知財求人 - 知財ポータルサイト「IP Force」
特開2025-141184実験支援システム、実験支援方法、および実験支援プログラム
(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】P2025141184
(43)【公開日】2025-09-29
(54)【発明の名称】実験支援システム、実験支援方法、および実験支援プログラム
(51)【国際特許分類】
G16C 20/30 20190101AFI20250919BHJP
【ＦＩ】
G16C20/30
【審査請求】未請求
【請求項の数】6
【出願形態】ＯＬ
(21)【出願番号】P 2024040995
(22)【出願日】2024-03-15
(71)【出願人】
【識別番号】000004455
【氏名又は名称】株式会社レゾナック
(74)【代理人】
【識別番号】100088155
【弁理士】
【氏名又は名称】長谷川 芳樹
(74)【代理人】
【識別番号】100128381
【弁理士】
【氏名又は名称】清水 義憲
(74)【代理人】
【識別番号】100169454
【弁理士】
【氏名又は名称】平野 裕之
(74)【代理人】
【識別番号】100144440
【弁理士】
【氏名又は名称】保坂 一之
(72)【発明者】
【氏名】永井 裕希
(57)【要約】 （修正有）
【課題】組成物を効率的に探索する実験支援システム並びに実験支援方法及びプログラムを提供する。
【解決手段】実験支援システムは、目的組成物を生成するための条件を示すパラメータセットと、該パラメータセットに基づく実験によって得られた該目的組成物の特性値との関係を信頼区間と共に示す計算モデルを、パラメータセットと特性値との１以上のペアを含むサンプルデータでの該ペアの個数を増やしながら、該サンプルデータを用いた回帰分析によって繰り返し更新し、計算モデルが更新される度に、該更新された計算モデルに基づいて新たなパラメータセットを決定し、新たなパラメータセットに基づく実験によって目的組成物の新たな特性値が得られなかった場合に、該新たなパラメータセットに対応する信頼区間に基づいて仮の特性値を設定し、該新たなパラメータセットと該仮の特性値との新たなペアを更に含むサンプルデータを用いて計算モデルを更新する。
【選択図】図３
【解決手段】実験支援システムは、目的組成物を生成するための条件を示すパラメータセットと、該パラメータセットに基づく実験によって得られた該目的組成物の特性値との関係を信頼区間と共に示す計算モデルを、パラメータセットと特性値との１以上のペアを含むサンプルデータでの該ペアの個数を増やしながら、該サンプルデータを用いた回帰分析によって繰り返し更新し、計算モデルが更新される度に、該更新された計算モデルに基づいて新たなパラメータセットを決定し、新たなパラメータセットに基づく実験によって目的組成物の新たな特性値が得られなかった場合に、該新たなパラメータセットに対応する信頼区間に基づいて仮の特性値を設定し、該新たなパラメータセットと該仮の特性値との新たなペアを更に含むサンプルデータを用いて計算モデルを更新する。
【選択図】図３
【特許請求の範囲】
【請求項1】
少なくとも一つのプロセッサを備え、
前記少なくとも一つのプロセッサが、
目的組成物を生成するための条件を示す１以上のパラメータの集合であるパラメータセットと、該パラメータセットに基づく実験によって得られた該目的組成物の特性値との関係を信頼区間と共に示す計算モデルを、前記パラメータセットと前記特性値との１以上のペアを含むサンプルデータでの該ペアの個数を増やしながら、該サンプルデータを用いた回帰分析によって繰り返し更新し、
前記計算モデルが更新される度に、該更新された計算モデルに基づいて新たなパラメータセットを決定し、
前記新たなパラメータセットに基づく前記実験によって前記目的組成物の新たな特性値が得られなかった場合に、該新たなパラメータセットに対応する前記信頼区間に基づいて仮の特性値を設定し、該新たなパラメータセットと該仮の特性値との新たなペアを更に含む前記サンプルデータを用いて前記計算モデルを更新する、
実験支援システム。
前記少なくとも一つのプロセッサが、
目的組成物を生成するための条件を示す１以上のパラメータの集合であるパラメータセットと、該パラメータセットに基づく実験によって得られた該目的組成物の特性値との関係を信頼区間と共に示す計算モデルを、前記パラメータセットと前記特性値との１以上のペアを含むサンプルデータでの該ペアの個数を増やしながら、該サンプルデータを用いた回帰分析によって繰り返し更新し、
前記計算モデルが更新される度に、該更新された計算モデルに基づいて新たなパラメータセットを決定し、
前記新たなパラメータセットに基づく前記実験によって前記目的組成物の新たな特性値が得られなかった場合に、該新たなパラメータセットに対応する前記信頼区間に基づいて仮の特性値を設定し、該新たなパラメータセットと該仮の特性値との新たなペアを更に含む前記サンプルデータを用いて前記計算モデルを更新する、
実験支援システム。
【請求項2】
前記少なくとも一つのプロセッサが、前記計算モデルの前記更新において、
前記実験によって得られた前記特性値を含む１以上のペアを実験サンプルグループとして前記サンプルデータから特定し、
前記実験サンプルグループを用いた前記回帰分析によって前記計算モデルを仮に更新し、
前記実験によって前記特性値が得られなかった１以上のパラメータセットのそれぞれについて、前記仮に更新された計算モデルにおいて該パラメータセットに対応する前記信頼区間に基づいて前記仮の特性値を設定し、該パラメータセットと該仮の特性値とのペアを生成し、
前記実験サンプルグループと、前記生成された１以上のペアにより構成される非実験サンプルグループとによって構成される前記サンプルデータを用いた前記回帰分析によって、前記計算モデルを更新する、
請求項１に記載の実験支援システム。
前記実験によって得られた前記特性値を含む１以上のペアを実験サンプルグループとして前記サンプルデータから特定し、
前記実験サンプルグループを用いた前記回帰分析によって前記計算モデルを仮に更新し、
前記実験によって前記特性値が得られなかった１以上のパラメータセットのそれぞれについて、前記仮に更新された計算モデルにおいて該パラメータセットに対応する前記信頼区間に基づいて前記仮の特性値を設定し、該パラメータセットと該仮の特性値とのペアを生成し、
前記実験サンプルグループと、前記生成された１以上のペアにより構成される非実験サンプルグループとによって構成される前記サンプルデータを用いた前記回帰分析によって、前記計算モデルを更新する、
請求項１に記載の実験支援システム。
