知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B1)
(11)【特許番号】
(24)【登録日】2023-12-21
(45)【発行日】2024-01-04
(54)【発明の名称】組成提案装置
(51)【国際特許分類】
G16C 20/70 20190101AFI20231222BHJP
C08L 23/12 20060101ALI20231222BHJP
C08L 23/00 20060101ALI20231222BHJP
【ＦＩ】
G16C20/70
C08L23/12
C08L23/00
【請求項の数】
14
(21)【出願番号】P 2022181255
(22)【出願日】2022-11-11
【審査請求日】2022-11-15
【早期審査対象出願】
【前置審査】
(73)【特許権者】
【識別番号】000002093
【氏名又は名称】住友化学株式会社
(74)【代理人】
【識別番号】100107766
【弁理士】
【氏名又は名称】伊東 忠重
(74)【代理人】
【識別番号】100070150
【弁理士】
【氏名又は名称】伊東 忠彦
(72)【発明者】
【氏名】佐藤 弘樹
(72)【発明者】
【氏名】丸山 剛志
【審査官】松野 広一
(56)【参考文献】
【文献】特開２０２２－０８８０１５（ＪＰ，Ａ）
【文献】特開２００３－０５８５８２（ＪＰ，Ａ）
【文献】国際公開第２００４／０３９８８３（ＷＯ，Ａ１）
【文献】特開平１１－０８０２９０（ＪＰ，Ａ）
【文献】特表２００２－５２７５８１（ＪＰ，Ａ）
【文献】国際公開第２００４／１０１６７９（ＷＯ，Ａ１）
【文献】国際公開第２０２１／０４５０５８（ＷＯ，Ａ１）
【文献】特開２０１０－１９８５６１（ＪＰ，Ａ）
【文献】韓国公開特許第１０－２０２０－００５２３９３（ＫＲ，Ａ）
【文献】中西 崇文，人工知能の導入による生産性、効率性の向上、新製品開発への活用，第1版，日本，株式会社技術情報協会 高薄 一弘，2019年03月27日，pp.107,338-343，ISBN:978-4-86104-755-8
【文献】金子 弘昌，化学のためのＰｙｔｈｏｎによるデータ解析・機械学習入門，第1版，日本，株式会社オーム社 村上 和夫，2019年10月25日，pp.117,125,126，ISBN:978-4-274-22441-6
【文献】門脇 大輔，Ｋａｇｇｌｅで勝つデータ分析の技術，第1版，日本，株式会社技術評論社 片岡 巌，pp.311-315，ISBN:978-4-297-10843-4
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ１６Ｃ １０／００－９９／００
Ｇ０６Ｆ ３０／００－３０／３９８
Ｃ０８Ｌ ２３／１２
Ｃ０８Ｌ ２３／００
ＪＳＴＰｌｕｓ／ＪＭＥＤＰｌｕｓ／ＪＳＴ７５８０（ＪＤｒｅａｍＩＩＩ）
ＰｕｂＭｅｄ
(57)【特許請求の範囲】
【請求項1】
高分子複合材料に構成成分として含まれる、一種の高分子と前記一種の高分子以外の成分の種類と質量比率とを提案する組成提案装置であって、仮想の高分子複合材料の物性の目標値を設定する設定部と、
前記高分子複合材料の記述子を含むパラメータと前記高分子複合材料の物性とが対応付けられた学習用データセットを用いて学習された学習済みモデルに、前記仮想の高分子複合材料の記述子を含むパラメータを入力することで予測される、前記仮想の高分子複合材料の物性が、前記目標値に近づくように、前記仮想の高分子複合材料の記述子を含むパラメータを変更する最適化部と、
を有し、
前記最適化部は、前記仮想の高分子複合材料の物性が予測される毎に、前記仮想の高分子複合材料の記述子を含むパラメータを変更することで、前記仮想の高分子複合材料の記述子を含むパラメータを実現するための、前記仮想の高分子複合材料に前記構成成分として含まれる、前記一種の高分子と前記一種の高分子以外の成分の種類と質量比率とを、遺伝的アルゴリズムを行うことで最適化し、
前記仮想の高分子複合材料の記述子が、前記仮想の高分子複合材料に含まれる前記構成成分の、質量比率、特性値及び構造値を含み、
前記特性値及び前記構造値が、前記構成成分の種類毎の平均値であり、
前記構造値が、前記構成成分の含有量、前記構成成分に含まれる共重合体の組成の比率、及び、前記共重合体の単量体単位比率からなる群より選ばれる少なくとも一つである組成提案装置。
【請求項2】
高分子複合材料に構成成分として含まれる、一種の高分子と前記一種の高分子以外の成分の種類と質量比率とを提案する組成提案装置であって、仮想の高分子複合材料の物性の目標値を設定する設定部と、
前記高分子複合材料の記述子を含むパラメータと前記高分子複合材料の物性とが対応付けられた学習用データセットを用いて学習された学習済みモデルに、前記仮想の高分子複合材料の記述子を含むパラメータを入力することで予測される、前記仮想の高分子複合材料の物性が、前記目標値に近づくように、前記仮想の高分子複合材料の記述子を含むパラメータを変更する最適化部と、
を有し、
前記最適化部は、前記仮想の高分子複合材料の物性が予測される毎に、前記仮想の高分子複合材料の記述子を含むパラメータを変更することで、前記仮想の高分子複合材料の記述子を含むパラメータを最適化し、
前記仮想の高分子複合材料の記述子が、前記仮想の高分子複合材料に含まれる前記構成成分の、質量比率、特性値及び構造値を含み、
前記特性値及び前記構造値が、前記構成成分の種類毎の平均値であり、
前記構造値が、前記構成成分の含有量、前記構成成分に含まれる共重合体の組成の比率、及び、前記共重合体の単量体単位比率からなる群より選ばれる少なくとも一つである組成提案装置。
【請求項3】
前記高分子複合材料の物性が、成形性、剛性、耐衝撃性及び光沢性である請求項２に記載の組成提案装置。
【請求項4】
前記最適化部は、前記仮想の高分子複合材料の記述子を含むパラメータを実現するための、前記仮想の高分子複合材料に前記構成成分として含まれる、前記一種の高分子と前記一種の高分子以外の成分の種類と質量比率とを、数理最適化処理を行うことで提案する請求項２に記載の組成提案装置。
【請求項5】
前記数理最適化処理が、遺伝的アルゴリズム、ベイス最適化及びＴＰＥの何れかである請求項４に記載の組成提案装置。
【請求項6】
前記最適化部は、特定の、前記仮想の高分子複合材料の記述子を含むパラメータを回避するように変更する請求項１又は２に記載の組成提案装置。
【請求項7】
前記最適化部は、前記仮想の高分子複合材料の物性が望ましい方向に最大化するように前記仮想の高分子複合材料の記述子を含むパラメータを最適化する請求項１又は２に記載の組成提案装置。
【請求項8】
前記最適化部は、前記高分子複合材料に前記構成成分として含まれる、前記一種の高分子と前記一種の高分子以外の成分の種類と質量比率の組合せを複数提案する請求項１又は２に記載の組成提案装置。
【請求項9】
前記最適化部は、前記高分子複合材料の２つ以上の特性それぞれについて生成された前記学習済みモデルに、前記仮想の高分子複合材料の記述子を含むパラメータをそれぞれ入力することで予測される、前記仮想の高分子複合材料の前記２つ以上の特性それぞれが、前記２つ以上の特性それぞれの前記目標値に近づくように、前記仮想の高分子複合材料の記述子を含むパラメータを変更する請求項１又は２に記載の組成提案装置。
【請求項10】
前記最適化部は、前記２つ以上の特性についてパレート解を提案する請求項９に記載の組成提案装置。
【請求項11】
前記質量比率が、前記構成成分の種類毎の平均値を含む請求項１又は２に記載の組成提案装置。
【請求項12】
前記高分子が、二種類以上の単量体単位を含む共重合体を含む請求項１又は２に記載の組成提案装置。
【請求項13】
前記高分子複合材料が、プロピレン系重合体と、ポリオレフィンエラストマーとを含む請求項１又は２に記載の組成提案装置。
【請求項14】
前記プロピレン系重合体が、プロピレンに由来する単量体単位とエチレンに由来する単量体単位とを含む共重合体を含む請求項１３に記載の組成提案装置。【発明の詳細な説明】
【技術分野】
【0001】
本発明は、組成提案装置に関する。
【背景技術】
【0002】
複数の高分子材料を含む組成物から形成される高分子複合材料は、自動車部品、家電製品、食品・医療容器、建材・土木産業材等の材料として広く使用されている。高分子複合材料として、例えば、プロピレン系重合体を含むプロピレン系樹脂組成物が用いられる。
【0003】
プロピレン系樹脂組成物として、例えば、プロピレン単独重合体、プロピレンとプロピレン以外の単量体とのランダム共重合体、又はヘテロファジックプロピレン重合材料を含むプロピレン系重合体と、エチレン－α－オレフィン共重合体とを含むプロピレン樹脂組成物が開示されている（例えば、特許文献１参照）。
