特開 2025-13029 物性予測装置、学習済みモデル、物性予測方法、及びプログラム

(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】P2025013029

(43)【公開日】2025-01-24

(54)【発明の名称】物性予測装置、学習済みモデル、物性予測方法、及びプログラム

(51)【国際特許分類】

   G16C 60/00 20190101AFI20250117BHJP

   G16C 20/30 20190101ALI20250117BHJP

   G16C 20/70 20190101ALI20250117BHJP

【ＦＩ】

G16C60/00

G16C20/30

G16C20/70

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2023116291

(22)【出願日】2023-07-14

(71)【出願人】

【識別番号】000000044

【氏名又は名称】ＡＧＣ株式会社

(74)【代理人】

【識別番号】110001634

【氏名又は名称】弁理士法人志賀国際特許事務所

(72)【発明者】

【氏名】藤岡 蔵

(57)【要約】

【課題】フッ素樹脂層付積層体の物性の予測精度を高めること。
【解決手段】予測対象のフッ素樹脂層付積層体である予測対象積層体の生成の条件に関する情報である基礎情報を取得する基礎情報取得部と、学習対象のフッ素樹脂層付積層体である学習対象積層体の基礎情報と、前記学習対象積層体の物性を示す情報である物性情報との関係が学習された学習済みモデルに基づいて、予測対象のフッ素樹脂層付積層体である予測対象積層体の基礎情報から前記予測対象積層体の物性情報を予測する予測部と、を備える物性予測装置。
【選択図】図２

【特許請求の範囲】

【請求項1】

予測対象のフッ素樹脂層付積層体である予測対象積層体の生成の条件に関する情報である基礎情報を取得する基礎情報取得部と、
学習対象のフッ素樹脂層付積層体である学習対象積層体の基礎情報と、前記学習対象積層体の物性を示す情報である物性情報との関係が学習された学習済みモデルに基づいて、予測対象のフッ素樹脂層付積層体である予測対象積層体の基礎情報から前記予測対象積層体の物性情報を予測する予測部と、
を備える物性予測装置。

【請求項2】

前記基礎情報は、前記フッ素樹脂層付積層体の生成に用いられる分散液に関する情報である分散液情報と、前記フッ素樹脂層付積層体の生成に用いられる基材に関する情報である基材情報と、を含む、
請求項１に記載の物性予測装置。

【請求項3】

前記分散液情報は、前記分散液に含まれるフッ素ポリマーに関する情報を含む、
請求項２に記載の物性予測装置。

【請求項4】

前記分散液に含まれるフッ素ポリマーは、テトラフルオロエチレン系ポリマーである、請求項２に記載の物性予測装置。

【請求項5】

前記物性情報は、前記予測対象積層体の誘電特性、剥離強度、表面粗度、色度、引張強伸度、ＣＴＥ、熱膨張率のいずれか一つを含む、請求項１に記載の物性予測装置。

【請求項6】

前記学習済みモデルは、回帰分析、クラス分類、または、回帰分析またはクラス分類を複数組み合わせたアンサンブル学習に基づいて学習された学習済みモデルである、
請求項１に記載の物性予測装置。

【請求項7】

前記学習済みモデルは、ガウス過程回帰に基づいて学習された学習済みモデルである、 請求項１に記載の物性予測装置。

【請求項8】

フッ素樹脂層付積層体である学習対象積層体の基礎情報と、前記学習対象積層体の物性を示す情報である物性情報との関係が学習された、
学習済みモデル。

【請求項9】

予測対象のフッ素樹脂層付積層体である予測対象積層体の生成の条件に関する情報である基礎情報を取得し、
学習対象のフッ素樹脂層付積層体である学習対象積層体の基礎情報と、前記学習対象積層体の物性を示す情報である物性情報との関係が学習された学習済みモデルに基づいて、予測対象のフッ素樹脂層付積層体である予測対象積層体の基礎情報から前記予測対象積層体の物性情報を予測する、
物性予測方法。

