知財求人 - 知財ポータルサイト「IP Force」
特開2024-89623予備学習済みモデル用の学習用データ生成方法、学習済みモデル生成方法、物性推定方法、予備学習済みモデル用の学習用データ生成プログラム、学習済みモデル生成プログラムおよび物性推定プログラム
(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】P2024089623
(43)【公開日】2024-07-03
(54)【発明の名称】予備学習済みモデル用の学習用データ生成方法、学習済みモデル生成方法、物性推定方法、予備学習済みモデル用の学習用データ生成プログラム、学習済みモデル生成プログラムおよび物性推定プログラム
(51)【国際特許分類】
G16C 60/00 20190101AFI20240626BHJP
【ＦＩ】
G16C60/00
【審査請求】未請求
【請求項の数】14
【出願形態】ＯＬ
(21)【出願番号】P 2023183184
(22)【出願日】2023-10-25
(31)【優先権主張番号】P 2022204864
(32)【優先日】2022-12-21
(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】北畑 雅弘
(72)【発明者】
【氏名】山本 海
(72)【発明者】
【氏名】吉元 健治
(57)【要約】
【課題】転移学習によって目的物性を高精度に推定する学習済みモデルを得ることができる予備学習済みモデル用の学習用データ生成方法、学習済みモデル生成方法、物性推定方法、予備学習済みモデル用の学習用データ生成プログラム、学習済みモデル生成プログラムおよび物性推定プログラムを提供すること。
【解決手段】本発明に係る予備学習済みモデル用の学習用データの生成方法は、分子動力学法によって高分子物性群を算出する高分子物性群算出ステップと、分子の情報を数値化した記述子を作成する記述子作成ステップと、マルチスケールシミュレーションまたは分子動力学法によって中間物性を算出する中間物性算出ステップと、記述子および高分子物性群を説明変数、中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する予備学習用データ生成ステップと、を含む。
【選択図】図１
【解決手段】本発明に係る予備学習済みモデル用の学習用データの生成方法は、分子動力学法によって高分子物性群を算出する高分子物性群算出ステップと、分子の情報を数値化した記述子を作成する記述子作成ステップと、マルチスケールシミュレーションまたは分子動力学法によって中間物性を算出する中間物性算出ステップと、記述子および高分子物性群を説明変数、中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する予備学習用データ生成ステップと、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、目的物性を推定する学習済みモデルのための予備学習済みモデルの生成に用いる予備学習用データを生成する予備学習済みモデル用の学習用データ生成方法であって、
分子動力学法によって高分子物性群を算出する高分子物性群算出ステップと、
分子の情報を数値化した記述子を作成する記述子作成ステップと、
マルチスケールシミュレーションまたは分子動力学法によって中間物性を算出する中間物性算出ステップと、
前記記述子および前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する予備学習用データ生成ステップと、
を含む予備学習済みモデル用の学習用データ生成方法。
分子動力学法によって高分子物性群を算出する高分子物性群算出ステップと、
分子の情報を数値化した記述子を作成する記述子作成ステップと、
マルチスケールシミュレーションまたは分子動力学法によって中間物性を算出する中間物性算出ステップと、
前記記述子および前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する予備学習用データ生成ステップと、
を含む予備学習済みモデル用の学習用データ生成方法。
【請求項2】
前記中間物性は、前記目的物性と相関を有する物性である、
請求項１に記載の学習用データ生成方法。
請求項１に記載の学習用データ生成方法。
【請求項3】
前記高分子物性群算出ステップは、高分子凝集構造、結晶構造または高分子溶液構造、および力場パラメータをインプットし、水素原子を含むすべての原子を相互作用点とする全原子モデルまたは炭化水素における水素を暗黙的に扱うユナイテッドアトムモデルを用いた前記分子動力学法によって計算して得られる高分子物性を含む高分子物性群を算出する、
請求項１に記載の学習用データ生成方法。
請求項１に記載の学習用データ生成方法。
【請求項4】
前記中間物性算出ステップは、前記マルチスケールシミュレーションによって前記中間物性を算出し、
前記予備学習用データ生成ステップは、前記記述子および前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する、
請求項１に記載の学習用データ生成方法。
前記予備学習用データ生成ステップは、前記記述子および前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する、
請求項１に記載の学習用データ生成方法。
【請求項5】
前記中間物性算出ステップは、前記分子動力学法によって前記中間物性を算出し、
前記予備学習用データ生成ステップは、前記記述子、および、前記分子動力学法によって算出された物性のうち、前記中間物性以外の物性からなる前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する、
請求項１に記載の学習用データ生成方法。
前記予備学習用データ生成ステップは、前記記述子、および、前記分子動力学法によって算出された物性のうち、前記中間物性以外の物性からなる前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する、
請求項１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、目的物性を推定するため学習済みモデルを生成する学習済みモデル生成方法であって、
分子動力学法によって高分子物性群を算出する高分子物性群算出ステップと、
分子の情報を数値化した記述子を作成する記述子作成ステップと、
マルチスケールシミュレーションまたは分子動力学法によって中間物性を算出する中間物性算出ステップと、
前記記述子および前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する予備学習用データ生成ステップと、
前記予備学習済みモデル用の学習用データを学習して予備学習済みモデルを生成する予備学習ステップと、
前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを生成する転移学習ステップと、
を含む学習済みモデル生成方法。
分子動力学法によって高分子物性群を算出する高分子物性群算出ステップと、
分子の情報を数値化した記述子を作成する記述子作成ステップと、
マルチスケールシミュレーションまたは分子動力学法によって中間物性を算出する中間物性算出ステップと、
前記記述子および前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する予備学習用データ生成ステップと、
前記予備学習済みモデル用の学習用データを学習して予備学習済みモデルを生成する予備学習ステップと、
前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを生成する転移学習ステップと、
を含む学習済みモデル生成方法。
【請求項7】
前記中間物性算出ステップは、前記分子動力学法によって中間物性を算出し、
前記転移学習ステップは、
前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを仮生成した後、