【先行技術文献】
【特許文献】
【0004】
【文献】特開２０１８－１７８１０７号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
ここで、高分子複合材料を製造する際、高分子複合材料の用途等に応じて、高分子複合材料等の任意の特性を満たすように、高分子複合材料の製造に用いる高分子の種類及び高分子複合材料の組成等を決める必要がある。高分子の種類及び高分子複合材料の組成等の決定には、実際に、実験で、種々の高分子を含む組成物を用いて高分子複合材料を製造してその物性を測定したり、最適な物性を有する高分子複合材料の組成を探したりする必要があるため、非常に多くの労力を要すると共に、原料や装置の準備が必要であった。そのため、高分子複合材料の選定の際に生じるエネルギー効率の向上を図る観点から、高分子複合材料の組成や構造等のパラメータから効率的に高分子複合材料の物性を提案できる方法が求められている。
【0006】
さらに、本発明の一態様は、所望の特性を有する高分子複合材料のパラメータを提案する組成提案装置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】
【0007】
本発明の一態様は、
高分子複合材料に構成成分として含まれる、一種の高分子と前記一種の高分子以外の成分の種類と質量比率とを提案する組成提案装置であって、
仮想の高分子複合材料の物性の目標値を設定する設定部と、
前記高分子複合材料の記述子を含むパラメータと前記高分子複合材料の物性とが対応付けられた学習用データセットを用いて学習された学習済みモデルに、前記仮想の高分子複合材料の記述子を含むパラメータを入力することで予測される、前記仮想の高分子複合材料の物性が、前記目標値に近づくように、前記仮想の高分子複合材料の記述子を含むパラメータを変更する最適化部と、
を有し、
前記最適化部は、前記仮想の高分子複合材料の物性が予測される毎に、前記仮想の高分子複合材料の記述子を含むパラメータを変更することで、前記仮想の高分子複合材料に前記構成成分として含まれる、前記一種の高分子と前記一種の高分子以外の成分の種類と質量比率とを最適化する組成提案装置である。
高分子複合材料に構成成分として含まれる、一種の高分子と前記一種の高分子以外の成分の種類と質量比率とを提案する組成提案装置であって、
仮想の高分子複合材料の物性の目標値を設定する設定部と、
前記高分子複合材料の記述子を含むパラメータと前記高分子複合材料の物性とが対応付けられた学習用データセットを用いて学習された学習済みモデルに、前記仮想の高分子複合材料の記述子を含むパラメータを入力することで予測される、前記仮想の高分子複合材料の物性が、前記目標値に近づくように、前記仮想の高分子複合材料の記述子を含むパラメータを変更する最適化部と、
を有し、
前記最適化部は、前記仮想の高分子複合材料の物性が予測される毎に、前記仮想の高分子複合材料の記述子を含むパラメータを変更することで、前記仮想の高分子複合材料に前記構成成分として含まれる、前記一種の高分子と前記一種の高分子以外の成分の種類と質量比率とを最適化する組成提案装置である。
【発明の効果】
【0008】
本発明の一態様は、所望の特性を有する高分子複合材料のパラメータを提案する組成提案装置を提供できる。
【図面の簡単な説明】
【0009】
【図1】高分子複合材料の物性から高分子複合材料の組成及び構成成分の構造等の組み合わせを提案することを示す説明図である。
【図2】学習装置の概略構成を示すブロック図である。
【図3】予測装置の構成を示すブロック図である。
【図4】本発明の実施形態に係る組成提案装置の構成を示すブロック図である。
【図5】本発明の実施形態に係る組成提案装置の他の構成を示すブロック図である。
【図6】学習装置、予測装置及び組成提案装置のハードウェア構成を示すブロック図である。
【図7】学習方法を説明するフローチャートである。
【図8】予測方法を説明するフローチャートである。
【図9】本発明の実施形態に係る組成提案方法を説明するフローチャートである。
【図10】本発明の実施形態に係る組成提案方法を説明する他のフローチャートである。
【図11】曲げ弾性率の実測値と、曲げ弾性率の予測値との関係を表す図である。
【図12】常温ＩＺＯＤの実測値と、常温ＩＺＯＤの予測値との関係を表す図である。
【図13】低温ＩＺＯＤの実測値と、低温ＩＺＯＤの予測値との関係を表す図である。
【図14】ＭＦＲの実測値と、ＭＦＲの予測値との関係を表す図である。
【図15】曲げ弾性率の予測値と、常温ＩＺＯＤの予測値との関係を表す図である。
【発明を実施するための形態】
【0010】
以下、本発明の実施形態について、詳細に説明する。なお、説明の理解を容易にするため、各図面において同一の構成要素に対しては同一の符号を付して、重複する説明は省略する。また、本実施形態において数値範囲を示す「～」は、別段の断わりがない限り、その前後に記載された数値を下限値及び上限値として含むことを意味する。
【0011】
本実施形態に係る組成提案装置について説明する。図１は、高分子複合材料の物性から高分子複合材料の組成及び高分子複合材料に含まれる高分子材料（以下、単に、高分子ともいう。）等の構成成分の構造等の組み合わせを提案することを示す説明図である。
【0012】
図１に示すように、本実施形態に係る組成提案装置は、組成物の組成、構造等の記述子を含むパラメータに関する情報を学習済みモデルに入力して得られる高分子複合材料の物性が、高分子複合材料の物性の所望の目標値に近づくように、組成物の組成、構造等の記述子を含むパラメータを最適化して提案する。
【0013】
本実施形態において、高分子複合材料は、高分子を構成成分として含む組成物である。また、高分子複合材料は、その用途等に応じて所定の形状に成形された成形物でもよい。本実施形態では、高分子複合材料が、プロピレン系重合体を含むプロピレン系樹脂組成物である場合について説明する。
【0014】
本実施形態に係る組成提案装置を説明するに当たり、高分子複合材料について説明する。なお、高分子複合材料は、プロピレン系樹脂組成物に限定されず、高分子を構成成分として含む組成物であればよい。
【0015】
＜プロピレン系樹脂組成物＞
プロピレン系樹脂組成物は、少なくとも１つのプロピレン系重合体（Ａ）を含む。
プロピレン系樹脂組成物は、少なくとも１つのプロピレン系重合体（Ａ）を含む。
【0016】
［プロピレン系重合体（Ａ）］
プロピレン系重合体（Ａ）は、プロピレンに由来する単量体単位を有する重合体である。プロピレン系重合体（Ａ）としては、例えば、プロピレン単独重合体、プロピレンとプロピレン以外の単量体とのランダム共重合体、及びヘテロファジックプロピレン重合材料等が挙げられる。プロピレン系樹脂組成物は、プロピレン系重合体（Ａ）を１種のみ含有してもよく、２種以上含有してもよい。プロピレン系重合体（Ａ）は、プロピレン系樹脂組成物の成形体の剛性と耐衝撃性との観点から、プロピレン単独重合体及びヘテロファジックプロピレン重合材料からなる群より選ばれる少なくとも一種を含むことが好ましい。
プロピレン系重合体（Ａ）は、プロピレンに由来する単量体単位を有する重合体である。プロピレン系重合体（Ａ）としては、例えば、プロピレン単独重合体、プロピレンとプロピレン以外の単量体とのランダム共重合体、及びヘテロファジックプロピレン重合材料等が挙げられる。プロピレン系樹脂組成物は、プロピレン系重合体（Ａ）を１種のみ含有してもよく、２種以上含有してもよい。プロピレン系重合体（Ａ）は、プロピレン系樹脂組成物の成形体の剛性と耐衝撃性との観点から、プロピレン単独重合体及びヘテロファジックプロピレン重合材料からなる群より選ばれる少なくとも一種を含むことが好ましい。
【0017】
（プロピレン単独重合体）
プロピレン系重合体（Ａ）がプロピレン単独重合体を含む場合、当該プロピレン単独重合体の極限粘度数（η）は、プロピレン系樹脂組成物の溶融時の流動性と、プロピレン系組成物の成形体の靭性との観点から、０．１０ｄＬ／ｇ～２．００ｄＬ／ｇであることが好ましい。
プロピレン系重合体（Ａ）がプロピレン単独重合体を含む場合、当該プロピレン単独重合体の極限粘度数（η）は、プロピレン系樹脂組成物の溶融時の流動性と、プロピレン系組成物の成形体の靭性との観点から、０．１０ｄＬ／ｇ～２．００ｄＬ／ｇであることが好ましい。
【0018】
なお、本実施形態において、極限粘度数（単位：ｄＬ／ｇ）は、以下の方法によって、テトラリンを溶媒として用いて、温度１３５℃で測定される値である。
【0019】
