本実施形態による反応性予測方法は、反応条件を入力する第１ステップ（ステップＳ２１）と、測定された活性化自由エネルギーと、活性化自由エネルギーが測定された際の反応条件との関係を学習させた学習済みモデルＭＤを用いて、第１ステップで入力された反応条件から活性化自由エネルギーを予測する第２ステップ（ステップＳ２３）と、を有する。この構成によれば、ソフトセンサ１で実測したΔＧ‡から機械学習を用いてΔＧ‡を予測するため、量子化学計算のみで導き出したΔＧ‡よりも、より確からしいΔＧ‡が得られる。
【0095】
このように、上記本実施形態によれば、従来よりも高い精度で活性化自由エネルギーを予測できる。
【0096】
〔第２実施形態〕
〈反応性予測システム〉
図８は、本発明の第２実施形態による反応性予測システム４０の要部構成を示すブロック図である。尚、図８においては、図２に示す構成と同じ構成については同一の符号を付してある。図８に示す通り、第２実施形態による反応性予測システム４０は、さらにシミュレーター２（計算装置）が接続可能な第２インターフェース４０Ｂを備える。第２インターフェース４０Ｂは、例えば、コネクタ、ソケット、カップリング等で実現される。
〈反応性予測システム〉
図８は、本発明の第２実施形態による反応性予測システム４０の要部構成を示すブロック図である。尚、図８においては、図２に示す構成と同じ構成については同一の符号を付してある。図８に示す通り、第２実施形態による反応性予測システム４０は、さらにシミュレーター２（計算装置）が接続可能な第２インターフェース４０Ｂを備える。第２インターフェース４０Ｂは、例えば、コネクタ、ソケット、カップリング等で実現される。
【0097】
シミュレーター２は、量子化学計算を行い、反応に関する特徴量を算出する。シミュレーター２は、特徴量として、双極子モーメント、原子電荷、振動数の少なくとも１つを算出する。なお、シミュレーター２は、特徴量として、さらに、ＨＯＭＯ（Highest Occupied Molecular Orbital）とＬＵＭＯ（Lowest Unoccupied Molecular Orbital）のエネルギーギャップ等を算出しても良い。
【0098】
格納部４３には、学習用データセットＤＳとして、上記第１データセットＤ１１に加えて、第２データセットＤ２１が格納されている。第２データセットＤ２１は、シミュレーター２から得られたデータである。第２データセットＤ２１には、上記特徴量及びその計算条件が含まれている。第２データセットＤ２１に含まれる特徴量は、上記ソフトセンサ１での実験で得られない特徴量であるとよい。これにより、すべての反応条件に対して実験を行うことなく効率的にΔＧ‡を求めることができる。
【0099】
図９は、本発明の第２実施形態で用いられる学習用データセットの一例を示す説明図である。図９に示す通り、本実施形態で用いられる学習用データセットＤＳは、図４に示す学習用データセットＤＳと同様に、学習用サンプルＳＰ１～ＳＰｎを含む。但し、各学習用サンプルＳＰ１～ＳＰｎは、第１データセットＤ１１及び教師データＤ１２に加えて、第２データセットＤ２１を含む。
【0100】
反応性予測システム４０は、図９に示す学習用データセットＤＳを用いて学習済みモデルＭＤを生成する。つまり、学習済みモデルＭＤは、学習済みモデルＭＤは、測定された活性化自由エネルギー（教師データＤ１２）と、活性化自由エネルギーが測定された際の反応条件との関係（第１データセットＤ１１）に加えて、量子化学計算で求めた反応に関する特徴量と、量子化学計算が行われた際の計算条件との関係（第２データセットＤ２１）を学習させたものである。
【0101】
また、反応性予測システム４０は、図９に示す学習用データセットＤＳを用いて生成された学習済みモデルＭＤと、入力された反応条件（反応条件データセットＩＤ）から活性化自由エネルギーを予測する。尚、反応性予測システム４０の学習済みモデルＭＤの生成に係る機能的構成及びモデル生成処理、並びに、活性化自由エネルギーを予測に係る機能的構成及び状態判定処理は、第１実施形態と同様であるため、説明を省略する。
【0102】
以上説明した通り、第２実施形態による反応性予測システム４０は、学習済みモデルＭＤが、測定された活性化自由エネルギーと、活性化自由エネルギーが測定された際の反応条件との関係に加えて、量子化学計算で求めた反応に関する特徴量と、量子化学計算が行われた際の計算条件との関係を学習させたものである。この構成によれば、ソフトセンサ１で一部の反応条件に対して求めたΔＧ‡と、量子化学計算で算出した特徴量から、機械学習を用いてΔＧ‡を予測することで、すべての反応条件に対して実験を行うことなく効率的にΔＧ‡を求めることが出来る。また量子化学計算から算出したΔＧ‡では誤差を含むため、第２実施形態では、ソフトセンサ１から実測したΔＧ‡を機械学習に用いることで従来技術より確からしいΔＧ‡が得られる。