【請求項3】
前記少なくとも一つのプロセッサが、
前記更新された計算モデルに基づく最適化手法によって前記新たなパラメータセットを決定し、
前記新たなパラメータセットに基づいて前記新たな特性値が得られなかった場合に、前記新たなパラメータセットに対応する前記信頼区間と、前記最適化手法の目標値とに基づいて、前記仮の特性値を設定する、
請求項１または２に記載の実験支援システム。
前記更新された計算モデルに基づく最適化手法によって前記新たなパラメータセットを決定し、
前記新たなパラメータセットに基づいて前記新たな特性値が得られなかった場合に、前記新たなパラメータセットに対応する前記信頼区間と、前記最適化手法の目標値とに基づいて、前記仮の特性値を設定する、
請求項１または２に記載の実験支援システム。
【請求項4】
前記少なくとも一つのプロセッサが、前記新たなパラメータセットに対応する前記信頼区間において、前記目標値に対応する限界値から最も離れた値を、前記仮の特性値として設定する、
請求項３に記載の実験支援システム。
請求項３に記載の実験支援システム。
【請求項5】
少なくとも一つのプロセッサを備える実験支援システムによって実行される実験支援方法であって、
目的組成物を生成するための条件を示す１以上のパラメータの集合であるパラメータセットと、該パラメータセットに基づく実験によって得られた該目的組成物の特性値との関係を信頼区間と共に示す計算モデルを、前記パラメータセットと前記特性値との１以上のペアを含むサンプルデータでの該ペアの個数を増やしながら、該サンプルデータを用いた回帰分析によって繰り返し更新するステップと、
前記計算モデルが更新される度に、該更新された計算モデルに基づいて新たなパラメータセットを決定するステップと、
前記新たなパラメータセットに基づく前記実験によって前記目的組成物の新たな特性値が得られなかった場合に、該新たなパラメータセットに対応する前記信頼区間に基づいて仮の特性値を設定し、該新たなパラメータセットと該仮の特性値との新たなペアを更に含む前記サンプルデータを用いて前記計算モデルを更新するステップと、
を含む実験支援方法。
目的組成物を生成するための条件を示す１以上のパラメータの集合であるパラメータセットと、該パラメータセットに基づく実験によって得られた該目的組成物の特性値との関係を信頼区間と共に示す計算モデルを、前記パラメータセットと前記特性値との１以上のペアを含むサンプルデータでの該ペアの個数を増やしながら、該サンプルデータを用いた回帰分析によって繰り返し更新するステップと、
前記計算モデルが更新される度に、該更新された計算モデルに基づいて新たなパラメータセットを決定するステップと、
前記新たなパラメータセットに基づく前記実験によって前記目的組成物の新たな特性値が得られなかった場合に、該新たなパラメータセットに対応する前記信頼区間に基づいて仮の特性値を設定し、該新たなパラメータセットと該仮の特性値との新たなペアを更に含む前記サンプルデータを用いて前記計算モデルを更新するステップと、
を含む実験支援方法。
【請求項6】
目的組成物を生成するための条件を示す１以上のパラメータの集合であるパラメータセットと、該パラメータセットに基づく実験によって得られた該目的組成物の特性値との関係を信頼区間と共に示す計算モデルを、前記パラメータセットと前記特性値との１以上のペアを含むサンプルデータでの該ペアの個数を増やしながら、該サンプルデータを用いた回帰分析によって繰り返し更新するステップと、
前記計算モデルが更新される度に、該更新された計算モデルに基づいて新たなパラメータセットを決定するステップと、
前記新たなパラメータセットに基づく前記実験によって前記目的組成物の新たな特性値が得られなかった場合に、該新たなパラメータセットに対応する前記信頼区間に基づいて仮の特性値を設定し、該新たなパラメータセットと該仮の特性値との新たなペアを更に含む前記サンプルデータを用いて前記計算モデルを更新するステップと、
をコンピュータに実行させる実験支援プログラム。
前記計算モデルが更新される度に、該更新された計算モデルに基づいて新たなパラメータセットを決定するステップと、
前記新たなパラメータセットに基づく前記実験によって前記目的組成物の新たな特性値が得られなかった場合に、該新たなパラメータセットに対応する前記信頼区間に基づいて仮の特性値を設定し、該新たなパラメータセットと該仮の特性値との新たなペアを更に含む前記サンプルデータを用いて前記計算モデルを更新するステップと、
をコンピュータに実行させる実験支援プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示の一側面は、実験支援システム、実験支援方法、および実験支援プログラムに関する。
【背景技術】
【0002】
組成物に関する実験を支援するためのコンピュータシステムが知られている。例えば特許文献１には、１以上のモノクローナル抗体（ｍＡｂ）に関連する実験データおよび計算導出データに基づいて複数の候補予測モデルを決定することと、複数の候補予測モデルから最適な予測モデルを決定することとを含む方法を実施するように構成された計算デバイスと、予測モデルの出力を表示するように構成されたユーザデバイスとを備えるシステムが記載されている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特表２０２３－５４８３６４号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
組成物を生成するための条件を示すパラメータと該組成物の特性値との関係を示す計算モデルを更新しながら実験を繰り返す場合に、パラメータによっては実際には特性値が得られないことがある。このような状況が発生した場合にも組成物を効率的に探索するための仕組みが望まれている。
【課題を解決するための手段】
【0005】
本開示の一側面に係る実験支援システムは、少なくとも一つのプロセッサを備え、少なくとも一つのプロセッサが、目的組成物を生成するための条件を示す１以上のパラメータの集合であるパラメータセットと、該パラメータセットに基づく実験によって得られた該目的組成物の特性値との関係を信頼区間と共に示す計算モデルを、パラメータセットと特性値との１以上のペアを含むサンプルデータでの該ペアの個数を増やしながら、該サンプルデータを用いた回帰分析によって繰り返し更新し、計算モデルが更新される度に、該更新された計算モデルに基づいて新たなパラメータセットを決定し、新たなパラメータセットに基づく実験によって目的組成物の新たな特性値が得られなかった場合に、該新たなパラメータセットに対応する信頼区間に基づいて仮の特性値を設定し、該新たなパラメータセットと該仮の特性値との新たなペアを更に含むサンプルデータを用いて計算モデルを更新する。