ウベローデ型粘度計を用いて濃度０．１ｇ／ｄＬ、０．２ｇ／ｄＬ及び０．５ｇ／ｄＬの３点について還元粘度を測定する。還元粘度を濃度に対しプロットし、濃度をゼロに外挿する外挿法により、極限粘度数を求める。外挿法による極限粘度数の計算方法は、例えば、「高分子溶液、高分子実験学１１」（１９８２年共立出版株式会社刊）第４９１頁に記載されている。
【0020】
上記プロピレン単独重合体の分子量分布（Ｍｗ／Ｍｎ）は、３．０以上であることが好ましい。プロピレン系重合体（Ａ）の分子量分布は、３．０～３０．０であることが好ましい。
【0021】
本実施形態において、分子量分布は、下記条件のゲル・パーミエーション・クロマトグラフィー（ＧＰＣ）で測定される重量平均分子量（Ｍｗ）及び数平均分子量（Ｍｎ）を用いて算出される、数平均分子量（Ｍｎ）に対する重量平均分子量（Ｍｗ）の比（Ｍｗ／Ｍｎ）をいう。
（（条件））
装置：東ソー株式会社製 ＨＬＣ－８１２１ ＧＰＣ／ＨＴ
分離カラム：東ソー株式会社製 ＧＭＨＨＲ－Ｈ（Ｓ）ＨＴ ３本
測定温度：１４０℃
キャリア：オルトジクロロベンゼン
流量：１．０ｍＬ／分
試料濃度：約１ｍｇ／ｍＬ
試料注入量：４００μＬ
検出器：示差屈折
検量線作成方法：標準ポリスチレンを使用
（（条件））
装置：東ソー株式会社製 ＨＬＣ－８１２１ ＧＰＣ／ＨＴ
分離カラム：東ソー株式会社製 ＧＭＨＨＲ－Ｈ（Ｓ）ＨＴ ３本
測定温度：１４０℃
キャリア：オルトジクロロベンゼン
流量：１．０ｍＬ／分
試料濃度：約１ｍｇ／ｍＬ
試料注入量：４００μＬ
検出器：示差屈折
検量線作成方法：標準ポリスチレンを使用
【0022】
プロピレン単独重合体は、例えば、重合触媒を用いて、プロピレンを重合することにより製造できる。
【0023】
重合触媒としては、例えば、チーグラー型触媒；チーグラー・ナッタ型触媒；シクロペンタジエニル環を有する周期表第４族の遷移金属の化合物とアルキルアルミノキサンとからなる触媒；シクロペンタジエニル環を有する周期表第４族の遷移金属の化合物、当該遷移金属化合物と反応してイオン性の錯体を形成する化合物及び有機アルミニウム化合物からなる触媒；並びに無機粒子（シリカ、粘土鉱物等）に、触媒成分（シクロペンタジエニル環を有する周期表第４族の遷移金属の化合物、イオン性の錯体を形成する化合物、有機アルミニウム化合物等）を担持して、変性させた触媒が挙げられる。
【0024】
重合方法としては、例えば、バルク重合、溶液重合及び気相重合が挙げられる。
【0025】
重合方式としては、例えば、バッチ式、連続式及びこれらの組み合わせが挙げられる。重合方式は、複数の重合反応槽を直列に連結させた多段式であってもよい。
【0026】
重合工程における各種条件（重合温度、重合圧力、単量体濃度、触媒投入量、重合時間等）は、目的とする重合体の分子構造に応じて、適宜決定すればよい。
【0027】
重合工程の後、重合体中に含まれる残留溶媒、製造時に副生する超低分子量のオリゴマー等を除去するために、必要に応じて重合体を、重合体が融解する温度以下の温度で乾燥してもよい。
【0028】
（プロピレンとプロピレン以外の単量体とのランダム共重合体）
プロピレンとプロピレン以外の単量体とのランダム共重合体は、プロピレンに由来する単量体単位とプロピレン以外の単量体に由来する単量体単位とを含有するものである。ランダム共重合体は、ランダム共重合体の質量を基準として、プロピレン以外の単量体に由来する単量体単位を０．０１質量％～２０質量％含有することが好ましい。
プロピレンとプロピレン以外の単量体とのランダム共重合体は、プロピレンに由来する単量体単位とプロピレン以外の単量体に由来する単量体単位とを含有するものである。ランダム共重合体は、ランダム共重合体の質量を基準として、プロピレン以外の単量体に由来する単量体単位を０．０１質量％～２０質量％含有することが好ましい。
【0029】
プロピレン以外の単量体としては、例えば、エチレン及び炭素数４～１２のα－オレフィンが挙げられる。中でも、エチレン及び炭素数４～１０のα－オレフィンから選択される少なくとも一種が好ましく、エチレン、１－ブテン、１－ヘキセン及び１－オクテンからなる群より選択される少なくとも一種がより好ましい。
【0030】
なお、「α－オレフィン」とは、α位に炭素－炭素不飽和二重結合を有する脂肪族不飽和炭化水素を意味する。
【0031】
ランダム共重合体としては、例えば、プロピレン－エチレンランダム共重合体、プロピレン－１－ブテンランダム共重合体、プロピレン－１－ヘキセンランダム共重合体、プロピレン－１－オクテンランダム共重合体、プロピレン－エチレン－１－ブテンランダム共重合体、プロピレン－エチレン－１－ヘキセンランダム共重合体及びプロピレン－エチレン－１－オクテンランダム共重合体が挙げられる。
【0032】
プロピレン系重合体（Ａ）がプロピレンとプロピレン以外の単量体とのランダム共重合体を含む場合、前記ランダム共重合体の極限粘度数（η）は、プロピレン系樹脂組成物の溶融時の流動性の観点から、例えば、１．００ｄＬ／ｇ～１０．００ｄＬ／ｇであることが好ましい。
【0033】
ランダム共重合体の分子量分布（Ｍｗ／Ｍｎ）は、３．０～３０．０であることが好ましい。
【0034】
ランダム共重合体は、例えば、プロピレン単独重合体の製造において使用できる重合触媒、重合方法、重合方式に従って、プロピレン及びプロピレン以外の単量体を重合することにより製造できる。
【0035】
（ヘテロファジックプロピレン重合材料）
ヘテロファジックプロピレン重合材料は、プロピレンに由来する単量体単位を８０質量％以上含有する重合体（Ｉ）（但し、重合体（Ｉ）の全質量を１００質量％とする。）と、エチレン及び炭素数４～１２のα－オレフィンからなる群より選択される少なくとも一種のα－オレフィンに由来する単量体単位とプロピレンに由来する単量体単位とを含有する重合体（ＩＩ）を含む。ヘテロファジックプロピレン重合材料は、重合体（Ｉ）のマトリックスの中で、重合体（ＩＩ）が分散した構造を有する混合物を意味する。
ヘテロファジックプロピレン重合材料は、プロピレンに由来する単量体単位を８０質量％以上含有する重合体（Ｉ）（但し、重合体（Ｉ）の全質量を１００質量％とする。）と、エチレン及び炭素数４～１２のα－オレフィンからなる群より選択される少なくとも一種のα－オレフィンに由来する単量体単位とプロピレンに由来する単量体単位とを含有する重合体（ＩＩ）を含む。ヘテロファジックプロピレン重合材料は、重合体（Ｉ）のマトリックスの中で、重合体（ＩＩ）が分散した構造を有する混合物を意味する。
【0036】
ヘテロファジックプロピレン重合材料は、例えば、重合体（Ｉ）を形成する第１の重合工程と、重合体（ＩＩ）を形成する第２の重合工程を行うことにより製造できる。これらの重合工程において採用される、重合触媒、重合方法及び重合方式の例示は、上記と同様である。
【0037】
重合体（Ｉ）は、例えば、プロピレン単独重合体であってもよく、プロピレン以外の単量体に由来する単量体単位を含んでいてもよい。重合体（Ｉ）が、プロピレン以外の単量体に由来する単量体単位を含む場合、この含有量は、重合体（Ｉ）の全質量を基準として、例えば、０．０１質量％以上２０質量％未満であってもよい。
【0038】
プロピレン以外の単量体としては、例えば、エチレン及び炭素数４以上のα－オレフィンが挙げられる。中でも、エチレン及び炭素数４～１０のα－オレフィンからなる群より選択される少なくとも一種が好ましく、エチレン、１－ブテン、１－ヘキセン及び１－オクテンからなる群より選択される少なくとも一種がより好ましい。
【0039】
プロピレン以外の単量体に由来する単量体単位を含む重合体としては、例えば、プロピレン－エチレン共重合体、プロピレン－１－ブテン共重合体、プロピレン－１－ヘキセン共重合体、プロピレン－１－オクテン共重合体、プロピレン－エチレン－１－ブテン共重合体、プロピレン－エチレン－１－ヘキセン共重合体及びプロピレン－エチレン－１－オクテン共重合体が挙げられる。
【0040】
重合体（Ｉ）は、プロピレン系樹脂組成物の成形体の寸法安定性の観点から、プロピレン単独重合体、プロピレン－エチレン共重合体、プロピレン－１－ブテン共重合体、プロピレン－エチレン－１－ブテン共重合体が好ましく、プロピレン単独重合体がより好ましい。
【0041】
重合体（Ｉ）の含有量は、ヘテロファジックプロピレン重合材料の全質量に対して、５０質量％～９９質量％であることが好ましい。
【0042】
重合体（ＩＩ）は、エチレン及び炭素数４～１２のα－オレフィンからなる群より選択される少なくとも一種のα－オレフィンに由来する単量体単位を４０質量％以上含有し、かつ、プロピレンに由来する単量体単位を含有することが好ましい。
【0043】