【請求項10】

コンピュータに、
予測対象のフッ素樹脂層付積層体である予測対象積層体の生成の条件に関する情報である基礎情報を取得させ、
学習対象のフッ素樹脂層付積層体である学習対象積層体の基礎情報と、前記学習対象積層体の物性を示す情報である物性情報との関係が学習された学習済みモデルに基づいて、予測対象のフッ素樹脂層付積層体である予測対象積層体の基礎情報から前記予測対象積層体の物性情報を予測させる、
ためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、物性予測装置、学習済みモデル、物性予測方法、及びプログラムに関する。

【背景技術】

【0002】

フッ素ポリマー分散液を基材にコーティングすることで得られるフッ素樹脂層付積層体の効率的探索のために機械学習を用いた物性予測が行われている（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２０２２－７９２６５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、フッ素樹脂層付積層体の物性の予測精度が高くないことがあった。そのため、フッ素樹脂層付積層体の物性の予測精度を高めることが求められている。

【0005】

本発明は上記の点に鑑みてなされたものであり、フッ素樹脂層付積層体の物性の予測精度を高めることができる物性予測装置、学習済みモデル、物性予測方法、及びプログラムを提供する。

【課題を解決するための手段】

【0006】

本発明は、上記課題を解決するために、以下の構成を備える。
［１］予測対象のフッ素樹脂層付積層体である予測対象積層体の生成の条件に関する情報である基礎情報を取得する基礎情報取得部と、学習対象のフッ素樹脂層付積層体である学習対象積層体の基礎情報と、前記学習対象積層体の物性を示す情報である物性情報との関係が学習された学習済みモデルに基づいて、予測対象のフッ素樹脂層付積層体である予測対象積層体の基礎情報から前記予測対象積層体の物性情報を予測する予測部と、を備える物性予測装置。

【0007】

［２］前記基礎情報は、前記フッ素樹脂層付積層体の生成に用いられる分散液に関する情報である分散液情報と、前記フッ素樹脂層付積層体の生成に用いられる基材に関する情報である基材情報と、を含む、［１］に記載の物性予測装置。

【0008】

［３］前記分散液情報は、前記分散液に含まれるフッ素ポリマーに関する情報を含む、［２］に記載の物性予測装置。

【0009】

［４］前記分散液に含まれるフッ素ポリマーは、テトラフルオロエチレン系ポリマーである、［２］に記載の物性予測装置。

【0010】

［５］前記物性情報は、前記予測対象積層体の誘電特性、剥離強度、表面粗度、色度、引張強伸度、ＣＴＥ、熱膨張率のいずれか一つを含む、［１］に記載の物性予測装置。
［６］前記学習済みモデルは、回帰分析、クラス分類、または、回帰分析またはクラス分類を複数組み合わせたアンサンブル学習に基づいて学習された学習済みモデルである、［１］に記載の物性予測装置。

【0011】

［７］前記学習済みモデルは、ガウス過程回帰に基づいて学習された学習済みモデルである、［１］に記載の物性予測装置。

【0012】

［８］フッ素樹脂層付積層体である学習対象積層体の基礎情報と、前記学習対象積層体の物性を示す情報である物性情報との関係が学習された、学習済みモデル。

【0013】

［９］予測対象のフッ素樹脂層付積層体である予測対象積層体の生成の条件に関する情報である基礎情報を取得し、学習対象のフッ素樹脂層付積層体である学習対象積層体の基礎情報と、前記学習対象積層体の物性を示す情報である物性情報との関係が学習された学習済みモデルに基づいて、予測対象のフッ素樹脂層付積層体である予測対象積層体の基礎情報から前記予測対象積層体の物性情報を予測する、物性予測方法。

【0014】

［１０］コンピュータに、予測対象のフッ素樹脂層付積層体である予測対象積層体の生成の条件に関する情報である基礎情報を取得させ、学習対象のフッ素樹脂層付積層体である学習対象積層体の基礎情報と、前記学習対象積層体の物性を示す情報である物性情報との関係が学習された学習済みモデルに基づいて、予測対象のフッ素樹脂層付積層体である予測対象積層体の基礎情報から前記予測対象積層体の物性情報を予測させる、ためのプログラム。