【0006】
回帰分析によって得られる計算モデルではパラメータセットと特性値との関係が数学的に示される。しかし、実際には、パラメータセットに基づいて実験を行っても特性値を得られない場合があり得る。上記の側面においては、計算モデルの信頼区間を用いて仮の特性値を設定してサンプルデータを増やした上で計算モデルを更新することで、実験のための新たなパラメータセットを決定できる。その結果、組成物を効率的に探索できる。
【発明の効果】
【0007】
本開示の一側面によれば、組成物を効率的に探索できる。
【図面の簡単な説明】
【0008】
【図1】実験支援システムの機能構成の例を示す図である。
【図2】実験支援システムによる処理の例を示すフローチャートである。
【図3】計算モデルの更新に関する第１の例を示すフローチャートである。
【図4】計算モデルの更新に関する第２の例を示すフローチャートである。
【図5】第１の例における計算モデルの更新の一場面を示す図である。
【図6】第２の例における計算モデルの更新の一場面を示す図である。
【発明を実施するための形態】
【0009】
以下、添付図面を参照しながら本開示での様々な例を詳細に説明する。図面の説明において同一または同等の要素には同一の符号を付し、重複する説明を省略する。
【0010】
［システムの構成］
本開示に係る実験支援システムは、目的組成物を生成するための実験を支援するコンピュータシステムである。本開示において、目的組成物とは、実験者が所望の組成物を得るために生成を試みる組成物をいう。最終的には或る目的組成物が所望の組成物として採用され得る。実験支援システムは実験を支援するためにパラメータセットを決定する。パラメータセットとは、目的組成物を生成するための条件を示す１以上のパラメータの集合をいう。個々のパラメータは、組成物を生成するための原料の属性を示してもよいし、実験で行われるプロセスの条件を示してもよい。実験支援システムは、実験者が望むかもしれない目的組成物の生成が期待されるパラメータセットを自動で生成および提供する。このパラメータセットを用いることで、組成物を効率的に探索できると期待される。
本開示に係る実験支援システムは、目的組成物を生成するための実験を支援するコンピュータシステムである。本開示において、目的組成物とは、実験者が所望の組成物を得るために生成を試みる組成物をいう。最終的には或る目的組成物が所望の組成物として採用され得る。実験支援システムは実験を支援するためにパラメータセットを決定する。パラメータセットとは、目的組成物を生成するための条件を示す１以上のパラメータの集合をいう。個々のパラメータは、組成物を生成するための原料の属性を示してもよいし、実験で行われるプロセスの条件を示してもよい。実験支援システムは、実験者が望むかもしれない目的組成物の生成が期待されるパラメータセットを自動で生成および提供する。このパラメータセットを用いることで、組成物を効率的に探索できると期待される。
【0011】
典型的には、パラメータセットに基づく実験によって、目的組成物が生成され、該目的組成物の特性を示す特性値が得られる。特性値は目的組成物の化学的または物理的な性質を示す値である。しかし、或るパラメータセットに基づく実験では、目的組成物を生成できなかったり、特性値を測定できなかったりする等の理由によって、目的組成物の特性値が得られないかもしれない。
【0012】
実験支援システムは、パラメータセットおよび特性値の１以上のペアを含むサンプルデータに基づいて、新たなパラメータセットを生成する。実験支援システムはそのサンプルデータを用いた回帰分析を実行して、パラメータセットと特性値との関係を示す計算モデルを生成し、その計算モデルに基づいて新たなパラメータセットを生成する。新たなパラメータセットとは、計算モデルを生成するために用いられた複数のペアのいずれによっても示されていないパラメータセットをいう。回帰分析とは入力と出力との関係を求める処理をいう。回帰分析によって得られる計算モデルは、パラメータセットと特定値との関係を推定する役割を担う。一例では、計算モデルは、入力値であるパラメータセットと出力値である特性値との関係を示す関数と、その関係がどれくらい確からしいかを示す信頼区間とを含む。すなわち、計算モデルはパラメータセットと特性値との関係を信頼区間と共に示す。
【0013】
実験者はその新たなパラメータセットに基づく実験を行う。この実験によって新たな特性値が得られた場合には、新たなパラメータセットと新たな特性値との新たなペアがサンプルデータに追加される。すなわち、サンプルデータはその新たなペアを更に含むように更新される。実験支援システムは更新されたサンプルデータに基づいて計算モデルを更新し、その更新された計算モデルに基づいて次の新たなパラメータセットを生成する。実験支援システムは、新たなペアの取得と、計算モデルの更新と、新たなパラメータセットの生成とを繰り返す。
【0014】
上記のとおり、実験が繰り返される間に、或るパラメータセットに基づく実験において特性値が得られない可能性がある。この場合には、実験支援システムはそのパラメータセットに対応する仮の特性値を設定する。そして、実験支援システムは、そのパラメータセットと仮の特性値との新たなペアが追加されたサンプルデータに基づいて、計算モデルを更新する。実験支援システムはその更新された計算モデルに基づいて次の新たなパラメータセットを生成する。実際の特性値が得られなかった場合にも、実験システムは計算モデルを更新して新たなパラメータセットを提供するので、実験者はその新たなパラメータセットに基づく実験を行うことができる。
【0015】
このように、実験者は実験支援システムを用いることで、実際の特性値が得られたか否かにかかわらず、実験を繰り返すことができる。したがって、組成物を効率的に探索することが可能になる。
【0016】
実験支援システムは１以上のコンピュータで構成される。複数のコンピュータが用いられる場合には、これらのコンピュータが例えばインターネット、イントラネット等の通信ネットワークを介して接続されることで、論理的に一つの実験支援システムが構築される。
【0017】
実験支援システムを構成するコンピュータは、一般にハードウェア装置としてプロセッサ、メモリ、および通信インタフェースを備える。プロセッサは例えばＣＰＵであり、メモリはフラッシュメモリ、ハードディスク等で構成される。実験支援システムの各機能は、プロセッサが、メモリに格納されているプログラムを実行することで実現される。コンピュータは、キーボード、マウス等の入力装置と、モニタ、スピーカ等の出力装置とを更に備え得る。