重合体（ＩＩ）において、エチレン及び炭素数４～１２のα－オレフィンからなる群より選択される少なくとも一種のα－オレフィンに由来する単量体単位の含有量は、４０～７０質量％であってよく、４５質量％～６０質量％であってもよい。
【0044】
重合体（ＩＩ）において、エチレン及び炭素数４～１２のα－オレフィンからなる群より選択される少なくとも一種のα－オレフィンとしては、エチレン及び炭素数４～１０のα－オレフィンからなる群より選択される少なくとも一種が好ましく、エチレン、１－ブテン、１－ヘキセン、１－オクテン及び１－デセンからなる群より選択される少なくとも一種がより好ましく、エチレン及び１－ブテンからなる群より選択される少なくとも一種が更に好ましい。
【0045】
重合体（ＩＩ）としては、例えば、プロピレン－エチレン共重合体、プロピレン－エチレン－１－ブテン共重合体、プロピレン－エチレン－１－ヘキセン共重合体、プロピレン－エチレン－１－オクテン共重合体、プロピレン－エチレン－１－デセン共重合体、プロピレン－１－ブテン共重合体、プロピレン－１－ヘキセン共重合体、プロピレン－１－オクテン共重合体及びプロピレン－１－デセン共重合体が挙げられる。中でも、プロピレン－エチレン共重合体、プロピレン－１－ブテン共重合体及びプロピレン－エチレン－１－ブテン共重合体が好ましく、プロピレン－エチレン共重合体がより好ましい。
【0046】
重合体（ＩＩ）の含有量は、ヘテロファジックプロピレン重合材料の全質量を基準として、１質量％～５０質量％であることが好ましい。
【0047】
ヘテロファジックプロピレン重合材料は、キシレン不溶（ＣＸＩＳ）成分及びキシレン可溶（ＣＸＳ）成分を含んでよい。
【0048】
ヘテロファジックプロピレン重合材料中のＣＸＩＳ成分の含有量は、ヘテロファジックプロピレン重合材料の全質量に対して、５０質量％～９９質量％であることが好ましい。
【0049】
ヘテロファジックプロピレン重合材料中のＣＸＳ成分の含有量は、ヘテロファジックプロピレン重合材料の全質量に対して、１質量％～５０質量％であることが好ましい。
【0050】
本実施形態においては、ヘテロファジックプロピレン重合材料中のＣＸＩＳ成分は、主として重合体（Ｉ）から構成され、ヘテロファジックプロピレン重合材料中のＣＸＳ成分は、主として重合体（ＩＩ）から構成されると考えられる。
【0051】
ヘテロファジックプロピレン重合材料としては、例えば、（プロピレン）－（プロピレン－エチレン）重合材料、（プロピレン）－（プロピレン－エチレン－１－ブテン）重合材料、（プロピレン）－（プロピレン－エチレン－１－ヘキセン）重合材料、（プロピレン）－（プロピレン－エチレン－１－オクテン）重合材料、（プロピレン）－（プロピレン－１－ブテン）重合材料、（プロピレン）－（プロピレン－１－ヘキセン）重合材料、（プロピレン）－（プロピレン－１－オクテン）重合材料、（プロピレン）－（プロピレン－１－デセン）重合材料、（プロピレン－エチレン）－（プロピレン－エチレン）重合材料、（プロピレン－エチレン）－（プロピレン－エチレン－１－ブテン）重合材料、（プロピレン－エチレン）－（プロピレン－エチレン－１－ヘキセン）重合材料、（プロピレン－エチレン）－（プロピレン－エチレン－１－オクテン）重合材料、（プロピレン－エチレン）－（プロピレン－エチレン－１－デセン）重合材料、（プロピレン－エチレン）－（プロピレン－１－ブテン）重合材料、（プロピレン－エチレン）－（プロピレン－１－ヘキセン）重合材料、（プロピレン－エチレン）－（プロピレン－１－オクテン）重合材料、（プロピレン－エチレン）－（プロピレン－１－デセン）重合材料、（プロピレン－１－ブテン）－（プロピレン－エチレン）重合材料、（プロピレン－１－ブテン）－（プロピレン－エチレン－１－ブテン）重合材料、（プロピレン－１－ブテン）－（プロピレン－エチレン－１－ヘキセン）重合材料、（プロピレン－１－ブテン）－（プロピレン－エチレン－１－オクテン）重合材料、（プロピレン－１－ブテン）－（プロピレン－エチレン－１－デセン）重合材料、（プロピレン－１－ブテン）－（プロピレン－１－ブテン）重合材料、（プロピレン－１－ブテン）－（プロピレン－１－ヘキセン）重合材料、（プロピレン－１－ブテン）－（プロピレン－１－オクテン）重合材料、（プロピレン－１－ブテン）－（プロピレン－１－デセン）重合材料、（プロピレン－１－ヘキセン）－（プロピレン－１－ヘキセン）重合材料、（プロピレン－１－ヘキセン）－（プロピレン－１－オクテン）重合材料、（プロピレン－１－ヘキセン）－（プロピレン－１－デセン）重合材料、（プロピレン－１－オクテン）－（プロピレン－１－オクテン）重合材料、及び（プロピレン－１－オクテン）－（プロピレン－１－デセン）重合材料が挙げられる。
【0052】
なお、「（プロピレン）－（プロピレン－エチレン）重合材料」とは、「重合体（Ｉ）がプロピレン単独重合体であり、重合体（ＩＩ）がプロピレン－エチレン共重合体であるヘテロファジックプロピレン重合材料」を意味する。他の類似の表現においても同様である。
【0053】
重合体（Ｉ）の極限粘度数（ηＩ）は、例えば、０．１０ｄＬ／ｇ～２．００ｄＬ／ｇであることが好ましい。
【0054】
重合体（ＩＩ）の極限粘度数（ηＩＩ）は、１．００ｄＬ／ｇ～１０．００ｄＬ／ｇであることが好ましい。
【0055】
重合体（Ｉ）の極限粘度数（ηＩ）に対する重合体（ＩＩ）の極限粘度数（ηＩＩ）の比（［η］ＩＩ／［η］Ｉ）は、１～２０であることが好ましい。
【0056】
重合体（Ｉ）の極限粘度数（ηＩ）の測定方法としては、例えば、重合体（Ｉ）を形成した後に、重合体の極限粘度数を測定する方法が挙げられる。
【0057】
重合体（ＩＩ）の極限粘度数（ηＩＩ）は、例えば、ヘテロファジックプロピレン重合材料の極限粘度数（ηＴｏｔａｌ）、重合体（Ｉ）の極限粘度数（ηＩ）並びに重合体（ＩＩ）及び重合体（Ｉ）の含有量を用いて、下記式（I）により算出できる。
ηＩＩ＝（ηＴｏｔａｌ－ηＩ×ＸＩ）／ＸＩＩ ・・・（I）
ηＩＩ＝（ηＴｏｔａｌ－ηＩ×ＸＩ）／ＸＩＩ ・・・（I）
【0058】
なお、式（I）中、ηＴｏｔａｌ、ηＩ、ＸＩ及びＸＩＩは、それぞれ、以下の意味である。
ηＴｏｔａｌ：ヘテロファジックプロピレン重合材料の極限粘度数（ｄＬ／ｇ）
ηＩ：重合体（Ｉ）の極限粘度数（ｄＬ／ｇ）
ＸＩ：ヘテロファジックプロピレン重合材料の全質量に対する重合体（Ｉ）の質量の比（重合体（Ｉ）の質量／ヘテロファジックプロピレン重合材料の質量）
ＸＩＩ：ヘテロファジックプロピレン重合材料の全質量に対する重合体（ＩＩ）の質量の比（重合体（ＩＩ）の質量／ヘテロファジックプロピレン重合材料の質量）
ηＴｏｔａｌ：ヘテロファジックプロピレン重合材料の極限粘度数（ｄＬ／ｇ）
ηＩ：重合体（Ｉ）の極限粘度数（ｄＬ／ｇ）
ＸＩ：ヘテロファジックプロピレン重合材料の全質量に対する重合体（Ｉ）の質量の比（重合体（Ｉ）の質量／ヘテロファジックプロピレン重合材料の質量）
ＸＩＩ：ヘテロファジックプロピレン重合材料の全質量に対する重合体（ＩＩ）の質量の比（重合体（ＩＩ）の質量／ヘテロファジックプロピレン重合材料の質量）
【0059】
ここで、ＸＩ、ＸＩＩは、重合時の物質収支から求めることができる。
【0060】
なお、ＸＩＩは、重合体（Ｉ）の融解熱量及びヘテロファジックプロピレン重合材料の融解熱量を測定し、下記式（II）を用いて算出してもよい。
ＸＩＩ＝１－（ΔＨｆ）Ｔ／（ΔＨｆ）Ｐ ・・・（II）
ＸＩＩ＝１－（ΔＨｆ）Ｔ／（ΔＨｆ）Ｐ ・・・（II）
【0061】
式（II）中、ΔＨｆＴ、ΔＨｆＰは、以下の意味である。
ΔＨｆＴ：ヘテロファジックプロピレン重合材料の融解熱量（Ｊ／ｇ）
ΔＨｆＰ：重合体（Ｉ）の融解熱量（Ｊ／ｇ）
ΔＨｆＴ：ヘテロファジックプロピレン重合材料の融解熱量（Ｊ／ｇ）
ΔＨｆＰ：重合体（Ｉ）の融解熱量（Ｊ／ｇ）
【0062】
ＣＸＩＳ成分の極限粘度数（ηＣＸＩＳ）は、０．１０ｄＬ／ｇ～２．００ｄＬ／ｇであることが好ましい。
【0063】
ＣＸＳ成分の極限粘度数（ηＣＸＳ）は、１．００ｄＬ／ｇ～１０．００ｄＬ／ｇであることが好ましい。
【0064】
ＣＸＩＳ成分の極限粘度数（ηＣＸＩＳ）に対するＣＸＳ成分の極限粘度数（ηＣＸＳ）の比（ηＣＸＳ／ηＣＸＩＳ）は、１～２０であることが好ましい。
【0065】
重合体（Ｉ）の分子量分布（Ｍｗ（Ｉ）／Ｍｎ（Ｉ））は、３．０以上であることが好ましい。
【0066】
ＣＸＩＳ成分の分子量分布（Ｍｗ（ＣＸＩＳ）／Ｍｎ（ＣＸＩＳ））は、３．０以上であることが好ましい。
【0067】
プロピレン系重合体（Ａ）の温度２３０℃、荷重２．１６ｋｇｆでのメルトフローレート（ＭＦＲ）は、プロピレン系樹脂組成物の成形加工性の観点から、５ｇ／１０分～３００ｇ／１０分であることが好ましい。
【0068】