【0103】
また、第２実施形態による反応性予測システム４０では、測定された活性化自由エネルギーを教師データＤ１２とし、活性化自由エネルギーが測定された際の反応条件を第１データセットＤ１１とし、特徴量及び計算条件を第２データセットＤ２１として、学習済みモデルＭＤを生成する生成部５３を備える。この構成によれば、反応性予測システム４０の内部で学習済みモデルＭＤを生成できる。尚、学習済みモデルＭＤは、反応性予測システム４０の外部で生成したものであっても良い。
【0104】
また、第２実施形態による反応性予測システム４０では、第２データセットＤ２１の特徴量は、双極子モーメント、原子電荷、振動数、分子軌道の少なくとも１つを含む。この構成によれば、より確からしいΔＧ‡を予測できる。
【0105】
また、第２実施形態による反応性予測システム４０では、量子化学計算を行うシミュレーター２（計算装置）と接続可能な第２インターフェース４０Ｂを備える。この構成によれば、反応に関する特徴量を、第２インターフェース４０Ｂを介してシミュレーター２から直接取得することができる。
【0106】
〔第３実施形態〕
〈反応性予測システム〉
図１０は、本発明の第３実施形態による反応性予測システム４０の要部構成を示すブロック図である。尚、図１０においては、図６に示す構成と同じ構成については同一の符号を付してある。図１０に示す通り、第３実施形態による反応性予測システム４０は、さらにΔＧ‡予測部６３で予測した活性化自由エネルギーに基づいて、所定の反応条件を提示する反応条件提示部６５を備える。反応条件提示部６５は、図２に示す処理部４４によって実現される。即ち、処理部４４が、格納部４３に格納されたプログラムを実行することにより、反応条件提示部６５の機能が実現される。
〈反応性予測システム〉
図１０は、本発明の第３実施形態による反応性予測システム４０の要部構成を示すブロック図である。尚、図１０においては、図６に示す構成と同じ構成については同一の符号を付してある。図１０に示す通り、第３実施形態による反応性予測システム４０は、さらにΔＧ‡予測部６３で予測した活性化自由エネルギーに基づいて、所定の反応条件を提示する反応条件提示部６５を備える。反応条件提示部６５は、図２に示す処理部４４によって実現される。即ち、処理部４４が、格納部４３に格納されたプログラムを実行することにより、反応条件提示部６５の機能が実現される。
【0107】
図１１は、本発明の第３実施形態による反応条件提示部６５が行う反応条件提示処理の一例を示す説明図である。図１１に示す反応条件提示処理は、ΔＧ‡予測部６３で予測した活性化自由エネルギーのうち、最も活性化自由エネルギーが低いと予想された反応条件を提示する。例えば、反応条件提示部６５は、反応Ａ～ＣのΔＧ‡を比較し、最も値の小さい条件（反応物の組み合わせ）を選ぶ動作を実行する。
【0108】
具体的には、図１０に示すように、取得部６１は、上述した反応条件データセットＩＤとして、反応Ａ～Ｃごとに入力される反応条件（図１１に示すデータセット１Ａ～１Ｃ（データセット２Ａ～２Ｃ））を取得する。データセット１Ａ～１Ｃは、少なくとも、反応物、触媒、及び溶媒を含む反応条件であると良い。データセット２Ａ～２Ｃを入力する場合は、データセット２Ａ～２Ｃは、少なくとも、双極子モーメント、原子電荷、振動数、分子軌道の少なくとも１つを含む特徴量であると良い。
【0109】
前処理部６２は、取得部６１で取得された反応条件に対し、ΔＧ‡を予測する上で必要となる前処理を行う。尚、反応条件データセットＩＤに対する前処理が必要なければ、前処理部６２は省略される。ΔＧ‡予測部６３は、モデル格納部５５に格納された学習済みモデルＭＤと、前処理部６２で前処理が行われた反応条件を用いて、ΔＧ‡の予測を行う。
【0110】
反応条件提示部６５は、ΔＧ‡予測部６３で予測した活性化自由エネルギーのうち、最も活性化自由エネルギーが低いと予想された反応条件を提示する。図１１の例では、反応条件提示部６５は、最もΔＧ‡が小さい反応Ｂの条件を提示する。尚、反応条件提示部６５は、参考として、反応Ａ～ＣのΔＧ‡を提示してもよいし、上述した式（２）を用いた一般的反応速度式から、反応Ａ～Ｃの反応時間と収率を提示してもよい。出力部６４は、反応条件提示部６５の提示結果を表示する。
【0111】