【0018】
コンピュータを実験支援システムとして機能させるための実験支援プログラムは、実験支援システムの各機能モジュールを実現するためのプログラムコードを含む。この実験支援プログラムは、例えばＣＤ―ＲＯＭ、ＤＶＤ―ＲＯＭ、または半導体メモリの有形の記録媒体に非一時的に記録された上で提供されてもよい。あるいは、実験支援プログラムは、搬送波に重畳されたデータ信号として通信ネットワークを介して提供されてもよい。提供された実験支援プログラムは例えばメモリに記録される。
【0019】
図１は一例に係る実験支援システム１０の機能構成を示す図である。この例では、実験支援システム１０は、インターネット、イントラネット等の通信ネットワークを介してユーザ端末２０と接続する。
【0020】
実験支援システム１０はプロセッサ１０１およびメモリ１０２を備える。一例では、プロセッサ１０１は、取得部１１、更新部１２、決定部１３、および選択部１４として機能する。取得部１１は一実験分の実験データを取得する機能モジュールである。取得部１１はその実験データをメモリ１０２に格納する。更新部１２はメモリ１０２に記憶されているサンプルデータを用いた回帰分析によって計算モデルを更新する機能モジュールである。更新部１２はその計算モデルをメモリ１０２に格納する。決定部１３は更新された計算モデルに基づいて新たなパラメータセットを決定する機能モジュールである。決定部１３は新たなパラメータセットをメモリ１０２内のサンプルデータに追加し、該新たなパラメータセットをユーザに提示する。選択部１４は、サンプルデータのうち最適な特性値に対応するパラメータセットを、最適解としてユーザに提示する機能モジュールである。
【0021】
ユーザ端末２０は実験支援システム１０のユーザ（例えば実験者）によって用いられるコンピュータである。ユーザ端末２０は、パーソナルコンピュータ、ワークステーション、タブレット端末、スマートフォン、ウェアラブル端末等の様々なコンピュータであり得る。
【0022】
［システムの動作］
図２を参照しながら、実験支援システム１０による処理の例を説明するとともに、本開示に係る実験支援方法の例を説明する。図２はその例を処理フローＳ１として示すフローチャートである。処理フローＳ１は、メモリ１０２が、一回以上の実験によって得られた１以上の実際の特性値を含む実験データと、該実験データに基づくサンプルデータと、該サンプルデータを用いた回帰分析によって生成された現在の計算モデルとを記憶していることを前提とする。
図２を参照しながら、実験支援システム１０による処理の例を説明するとともに、本開示に係る実験支援方法の例を説明する。図２はその例を処理フローＳ１として示すフローチャートである。処理フローＳ１は、メモリ１０２が、一回以上の実験によって得られた１以上の実際の特性値を含む実験データと、該実験データに基づくサンプルデータと、該サンプルデータを用いた回帰分析によって生成された現在の計算モデルとを記憶していることを前提とする。
【0023】
ステップＳ１１では、取得部１１が一実験分の実験データを取得する。ユーザはユーザ端末２０を操作して、新たなパラメータセットに基づく実験の結果を実験データとして入力する。実験データは新たなパラメータセットを少なくとも含み、該パラメータセットに基づく実験によって得られた目的組成物の新たな特性値と、その実験によって新たな特性値が得られなかったことを示すフラグ情報とのうちのいずれか一方を更に含む。ユーザ端末２０は実験データを実験支援システム１０に送信し、取得部１１はその実験データを受信してもよい。あるいは、ユーザ端末２０は実験データを所定の記憶装置に格納して実験支援システム１０に通知し、取得部１１はその通知に応答して記憶装置からその実験データを読み出してもよい。いずれにしても、取得部１１は一実験分の実験データをメモリ１０２に格納する。
【0024】
ステップＳ１２では、更新部１２がその実験データと既存のサンプルデータとを用いて計算モデルを更新する。図３および図４を参照しながら、この更新の詳細についていくつかの例を示す。図３は計算モデルの更新に関する第１の例をステップＳ１２Ａとして示すフローチャートである。図４はその更新に関する第２の例をステップＳ１２Ｂとして示すフローチャートである。ステップＳ１２Ａ，Ｓ１２ＢはいずれもステップＳ１２の一例である。
【0025】
第１の例を説明する。ステップＳ１２０１では、更新部１２が、実験データが新たな特性値を含むか否かを判定する。すなわち、更新部１２は実験によって目的組成物の新たな特性値が実際に得られたか否かを判定する。実験データが新たな特性値を含む場合には（ステップＳ１２０１においてＹＥＳ）、処理はステップＳ１２０２に進む。
【0026】
ステップＳ１２０２では、更新部１２が実験データに基づいて、新たなパラメータセットおよび新たな特性値の新たなペアをメモリ１０２内のサンプルデータに追加する。この処理によってサンプルデータが更新される。
【0027】
一方、実験データが新たな特性値を含まない場合、すなわち実験データがフラグ情報を含む場合には（ステップＳ１２０１においてＮＯ）、処理はステップＳ１２０３に進む。
【0028】
ステップＳ１２０３では、更新部１２が現在の計算モデルに基づいて仮の特性値を設定する。更新部１２は、新たなパラメータセットに対応する信頼区間を現在の計算モデルから特定し、その信頼区間に基づいて仮の特性値を設定する。
【0029】
ステップＳ１２０４では、更新部１２が新たなパラメータセットと仮の特性値との新たなペアを、メモリ１０２内のサンプルデータに追加する。この処理によってサンプルデータが更新される。
【0030】
ステップＳ１２０２またはステップＳ１２０４の後に処理はステップＳ１２０５に進む。ステップＳ１２０５では、更新部１２が、更新されたサンプルデータを用いた回帰分析によって計算モデルを更新する。ステップＳ１２０４においてサンプルデータが更新された場合には、更新部１２は、新たなパラメータセットと仮の特性値との新たなペアを更に含むサンプルデータを用いて計算モデルを更新する。更新部１２はガウス過程回帰、カーネル密度推定、または深層ニューラルネットワークを回帰分析のアルゴリズムとして用いて、パラメータセットと特性値との関係を示す関数を含む計算モデルを生成し得る。深層ニューラルネットワークによって生成される学習済みモデルは、関数の一例である。ガウス過程回帰、カーネル密度推定、および深層ニューラルネットワークのいずれを用いた場合にも、更新部１２は信頼区間を含む計算モデルを生成し得る。例えば、更新部１２は生成された関数についての分散に基づいて信頼区間を算出または設定する。