なお、本実施形態において、ＭＦＲは、ＪＩＳ Ｋ７２１０に準拠して測定される値をいう。
【0069】
［ポリオレフィンエラストマー（Ｂ）］
プロピレン系樹脂組成物はポリオレフィンエラストマー（Ｂ）を含んでもよい。ポリオレフィンエラストマー（Ｂ）は、ポリオレフィンエラストマー（Ｂ）の全質量を１００質量％として、ポリオレフィンエラストマー（Ｂ）に含まれるエチレンに由来する単量体単位の含有量と炭素数４以上のα－オレフィンに由来する単量体単位の含有量との合計が１００質量％であってよい。
プロピレン系樹脂組成物はポリオレフィンエラストマー（Ｂ）を含んでもよい。ポリオレフィンエラストマー（Ｂ）は、ポリオレフィンエラストマー（Ｂ）の全質量を１００質量％として、ポリオレフィンエラストマー（Ｂ）に含まれるエチレンに由来する単量体単位の含有量と炭素数４以上のα－オレフィンに由来する単量体単位の含有量との合計が１００質量％であってよい。
【0070】
炭素数が４以上のα－オレフィンとしては、例えば、炭素数４～１２のα－オレフィンが挙げられる。炭素数が４～１２のα－オレフィンとしては、例えば、１－ブテン、１－ペンテン、１－ヘキセン、４－メチル－１－ペンテン、１－オクテン及び１－デセンが挙げられる。中でも、１－ブテン、１－ヘキセン、及び１－オクテンが好ましい。上記α－オレフィンは、ビニルシクロプロパン、ビニルシクロブタン等の環状構造を有するα－オレフィンであってよい。
【0071】
ポリオレフィンエラストマー（Ｂ）としては、例えば、エチレン－１－ブテン共重合体、エチレン－１－ヘキセン共重合体、エチレン－１－オクテン共重合体、エチレン－１－デセン共重合体、エチレン－（３－メチル－１－ブテン）共重合体、及びエチレンと環状構造を有するα－オレフィンとの共重合体（エチレン－α－オレフィン共重合体）が挙げられる。
【0072】
なお、エチレン－α－オレフィン共重合体は、エチレンに由来する単量体単位と、炭素数４以上のα－オレフィンに由来する単量体単位とを含有する共重合体であり、プロピレンに由来する単量体単位を含まないものを意味する。
【0073】
ポリオレフィンエラストマー（Ｂ）において、炭素数が４以上のα－オレフィンに由来する単量体単位の含有量は、ポリオレフィンエラストマー（Ｂ）の全質量を基準として、１質量％～４９質量％であることが好ましい。
【0074】
ポリオレフィンエラストマー（Ｂ）の温度１９０℃、荷重２．１６ｋｇｆでのＭＦＲは、０．１ｇ／１０分～８０ｇ／１０分であることが好ましい。
【0075】
ポリオレフィンエラストマー（Ｂ）の密度は、プロピレン系樹脂組成物の成形体の耐衝撃性の観点から、０．８５０ｇ／ｃｍ３～０．８９０ｇ／ｃｍ３であることが好ましい。
【0076】
ポリオレフィンエラストマー（Ｂ）は、重合触媒を用いて、エチレン及び炭素数４以上のα－オレフィンを重合することにより製造できる。
【0077】
重合触媒としては、例えば、メタロセン触媒に代表される均一系触媒、及びチーグラー・ナッタ型触媒が挙げられる。
【0078】
均一系触媒としては、例えば、シクロペンタジエニル環を有する周期表第４族の遷移金属の化合物とアルキルアルミノキサンとからなる触媒；シクロペンタジエニル環を有する周期表第４族の遷移金属の化合物、当該遷移金属化合物と反応してイオン性の錯体を形成する化合物及び有機アルミニウム化合物からなる触媒；並びに無機粒子（シリカ、粘土鉱物等）に、触媒成分（シクロペンタジエニル環を有する周期表第４族の遷移金属の化合物、イオン性の錯体を形成する化合物、有機アルミニウム化合物等）を担持して変性させた触媒が挙げられる。
【0079】
チーグラー・ナッタ型触媒としては、例えば、チタン含有固体状遷移金属成分と有機金属成分とを組み合わせた触媒が挙げられる。
【0080】
ポリオレフィンエラストマー（Ｂ）としては、市販品を用いてもよい。市販品としては、例えば、ダウ・ケミカル日本株式会社製エンゲージ（登録商標）、三井化学株式会社製タフマー（登録商標）、株式会社プライムポリマー製ネオゼックス（登録商標）、ウルトゼックス（登録商標）、住友化学株式会社製エクセレンＦＸ（登録商標）、スミカセン（登録商標）、及びエスプレンＳＰＯ（登録商標）が挙げられる。
【0081】
［充填材（Ｃ）］
プロピレン系樹脂組成物は、充填材（Ｃ）を含んでもよい。プロピレン系樹脂組成物に含まれる充填材（Ｃ）は、例えば、プロピレン系樹脂組成物の成形体の寸法安定性を高める機能を有する。充填材（Ｃ）としては、無機充填材及び有機充填材が挙げられる。プロピレン系樹脂組成物は、充填材（Ｃ）を１種のみ含有してもよく、２種以上含有してもよい。
プロピレン系樹脂組成物は、充填材（Ｃ）を含んでもよい。プロピレン系樹脂組成物に含まれる充填材（Ｃ）は、例えば、プロピレン系樹脂組成物の成形体の寸法安定性を高める機能を有する。充填材（Ｃ）としては、無機充填材及び有機充填材が挙げられる。プロピレン系樹脂組成物は、充填材（Ｃ）を１種のみ含有してもよく、２種以上含有してもよい。
【0082】
無機充填材としては、ガラス、ケイ酸塩鉱物、アルミナ、シリカ、二酸化ケイ素、酸化チタン、酸化鉄、酸化アルミニウム、酸化マグネシウム、酸化アンチモン、バリウム・フェライト、ストロンチウム・フェライト、酸化ベリリウム、水酸化マグネシウム、水酸化アルミニウム、塩基性炭酸マグネシウム、炭酸カルシウム、炭酸マグネシウム、炭酸塩鉱物、硫酸カルシウム、硫酸マグネシウム、塩基性硫酸マグネシウム、亜硫酸カルシウム、カーボンブラック及び硫化カドミウムが挙げられる。
【0083】
有機充填材としては、ポリエステル、芳香族ポリアミド、セルロース及びビニロンが挙げられる。
【0084】
充填材（Ｃ）は、成形体の剛性、耐衝撃性及び寸法安定性の観点から、無機充填材が好ましく、板状ケイ酸塩鉱物であるタルクがより好ましい。
【0085】
充填材の形状は、板状であってよく、針状であってよく、繊維状であってよい。
【0086】
充填材（Ｃ）の平均粒子径Ｄ５０は、成形体の剛性、耐衝撃性及び寸法安定性の観点から、例えば、０．５μｍ～２０．０μｍとしてよい。
【0087】
なお、平均粒子径Ｄ５０は、ＪＩＳ Ｒ１６２９に規定された方法に従い、レーザー回析法又は遠心沈降法により測定された体積基準の粒子径分布測定データに基づいて決定されるものであり、該粒子径分布測定データにおいて、粒子径が小さい側からの粒子数の累積が５０％に達したときの粒子径（５０％相当粒子径）を意味する。このように定義される粒子径は、一般に「５０％相当粒子径」と称され、「Ｄ５０」で表記される。
【0088】
充填材（Ｃ）の含有量は、プロピレン系樹脂組成物の成形体の寸法安定性の観点から、プロピレン系重合体（Ａ）及びポリオレフィンエラストマー（Ｂ）の合計１００質量部に対して、１０質量部～６０質量部であってよい。
【0089】
プロピレン系樹脂組成物は、上記以外の成分を含んでもよい。このような成分としては、例えば、中和剤、酸化防止剤、紫外線吸収剤、造核剤、滑剤、帯電防止剤、アンチブロッキング剤、加工助剤、有機系過酸化物、着色剤（無機顔料、有機顔料、顔料分散剤等）、発泡剤、発泡核剤、可塑剤、難燃剤、架橋剤、架橋助剤、高輝度化剤、抗菌剤及び光拡散剤が挙げられる。プロピレン系樹脂組成物は、これらの成分を１種のみ含有してもよく、２種以上含有してもよい。
【0090】
本実施形態に係る組成提案装置を説明するに当たり、学習装置及び予測装置について説明する。
【0091】
＜学習装置＞
学習装置について説明する。なお、ここでは、高分子複合材料に含まれるプロピレン系重合体（Ａ）が、ヘテロファジックプロピレン重合材料であるとする。
学習装置について説明する。なお、ここでは、高分子複合材料に含まれるプロピレン系重合体（Ａ）が、ヘテロファジックプロピレン重合材料であるとする。
【0092】
図２は、学習装置の概略構成を示すブロック図である。図２に示すように、学習装置１は、取得部１１、前処理部１２、学習用データセット作成部１３、学習部１４及び表示部１５を備える。学習装置１は、高分子を含む高分子複合材料の物性を予測する学習済みモデルＭ１を生成する。
【0093】
取得部１１は、高分子複合材料の記述子を含むパラメータを説明変数として取得すると共に、高分子複合材料の物性を目的変数として取得する。
【0094】
高分子複合材料の記述子としては、高分子複合材料に含まれる構成成分の質量比率、構成成分の種類毎の特性値及び構造値等が挙げられる。
【0095】
高分子複合材料の記述子は、高分子複合材料に含まれる構成成分の質量比率と、構成成分の種類毎の特性値及び構造値の少なくとも一方を含む。
【0096】