転移学習によって生成されたニューラルネットワークにおけるベクトル列に、前記マルチスケールシミュレーションによって算出されたドメイン物性を追加して学習済みモデルを生成する、
請求項６に記載の学習済みモデル生成方法。
前記転移学習ステップは、
前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを仮生成した後、
転移学習によって生成されたニューラルネットワークにおけるベクトル列に、前記マルチスケールシミュレーションによって算出されたドメイン物性を追加して学習済みモデルを生成する、
請求項６に記載の学習済みモデル生成方法。
【請求項8】
コンピュータが、学習済みモデルを用いて高分子の目的物性を推定する物性推定方法であって、
分子動力学法によって高分子物性群を算出する高分子物性群算出ステップと、
分子の情報を数値化した記述子を作成する記述子作成ステップと、
マルチスケールシミュレーションまたは分子動力学法によって中間物性を算出する中間物性算出ステップと、
前記記述子および前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する予備学習用データ生成ステップと、
前記予備学習済みモデル用の学習用データを学習して予備学習済みモデルを生成する予備学習ステップと、
前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを生成する転移学習ステップと、
前記高分子の構造および組成を前記学習済みモデルに入力することによって、前記目的物性を取得する物性取得ステップと、
を含む物性推定方法。
分子動力学法によって高分子物性群を算出する高分子物性群算出ステップと、
分子の情報を数値化した記述子を作成する記述子作成ステップと、
マルチスケールシミュレーションまたは分子動力学法によって中間物性を算出する中間物性算出ステップと、
前記記述子および前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する予備学習用データ生成ステップと、
前記予備学習済みモデル用の学習用データを学習して予備学習済みモデルを生成する予備学習ステップと、
前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを生成する転移学習ステップと、
前記高分子の構造および組成を前記学習済みモデルに入力することによって、前記目的物性を取得する物性取得ステップと、
を含む物性推定方法。
【請求項9】
前記中間物性算出ステップは、前記分子動力学法によって中間物性を算出し、
前記転移学習ステップは、
前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを仮生成した後、
転移学習によって生成されたニューラルネットワークにおけるベクトル列に、前記マルチスケールシミュレーションによって算出されたドメイン物性を追加して学習済みモデルを生成する、
請求項８に記載の物性推定方法。
前記転移学習ステップは、
前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを仮生成した後、
転移学習によって生成されたニューラルネットワークにおけるベクトル列に、前記マルチスケールシミュレーションによって算出されたドメイン物性を追加して学習済みモデルを生成する、
請求項８に記載の物性推定方法。
【請求項10】
コンピュータに、目的物性を推定する学習済みモデルのための予備学習済みモデルの生成に用いる予備学習用データを生成する予備学習済みモデル用の学習用データ生成プログラムであって、
分子動力学法によって高分子物性群を算出する高分子物性群算出ステップと、
化学構造等に基づく記述子を作成する記述子作成ステップと、
マルチスケールシミュレーションまたは分子動力学法によって中間物性を算出する中間物性算出ステップと、
前記記述子および前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する予備学習用データ生成ステップと、
を前記コンピュータに実行させる予備学習済みモデル用の学習用データ生成プログラム。
分子動力学法によって高分子物性群を算出する高分子物性群算出ステップと、
化学構造等に基づく記述子を作成する記述子作成ステップと、
マルチスケールシミュレーションまたは分子動力学法によって中間物性を算出する中間物性算出ステップと、
前記記述子および前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する予備学習用データ生成ステップと、
を前記コンピュータに実行させる予備学習済みモデル用の学習用データ生成プログラム。
【請求項11】
コンピュータに、目的物性を推定するため学習済みモデルを生成させる学習済みモデル生成方法であって、
分子動力学法によって算出された高分子物性群を算出する高分子物性群算出ステップと、
化学構造等に基づく記述子を作成する記述子作成ステップと、
マルチスケールシミュレーションまたは分子動力学法によって中間物性を算出する中間物性算出ステップと、
前記記述子および前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する予備学習用データ生成ステップと、
前記予備学習済みモデル用の学習用データを学習して予備学習済みモデルを生成する予備学習ステップと、
前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを生成する転移学習ステップと、
を前記コンピュータに実行させる学習済みモデル生成プログラム。
分子動力学法によって算出された高分子物性群を算出する高分子物性群算出ステップと、
化学構造等に基づく記述子を作成する記述子作成ステップと、
マルチスケールシミュレーションまたは分子動力学法によって中間物性を算出する中間物性算出ステップと、
前記記述子および前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する予備学習用データ生成ステップと、
前記予備学習済みモデル用の学習用データを学習して予備学習済みモデルを生成する予備学習ステップと、
前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを生成する転移学習ステップと、
を前記コンピュータに実行させる学習済みモデル生成プログラム。
【請求項12】
前記中間物性算出ステップは、前記分子動力学法によって中間物性を算出し、
前記転移学習ステップは、
前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを仮生成した後、
転移学習によって生成されたニューラルネットワークにおけるベクトル列に、前記マルチスケールシミュレーションによって算出されたドメイン物性を追加して学習済みモデルを生成する、
請求項１１に記載の学習済みモデル生成プログラム。
前記転移学習ステップは、
前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを仮生成した後、
転移学習によって生成されたニューラルネットワークにおけるベクトル列に、前記マルチスケールシミュレーションによって算出されたドメイン物性を追加して学習済みモデルを生成する、
請求項１１に記載の学習済みモデル生成プログラム。
【請求項13】
コンピュータに、学習済みモデルを用いて高分子の目的物性を推定させる物性推定方法であって、
分子動力学法によって算出された高分子物性群を算出する高分子物性群算出ステップと、
分子の情報を数値化した記述子を作成する記述子作成ステップと、
マルチスケールシミュレーションまたは分子動力学法によって中間物性を算出する中間物性算出ステップと、
前記記述子および前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する予備学習用データ生成ステップと、
前記予備学習済みモデル用の学習用データを学習して予備学習済みモデルを生成する予備学習ステップと、
前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを生成する転移学習ステップと、