【発明の効果】

【0015】

本発明によれば、フッ素樹脂層付積層体の物性の予測精度を高めることができる。

【図面の簡単な説明】

【0016】

【図1】本発明の実施形態に係る物性予測システムの構成の一例を示す図である。

【図2】本発明の実施形態に係る物性予測装置の機能構成の一例を示す図である。

【図3】本発明の実施形態に係る学習処理の一例を示す図である。

【図4】本発明の実施形態に係る予測処理の一例を示す図である。

【発明を実施するための形態】

【0017】

（実施形態）
以下、図面を参照しながら本発明の実施形態について詳しく説明する。図１は、本実施形態に係る物性予測システム１の構成の一例を示す図である。物性予測システム１は、物性予測装置２と、入力装置３と、表示装置４と、データサーバ５とを備える。

【0018】

物性予測装置２は、フッ素ポリマー分散液を基材にコーティングすることで得られるフッ素樹脂層付積層体について、当該フッ素樹脂層付積層体の生成に用いられる分散液に関する情報（以下「分散液情報」という。）と基材に関する情報（以下「基材情報」という。）とを説明変数として用いて、機械学習に基づいてフッ素樹脂層付積層体の物性を予測する。物性予測装置２は、一例として、パーソナルコンピュータ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ：ＰＣ）等の情報処理装置である。

【0019】

入力装置３は、物性予測装置２に各種のデータを入力する。入力装置３は、例えば、キーボード、マウス、またはタッチパネルなどである。

【0020】

表示装置４は、物性予測装置２が処理に用いる各種のデータ、及び物性予測装置２による予測結果を表示する。表示装置４は、例えば、ディスプレイである。

【0021】

データサーバ５は、物性予測装置２が情報処理に用いる各種のデータを記憶する。データサーバ５は、物性予測装置２に当該各種のデータを供給する。各種のデータには、基礎物性情報データＡ１が含まれる。

【0022】

基礎物性情報データＡ１は、フッ素樹脂層付積層体の生成の条件に関する情報（以下「基礎情報」という。）と、基礎情報が示す条件の元で生成されたフッ素樹脂層付積層体の物性情報とが組にされたデータである。基礎情報は、例えば分散液情報及び基材情報を含む。

【0023】

分散液情報は、分散液に用いられるフッ素ポリマーに関する情報、使用される分散剤に関する情報、使用される分散媒に関する情報、等の情報の一部又は全てを含む。分散液に用いられるフッ素ポリマーに関する情報として、フッ素ポリマーの種別、フッ素ポリマーの粒径が含まれてもよい。フッ素ポリマーの種別の具体例として、テトラフルオロエチレン系ポリマーがある。テトラフルオロエチレン系ポリマーの種別の具体例として、ＰＴＦＥ（Poly Tetra Fluoro Etylene）、ＰＦＡ（Perfluoroalkoxy alkane）、ＦＥＰ（Fluorinated Ethylene Propylene）、ＥＴＦＥ（Ethylene Tetra Fluoro Ethylene）、などがある。

【0024】

より具体的には、国際公開第２０２２／０５０２５３号や国際公開第２０１９／２３０５６９号に記載されたテトラフルオロエチレン系ポリマー、特開２０２２－１４０５１７号公報に記載された含フッ素重合体、さらに具体的には国際公開第２０２１／０３９７３５号、国際公開第２０１６／０１７８０１号に記載されたＰＦＡが挙げられる。フッ素ポリマーの好適な態様は、前記文献と同様である。フッ素ポリマーとしてはＰＦＡが好ましく、酸素含有極性基を有することが好ましい。中でもカルボニル基含有基が好ましい。ただしＰＴＦＥ等他のフッ素ポリマーでも適宜使用可能である。