【0031】
次に第２の例を説明する。ステップＳ１２１１では、更新部１２が、実験データが新たな特性値を含むか否かを判定する。この処理はステップＳ１２０１と同じである。実験データが新たな特性値を含む場合には（ステップＳ１２１１においてＹＥＳ）、処理はステップＳ１２１２に進む。実験データが新たな特性値を含まない場合、すなわち実験データがフラグ情報を含む場合には（ステップＳ１２１１においてＮＯ）、処理はステップＳ１２１２をスキップしてステップＳ１２１３に進む。
【0032】
ステップＳ１２１２では、更新部１２が実験データに基づいて、新たなパラメータセットおよび新たな特性値の新たなペアをメモリ１０２内のサンプルデータに追加する。この処理はステップＳ１２０２と同じである。
【0033】
ステップＳ１２１３では、更新部１２が、実験によって実際の特性値が得られなかったパラメータセットが存在するか否かを判定する。実際の特性値が得られなかったパラメータセットは、メモリ１０２に格納されており仮の特性値に対応する１以上のパラメータセットかもしれないし、ステップＳ１１においてフラグ情報と共に取得されたパラメータセットかもしれない。
【0034】
実際の特性値が得られなかったパラメータセットが存在する場合には（ステップＳ１２１３においてＹＥＳ）、処理はステップＳ１２１４に進む。そのようなパラメータセットが存在しない場合には（ステップＳ１２１３においてＮＯ）、処理はステップＳ１２１４～Ｓ１２１６をスキップしてステップＳ１２１７に進む。
【0035】
ステップＳ１２１４では、更新部１２が、実際の特性値を含む１以上のペアを実験サンプルグループとしてメモリ１０２内のサンプルデータから特定する。すなわち、実験サンプルグループは、目的組成物が生成されて該目的組成物の特性値が実際に得られた１以上の実験に対応する。
【0036】
ステップＳ１２１５では、更新部１２が、仮の特性値を含む１以上のペアを用いることなく、実験サンプルグループを用いた回帰分析によって計算モデルを仮に更新する。ステップＳ１２０５と同様に、この処理においても、回帰分析のために様々なアルゴリズムが用いられ得る。ここでの回帰分析では仮の特性値が用いられないので、仮に更新された計算モデルでは、１以上の仮の特性値に対応する１以上のパラメータセットのそれぞれでは信頼区間が再び設定される。
【0037】
ステップＳ１２１６では、更新部１２が、仮に更新された計算モデルに基づいて仮の特性値を設定して、非実験サンプルグループを設定する。更新部１２は、実際の特性値が得られなかった１以上のパラメータセットのそれぞれについて次のように仮の特性値を設定する。すなわち、更新部１２は、仮に更新された計算モデルにおいてパラメータセットに対応する信頼区間に基づいて仮の特性値を設定する。サンプルデータの一部として仮の特性値に関連付けられていたパラメータセットについては、その設定によって仮の特性値が更新され得る。フラグ情報と共に取得されたパラメータセットについては、仮の特性値が初めて設定される。更新部１２はパラメータセットと設定された仮の特性値とのペアを生成する。更新部１２は、生成された１以上のペアを非実験サンプルグループとして設定する。非実験サンプルグループは、目的組成物の特性値が得られなかった１以上の実験に対応する。
【0038】
更新部１２は、特定された実験サンプルグループと設定された非実験サンプルグループとの集合を最新のサンプルデータとして特定する。この処理によってサンプルデータが更新される。
【0039】
ステップＳ１２１７では、更新部１２が、更新されたサンプルデータ（すなわち、実験サンプルグループおよび非実験サンプルグループ）を用いた回帰分析によって計算モデルを更新する。この処理も、新たなパラメータセットと仮の特性値との新たなペアを更に含むサンプルデータを用いた計算モデルの更新の一例である。更新部１２はステップＳ１２１５で用いられたアルゴリズムによる回帰分析を実行する。
【0040】
図２に戻って、ステップＳ１３では、決定部１３が、更新された計算モデルに基づいて新たなパラメータセットを決定する。一例では、決定部１３はその計算モデルに基づく最適化手法によって新たなパラメータセットを決定する。決定部１３は、計算モデルに基づいて予測される特性値が、計算モデルを生成するために使用された特性値、すなわち、更新されたサンプルデータによって示される複数の特性値よりも、最適化手法の目標値に近い値となるように、新たなパラメータセットを生成してもよい。目標値は、最適化手法によって扱われる最適化問題での最適値をいう。目標値の例として、最小化問題における最小値と、最大化問題における最大値とが挙げられる。あるいは、決定部１３は、パラメータセットと特性値との関係の少なくとも一部において信頼区間が減少するように、新たなパラメータセットを生成してもよい。
【0041】
一例では、実験支援システムは計算モデルの更新と新たなパラメータセットの生成とを（すなわちステップＳ１２，Ｓ１３を）ベイズ最適化によって実行する。この場合、更新部１２はガウス過程回帰を用いて、パラメータセットと特性値との関係を示す関数を推定し、その関数の信頼区間を算出する。決定部１３はそのガウス過程回帰の結果に基づく所与の獲得関数を計算し、その獲得関数が最大になるパラメータセットを新たなパラメータセットとして生成する。
【0042】
ステップＳ１４では、決定部１３が新たなパラメータセットをユーザに提示する。一例では、決定部１３はそのパラメータセットをユーザ端末２０に送信する。ユーザ端末２０はそのパラメータセットを受信および表示する。
【0043】
ステップＳ１５に示すように、実験データの取得から新たなパラメータセットの提示までの一連の処理は繰り返し実行され得る。処理が繰り返される場合には（ステップＳ１５においてＮＯ）、実験者は新たなパラメータセットに基づいて実験を行う。実験者はこの実験の結果として、新たな特性値を特定するか、または特性値が得られなかったことを確認する。繰り返されるステップＳ１１では、取得部１１がその実験に関する新たな実験データを取得する。繰り返されるステップＳ１２では、更新部１２がその実験データと既存のサンプルデータとを用いて計算モデルを再び更新する。繰り返されるステップＳ１３では、決定部１３が更新された計算モデルに基づいて次の新たなパラメータセットを決定する。ステップＳ１４では、決定部１３がそのパラメータセットをユーザに提示する。このように、実験支援システム１０は、パラメータセットと特性値との１以上のペアを含むサンプルデータでの該ペアの個数を増やしながら、該サンプルデータを用いた回帰分析によって計算モデルを繰り返し更新する。実験支援システム１０は、計算モデルが更新される度に、該更新された計算モデルに基づいて新たなパラメータセットを決定する。