前記高分子の構造および組成を前記学習済みモデルに入力することによって、前記目的物性を取得する物性取得ステップと、
を前記コンピュータに実行させる物性推定プログラム。
分子動力学法によって算出された高分子物性群を算出する高分子物性群算出ステップと、
分子の情報を数値化した記述子を作成する記述子作成ステップと、
マルチスケールシミュレーションまたは分子動力学法によって中間物性を算出する中間物性算出ステップと、
前記記述子および前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する予備学習用データ生成ステップと、
前記予備学習済みモデル用の学習用データを学習して予備学習済みモデルを生成する予備学習ステップと、
前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを生成する転移学習ステップと、
前記高分子の構造および組成を前記学習済みモデルに入力することによって、前記目的物性を取得する物性取得ステップと、
を前記コンピュータに実行させる物性推定プログラム。
【請求項14】
前記中間物性算出ステップは、前記分子動力学法によって中間物性を算出し、
前記転移学習ステップは、
前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを仮生成した後、
転移学習によって生成されたニューラルネットワークにおけるベクトル列に、前記マルチスケールシミュレーションによって算出されたドメイン物性を追加して学習済みモデルを生成する、
請求項１３に記載の物性推定プログラム。
前記転移学習ステップは、
前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを仮生成した後、
転移学習によって生成されたニューラルネットワークにおけるベクトル列に、前記マルチスケールシミュレーションによって算出されたドメイン物性を追加して学習済みモデルを生成する、
請求項１３に記載の物性推定プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、予備学習済みモデル用の学習用データ生成方法、学習済みモデル生成方法、物性推定方法、予備学習済みモデル用の学習用データ生成プログラム、学習済みモデル生成プログラムおよび物性推定プログラムに関するものである。
【背景技術】
【0002】
近年、高分子の製造における、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、既知の組成や物性から組成物の物性情報を推定する技術が知られている。この際、推定には、既知の組成や物性を用いて学習することによって生成される学習済みモデルが用いられる。一方、既知の測定値等を有しない物性については、代理のターゲット物性（中間物性）を用いて予備学習済みモデルを生成した後、この予備学習済みモデルを転移学習させて物性を推定する学習済みモデルを用いることが知られている（例えば、特許文献１を参照）。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０２０－９５３１０号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかしながら、転移学習には目的の物性と相関がある大量の中間物性データが必要であるが、特に高分子は物性によっては中間物性データが少なく、そのデータを用意するのが困難な場合があった。また、学習する際の入力データ（説明変数）として化学構造や材料設計パラメータだけでは予測精度が低くなる場合があった。
【0005】
本発明は、上記に鑑みてなされたものであって、転移学習によって目的物性を高精度に推定する学習済みモデルを得ることができる予備学習済みモデル用の学習用データ生成方法、学習済みモデル生成方法、物性推定方法、予備学習済みモデル用の学習用データ生成プログラム、学習済みモデル生成プログラムおよび物性推定プログラム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、本発明に係る予備学習済みモデル用の学習用データ生成方法は、コンピュータが、目的物性を推定する学習済みモデルのための予備学習済みモデルの生成に用いる予備学習用データを生成する予備学習済みモデル用の学習用データ生成方法であって、分子動力学法によって高分子物性群を算出する高分子物性群算出ステップと、分子の情報を数値化した記述子を作成する記述子作成ステップと、マルチスケールシミュレーションまたは分子動力学法によって中間物性を算出する中間物性算出ステップと、前記記述子および前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する予備学習用データ生成ステップと、を含む。
【0007】
また、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、前記中間物性は、前記目的物性と相関を有する物性である。
【0008】
また、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、前記高分子物性群算出ステップは、高分子凝集構造、結晶構造または高分子溶液構造、および力場パラメータをインプットし、水素原子を含むすべての原子を相互作用点とする全原子モデルまたは炭化水素における水素を暗黙的に扱うユナイテッドアトムモデルを用いた前記分子動力学法によって計算して得られる高分子物性を含む高分子物性群を算出する。
【0009】
また、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、前記中間物性算出ステップは、前記マルチスケールシミュレーションによって前記中間物性を算出し、前記予備学習用データ生成ステップは、前記記述子および前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する。
【0010】
また、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、前記中間物性算出ステップは、前記分子動力学法によって前記中間物性を算出し、前記予備学習用データ生成ステップは、前記記述子、および、前記分子動力学法によって算出された物性のうち、前記中間物性以外の物性からなる前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する。
【0011】
また、本発明に係る学習済みモデル生成方法は、コンピュータが、目的物性を推定するため学習済みモデルを生成する学習済みモデル生成方法であって、分子動力学法によって高分子物性群を算出する高分子物性群算出ステップと、分子の情報を数値化した記述子を作成する記述子作成ステップと、マルチスケールシミュレーションまたは分子動力学法によって中間物性を算出する中間物性算出ステップと、前記記述子および前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する予備学習用データ生成ステップと、前記予備学習済みモデル用の学習用データを学習して予備学習済みモデルを生成する予備学習ステップと、前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを生成する転移学習ステップと、を含む。
【0012】
また、本発明に係る学習済みモデル生成方法は、上記発明において、前記中間物性算出ステップは、前記分子動力学法によって中間物性を算出し、前記転移学習ステップは、前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを仮生成した後、転移学習によって生成されたニューラルネットワークにおけるベクトル列に、前記マルチスケールシミュレーションによって算出されたドメイン物性を追加して学習済みモデルを生成する。
【0013】