【0025】

前記フッ素ポリマーに関する情報として、粒子径、形状、融点、熱分解温度、含水率などがある。分散剤に関する情報として、分散剤成分、曇点、熱分解温度、表面張力、主鎖構造、側鎖構造、溶解度パラメータなどがある。分散媒に関する情報として、分散媒の種別を示す情報がある。分散媒の種別の具体例として、例えば水、有機溶媒がある。分散媒の種別を示す情報として、有機溶媒の種別を示す情報が用いられてもよい。分散媒としては、国際公開第２０２２／０５０２５３号に記載された液状分散媒が挙げられる。

【0026】

その他、フッ素ポリマー、分散剤、分散媒以外の成分を含む場合は、フッ素ポリマー以外の有機成分、無機フィラーの情報が用いられていてもよい。前記の有機成分の代表例としてはアクリル系ポリマー、芳香族系ポリマー、脂環式ポリマー、緩衝材などがあり、前記の有機成分の情報として有機成分を構成する組成種、組成比、粒径、融点、溶解度、ガラス転移温度、熱分解温度などが用いられても良い。前記の無機成分の代表例としてはシリカ、窒化ホウ素、酸化アルミニウム、窒化アルミニウム、チタン酸バリウム、窒化ケイ素などがあり、前記の無機成分の情報として粒径、形状、表面処理成分などが用いられても良い。フッ素ポリマー以外の有機成分、無機フィラーとしては、国際公開第２０２２／０５０２５３号に記載された他の樹脂や無機フィラーが挙げられる。また、無機フィラーとしては、特開２０２２－１４０５１７号公報に記載された無機質フィラーも挙げられる。

【0027】

分散液の具体例としては、国際公開第２０１６／０１７８０１号に記載された各実施例に記載された分散液が挙げられるがこれらに限られない。

【0028】

基材情報は、基材の種別に関する情報、基材の特性に関する情報、等の情報の一部又は全部を含む。基材の種別として、例えば耐熱樹脂、金属箔がある。耐熱樹脂の具体例として、ポリイミド、液晶ポリエステル、ＰＴＦＥ、ＰＥＥＫ（Poly Ether Ether Ketone）、ＰＰＳ（Poly Phenylene Sulfide）がある。ポリイミド基材としては国際公開２０２１／０３９７３５号に記載された芳香族ポリイミドが挙げられる。金属箔の具体例として、銅箔、銅合金箔、アルミニウム箔、アルミニウム合金箔、ＳＵＳ箔、チタン箔、チタン合金箔、ニッケル箔、ニッケル合金箔などがある。金属箔としては、国際公開２０１９／２３０５６９号に記載されたものが挙げられ、中でも銅箔が好ましい。基材の特性を示す情報の具体例として、基材の表面粗さ、基材の弾性率、基材のＣＴＥ（Coefficient of Thermal Expansion：線膨張係数）、膜厚、収縮率、ガラス転移温度、硬化度、伸度、粘弾性特性、絶縁破壊強度、表面処理成分、吸水率などがある。

【0029】

基礎情報は、分散液の調合に関する情報を含んでもよい。調合に関する情報は、例えば攪拌に用いられる装置および付帯部品に関する情報、攪拌温度、攪拌時間、攪拌速度、分散媒温度、攪拌位置、濾過径、濾過フィルター種などを含んでもよい。攪拌に用いられる装置の具体例として、ディスパー、ビーズミル、プラネタリミキサー、自転公転式ミキサーなどがある。基礎情報は、重合に関する情報を含んでもよい。重合に関する情報の具体例として、分散液が懸濁なのか乳化なのかを示す情報がある。

【0030】

基礎情報は、分散液を用いて基材をコーティングする際の条件に関する情報を含んでもよい。このような情報の具体例として、基材に対し分散液を塗工する際の条件に関する情報として濾過フィルター種、濾過フィルター径、給液速度、塗工ギャップ、コータ種など、塗工された基材を乾燥させる際の条件に関する情報として塗工搬送速度、乾燥温度、給気条件、排気条件、炉長など、塗工された基材を焼成する際の条件に関する情報として焼成搬送速度、炉長、張力、焼成温度、雰囲気などがある。