【0044】
一連の実験が終わることを受けて新たなパラメータセットの提示を終了する場合には（ステップＳ１５においてＹＥＳ）、処理はステップＳ１６に進む。ステップＳ１６では、選択部１４が最適解をユーザに提示する。例えば、選択部１４はメモリ１０２内のサンプルデータを参照して、最適化問題の目標値に一致するかまたは該目標値に最も近い実際の特性値を特定し、この特性値に対応するパラメータセットをそのサンプルデータから選択する。選択部１４はそのパラメータセットを最適解としてユーザに提示する。選択部１４は選択されたパラメータセットと対応する特性値とのペアを最適解としてユーザに提示してもよい。一例では、決定部１３は最適解をユーザ端末２０に送信する。ユーザ端末２０はその最適解を受信および表示する。実験者またはユーザはその最適解を参照して、追加の実験、検証、製品の設計または開発等のような後続の作業を行うことができる。
【0045】
図５および図６を参照しながら、計算モデルの更新について更に説明する。図５は第１の例における計算モデルの更新の一場面を示す図である。図６は第２の例における計算モデルの更新の一場面を示す図である。図５および図６のいずれにおいても、回帰分析がガウス過程回帰であり、最適化手法がベイズ最適化であることを前提とする。
【0046】
図５は計算モデル２００の更新を三つの状態ＳＴ１１，ＳＴ１２，ＳＴ１３によって示す。計算モデル２００は、パラメータセットｘおよび特性値ｙの関係を示す関数ｆと、信頼区間と、獲得関数とを含む。図５は、その関数ｆ、信頼区間、および獲得関数をそれぞれ、曲線２１０、領域２２０、および曲線２３０で表す。
【0047】
更新部１２は、パラメータセットと特性値との４個のペア２０１～２０４によって構成されるサンプルデータを用いたガウス過程回帰によって計算モデル２００を更新する（ステップＳ１２０５）。状態ＳＴ１１はその計算モデル２００を示す。決定部１３は、獲得関数が最大になる新たなパラメータセットｘｎｅｗを生成する（ステップＳ１３）。
【0048】
パラメータセットｘｎｅｗに基づく実験により新たな特性値が得られなかったとする（ステップＳ１２０１においてＮＯ）。この場合には、更新部１２はパラメータセットｘｎｅｗに対応する信頼区間２２１に基づいて仮の特性値を設定する（ステップＳ１２０３）。状態ＳＴ１２はその設定を示す。更新部１２は信頼区間２２１とベイズ最適化の目標値とに基づいて仮の特性値を設定してもよい。この例では、目標値は最小化問題における最小値であるとする。更新部１２は信頼区間２２１での最小値２４０から最も離れた値を仮の特性値として設定し、パラメータセットｘｎｅｗと該仮の特性値との新たなペア２０５をサンプルデータに追加する（ステップＳ１２０４）。最小値２４０は、最小化問題における目標値に対応する限界値（下限値）である。このような仮の特性値の設定は、パラメータセットｘｎｅｗが最小化問題の解決、すなわち目標値の探索に寄与しなかったことを受けての処理であると言える。
【0049】
更新部１２は、５個のペア２０１～２０５によって構成されるサンプルデータを用いたガウス過程回帰によって計算モデル２００を更新する（ステップＳ１２０５）。状態ＳＴ１３はその計算モデル２００を示す。決定部１３は獲得関数が最大になる次の新たなパラメータセットｘｎｅｗ２を生成する（ステップＳ１３）。
【0050】
図６は計算モデル３００の更新を四つの状態ＳＴ２１，ＳＴ２２，ＳＴ２３，ＳＴ２４によって示す。計算モデル３００は、パラメータセットｘおよび特性値ｙの関係を示す関数ｆと、信頼区間と、獲得関数とを含む。図６は、その関数ｆ、信頼区間、および獲得関数をそれぞれ、曲線３１０、領域３２０、および曲線３３０で表す。
【0051】
更新部１２は、パラメータセットと特性値との５個のペア３０１～３０５によって構成されるサンプルデータを用いたガウス過程回帰によって計算モデル３００を更新する（Ｓ１２１７）。ペア３０１～３０４は実際の特性値を含み、ペア３０５はパラメータセットｘｔｍｐと仮の特性値とを含むとする。状態ＳＴ２１はその計算モデル３００を示す。決定部１３は、獲得関数が最大になる新たなパラメータセットｘｎｅｗを生成する（ステップＳ１３）。
【0052】
パラメータセットｘｎｅｗに基づく実験により新たな特性値が得られたとする（ステップＳ１２１１においてＹＥＳ）。この場合には、更新部１２はパラメータセットｘｎｅｗと新たな特性値との新たなペア３０６をサンプルデータに追加する（ステップＳ１２１２）。実験によって実際の特性値が得られなかったパラメータセットＸｔｍｐが存在するので（ステップＳ１２１３においてＹＥＳ）、更新部１２はペア３０１～３０４，３０６を実験サンプルグループとして特定する（ステップＳ１２１４）。更新部１２は、ペア３０５を用いることなく、実験サンプルグループを用いた回帰分析によって計算モデルを仮に更新する（ステップＳ１２１５）。状態ＳＴ２２は、仮に更新された計算モデル３００を示す。更新部１２はパラメータセットｘｔｍｐに対応する信頼区間３２１に基づいて仮の特性値を設定する（ステップＳ１２１６）。この例では、目標値は最小化問題における最小値であるとする。更新部１２は信頼区間３２１での最小値３４０から最も離れた値を仮の特性値として設定する。最小値３４０は、最小化問題における目標値に対応する限界値（下限値）である。状態ＳＴ２３はその設定を示す。このような仮の特性値の設定は、パラメータセットｘｔｍｐが最小化問題の解決、すなわち目標値の探索に寄与しなかったことを受けての処理であると言える。更新部１２はパラメータセットｘｔｍｐと設定された仮の特性値とのペア３０５´を非実験サンプルグループとして設定する（ステップＳ１２１６）。ペア３０５´は、更新されたペア３０５であると言える。更新部１２は特定された実験サンプルグループと設定された被実験サンプルグループとの集合を最新のサンプルデータとして特定する。
【0053】
更新部１２は、６個のペア３０１～３０４，３０５´，３０６によって構成されるサンプルデータを用いたガウス過程回帰によって計算モデル３００を更新する（ステップＳ１２１７）。状態ＳＴ２４はその計算モデル３００を示す。決定部１３は獲得関数が最大になる次の新たなパラメータセットｘｎｅｗ２を生成する（ステップＳ１３）。
【0054】
［変形例］
以上、本開示に係る技術をその様々な例に基づいて詳細に説明した。しかし、本開示は上記の例に限定されるものではない。本開示に係る技術については、その要旨を逸脱しない範囲で様々な変形が可能である。