また、本発明に係る物性推定方法は、コンピュータが、学習済みモデルを用いて高分子の目的物性を推定する物性推定方法であって、分子動力学法によって高分子物性群を算出する高分子物性群算出ステップと、分子の情報を数値化した記述子を作成する記述子作成ステップと、マルチスケールシミュレーションまたは分子動力学法によって中間物性を算出する中間物性算出ステップと、前記記述子および前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する予備学習用データ生成ステップと、前記予備学習済みモデル用の学習用データを学習して予備学習済みモデルを生成する予備学習ステップと、前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを生成する転移学習ステップと、前記高分子の構造および組成を前記学習済みモデルに入力することによって、前記目的物性を取得する物性取得ステップと、を含む。
【0014】
また、本発明に係る物性推定方法は、上記発明において、前記中間物性算出ステップは、前記分子動力学法によって中間物性を算出し、前記転移学習ステップは、前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを仮生成した後、転移学習によって生成されたニューラルネットワークにおけるベクトル列に、前記マルチスケールシミュレーションによって算出されたドメイン物性を追加して学習済みモデルを生成する。
【0015】
また、本発明に係る予備学習済みモデル用の学習用データ生成プログラムは、コンピュータに、目的物性を推定する学習済みモデルのための予備学習済みモデルの生成に用いる予備学習用データを生成する予備学習済みモデル用の学習用データ生成プログラムであって、分子動力学法によって高分子物性群を算出する高分子物性群算出ステップと、分子の情報を数値化した記述子を作成する記述子作成ステップと、マルチスケールシミュレーションまたは分子動力学法によって中間物性を算出する中間物性算出ステップと、前記記述子および前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する予備学習用データ生成ステップと、を前記コンピュータに実行させる。
【0016】
また、本発明に係る学習済みモデル生成プログラムは、コンピュータに、目的物性を推定するため学習済みモデルを生成させる学習済みモデル生成方法であって、分子動力学法によって高分子物性群を算出する高分子物性群算出ステップと、分子の情報を数値化した記述子を作成する記述子作成ステップと、マルチスケールシミュレーションまたは分子動力学法によって中間物性を算出する中間物性算出ステップと、前記記述子および前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する予備学習用データ生成ステップと、前記予備学習済みモデル用の学習用データを学習して予備学習済みモデルを生成する予備学習ステップと、前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを生成する転移学習ステップと、を前記コンピュータに実行させる。
【0017】
また、本発明に係る学習済みモデル生成プログラムは、上記発明において、前記中間物性算出ステップは、前記分子動力学法によって中間物性を算出し、前記転移学習ステップは、前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを仮生成した後、転移学習によって生成されたニューラルネットワークにおけるベクトル列に、前記マルチスケールシミュレーションによって算出されたドメイン物性を追加して学習済みモデルを生成する。
【0018】
また、本発明に係る物性推定プログラムは、コンピュータに、学習済みモデルを用いて高分子の目的物性を推定させる物性推定方法であって、分子動力学法によって算出された高分子物性群を算出する高分子物性群算出ステップと、分子の情報を数値化した記述子を作成する記述子作成ステップと、マルチスケールシミュレーションまたは分子動力学法によって中間物性を算出する中間物性算出ステップと、前記記述子および前記高分子物性群を説明変数、前記中間物性を目的変数とする予備学習済みモデル用の学習用データを生成する予備学習用データ生成ステップと、前記予備学習済みモデル用の学習用データを学習して予備学習済みモデルを生成する予備学習ステップと、前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを生成する転移学習ステップと、前記高分子の構造および組成を前記学習済みモデルに入力することによって、前記目的物性を取得する物性取得ステップと、を前記コンピュータに実行させる。
【0019】
また、本発明に係る物性推定プログラムは、上記発明において、前記中間物性算出ステップは、前記分子動力学法によって中間物性を算出し、前記転移学習ステップは、前記記述子および前記高分子物性群を説明変数、前記目的物性を目的変数とする学習用データと前記予備学習済みモデルを用いて転移学習して学習済みモデルを仮生成した後、転移学習によって生成されたニューラルネットワークにおけるベクトル列に、前記マルチスケールシミュレーションによって算出されたドメイン物性を追加して学習済みモデルを生成する。
【発明の効果】
【0020】
本発明によれば、転移学習によって目的物性を高精度に推定する学習済みモデルを得ることができる。
【図面の簡単な説明】
【0021】
【発明を実施するための形態】
【0022】
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。
【0023】
（実施の形態１）
［システム構成］
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、学習用データを生成し、該生成した学習用データを用いて予備学習して予備学習済みモデルを生成し、該予備学習モデルを転移学習して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、推定対象の高分子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。
［システム構成］
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、学習用データを生成し、該生成した学習用データを用いて予備学習して予備学習済みモデルを生成し、該予備学習モデルを転移学習して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、推定対象の高分子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。
【0024】
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、他の種別の物性値に基づいて推定される。推定装置３は、例えば、高分子の構造および組成を組とする入力データを、学習済みモデルに入力し、出力された値を推定される物性値とする。この際、学習済みモデルから出力された値に変換処理等を施して、推定値を得る場合もある。
【0025】
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、学習用データ生成部２１、学習部２２、制御部２３および記憶部２４を有する。なお、本実施の形態１では、少なくとも学習用データ生成部２１および記憶部２４によって学習用データ生成装置が構成される。
【0026】
学習用データ生成部２１は、記憶部２４に記憶されているデータや、外部から取得したデータを読み出し、このデータを用いて学習用データを生成する。学習用データは、例えば、化学構造等に基づく記述子、材料設計パラメータ、および、全原子モデルまたはユナイテッドアトムモデルを用いた分子動力学（Molecular Dynamics：ＭＤ）法によってシミュレーションされた高分子物性と、目的変数とする物性とを組とするデータセットを生成し、これを学習用データとする。このデータセットは、学習における教師データに相当する。なお、物性は、構造パラメータ、機械的物性、物理的物性および化学的物性のいずれかである。
【0027】
ここで、化学構造等に基づく記述子は、分子の情報を数値化したものである。具体的には、記述子は、分子に含まれる部分構造の数や、分子の特性などの特徴を数字に変換したものであり、例えば分子フィンガープリントである。