【0031】

物性情報は、フッ素樹脂層付積層体の誘電特性、剥離強度、表面粗度、色度、引張強伸度、ＣＴＥ、熱膨張率のいずれか一つ又は全部を含んでもよい。

【0032】

物性予測装置２とデータサーバ５とは、通信を行う。当該通信は、無線通信、または有線通信のいずれであってもよい。データサーバ５は、一例として、データベースである。

【0033】

［物性予測装置２の機能構成］
図２は、本実施形態に係る物性予測装置２の機能構成の一例を示す図である。物性予測装置２は、制御部２０と、記憶部２１とを含む。

【0034】

制御部２０は、例えばＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などを備えており、種々の演算や情報の授受を行う。制御部２０は、基礎物性情報データ取得部２００と、教師データ生成部２０１と、学習部２０２と、基礎情報取得部２０３と、予測部２０４と、出力部２０５とを備える。これらの機能部はそれぞれ、例えばＣＰＵがＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）から読み込んだプログラムをＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）に展開して、当該プログラムに従って処理を実行することにより実現される。当該ＲＯＭ、当該ＲＡＭは、記憶部２１に含まれる。

【0035】

基礎物性情報データ取得部２００は、基礎物性情報データＡ１を取得する。本実施形態では、基礎物性情報データ取得部２００は、データサーバ５から基礎物性情報データＡ１を取得する。

【0036】

教師データ生成部２０１は、基礎物性情報データＡ１から教師データＢ１を生成する。教師データ生成部２０１は、基礎物性情報データに含まれる情報に対していわゆる前処理を行うことによって、学習部２０２で用いられる教師データを生成する。教師データ生成部２０１は、例えば数値で表される基礎情報や物性情報に対して、対数変換やスケーリング等の処理を行ってもよい。教師データ生成部２０１がどのような情報に対してどのような前処理を行うかは予め定められていることが望ましい。ここで、本実施形態では、基礎物性情報データＡ１の数は、一例として、数千程度である。本実施形態において、数千程度とは、千以上万以下のいずれかの数である。なお、基礎物性情報データＡ１の数は、数千程度以下であってもよいし、数千程度以上であってもよい。

【0037】

教師データＢ１は、学習対象積層体についての基礎情報と、当該学習対象積層体についての物性情報とを含む。教師データＢ１では、当該基礎情報と当該物性情報とが対応づけられている。学習対象積層体とは、学習対象のフッ素樹脂層付積層体である。基礎情報（フッ素樹脂層付積層体の生成の条件に関する情報）は、機械学習における説明変数に相当する。物性情報は、機械学習における目的変数に相当する。

【0038】

ここで、学習対象のフッ素樹脂層付積層体は、フッ素ポリマー分散液を基材に対してコーティングすることで得られる。そのため、フッ素樹脂層付積層体に用いられる分散液及び基材に関する情報は、フッ素樹脂層付積層体の物性に対して少なからず影響を及ぼす。そのため、フッ素ポリマー分散液に関する情報（分散液情報）及び基材に関する情報（基材情報）は、フッ素樹脂層付積層体の物性情報に対して相関を有している。

【0039】

より具体的には以下の通りである。分散液情報のうち分散液に用いられるフッ素ポリマーに関する情報は積層体の物性情報に相関がある。その理由は、利用されるフッ素ポリマーが積層体の一部として作用するため、フッ素ポリマーの状態や特性が積層体の物性に影響を及ぼすためである。分散液情報のうち分散剤に関する情報は積層体の物性情報に相関がある。その理由は、利用される分散剤は、フッ素ポリマーがどのような状態で分散するかに影響を及ぼすためである。十分に分散していない状態の分散液が用いられると、積層体の物性に悪影響を及ぼす可能性がある。分散液情報のうち、分散媒に関する情報は積層体の物性情報に相関がある。その理由は、利用される分散媒は、フッ素ポリマーがどのような状態で分散するかに影響を及ぼすためである。十分に分散していない状態の分散液が用いられると、積層体の物性に悪影響を及ぼす可能性がある。