以上、本開示に係る技術をその様々な例に基づいて詳細に説明した。しかし、本開示は上記の例に限定されるものではない。本開示に係る技術については、その要旨を逸脱しない範囲で様々な変形が可能である。
【0055】
本開示に係る実験支援システムは選択部を備えなくてもよい。すなわち、実験支援システムとは異なるコンピュータシステムが最適解をユーザに提示してもよい。
【0056】
上記の例では、実験支援システムはクライアント－サーバシステムにおけるサーバとして構築される。別の例として、実験支援システムはスタンドアロンのコンピュータに実装されてもよい。あるいは、実験支援システムは、実験データ、サンプルデータ、または計算モデルを記憶する所定のデータベースに通信ネットワークを介してアクセス可能なユーザ端末に実装されてもよい。
【0057】
少なくとも一つのプロセッサにより実行される方法の処理手順は上記の例に限定されない。例えば、上述したステップの一部が省略されてもよいし、別の順序で各ステップが実行されてもよい。また、上述したステップのうちの任意の２以上のステップが組み合わされてもよいし、ステップの一部が修正または削除されてもよい。あるいは、上記の各ステップに加えて他のステップが実行されてもよい。
【0058】
本開示における二つの数値の大小関係の比較では、「以上」および「よりも大きい」という二つの基準のどちらが用いられてもよく、「以下」および「未満」の二つの基準のうちのどちらが用いられてもよい。
【0059】
本開示において、「少なくとも一つのプロセッサが、第１の処理を実行し、第２の処理を実行し、…第ｎの処理を実行する。」との表現、またはこれに対応する表現は、第１の処理から第ｎの処理までのｎ個の処理の実行主体、すなわちプロセッサ、が途中で変わる場合を含む概念を示す。すなわち、この表現は、ｎ個の処理のすべてが同じプロセッサで実行される場合と、ｎ個の処理においてプロセッサが任意の方針で変わる場合との双方を含む概念を示す。
【0060】
［付記］
上記の様々な例から把握されるとおり、本開示は以下に示す態様を含む。
（付記１）
少なくとも一つのプロセッサを備え、
前記少なくとも一つのプロセッサが、
目的組成物を生成するための条件を示す１以上のパラメータの集合であるパラメータセットと、該パラメータセットに基づく実験によって得られた該目的組成物の特性値との関係を信頼区間と共に示す計算モデルを、前記パラメータセットと前記特性値との１以上のペアを含むサンプルデータでの該ペアの個数を増やしながら、該サンプルデータを用いた回帰分析によって繰り返し更新し、
前記計算モデルが更新される度に、該更新された計算モデルに基づいて新たなパラメータセットを決定し、
前記新たなパラメータセットに基づく前記実験によって前記目的組成物の新たな特性値が得られなかった場合に、該新たなパラメータセットに対応する前記信頼区間に基づいて仮の特性値を設定し、該新たなパラメータセットと該仮の特性値との新たなペアを更に含む前記サンプルデータを用いて前記計算モデルを更新する、
実験支援システム。
（付記２）
前記少なくとも一つのプロセッサが、前記計算モデルの前記更新において、
前記実験によって得られた前記特性値を含む１以上のペアを実験サンプルグループとして前記サンプルデータから特定し、
前記実験サンプルグループを用いた前記回帰分析によって前記計算モデルを仮に更新し、
前記実験によって前記特性値が得られなかった１以上のパラメータセットのそれぞれについて、前記仮に更新された計算モデルにおいて該パラメータセットに対応する前記信頼区間に基づいて前記仮の特性値を設定し、該パラメータセットと該仮の特性値とのペアを生成し、
前記実験サンプルグループと、前記生成された１以上のペアにより構成される非実験サンプルグループとによって構成される前記サンプルデータを用いた前記回帰分析によって、前記計算モデルを更新する、
付記１に記載の実験支援システム。
（付記３）
前記少なくとも一つのプロセッサが、
前記更新された計算モデルに基づく最適化手法によって前記新たなパラメータセットを決定し、
前記新たなパラメータセットに基づいて前記新たな特性値が得られなかった場合に、前記新たなパラメータセットに対応する前記信頼区間と、前記最適化手法の目標値とに基づいて、前記仮の特性値を設定する、
付記１または２に記載の実験支援システム。
（付記４）
前記少なくとも一つのプロセッサが、前記新たなパラメータセットに対応する前記信頼区間において、前記目標値に対応する限界値から最も離れた値を、前記仮の特性値として設定する、
付記３に記載の実験支援システム。
（付記５）
少なくとも一つのプロセッサを備える実験支援システムによって実行される実験支援方法であって、
目的組成物を生成するための条件を示す１以上のパラメータの集合であるパラメータセットと、該パラメータセットに基づく実験によって得られた該目的組成物の特性値との関係を信頼区間と共に示す計算モデルを、前記パラメータセットと前記特性値との１以上のペアを含むサンプルデータでの該ペアの個数を増やしながら、該サンプルデータを用いた回帰分析によって繰り返し更新するステップと、
前記計算モデルが更新される度に、該更新された計算モデルに基づいて新たなパラメータセットを決定するステップと、
前記新たなパラメータセットに基づく前記実験によって前記目的組成物の新たな特性値が得られなかった場合に、該新たなパラメータセットに対応する前記信頼区間に基づいて仮の特性値を設定し、該新たなパラメータセットと該仮の特性値との新たなペアを更に含む前記サンプルデータを用いて前記計算モデルを更新するステップと、
を含む実験支援方法。
（付記６）
目的組成物を生成するための条件を示す１以上のパラメータの集合であるパラメータセットと、該パラメータセットに基づく実験によって得られた該目的組成物の特性値との関係を信頼区間と共に示す計算モデルを、前記パラメータセットと前記特性値との１以上のペアを含むサンプルデータでの該ペアの個数を増やしながら、該サンプルデータを用いた回帰分析によって繰り返し更新するステップと、
前記計算モデルが更新される度に、該更新された計算モデルに基づいて新たなパラメータセットを決定するステップと、
前記新たなパラメータセットに基づく前記実験によって前記目的組成物の新たな特性値が得られなかった場合に、該新たなパラメータセットに対応する前記信頼区間に基づいて仮の特性値を設定し、該新たなパラメータセットと該仮の特性値との新たなペアを更に含む前記サンプルデータを用いて前記計算モデルを更新するステップと、
をコンピュータに実行させる実験支援プログラム。
上記の様々な例から把握されるとおり、本開示は以下に示す態様を含む。