材料設計パラメータは、分子量、組成等を示すパラメータである。
全原子モデルまたはユナイテッドアトムモデルを用いたＭＤ法による高分子物性は、高分子モノマー・溶媒ライブラリを参照して高分子凝集構造、結晶構造または高分子溶液構造、および力場パラメータをインプットし、水素原子を含むすべての原子を相互作用点とする全原子モデルまたは炭化水素における水素を暗黙的に扱うユナイテッドアトムモデルを用いたＭＤ法によって計算して得られる高分子物性群を含む。高分子物性群は、高分子構造に由来する特性、機械特性、熱特性および電気特性を含む。具体的には、密度、比容積、屈折率、定積比熱、定圧比熱、熱伝導率、圧縮率、膨張率、比誘電率、誘電損失、誘電正接、自由体積、凝集エネルギー密度、末端間距離、慣性半径、絡み合い分子量、拡散係数、弾性率、表面張力、表面自由エネルギー、ヤング率などが例示される。この高分子物性群は、ＭＤシミュレーション高分子物性データベースとして、記憶部２４に記憶される。以下、全原子モデルまたはユナイテッドアトムモデルを用いたＭＤ法による高分子物性を、「ＭＤシミュレーション高分子物性」という。ここで、ＭＤ法は、分子の運動を古典力学で記述し、系の平衡構造や動的過程を解析するシミュレーション方法である。なお、ＭＤ法は、公知の手法を採用することができる。
材料設計パラメータは、分子量、組成等を示すパラメータである。
全原子モデルまたはユナイテッドアトムモデルを用いたＭＤ法による高分子物性は、高分子モノマー・溶媒ライブラリを参照して高分子凝集構造、結晶構造または高分子溶液構造、および力場パラメータをインプットし、水素原子を含むすべての原子を相互作用点とする全原子モデルまたは炭化水素における水素を暗黙的に扱うユナイテッドアトムモデルを用いたＭＤ法によって計算して得られる高分子物性群を含む。高分子物性群は、高分子構造に由来する特性、機械特性、熱特性および電気特性を含む。具体的には、密度、比容積、屈折率、定積比熱、定圧比熱、熱伝導率、圧縮率、膨張率、比誘電率、誘電損失、誘電正接、自由体積、凝集エネルギー密度、末端間距離、慣性半径、絡み合い分子量、拡散係数、弾性率、表面張力、表面自由エネルギー、ヤング率などが例示される。この高分子物性群は、ＭＤシミュレーション高分子物性データベースとして、記憶部２４に記憶される。以下、全原子モデルまたはユナイテッドアトムモデルを用いたＭＤ法による高分子物性を、「ＭＤシミュレーション高分子物性」という。ここで、ＭＤ法は、分子の運動を古典力学で記述し、系の平衡構造や動的過程を解析するシミュレーション方法である。なお、ＭＤ法は、公知の手法を採用することができる。
【0028】
学習部２２は、学習用データ生成部２１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。学習部２２は、予備学習部２２１と、転移学習部２２２とを有する。ここで、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多層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２４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。
【0029】
学習部２２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。
【0030】
予備学習部２２１は、推定対象の物性とは異なり、かつ相関を有する物性（中間物性）を推定する予備学習済みモデルを生成する。予備学習部２２１は、化学構造等に基づく記述子、材料設計パラメータおよびＭＤシミュレーション高分子物性と、中間物性とを組とする教師データを用いて予備学習して予備学習済みモデルを生成する。
【0031】
転移学習部２２２は、予備学習済みモデルに対し、化学構造等に基づく記述子、材料設計パラメータおよびＭＤシミュレーション高分子物性と、推定対象の物性とを組とする教師データを用いて転移学習して学習済みモデルを生成する。この際、推定対象の物性の教師データは、中間物性の教師データと比して少数である。
【0032】
制御部２３は、学習装置２の動作を統括して制御する。
【0033】
記憶部２４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２４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２４１を有する。本実施の形態１では、予備学習に用いるデータセット、および転移学習に用いるデータセットを記憶する。
【0034】
記憶部２４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。
【0035】
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、学習装置２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（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。
【0036】
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。
【0037】
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、推定対象の高分子の構造および組成と、学習装置２から取得した学習済みモデルとを用いて、推定対象の高分子の物性（推定値）を含む推定結果を出力する。図３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。
【0038】
算出部３１は、入力装置５から取得した、推定対象の高分子の構造および組成から学習済みモデルの生成に使った化学構造等に基づく記述子とＭＤシミュレーション高分子物性群、材料設計パラメータを算出する。さらに、これらのデータと学習装置２から取得した、学習済みモデルとを用いて推定される目的物性の推定値を算出する。なお化学構造等に基づく記述子、ＭＤシミュレーション高分子物性群、材料設計パラメータは、学習用データ生成部２１と同じ処理で算出される。
【0039】
図４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。まず、化学構造等に基づく記述子、材料設計パラメータおよびＭＤシミュレーション高分子物性と、中間物性とを組とする教師データＩＰ１を用いて予備学習して予備学習済みモデル１００を生成する。その後、予備学習済みモデル１００に対し、化学構造等に基づく記述子、材料設計パラメータおよびＭＤシミュレーション高分子物性群と、推定対象の物性とを組とする教師データＩＰ２を用いて転移学習して学習済みモデル１１０を生成する。算出部３１は、この学習済みモデル１１０に推定対象の高分子の構造および組成を含む推定高分子データとして、推定対象の化学構造等に基づく記述子、材料設計パラメータおよびＭＤシミュレーション高分子物性群を含む推定高分子データＩＰ３を入力して、目的物性の推定物性値ＯＰを算出する。
【0040】
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、推定対象の高分子の情報（構造や、組成等）を表示装置４に表示させてもよい。
【0041】
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。
【0042】
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。
【0043】
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。
【0044】
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。
【0045】
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。
【0046】