【0040】

基材情報のうち基材の種別に関する情報は積層体の物性情報に相関がある。その理由は、利用される基材が積層体の一部として作用するため、特に基材の種別が積層体の物性に影響を及ぼすためである。基材情報のうち基材の特性に関する情報は積層体の物性情報に相関がある。その理由は、利用される基材が積層体の一部として作用するため、特にその特性（例えば表面の特性等）が積層体の物性に影響を及ぼすためである。

【0041】

学習部２０２は、教師データＢ１を用いて機械学習を行うことによって学習済みモデルＣ１を生成する。ここで学習部２０２は、教師データＢ１に含まれる学習対象積層体についての基礎情報を説明変数として用いて、当該学習対象積層体についての物性情報は目的変数として用いて機械学習を行う。学習部２０２は、生成した学習済みモデルＣ１を記憶部２１に記憶させる。学習済みモデルＣ１は、学習対象積層体について、基礎情報と、物性情報との関係が学習されたモデルである。学習対象積層体とは、学習対象のフッ素樹脂層付積層体である。

【0042】

学習部２０２が行う機械学習は、例えば、回帰分析、クラス分類、または、アンサンブル学習である。当該アンサンブル学習は、例えば、回帰分析またはクラス分類を複数組み合わせたアンサンブル学習である。それらの場合、学習済みモデルＣ１は、回帰分析、クラス分類、または、回帰分析またはクラス分類を複数組み合わせたアンサンブル学習に基づいて学習された学習済みモデルである。

【0043】

また、別の一例として、学習部２０２が行う機械学習は、ガウス過程回帰に基づく機械学習であってもよい。その場合、学習済みモデルＣ１は、ガウス過程回帰に基づいて学習された学習済みモデルである。

【0044】

なお、学習部２０２が行う機械学習は、深層学習などのニューラルネットワークを用いた機械学習など他の種類の機械学習であってもよい。ただし、深層学習では、回帰分析、クラス分類、回帰分析またはクラス分類を複数組み合わせたアンサンブル学習、またはガウス過程回帰に基づく機械学習などの機械学習に比べて多くの数の教師データを必要とするため、本実施形態のように数千程度の教師データＢ１に対しては、上述した機械学習が用いられることが好ましい。

【0045】

基礎情報取得部２０３は、予測対象積層体について基礎情報Ｄ１を取得する。予測対象積層体とは、物性の予測対象のフッ素樹脂層付積層体である。本実施形態では、基礎情報取得部２０３は、入力装置３から基礎情報Ｄ１を取得する。ここで入力装置３から基礎情報Ｄ１を取得するとは、ユーザによって入力装置３から入力される基礎情報Ｄ１を取得することや、所定の情報処理装置や記録媒体から基礎情報を示すデータを取得することをいう。

【0046】

予測部２０４は、取得された基礎情報に対し、教師データ生成部２０１が行う前処理と同様の前処理を実行する。予測部２０４は、学習済みモデルＣ１に基づいて、前処理が実行された基礎情報データＤ１から予測対象積層体について物性情報Ｆ１を予測する。ここで予測部２０４が予測する物性情報Ｆ１の種類と、学習部２０２が機械学習に用いる教師データＢ１に含まれる物性情報の種類とは同じである。

【0047】

出力部２０５は、予測部２０４によって予測された物性情報Ｆ１を出力する。出力部２０５は、例えば、表示装置４に当該物性情報を表示させる。出力部２０５は、データサーバ５などの外部サーバ、または記憶部２１に当該物性情報を記憶させてもよい。

【0048】

記憶部２１は、各種の情報を記憶する。記憶部２１は、例えば、学習済みモデルＣ１を記憶する。なお、記憶部２１は、基礎物性情報データ取得部２００によって取得された基礎物性情報データＡ１、教師データ生成部２０１によって生成された教師データＢ１、基礎情報取得部２０３によって取得された基礎情報Ｄ１、及び予測部２０４によって前処理が実施された基礎情報Ｄ１をそれぞれ記憶する。記憶部２１は、磁気ハードディスク装置、または半導体記憶装置等の記憶装置を用いて構成される。