（付記１）
少なくとも一つのプロセッサを備え、
前記少なくとも一つのプロセッサが、
目的組成物を生成するための条件を示す１以上のパラメータの集合であるパラメータセットと、該パラメータセットに基づく実験によって得られた該目的組成物の特性値との関係を信頼区間と共に示す計算モデルを、前記パラメータセットと前記特性値との１以上のペアを含むサンプルデータでの該ペアの個数を増やしながら、該サンプルデータを用いた回帰分析によって繰り返し更新し、
前記計算モデルが更新される度に、該更新された計算モデルに基づいて新たなパラメータセットを決定し、
前記新たなパラメータセットに基づく前記実験によって前記目的組成物の新たな特性値が得られなかった場合に、該新たなパラメータセットに対応する前記信頼区間に基づいて仮の特性値を設定し、該新たなパラメータセットと該仮の特性値との新たなペアを更に含む前記サンプルデータを用いて前記計算モデルを更新する、
実験支援システム。
（付記２）
前記少なくとも一つのプロセッサが、前記計算モデルの前記更新において、
前記実験によって得られた前記特性値を含む１以上のペアを実験サンプルグループとして前記サンプルデータから特定し、
前記実験サンプルグループを用いた前記回帰分析によって前記計算モデルを仮に更新し、
前記実験によって前記特性値が得られなかった１以上のパラメータセットのそれぞれについて、前記仮に更新された計算モデルにおいて該パラメータセットに対応する前記信頼区間に基づいて前記仮の特性値を設定し、該パラメータセットと該仮の特性値とのペアを生成し、
前記実験サンプルグループと、前記生成された１以上のペアにより構成される非実験サンプルグループとによって構成される前記サンプルデータを用いた前記回帰分析によって、前記計算モデルを更新する、
付記１に記載の実験支援システム。
（付記３）
前記少なくとも一つのプロセッサが、
前記更新された計算モデルに基づく最適化手法によって前記新たなパラメータセットを決定し、
前記新たなパラメータセットに基づいて前記新たな特性値が得られなかった場合に、前記新たなパラメータセットに対応する前記信頼区間と、前記最適化手法の目標値とに基づいて、前記仮の特性値を設定する、
付記１または２に記載の実験支援システム。
（付記４）
前記少なくとも一つのプロセッサが、前記新たなパラメータセットに対応する前記信頼区間において、前記目標値に対応する限界値から最も離れた値を、前記仮の特性値として設定する、
付記３に記載の実験支援システム。
（付記５）
少なくとも一つのプロセッサを備える実験支援システムによって実行される実験支援方法であって、
目的組成物を生成するための条件を示す１以上のパラメータの集合であるパラメータセットと、該パラメータセットに基づく実験によって得られた該目的組成物の特性値との関係を信頼区間と共に示す計算モデルを、前記パラメータセットと前記特性値との１以上のペアを含むサンプルデータでの該ペアの個数を増やしながら、該サンプルデータを用いた回帰分析によって繰り返し更新するステップと、
前記計算モデルが更新される度に、該更新された計算モデルに基づいて新たなパラメータセットを決定するステップと、
前記新たなパラメータセットに基づく前記実験によって前記目的組成物の新たな特性値が得られなかった場合に、該新たなパラメータセットに対応する前記信頼区間に基づいて仮の特性値を設定し、該新たなパラメータセットと該仮の特性値との新たなペアを更に含む前記サンプルデータを用いて前記計算モデルを更新するステップと、
を含む実験支援方法。
（付記６）
目的組成物を生成するための条件を示す１以上のパラメータの集合であるパラメータセットと、該パラメータセットに基づく実験によって得られた該目的組成物の特性値との関係を信頼区間と共に示す計算モデルを、前記パラメータセットと前記特性値との１以上のペアを含むサンプルデータでの該ペアの個数を増やしながら、該サンプルデータを用いた回帰分析によって繰り返し更新するステップと、
前記計算モデルが更新される度に、該更新された計算モデルに基づいて新たなパラメータセットを決定するステップと、
前記新たなパラメータセットに基づく前記実験によって前記目的組成物の新たな特性値が得られなかった場合に、該新たなパラメータセットに対応する前記信頼区間に基づいて仮の特性値を設定し、該新たなパラメータセットと該仮の特性値との新たなペアを更に含む前記サンプルデータを用いて前記計算モデルを更新するステップと、
をコンピュータに実行させる実験支援プログラム。
【0061】
回帰分析によって得られる計算モデルではパラメータセットと特性値との関係が数学的に示される。しかし、実際には、パラメータセットに基づいて実験を行っても特性値を得られない場合があり得る。付記１，５，６においては、計算モデルの信頼区間を用いて仮の特性値を設定してサンプルデータを増やした上で計算モデルを更新することで、実験のための新たなパラメータセットを決定できる。その結果、組成物を効率的に探索できる。例えば、目的組成物を得るための実験の回数、時間、またはコストを節約できる。加えて、仮の特性値を導入してサンプルデータを増やした上で回帰分析を実行することで、計算モデルの精度の向上も期待できる。
【0062】
付記２によれば、仮の特性値を用いずに更新された計算モデルの信頼区間は、実験に基づく計算結果であるので、仮の特性値も用いて計算モデルを更新した場合よりも尤度が高いと言える。したがって、その信頼区間を用いることで仮の特性値をより尤もらしく再設定できる。そして、再設定された仮の特性値を含むサンプルデータを用いて計算モデルを更新することで、より精度の高い計算モデルを得ることが可能になる。その結果、目的組成物の探索をより効率的に進めることができる。
【0063】
付記３によれば、信頼区間に加えて最適化手法の目標値も考慮して仮の特性値を設定することで、最適化手法による処理をより早く収束させることが可能になる。その結果、目的組成物の探索をより効率的に進めることができる。
【0064】
実際の特性値が得られないパラメータセットについては、計算モデル上での特性値を最適化手法の目標値からできるだけ離した方が、計算モデルが実際の状況をより反映すると言える。付記４によれば、そのように仮の特性値を設定することで、計算モデルの精度を上げて、最適化手法による処理をより早く収束させることができる。
【符号の説明】
【0065】
１０…実験支援システム、１１…取得部、１２…更新部、１３…決定部、１４…選択部、２０…ユーザ端末、２００，３００…計算モデル。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】