［推定処理］
図５は、物性値推定システムが行う推定処理の概要を示すフローチャートである。図５に示す推定処理は、ドメイン知識によって、目的物性に対する中間物性が分かっていることを前提とするものである。ここで、中間物性は、目的変数との相関がある物性が選択される。例えば、中間物性は、目的物性との相関係数が高いものが選択される。
中間物性としては、例えば高分子溶液の密度や、溶液中における高分子の慣性半径、上記高分子の自己拡散係数などが考えられる。
図５は、物性値推定システムが行う推定処理の概要を示すフローチャートである。図５に示す推定処理は、ドメイン知識によって、目的物性に対する中間物性が分かっていることを前提とするものである。ここで、中間物性は、目的変数との相関がある物性が選択される。例えば、中間物性は、目的物性との相関係数が高いものが選択される。
中間物性としては、例えば高分子溶液の密度や、溶液中における高分子の慣性半径、上記高分子の自己拡散係数などが考えられる。
【0047】
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、推定対象とする高分子の物性（目的物性）、および中間物性である。
【0048】
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処理を実行する（ステップＳ２）。図６は、本発明の実施形態１に係る学習装置が行う学習処理を説明するためのフローチャートである。
【0049】
まず、学習用データ生成部２１は、ＭＤ法によってシミュレーションを行うための高分子物性群を算出する（ステップＳ１１）。学習用データ生成部２１は、高分子モノマー・溶媒ライブラリを参照して高分子凝集構造、結晶構造または高分子溶液構造を算出し、対応する力場パラメータを割り当てる。
【0050】
その後、学習用データ生成部２１は、ＭＤ法によるシミュレーションを行い、得られた高分子物性群からＭＤシミュレーション高分子物性データベース（ＤＢ）を構築する（ステップＳ１２）。
【0051】
また、学習用データ生成部２１は、学習用データとする高分子の化学構造等に基づく記述子を作成する（ステップＳ１３）。また、学習用データ生成部２１は、記憶部２４を参照して、学習用データとする高分子に関する材料設計パラメータを取得する。
なお、ステップＳ１１およびＳ１２と、ステップＳ１３とは、処理の実行順が逆であってもよいし、同時に処理を実行してもよい。
なお、ステップＳ１１およびＳ１２と、ステップＳ１３とは、処理の実行順が逆であってもよいし、同時に処理を実行してもよい。
【0052】
その後、学習用データ生成部２１は、中間物性に応じたマルチスケールシミュレーション（ＭＳ）法を選択する（ステップＳ１４）。ＭＳ法としては、例えば、粘弾性シミュレーション、相分離シミュレーション等が挙げられる。学習用データ生成部２１は、例えば、記憶部２４を参照して、中間物性に応じたＭＳ法を選択する。学習用データ生成部２１は、例えばドメイン知識に基づいてＭＳ法を選択する。
【0053】
学習用データ生成部２１は、選択されたＭＳ法を用いて中間物性を算出する（ステップＳ１５）。
その後、学習用データ生成部２１が、化学構造等に基づく記述子、材料設計パラメータおよびＭＤシミュレーション高分子物性と、物性とを組とする学習用データを、中間物性および目的物性にそれぞれについて生成する。ステップＳ１１～Ｓ１５によって予備学習済みモデル用の学習用データが生成される。
なお、このＭＳ法による中間物性は、外部装置によって算出された値を用いてもよい。
その後、学習用データ生成部２１が、化学構造等に基づく記述子、材料設計パラメータおよびＭＤシミュレーション高分子物性と、物性とを組とする学習用データを、中間物性および目的物性にそれぞれについて生成する。ステップＳ１１～Ｓ１５によって予備学習済みモデル用の学習用データが生成される。
なお、このＭＳ法による中間物性は、外部装置によって算出された値を用いてもよい。
【0054】
その後、予備学習部２２１が、化学構造等に基づく記述子、材料設計パラメータおよびＭＤシミュレーション高分子物性と、中間物性とを組とする学習用データを用いて学習することによって予備学習済みデータを生成する（ステップＳ１６）。
【0055】
そして、転移学習部２２２が、化学構造等に基づく記述子、材料設計パラメータおよびＭＤシミュレーション高分子物性と、目的物性とを組とする学習用データと、予備学習済みモデルとを用いて転移学習することによって学習済みデータを生成する（ステップＳ１７）。
【0056】
このようにして、中間物性をもとに生成された予備学習済みモデルを転移学習して学習済みモデルが生成される。
【0057】
図５に戻り、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（推定値）を算出する（ステップＳ３）。
【0058】
その後、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Ｓ４）。この際、表示装置４は、推定結果とともに、推定対象の高分子の情報等を表示する。
【0059】
【0060】
〔相分離マルチスケールシミュレーション〕
図７および図８を参照して、相分離マルチスケールシミュレーションについて説明する。例えば、非溶媒有機相分離（Nonsolvent Induced Phase Separation：ＮＩＰＳ）法によって高分子の孔径を制御するには、ナノメートル（ｎｍ）スケールからマイクロメートル（μｍ）スケール（メソスケール）に及ぶ相分離ドメインサイズと、分子スケールの化学描像との各スケールの物性を把握することが必要である。この際、例えば、図７の（ａ）に示す分子スケールにおいて、ＭＤ法（例えば粗視化ＭＤ法）によってある化学描像ＧMDにおける原子位置の変化を計算する。一方、図７の（ｂ）に示すメソスケールにおいては、高分子鎖１本づつを粒子の集合体として表現するのではなく、局所体積に含まれる粒子の密度を変数とみなし、その密度分布の時間変化をシミュレーションすることによって、相分離描像ＧPSを計算する。このメソスケールのモデルとしては、Phase－Fieldモデルや、動的自己無撞着場理論（Dynamic Self-Consistent Field Theory）、Theoretically Informed Coarse-Grainedモデル等がある。この際、分子スケールのシミュレーションによる動的挙動解析（例：拡散）、混合自由エネルギー、変形および応力の関係などに基づいて粗視化パラメータが算出され、この粗視化パラメータに基づいてメソスケールのシミュレーションを実行するような、各スケールのシミュレーションを連携させることによって、マルチスケールシミュレーションが行われる。
図７および図８を参照して、相分離マルチスケールシミュレーションについて説明する。例えば、非溶媒有機相分離（Nonsolvent Induced Phase Separation：ＮＩＰＳ）法によって高分子の孔径を制御するには、ナノメートル（ｎｍ）スケールからマイクロメートル（μｍ）スケール（メソスケール）に及ぶ相分離ドメインサイズと、分子スケールの化学描像との各スケールの物性を把握することが必要である。この際、例えば、図７の（ａ）に示す分子スケールにおいて、ＭＤ法（例えば粗視化ＭＤ法）によってある化学描像ＧMDにおける原子位置の変化を計算する。一方、図７の（ｂ）に示すメソスケールにおいては、高分子鎖１本づつを粒子の集合体として表現するのではなく、局所体積に含まれる粒子の密度を変数とみなし、その密度分布の時間変化をシミュレーションすることによって、相分離描像ＧPSを計算する。このメソスケールのモデルとしては、Phase－Fieldモデルや、動的自己無撞着場理論（Dynamic Self-Consistent Field Theory）、Theoretically Informed Coarse-Grainedモデル等がある。この際、分子スケールのシミュレーションによる動的挙動解析（例：拡散）、混合自由エネルギー、変形および応力の関係などに基づいて粗視化パラメータが算出され、この粗視化パラメータに基づいてメソスケールのシミュレーションを実行するような、各スケールのシミュレーションを連携させることによって、マルチスケールシミュレーションが行われる。