【0049】

物性予測装置２が行う処理には、学習処理と、予測処理とが含まれる。ここで図３、及び図４を参照し、学習処理と、予測処理とについてそれぞれ説明する。

【0050】

［学習処理］
図３は、本実施形態に係る学習処理の一例を示す図である。学習処理は、学習済みモデルＣ１を生成するための処理であり、制御部２０によって実行される。学習処理は、例えば、予測処理よりも前の時期に実行される。なお、予測処理が行われた予測対象積層体についての前処理済の基礎情報データＤ１と、物性情報Ｆ１とを組みにしたデータを新たな教師データとして用いて学習処理が行われてもよい。換言すれば、学習済みモデルＣ１は、物性情報Ｆ１の予測結果に基づいて更新されてもよい。

【0051】

ステップＳ１０：基礎物性情報データ取得部２００は、基礎物性情報データＡ１を取得する。

【0052】

ステップＳ２０：教師データ生成部２０１は、基礎物性情報データ取得部２００によって取得された基礎物性情報データＡ１から教師データＢ１を生成する。

【0053】

ステップＳ３０：学習部２０２は、教師データ生成部２０１によって生成された教師データＢ１を用いて機械学習を行う。

【0054】

ステップＳ４０：学習部２０２は、機械学習の結果、学習済みモデルＣ１を生成する。学習部２０２は、生成した学習済みモデルＣ１を記憶部２１に記憶させる。
以上で、制御部２０は、学習処理を終了する。

【0055】

［予測処理］
図４は、本実施形態に係る予測処理の一例を示す図である。予測処理は、予測対象積層体について物性情報Ｆ１を予測するための処理であり、制御部２０によって実行される。

【0056】

ステップＳ１１０：基礎情報取得部２０３は、予測対象積層体について基礎情報Ｄ１を取得する。

【0057】

ステップＳ１２０：予測部２０４は、基礎情報取得部２０３によって取得された基礎情報Ｄ１に対して所定の前処理を実行する。

【0058】

ステップＳ１３０：予測部２０４は、学習済みモデルＣ１に基づいて、前処理が実行された基礎情報データＤ１から予測対象積層体について物性情報Ｆ１を予測する。学習済みモデルＣ１は、前処理が実行された基礎情報データＤ１が入力されると、物性情報Ｆ１を出力する。予測部２０４は、学習済みモデルＣ１に前処理が実行された基礎情報データＤ１を入力して物性情報Ｆ１を出力させることによって、物性情報Ｆ１を予測する。

【0059】

ステップＳ１５０：出力部２０５は、予測部２０４によって予測された物性情報Ｆ１を出力する。
以上で、制御部２０は、予測処理を終了する。

【0060】

なお、本実施形態では、学習処理を行うための機能部が物性予測装置２に備えられる場合の一例について説明したが、これに限られない。学習処理を行うための機能部とは、基礎物性情報データ取得部２００、教師データ生成部２０１、及び学習部２０２である。学習処理を行うための機能部は、物性予測装置２の構成から省略されてもよい。その場合、学習済みモデルＣ１は、物性予測装置２とは別体の情報処理装置である学習モデル生成装置によって予め生成される。当該学習モデル生成装置は、例えば、ＰＣ、またはサーバなどである。物性予測装置２は、予め生成された学習済みモデルＣ１を当該学習モデル生成装置から取得して、予測処理において用いる。

【0061】

また、本実施形態では、基礎物性情報データＡ１がデータサーバ５に記憶される場合の一例について説明したが、これに限られない。基礎物性情報データＡ１は、物性予測装置２に備えられる記憶部２１に記憶されてもよい。その場合、物性予測システム１の構成からデータサーバ５は省略されてもよい。