構成成分は、一種の高分子を必須成分として含み、一種の高分子以外の成分を任意成分として含んでもよい。一種の高分子と、一種の高分子以外の成分は、いずれも複数含んでもよい。構成成分は、一種の高分子を含むため、構成成分の種類毎の特性値及び構造値は、一種の高分子の特性値及び構造値であってよい。
【0097】
構成成分の質量比率は、構成成分の組成とその比率である。例えば、高分子複合材料に含まれる、ヘテロファジックプロピレン重合材料、ポリオレフィンエラストマー（Ｂ）及び充填材（Ｃ）のそれぞれの比率である。
【0098】
構成成分の種類毎の特性値は、構成成分の極限粘度、ＭＦＲ等が挙げられる。
【0099】
構成成分の極限粘度は、高分子複合材料に含まれる、少なくとも一種の高分子の極限粘度を含む。構成成分の極限粘度は、例えば、高分子複合材料に含まれる、ヘテロファジックプロピレン重合材料及びポリオレフィンエラストマー（Ｂ）の極限粘度である。
【0100】
ヘテロファジックプロピレン重合材料の極限粘度は、ヘテロファジックプロピレン重合材料を構成する重合体（Ｉ）及び重合体（ＩＩ）の少なくとも一方の極限粘度であり、重合体（Ｉ）及び重合体（ＩＩ）の両方の極限粘度でもよい。
【0101】
構成成分の種類毎の構造値は、構成成分の分子量、構成成分の含有量、構成成分に含まれる共重合体の組成の比率、共重合体の単量体単位比率等である。
【0102】
構造値は、構成成分の含有量及び構成成分に含まれる共重合体の単量体単位比率の少なくとも一方を含むことが好ましい。共重合体の単量体単位比率は、エチレンに由来する単量体単位を含む共重合体（例えば、ヘテロファジックプロピレン重合材料及びポリオレフィンエラストマー（Ｂ）等）における共重合体の単量体単位比率でもよい。
【0103】
構成成分の分子量は、高分子の分子量を含む。構成成分の分子量は、例えば、高分子複合材料に含まれる、ヘテロファジックプロピレン重合材料及びポリオレフィンエラストマー（Ｂ）等の分子量である。
【0104】
ヘテロファジックプロピレン重合材料の分子量は、ヘテロファジックプロピレン重合材料に含まれる重合体（Ｉ）及び重合体（ＩＩ）の少なくとも一方の分子量であり、重合体（Ｉ）及び重合体（ＩＩ）の両方の分子量でもよいし、重合体（Ｉ）又は重合体（ＩＩ）の分子量としてよい。
【0105】
構成成分の含有量は、高分子の含有量を含む。構成成分の含有量は、例えば、高分子複合材料に含まれる、ヘテロファジックプロピレン重合材料、ポリオレフィンエラストマー（Ｂ）及び充填材（Ｃ）の含有量である。
【0106】
ヘテロファジックプロピレン重合材料の含有量は、ヘテロファジックプロピレン重合材料を構成する重合体（Ｉ）及び重合体（ＩＩ）の少なくとも一方の含有量であり、重合体（ＩＩ）の含有量のみでもよい。
【0107】
構成成分に含まれる共重合体の単量体単位比率は、例えば、高分子複合材料に含まれるヘテロファジックプロピレン重合材料に含まれるエチレン量、ポリオレフィンエラストマー（Ｂ）に含まれるエチレン量である。なお、エチレン量は、ヘテロファジックプロピレン重合材料及びポリオレフィンエラストマー（Ｂ）等のエチレンに由来する単量体単位を含む共重合体における、共重合体の単量体単位比率である。
【0108】
ヘテロファジックプロピレン重合材料に含まれるエチレン量は、ヘテロファジックプロピレン重合材料に含まれる重合体（Ｉ）及び重合体（ＩＩ）の少なくとも一方に含まれるエチレンに由来する構造単位の含有量であり、重合体（ＩＩ）に含まれるエチレンに由来する構造単位の含有量のみでもよい。
【0109】
構成成分に含まれる共重合体の組成の比率は、高分子複合材料に含まれる、ヘテロファジックプロピレン重合材料及びポリオレフィンエラストマー（Ｂ）等に含まれる共重合体の組成の比率である。ヘテロファジックプロピレン重合材料に含まれる共重合体の組成の比率は、重合体（Ｉ）と重合体（ＩＩ）との比率としてもよい。
【0110】
構成成分の種類毎の特性値及び構造値は、構成成分が高分子である場合、高分子の特性又は構造を示すパラメータを含むことが好ましい。そのため、特性値及び構造値は、高分子であるテロファジックプロピレン重合材料及びポリオレフィンエラストマー（Ｂ）等の特性又は構造を示すパラメータとして、例えば、これらの分子量及び共重合体の単量体単位比率と相関するパラメータ等を含んでよい。
【0111】
分子量と相関するパラメータとして、例えば、極限粘度及びメルトフローレート（ＭＦＲ）等が挙げられる。
【0112】
共重合体の単量体単位比率と相関するパラメータとして、例えば、密度及びガラス転移温度等が挙げられる。
【0113】
構成成分の特性値及び構造値の少なくとも一方は、構成成分の種類毎の平均値を含むことが好ましく、構成成分の種類毎の特性値は、平均特性値を含み、構成成分の種類毎の構造値は、平均構造値を含むことが好ましい。
【0114】
即ち、構成成分の分子量、構成成分の含有量、構成成分の極限粘度、構成成分に含まれる共重合体の単量体単位比率、共重合体の組成の比率は、それぞれ、構成成分の平均分子量、構成成分の平均含有量、構成成分の平均極限粘度、構成成分に含まれる共重合体の平均単量体単位比率、共重合体の組成の平均比率としてよい。
【0115】
特性値及び構造値の平均値を用いると、高分子複合材料の構成成分として１つの高分子を含む場合と、２つ以上の高分子を含む場合とで、学習に用いる高分子複合材料の記述子を含むパラメータの数を揃えることができるため、学習済みモデルＭ１の予測精度が向上する場合がある。例えば、学習用データセットに２つのプロピレン材料を含む高分子複合材料が存在し、第１の成分の特性値及び構造値と、第２の成分の特性値及び構造値を高分子複合材料の記述子を含むパラメータとして用いる。この場合、他の学習用データセットに１つのプロピレン材料を含む高分子複合材料が存在する場合には、該材料の第２の成分は存在しないので、第２の成分の特性値及び構造値は欠損データとなる。学習に用いる高分子複合材料の記述子を含むパラメータに欠損データがある場合、得られる学習済みモデルの予測精度は低下する。このような場合、高分子複合材料の記述子を含むパラメータとして各成分毎の特性値及び構造値の平均値を用いる。これにより、２つのプロピレン材料を含む高分子複合材料と、１つのプロピレン材料を含む高分子複合材料とで、対応する記述子を含むパラメータの数を揃えることができ、学習データに欠損を生じないため、学習済みモデルの予測精度が向上する。
【0116】
高分子複合材料の記述子は、追加の記述子として、算出した上記の各成分の特性値又は構造値（平均特性値又は平均構造値）と質量比率との交差項を含んでよい。なお、各成分の特性値又は構造値は、これらの平均特性値又は平均構造値でもよい。即ち、高分子複合材料の記述子は、追加の記述子として、算出した上記の各成分の特性値又は構造値と質量比率との積を合算した値を含んでよい。
【0117】
なお、交差項は、説明変数である、高分子複合材料の記述子を含むパラメータ同士の間の交互作用（いわゆる相乗効果）を表現するのに有効である。非線形モデルを用いる場合は必ずしも含める必要はないが、学習データセット内のデータ数が少ない場合には、精度向上に寄与する場合があるため、交差項を用いることが好ましい。交差項を作る高分子複合材料の記述子は、目的変数である高分子複合材料の物性に対して効くと思われる記述子の組み合わせを適宜選択してもよいし、全てのパターンを試して予測精度が高い組み合わせを選択してもよい。
【0118】
高分子複合材料の物性としては、成形性（流動性）、剛性、耐衝撃性、光沢性等が挙げられる。なお、成形性は、高分子複合材料のＭＦＲ等で評価できる。耐衝撃性は、常温又は低温におけるＩＺＯＤ衝撃強度で評価できる。
【0119】
前処理部１２は、取得した高分子複合材料の記述子を含むパラメータ（説明変数）及び高分子複合材料の物性（目的変数）の前処理を行う。なお、学習装置１は、取得部１１で、予め前処理された、高分子複合材料の記述子を含むパラメータ及び高分子複合材料の物性が取得される場合、前処理部１２を備えなくてもよい。
【0120】
前処理部１２は、取得部１１で取得した高分子複合材料が重複する場合、高分子複合材料の記述子を含むパラメータ及び高分子複合材料の物性の重複する値は、平均値（中央値）を算出してよい。
【0121】
前処理部１２は、高分子複合材料の記述子を含むパラメータとして、高分子複合材料の種類毎の特性値及び構造値の平均値を算出してよい。
【0122】
学習用データセット作成部１３は、前処理された、高分子複合材料の記述子を含むパラメータを説明変数として、高分子複合材料の物性を目的変数として、それぞれ抽出して、学習用データセットに加える。学習用データセット作成部１３は、入力された、高分子複合材料の記述子を含むパラメータと高分子複合材料の物性を紐付けて、学習用データセットを作成する。
【0123】