【0061】
連携の方法には様々な様式があるが、一例としては、全原子分子動力学法によって得られる混合自由エネルギーから濃度依存相互作用パラメータを、高分子および溶媒の拡散係数から各成分の濃度依存易動度を算出し、これらを相分離シミュレーションに適用し、濃度の時間発展を算出する（図８参照）。濃度の時間発展は、∇・｛濃度依存易動度×化学ポテンシャル勾配｝などによって表される。化学ポテンシャルは、濃度依存相互作用パラメータを含む自由エネルギーを汎関数微分することで求められる。すなわち、全原子分子動力学法から与えられるパラメータに基づいて化学ポテンシャルを計算することによって、相分離シミュレーションが実行される。なお、濃度依存相互作用パラメータと濃度依存易動度の算出には、公知の手法を採用することができ、例えば相互作用パラメータは非特許文献１（Ｔ．Ｔａｄｄｅｓｅ ｅｔ ａｌ．Ｊ．Ｃｈｅｍ． Ｐｈｙｓ．２０１９，１５０，１８４５０５.）、易動度は非特許文献２（Ｍ．Ｒ．Ｃｅｒｖｅｌｌｅｒｅ ｅｔ ａｌ．Ｊ．Ｍｅｍｂ．Ｓｃｉ．２０２１，６１９，１１８７７９.）に示される方法がある。
【0062】
〔粘弾性マルチスケールシミュレーション〕
粘弾性マルチスケールシミュレーションについて説明する。高分子は、粘性および弾性を併せ持つ粘弾性を有する。粘弾性の１つに緩和弾性率Ｇ（ｔ）があり、歪みγを固定し、応力の時間変化σ（ｔ）を測定することで、下式（１）から求められる。
Ｇ（ｔ）＝σ（ｔ）／γ ・・・（１）
例えば、高分子溶融体の場合、短時間スケールでは固体のような硬さを示すが、長時間スケールでは、ゴムのように柔らかくなり、最終的には液体のように流動する。粘弾性マルチスケールシミュレーションは、短時間（例：ナノ秒）スケールから長時間（例：ミリ秒）スケールで発現する種々の高分子の緩和挙動を再現するために、時間方向をメインにスケールを拡張するものである。
粘弾性マルチスケールシミュレーションについて説明する。高分子は、粘性および弾性を併せ持つ粘弾性を有する。粘弾性の１つに緩和弾性率Ｇ（ｔ）があり、歪みγを固定し、応力の時間変化σ（ｔ）を測定することで、下式（１）から求められる。
Ｇ（ｔ）＝σ（ｔ）／γ ・・・（１）
例えば、高分子溶融体の場合、短時間スケールでは固体のような硬さを示すが、長時間スケールでは、ゴムのように柔らかくなり、最終的には液体のように流動する。粘弾性マルチスケールシミュレーションは、短時間（例：ナノ秒）スケールから長時間（例：ミリ秒）スケールで発現する種々の高分子の緩和挙動を再現するために、時間方向をメインにスケールを拡張するものである。
【0063】
ここで、数桁にも及ぶ広い時間スケールでの緩和挙動をシミュレーションする手法として、例えば非特許文献３（Ａ．Ｆ．Ｂｅｈｂａｈａｎｉ ｅｔ ａｌ． Ｍａｃｒｏｍｏｌｅｃｕｌｅｓ ２０２1，５４，２７４０－２７６２）のように異なる時間スケールを持つシミュレーションを組合せる手法がある。非特許文献３の方法では、非常に短い時間の緩和には原子レベルのＭＤシミュレーション、非常に長時間の緩和には現象論モデルの一種であるＳｌｉｐ－Ｓｐｒｉｎｇシミュレーションを用い、その中間に当たる時間の緩和には粗視化ＭＤシミュレーションにより緩和弾性率Ｇ（ｔ）を算出する。ここで緩和弾性率Ｇ（ｔ）の算出には公知の方法を採用できるが、Ｇｒｅｅｎ－Ｋｕｂｏ式から算出する方法が好適に用いられる。原子モデルを粗視化粒子モデルに変換する方法は、公知の方法を採用できるが、例えば高分子の繰り返し単位を一つの粗視化粒子にまとめ、その粒子間の相互作用力場をＩＢＩ（Ｉｔｅｒａｔｉｖｅ Ｂｏｌｔｚｍａｎｎ ｉｎｖｅｒｓｉｏｎ）法やＦｏｒｃｅ－ｍａｔｃｈｉｎｇ法により構築する手法などを用いることができる。さらに、粗視化ＭＤシミュレーションにより、Ｓｌｉｐ－Ｓｐｒｉｎｇモデルのパラメータが算出される。
【0064】
ドメイン知識として目的物性に対する中間物性が分かっている場合、これらの例に示すように、マルチスケールシミュレーションの方法を選択することができる。例えば、目的物性に対する中間物性と、その算出方法とを、予め記憶部２４に記憶させておいてもよいし、中間物性とＭＳ法との対応関係のリストを表示装置４に表示させ、ユーザに選択させてもよい。
【0065】
以上説明した実施の形態１では、化学構造等に基づく記述子、材料設計パラメータおよびＭＤシミュレーション高分子物性と、ＭＳ法によって算出された中間物性とを組とする学習用データを用いて学習することによって予備学習済みデータを生成し、化学構造等に基づく記述子、材料設計パラメータおよびＭＤシミュレーション高分子物性と、目的物性とを組とする学習用データ、および予備学習済みデータを用いて転移学習することによって学習済みデータとするようにした。本実施の形態１によれば、学習済みモデルの生成において、ＭＤ法によるシミュレーションによって算出された高分子物性（ＭＤシミュレーション高分子物性）を説明変数とするとともに、ＭＳ法を用いて算出された中間物性を目的変数とし、学習用データを充実させたうえで予備学習用データおよび転移学習による学習済みデータが生成されるため、転移学習によって目的物性を高精度に推定する学習済みモデルを得ることができる。
【0066】
また、本実施の形態１では、一般的に目的物性となるマクロスケールの物性に、より近いスケールで中間物性を算出可能なＭＳ法を用いることで、目的物性の転移学習のための予備学習済みモデルの生成において、予測精度を確保するために十分かつ高精度な中間物性のデータを得ることができる。
【0067】
なお、本実施の形態１において、中間物性について、試験等によって予め測定された実測値を含むようにしてもよい。
【0068】
（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に係る物性値推定システムは、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。なお、本実施の形態２では、学習処理において、目的物性に対する最適な中間物性が不明であるものとして説明する。以下、実施の形態１とは異なる処理（学習処理）について説明する。
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に係る物性値推定システムは、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。なお、本実施の形態２では、学習処理において、目的物性に対する最適な中間物性が不明であるものとして説明する。以下、実施の形態１とは異なる処理（学習処理）について説明する。
【0069】
［学習処理］
図９は、本発明の実施形態２に係る学習装置が行う学習処理を説明するためのフローチャートである。本実施の形態２では、学習用データ生成部２１は、実施の形態１のステップＳ１１～Ｓ２３と同様に、高分子物性群を算出し、ＭＤシミュレーション高分子物性データベースを構築するとともに、学習用データとする高分子の化学構造等に基づく記述子を作成する（ステップＳ２１～Ｓ２３）。また、学習用データ生成部２１は、記憶部２４を参照して、学習用データとする高分子に関する材料設計パラメータを取得する。
図９は、本発明の実施形態２に係る学習装置が行う学習処理を説明するためのフローチャートである。本実施の形態２では、学習用データ生成部２１は、実施の形態１のステップＳ１１～Ｓ２３と同様に、高分子物性群を算出し、ＭＤシミュレーション高分子物性データベースを構築するとともに、学習用データとする高分子の化学構造等に基づく記述子を作成する（ステップＳ２１～Ｓ２３）。また、学習用データ生成部２１は、記憶部２４を参照して、学習用データとする高分子に関する材料設計パラメータを取得する。
【0070】
その後、制御部２３は、中間物性を選択する（ステップＳ２４）。制御部２３は、入力装置等によって入力された指示信号、または記憶部２４を参照して抽出した情報に基づいて、中間物性を選択する。この際、例えば、目的物性に対する中間物性を、予め記憶部２４に記憶させておいてもよいし、目的物性と中間物性との対応関係のリストを表示装置４に表示させ、ユーザに選択させてもよい。また、ＭＤシミュレーション高分子物性データベースと目的物性との相関係数を算出し、高い値を示す物性を中間物性に採用してもよい。