【0062】

また、本実施形態では、物性予測装置２がＰＣである場合の一例について説明したが、これに限られない。物性予測装置２は、１以上のサーバから構成されてもよい。当該１以上のサーバは、クラウドサーバとしてインターネット上に構築されてもよい。物性予測装置２は、１以上のサーバから構成される場合、制御部２０が備える各機能部、及び記憶部２１は、当該１以上のサーバに分散されて備えられる。

【0063】

以上に説明したように、本実施形態に係る物性予測装置２は、予測部２０４を備える。
予測部２０４は、学習対象の積層体である学習対象積層体について、基礎情報と、当該積層体の物性を示す情報である物性情報との関係が学習された学習済みモデルＣ１に基づいて、基礎情報取得部２０３によって取得された基礎情報Ｄ１から予測対象積層体について物性情報Ｆ１を予測する。
この構成により、本実施形態に係る物性予測装置２は、フッ素樹脂層付積層体について、基礎情報Ｄ１から物性情報Ｆ１を学習済みモデルＣ１に基づいて予測できるため、フッ素樹脂層付積層体の物性の予測精度を高めることができる。

【0064】

また、本実施形態に係る物性予測装置２では、学習済みモデルＣ１は、回帰分析、クラス分類、または、回帰分析またはクラス分類を複数組み合わせたアンサンブル学習に基づいて学習された学習済みモデルであってもよい。
この構成により、本実施形態に係る物性予測装置２では、回帰分析、クラス分類、または、回帰分析またはクラス分類を複数組み合わせたアンサンブル学習では、深層学習などに比べて少ないデータ数しか必要としないため、深層学習などに比べて少ないデータ数で学習を行ってもフッ素樹脂層付積層体の物性の予測精度を高めることができる。

【0065】

また、本実施形態に係る物性予測装置２では、学習済みモデルＣ１は、ガウス過程回帰に基づいて学習された学習済みモデルであってもよい。
この構成により、本実施形態に係る物性予測装置２では、ガウス過程回帰では深層学習などに比べて少ないデータ数しか必要としないため、深層学習などに比べて少ないデータ数で学習を行ってもフッ素樹脂層付積層体の物性の予測精度を高めることができる。

【0066】

また、本実施形態に係る物性予測装置２では、物性情報には、誘電特性、剥離強度、表面粗度、色度、引張強伸度、ＣＴＥ、熱膨張率のいずれか１以上が含まれてもよい。
この構成により、本実施形態に係る物性予測装置２では、フッ素樹脂層付積層体について、誘電特性、剥離強度、表面粗度、色度、引張強伸度、ＣＴＥ、熱膨張率のいずれか１以上を学習済みモデルＣ１に基づいて予測できるため、誘電特性、剥離強度、表面粗度、色度、引張強伸度、ＣＴＥ、熱膨張率のいずれか１以上の予測精度を高めることができる。

【0067】

なお、上述した実施形態における物性予測装置２の一部、例えば、基礎物性情報データ取得部２００、教師データ生成部２０１、学習部２０２、基礎情報取得部２０３、予測部２０４、及び出力部２０５をコンピュータで実現するようにしてもよい。その場合、この制御機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、物性予測装置２に内蔵されたコンピュータシステムであって、オペレーティングシステム（Ｏｐｅｒａｔｉｎｇ ｓｙｓｔｅｍ：ＯＳ）や周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ－Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
また、上述した実施形態における物性予測装置２の一部、または全部を、ＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）等の集積回路として実現してもよい。物性予測装置２の各機能ブロックは個別にプロセッサ化してもよいし、一部、または全部を集積してプロセッサ化してもよい。また、集積回路化の手法はＬＳＩに限らず専用回路、または汎用プロセッサで実現してもよい。また、半導体技術の進歩によりＬＳＩに代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いてもよい。

【0068】

以上、図面を参照してこの発明の一実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、この発明の要旨を逸脱しない範囲内において様々な設計変更等が可能である。

【符号の説明】

【0069】

２…物性予測装置、２０４…予測部、Ｃ１…学習済みモデル、Ｆ１…物性情報

【図1】

【図2】

【図3】

【図4】