以上説明した通り、第３実施形態による反応性予測システム４０は、処理部４４のΔＧ‡予測部６３で予測した活性化自由エネルギーに基づいて、所定の反応条件を提示する反応条件提示部６５を備える。反応条件提示部６５は、上記所定の反応条件として、処理部４４のΔＧ‡予測部６３で予測した活性化自由エネルギーのうち、最も活性化自由エネルギーが低いと予想された反応条件を提示する。この構成によれば、ΔＧ‡を比較し、最も値の小さい条件（反応物の組み合わせ）を選ぶことで、反応時間が短くかつ収率が高い反応条件を提示することができる。
【0112】
〔第４実施形態〕
〈反応性予測システム〉
図１２は、本発明の第４実施形態による反応性予測システム４０の要部構成を示すブロック図である。尚、図１２においては、図１０に示す構成と同じ構成については同一の符号を付してある。図１２に示す通り、第４実施形態による反応条件提示部６５は、ΔＧ‡予測部６３で予測した活性化自由エネルギーと、さらに、所定の制約条件と、に基づいて、所定の反応条件を提示する。
〈反応性予測システム〉
図１２は、本発明の第４実施形態による反応性予測システム４０の要部構成を示すブロック図である。尚、図１２においては、図１０に示す構成と同じ構成については同一の符号を付してある。図１２に示す通り、第４実施形態による反応条件提示部６５は、ΔＧ‡予測部６３で予測した活性化自由エネルギーと、さらに、所定の制約条件と、に基づいて、所定の反応条件を提示する。
【0113】
図１３は、本発明の第４実施形態による反応条件提示部６５が行う反応条件提示処理の一例を示す説明図である。図１３に示す反応条件提示処理は、選出されたΔＧ‡をもとに、制約条件の中で実施可能で、流路の制約で決まっている反応時間内に、反応を終えられる反応条件（反応場温度、反応物の濃度）を提示する。
【0114】
すなわち、図１に示すフローリアクタ１０によるフロー合成では、流路内が反応場（制約）となる。フローリアクタ１０の流路が、一定の流量と内径の場合、流路の長さで反応できる時間が決まる。しかしながら、流路は無限に長くできない。したがって、固定された反応時間内で、反応を終わらせられる条件を提示する必要がある。ここでの反応条件の提示では、第３実施形態での提示に加えて、反応時間ｔ、反応場温度Ｔ、反応物の濃度Ｃを条件として提示する。すなわち、制約条件は、反応時間、反応場温度、反応物の濃度の少なくとも１つを含むと良い。
【0115】
反応時間ｔは、反応場温度Ｔ、反応物の濃度Ｃの関数ｔ（Ｔ，Ｃ）で求めることができる。反応場温度Ｔは、制約として、上限値と下限値があらかじめ設定されている。反応物の濃度Ｃには上限値があらかじめ設定されている。つまり、第４実施形態では、第３実施形態で選出されたΔＧ‡に、制約条件に関する反応条件アルゴリズム（Ｔ，Ｃ）を加え、上述した式（２）を用いた一般的反応速度式から、反応時間（と収率）を提示する。
【0116】
以上説明した通り、第４実施形態による反応性予測システム４０は、処理部４４のΔＧ‡予測部６３で予測した活性化自由エネルギーと、所定の制約条件と、に基づいて、所定の反応条件を提示する反応条件提示部６５を備える。所定の制約条件は、反応時間、反応場温度、反応物の濃度の少なくとも１つを含む。この構成によれば、選出されたΔＧ‡をもとに、制約条件の中で実施可能で、流路の制約で決まっている反応時間内に、反応を終えられる反応条件（反応場温度、反応物の濃度）を提示し、参考に反応終了時間（予測時間）を表示することができる。
【0117】
以上、本発明の実施形態による反応性予測システム、反応性予測方法について説明したが、本発明は上記実施形態に制限される訳ではなく、本発明の範囲内で自由に変更が可能である。例えば、上記各実施形態の組み合わせ、置換等は可能である。
【符号の説明】
【0118】
１ ソフトセンサ（測定装置）
２ シミュレーター（計算装置）
４０ 反応性予測システム
４０Ａ 第１インターフェース
４０Ｂ 第２インターフェース
４３ 格納部
４４ 処理部
５３ 生成部
６３ ΔＧ‡予測部
６５ 反応条件提示部
Ｄ１１ 第１データセット
Ｄ１２ 教師データ
Ｄ２１ 第２データセット
ＤＳ 学習用データセット
ＭＤ 学習済みモデル
２ シミュレーター（計算装置）
４０ 反応性予測システム
４０Ａ 第１インターフェース
４０Ｂ 第２インターフェース
４３ 格納部
４４ 処理部
５３ 生成部
６３ ΔＧ‡予測部
６５ 反応条件提示部
Ｄ１１ 第１データセット
Ｄ１２ 教師データ
Ｄ２１ 第２データセット
ＤＳ 学習用データセット
ＭＤ 学習済みモデル
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】