【0071】
学習用データ生成部２１は、選択した中間物性を取得する（ステップＳ２５）。学習用データ生成部２１は、ＭＤ法によって算出するか、または記憶部２４を参照してＭＤシミュレーション高分子物性データベースから中間物性を呼び出す。
【0072】
学習用データ生成部２１は、化学構造等に基づく記述子、材料設計パラメータおよびＭＤシミュレーション高分子物性と、物性とを組とする学習用データを、中間物性および目的物性にそれぞれについて生成する。ステップＳ２１～Ｓ２４によって学習用データが生成される。この際、ＭＤ法によって算出された物性のうち、中間物性は目的変数とし、中間物性以外の物性は説明変数として用いられる。
なお、このＭＤ法による中間物性は、外部装置によって算出された値、外部の公的・商用データベースの値、文献で報告されている値を用いてもよい。
なお、このＭＤ法による中間物性は、外部装置によって算出された値、外部の公的・商用データベースの値、文献で報告されている値を用いてもよい。
【0073】
その後、予備学習部２２１が、化学構造等に基づく記述子、材料設計パラメータおよびＭＤシミュレーション高分子物性と、中間物性とを組とする学習用データを用いて学習することによって予備学習済みデータを生成する（ステップＳ２６）。
【0074】
そして、転移学習部２２２が、化学構造等に基づく記述子、材料設計パラメータおよびＭＤシミュレーション高分子物性と、目的物性とを組とする学習用データと、予備学習済みモデルとを用いて転移学習することによって学習済みデータを生成する（ステップＳ２７）。
【0075】
このようにして、中間物性をもとに生成された予備学習済みモデルを転移学習して学習済みモデルが生成される。
【0076】
以上説明した実施の形態２では、化学構造等に基づく記述子、材料設計パラメータおよびＭＤシミュレーション高分子物性と、ＭＤ法によって算出された中間物性とを組とする学習用データを用いて学習した予備学習済みデータを用いて転移学習することによって学習済みデータを得るようにしたので、実施の形態１と同様に、転移学習によって目的物性を高精度に推定する学習済みモデルを得ることができる。
【0077】
（実施の形態３）
次に、本発明の実施の形態３について説明する。実施の形態３に係る物性値推定システムは、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。なお、本実施の形態３では、学習処理において、目的物性に対する最適な中間物性が不明であるものとして説明する。以下、実施の形態１、２とは異なる処理（学習処理）について説明する。
次に、本発明の実施の形態３について説明する。実施の形態３に係る物性値推定システムは、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。なお、本実施の形態３では、学習処理において、目的物性に対する最適な中間物性が不明であるものとして説明する。以下、実施の形態１、２とは異なる処理（学習処理）について説明する。
【0078】
［学習処理］
図１０は、本発明の実施形態３に係る学習装置が行う学習処理を説明するためのフローチャートである。本実施の形態３では、学習装置２は、実施の形態２のステップＳ２１～Ｓ２６と同様に、高分子物性群を算出し、ＭＤシミュレーション高分子物性データベースを構築するとともに、学習用データとする高分子の化学構造等に基づく記述子を作成し、中間物性を取得した後、予備学習済みモデルを生成する（ステップＳ３１～Ｓ３６）。
ここで、本実施の形態３では、目的物性に対する相関と、データ数との両方を満たす物性が、中間物性として選択される。また、本実施の形態３において、中間物性は、ＭＤ法によって算出される。
図１０は、本発明の実施形態３に係る学習装置が行う学習処理を説明するためのフローチャートである。本実施の形態３では、学習装置２は、実施の形態２のステップＳ２１～Ｓ２６と同様に、高分子物性群を算出し、ＭＤシミュレーション高分子物性データベースを構築するとともに、学習用データとする高分子の化学構造等に基づく記述子を作成し、中間物性を取得した後、予備学習済みモデルを生成する（ステップＳ３１～Ｓ３６）。
ここで、本実施の形態３では、目的物性に対する相関と、データ数との両方を満たす物性が、中間物性として選択される。また、本実施の形態３において、中間物性は、ＭＤ法によって算出される。
【0079】
その後、転移学習部２２２が、予備学習済みモデルを用いて転移学習することによって学習済みデータを生成する（ステップＳ３７～Ｓ４０）。
【0080】
具体的には、ステップＳ３７において、学習装置２が、ドメイン知識に基づく物性（ドメイン物性）に応じたＭＳ法を選択する。ここで選択されるドメイン物性は、中間物性よりもデータ数が少ないものの、該中間物性よりも目的物性との相関が高い物性である。
【0081】
そして、学習用データ生成部２１は、選択されたＭＳ法を用いてドメイン物性を算出する（ステップＳ３８）。
【0082】
そして、転移学習部２２２は、化学構造等に基づく記述子、材料設計パラメータおよびＭＤシミュレーション高分子物性と、目的物性とを組とする学習用データと、予備学習済みモデルとを用いて転移学習することによって学習済みデータを仮生成する（ステップＳ３９）。
【0083】
その後、転移学習部２２２は、仮生成した多層ニューラルネットワークにおけるベクトル列に、ＭＳ法によって算出された物性（ドメイン物性）を追加し、これを学習済みモデルとする（ステップＳ４０）。
【0084】
このようにして、中間物性をもとに生成された予備学習済みモデルを転移学習して学習済みモデルが生成される。
【0085】
以上説明した実施の形態３では、化学構造等に基づく記述子、材料設計パラメータおよびＭＤシミュレーション高分子物性と、ＭＤ法によって算出された中間物性とを組とする学習用データを用いて学習した予備学習済みデータを用いて転移学習することによって学習済みデータを得るようにしたので、実施の形態１と同様に、転移学習によって目的物性を高精度に推定する学習済みモデルを得ることができる。本実施の形態３によれば、特に、中間物性と目的物性との相関が低い場合に、予測精度を向上させるのに有効である。
【0086】
また、本実施の形態３によれば、ＭＤ法によって中間物性を算出し、ＭＳ法によりドメイン物性を算出しているが、実施の形態２においてＭＳ法を用いて中間物性を算出する場合と比して計算量が少なく、処理負荷を軽減することができる。
【0087】
（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。
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。
【0088】
また、実施の形態１、２では、学習済みモデルを生成するための入力データとして、材料設計パラメータを用いる例について説明したが、材料設計パラメータを用いずに、記述子および高分子物性群のみを入力データ（説明変数）としてもよい。
【0089】
また、実施の形態１、２において、学習用データに量子化学計算から求められる電子状態に依存する物性（分極率、双極子モーメント、静電ポテンシャルなど）や試験等によって予め測定された実測値を含んでもよい。
【0090】
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】
【0091】
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 学習用データ生成部
２２ 学習部
２３、３２ 制御部
２４、３３ 記憶部
３１ 算出部
２２１ 予備学習部
２２２ 転移学習部
２４１ データセット記憶部
３２１ 表示制御部
２ 学習装置
３ 推定装置
４ 表示装置
５ 入力装置
２１ 学習用データ生成部
２２ 学習部
２３、３２ 制御部
２４、３３ 記憶部
３１ 算出部
２２１ 予備学習部
２２２ 転移学習部
２４１ 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】