なお、前処理部１２で、高分子複合材料の記述子を含むパラメータと高分子複合材料の物性の前処理が行われない場合には、学習用データセット作成部１３は、取得部１１で取得した、高分子複合材料の記述子を含むパラメータ（説明変数）と高分子複合材料の物性（目的変数）をそれぞれ抽出して、学習用データセットに加えてよい。
【0124】
学習部１４は、高分子複合材料の記述子を含むパラメータ（説明変数）と、高分子複合材料の物性（目的変数）とが対応付けられた学習用データセットを用いて学習することで、学習済みモデルＭ１を生成する。
【0125】
学習済みモデルＭ１は、不図示の記憶部に記憶されている学習用データセット（学習用データテーブル）を利用して予め機械学習が行われた学習済みモデルであり、記憶部に記憶されている学習用データセットを利用して機械学習が行われることで得られる、高分子複合材料の記述子を含むパラメータ（説明変数）と高分子複合材料の物性（目的変数）との対応関係の学習結果が適用される。学習済みモデルＭ１は、高分子複合材料の記述子を含むパラメータを説明変数として入力データとし、高分子複合材料の物性を目的変数として出力データとし、高分子複合材料の記述子を含むパラメータと高分子複合材料の物性との入出力関係をモデル化するためのプログラムである。なお、学習済みモデルＭ１は、関数等の数式で表してもよい。
【0126】
学習済みモデルＭ１は、機械学習の中でも、教師あり学習のアルゴリズムを適用することが好ましい。教師あり学習として、例えば、線形回帰（Linear regression）、正則化回帰（Regularized Regression）、部分的最小二乗回帰、多項式回帰、カーネル回帰（Kernel Regression）、ロジスティック回帰（Logistic regression）、ランダムフォレスト（Random Forest）、勾配ブースティング回帰木（Gradient Boosting Regression Tree）、サポートベクターマシン（Support Vector Machine、ＳＶＭ）、ニューラルネットワーク（Neural Network）等が挙げられる。ニューラルネットワークは、ニューラルネットワークを３層よりも多層にした深層学習（ディープラーニング）を用いることができる。ニューラルネットワークの種類としては、例えば、畳み込みニューラルネットワーク（Convolutional Neural Network、ＣＮＮ）、回帰型（再帰型）ニューラルネットワーク（Recurrent Neural Network、ＲＮＮ）及び一般回帰ニューラルネットワーク（General Regression Neural Network）等を用いることができる。
【0127】
表示部１５は、学習済みモデルＭ１の学習において用いられる学習用データセットの情報と、学習済みモデルＭ１に関する情報等を表示する。
【0128】
学習装置１は、１つの学習済みモデルＭ１で高分子複合材料の１つの特性を出力する。このため、学習装置１は、出力する高分子複合材料の物性毎に、それぞれの高分子複合材料の物性に応じた学習済みモデルＭ１を有することが好ましい。
【0129】
このように、学習装置１は、学習部１４を備えるため、高分子複合材料の物性を予測する学習済みモデルＭ１を生成できる。学習装置１により生成される学習済みモデルＭ１は、入力される、高分子複合材料の記述子を含むパラメータから、高分子複合材料の物性を予測する。
【0130】
また、学習装置１は、学習済みモデルＭ１を生成できるため、学習装置１を用いることで、高分子複合材料の記述子を含むパラメータから高分子複合材料の物性の予測に要する負担の軽減及び時間の削減を図ることができる。即ち、高分子複合材料を製造する際、高分子複合材料の用途等に応じて、成形性等の任意の特性を満たす高分子複合材料を製造するために、実際に、実験で、様々な高分子を含む高分子複合材料を製造してその物性の測定等が行われる。こうした工程が行われることで、高分子複合材料の製造に有効な高分子の種類及び組成物の組成等が決定されるため、非常に多くの労力を要すると共に、様々な材料の準備のため、費用の負担が大きかった。本実施形態に係る学習装置１は、高分子複合材料の記述子を含むパラメータから高分子複合材料の物性を予測するために用いることで、高分子複合材料の物性の予測を、負担を減らしつつ効率的に行うことができる。よって、学習装置１は、高分子複合材料の物性を予測する際のエネルギー消費の低減を図ることができる。
【0131】
＜予測装置＞
予測装置について説明する。図３は、予測装置の構成を示すシステム構成図である。図３に示すように、予測装置２は、取得部２１、前処理部２２、学習済みモデルＭ２、予測部２３及び表示部２４を備える。予測装置２は、高分子を含む高分子複合材料の物性を予測する。
予測装置について説明する。図３は、予測装置の構成を示すシステム構成図である。図３に示すように、予測装置２は、取得部２１、前処理部２２、学習済みモデルＭ２、予測部２３及び表示部２４を備える。予測装置２は、高分子を含む高分子複合材料の物性を予測する。
【0132】
取得部２１は、予測対象の、高分子複合材料の記述子を含むパラメータを説明変数として取得する。高分子複合材料の記述子を含むパラメータは、上述の学習装置１で取得する高分子複合材料の記述子を含むパラメータと同様であるため、説明は省略する。
【0133】
前処理部２２は、学習装置１の前処理部１２と同様であるため、説明は省略する。
【0134】
学習済みモデルＭ２は、予め準備した、高分子複合材料の記述子を含むパラメータ（説明変数）と、高分子複合材料の物性（目的変数）とが対応付けられた学習用データセットを用いて学習されたものである。学習済みモデルＭ２は、上記の学習装置１で生成した学習済みモデルＭ１を用いることができる。
【0135】
予測部２３は、学習済みモデルＭ２に、取得部２１により取得された予測対象の高分子複合材料の記述子を含むパラメータを入力することで、学習済みモデルＭ２により予測された、予測対象の高分子複合材料の物性を出力する。即ち、予測部２３は、１つの学習済みモデルＭ２から、予測対象の高分子複合材料の記述子を含むパラメータに対応した、予測対象の高分子複合材料の１種類の物性を予測する。
【0136】
また、予測部２３は、複数の学習済みモデルＭ２を用いることにより、予測対象の高分子複合材料の記述子を含むパラメータに対応した、予測対象の高分子複合材料の物性を含む群を予測してよい。例えば、予測部２３は、予測対象の高分子複合材料の質量比率、特性値及び構造値等に対応した、予測対象の高分子複合材料の複数の物性の予測値を予測してよい。ここでは、同一の記述子を含むパラメータを入力として、それぞれの学習済みモデルからそれぞれの物性の予測値を得ても良く、同一の予測対象の高分子複合材料から、各学習済みモデルに対応した個別の前処理部を経由してもよい。
【0137】
また、予測部２３は、複数の、予測対象の高分子複合材料の記述子を含むパラメータに対応した、予測対象の高分子複合材料の物性を含む群を予測してよい。
【0138】
表示部２４は、学習済みモデルＭ２により予測された、高分子複合材料の物性を目的変数として表示する。
【0139】
このように、予測装置２は、予測部２３を備え、予測部２３において、学習済みモデルＭ２により、高分子複合材料の記述子を含むパラメータから、高分子複合材料の物性を予測できる。よって、予測装置２は、入力される、高分子複合材料の記述子を含むパラメータから、高分子複合材料の物性を予測できる。
【0140】
また、予測装置２は、予測部２３を備えることで、高分子複合材料の記述子を含むパラメータから高分子複合材料の物性の予測に要する負担の軽減及び時間の削減を図りつつ、高分子複合材料の物性を予測できる。よって、予測装置２は、高分子複合材料の物性を効率的に予測できるため、高分子複合材料の物性を予測する際のエネルギー消費の低減を図ることができる。
【0141】
＜組成提案装置＞
本実施形態に係る組成提案装置について説明する。図４は、本実施形態に係る組成提案装置の構成を示すブロック図である。図４に示すように、組成提案装置３は、取得部３１、前処理部３２、予測部３３、学習済みモデルＭ３、設定部３４、比較部３５、判定部３６、最適化部３７及び表示部３８を備える。組成提案装置３は、少なくとも高分子を構成成分として含む組成物から形成される高分子複合材料の組成を提案する。
本実施形態に係る組成提案装置について説明する。図４は、本実施形態に係る組成提案装置の構成を示すブロック図である。図４に示すように、組成提案装置３は、取得部３１、前処理部３２、予測部３３、学習済みモデルＭ３、設定部３４、比較部３５、判定部３６、最適化部３７及び表示部３８を備える。組成提案装置３は、少なくとも高分子を構成成分として含む組成物から形成される高分子複合材料の組成を提案する。
【0142】
取得部３１は、仮想の高分子複合材料の記述子を、仮想的に設定した記述子（仮想記述子）として含むパラメータを説明変数として取得する。
【0143】
取得部３１に最初に入力される仮想記述子は、ランダムに取得された記述子でよく、例えば、高分子複合材料に含まれる構成成分の、ランダムに取得された、質量比率、特性値及び構造値等を用いてよい。また、最初に入力される仮想記述子は、複数の、仮想の高分子複合材料に対応して、複数の群があってよい。
【0144】
高分子複合材料の記述子は、上述の学習装置１で取得する高分子複合材料の記述子と同様であるため、説明は省略する。
【0145】
前処理部３２は、取得部３１で取得した、仮想の高分子複合材料の記述子を含むパラメータの前処理を行う。なお、組成提案装置３は、取得部３１で、予め前処理された、仮想の高分子複合材料の記述子を含むパラメータを取得する場合、前処理部３２を備えなくてもよい。
【0146】
前処理部３２は、取得部３１で取得した、仮想の高分子複合材料の記述子を含むパラメータが重複する場合、仮想の高分子複合材料の記述子を含むパラメータの重複する値は平均値（中央値）を算出してよい。
【0147】
前処理部３２は、仮想の高分子複合材料の記述子を含むパラメータとして、高分子複合材料の種類毎の特性値及び構造値の平均値を算出してよい。
【0148】
予測部３３は、学習済みモデルＭ３に、前処理部３２で取得した、仮想の高分子複合材料の記述子を含むパラメータを入力して、仮想の高分子複合材料の物性を予測する。
【0149】
予測部３３は、仮想の高分子複合材料の記述子を含むパラメータに対応した、仮想の高分子複合材料の物性の予測値を含む群を予測してよい。仮想の高分子複合材料の物性を含む群は、複数の学習済みモデルＭ３により予測される、仮想の高分子複合材料の物性の予測値の群である。例えば、予測部３３は、複数の学習済みモデルＭ３により、仮想の高分子複合材料の質量比率、特性値及び構造値等に対応した、仮想の高分子複合材料の物性の予測値の群を予測してよい。
【0150】
学習済みモデルＭ３は、高分子複合材料の記述子を含むパラメータと高分子複合材料の物性とが対応付けられた学習用データセットを用いて学習された学習済みモデルであり、学習済みモデルＭ１と同様であるため、詳細は省略する。
【0151】
設定部３４は、仮想の高分子複合材料の物性の目標値を設定する。
【0152】
目標値は、高分子複合材料の用途等に応じて適宜設定される。
【0153】
比較部３５は、予測部３３で予測された、仮想の高分子複合材料の物性を、仮想の高分子複合材料の物性の目標値と比較する。
【0154】
判定部３６は、仮想の高分子複合材料の記述子を含むパラメータを最適化する必要があるか否かを判定する。
【0155】
判定部３６は、繰り返しの最適化が所定の回数行われたか否かを判定する。
【0156】
所定の回数は、用いる高分子複合材料の種類、組成等に応じて適宜設定されてよい。
【0157】
また、判定部３６は、同時に、予測部３３で予測された、仮想の高分子複合材料の物性と、仮想の高分子複合材料の物性の目標値との差が所定の範囲内であるかを判定してもよい。
【0158】
なお、所定の範囲は、用いる高分子複合材料の種類、組成等に応じて適宜設定してよい。例えば、所定の範囲は、仮想の高分子複合材料の物性が目標値と同一でもよいし、仮想の高分子複合材料の物性の目標値との誤差が数％以下の範囲でもよい。また、仮想の高分子複合材料の物性が複数ある場合、仮想の高分子複合材料の物性の少なくとも一つと目標値との誤差が数％以下の範囲でもよい。
【0159】
最適化部３７は、予測部３３において予測された、仮想の高分子複合材料の物性が、目標値に近づくように、仮想の高分子複合材料の記述子（例えば、質量比率、特性値及び構造値等）を含むパラメータを変更して最適化する。最適化部３７は、仮想の高分子複合材料の物性が予測される毎に、仮想の高分子複合材料の記述子を含むパラメータを変更することで、仮想の高分子複合材料の記述子を含むパラメータを最適化する。
【0160】
即ち、最適化部３７は、仮想の高分子複合材料の物性が望ましい方向に変更するように、仮想の高分子複合材料の記述子を含むパラメータを最適化する。
【0161】
構成成分は、上述の通り、高分子を必須成分として含み、高分子以外の成分を任意成分として含んでもよく、高分子と、高分子以外の成分は、いずれも、１つ以上含んでもよい。高分子複合材料の記述子として、例えば、高分子複合材料に含まれる構成成分の種類、構成成分の質量比率が最適化される際、高分子複合材料に構成成分として含まれるプロピレン系重合体及びポリオレフィンエラストマーの種類と、プロピレン系重合体、ポリオレフィンエラストマー及びその他の構成成分の質量比率を最適化されることが好ましい。
【0162】
最適化部３７は、最適化された、仮想の高分子複合材料の記述子を、再度、仮想記述子として、取得部３１に入力する。
【0163】
最適化部３７は、例えば、米国Ａｎａｃｏｎｄａ社から配布されているソフトウェアであるＡｎａｃｏｎｄａ（登録商標）に含まれるライブラリを用いてよい。Ａｎａｃｏｎｄａ（登録商標）には、Ｐｙｔｈｏｎ（登録商標）及び機械学習で使用されるライブラリ群が含まれている。最適化部３７は、仮想の高分子複合材料の記述子を含むパラメータの最適化のため、ＰｙｔｈｏｎライブラリであるＯｐｔｕｎａ（登録商標）を用いて、良好な物性を有する仮想の高分子複合材料の記述子を含むパラメータを提案できる。
【0164】
即ち、最適化部３７は、仮想の高分子複合材料の記述子を含むパラメータと、仮想の高分子複合材料の物性の予測値から、最適化した際の仮想の高分子複合材料の望ましい質量比率、特性値及び構造値等を含む記述子を、ＰｙｔｈｏｎライブラリであるＯｐｔｕｎａ（登録商標）を用いて提案できる。
【0165】
最適化部３７は、仮想の高分子複合材料の記述子を含むパラメータを、学習用データセットに記録されている、高分子複合材料の記述子を含むパラメータに変更することに限定されない。最適化部３７は、学習用データセットに記録されていない、高分子複合材料の記述子を含むパラメータに変更してもよい。
【0166】
即ち、最適化部３７は、予測部３３で予測された、仮想の高分子複合材料の物性に基づいて、仮想の高分子複合材料の記述子を、学習用データセットに記録されている高分子複合材料の質量比率、特性値及び構造値等に変更してもよいし、学習用データセットに記録されていない高分子複合材料の質量比率、特性値及び構造値等に変更してもよい。
【0167】
また、最適化部３７は、仮想の高分子複合材料の記述子を含むパラメータを、学習用データセットに記録されているか否かに関わらず、特定の高分子複合材料の記述子を含むパラメータを回避するように変更してもよい。
【0168】
即ち、最適化部３７は、学習用データセットに記録されているか否かに関わらず、特定の高分子複合材料の記述子として、高分子複合材料の特定の質量比率、特性値及び構造値等を回避するように変更してもよい。
【0169】
最適化部３７は、最適化した際の仮想の高分子複合材料の望ましい質量比率、特性値及び構造値等を含む記述子を含むパラメータを実現するための、仮想の高分子複合材料の記述子を、アルゴリズムを用いて最適化して提案することが好ましい。
【0170】
アルゴリズムとしては、ランダムサーチ及び数理最適化処理等が挙げられるが、中でも、より効率的に最適化を行う点から、数理最適化処理が好ましい。
【0171】
数理最適化処理として、遺伝的アルゴリズム、ベイス最適化及びＴＰＥ（Ｔｒｅｅ－ｓｔｒｕｃｔｕｒｅｄ Ｐａｒｚｅｎ Ｅｓｔｉｍａｔｏｒ）等を用いることができる。これらの中でも、１回の処理当たりの計算速度と高分子複合材料の特性の予測値の最適化効率のバランスの点から、遺伝的アルゴリズムが好ましい。
【0172】
最適化部３７は、予測部３３で予測された、仮想の高分子複合材料の物性の予測値から、仮想の高分子複合材料の記述子を含むパラメータを最適化した際、最適化された仮想の高分子複合材料の組成の群（パレート最適解）を提案してよい。即ち、最適化部３７は、予測部３３で予測された、仮想の高分子複合材料の物性から、仮想の高分子複合材料の組成の組合せを複数提案してよい。
【0173】
高分子複合材料の物性が２つ以上である場合でも、最適化部３７は、２つ以上の物性についての高分子複合材料の組成の群（パレート最適解）を提案してよい。
【0174】
仮想の高分子複合材料の記述子を含むパラメータを最適化する方法として、以下の方法がある。
【0175】
一つ目の最適化の方法として、仮想の高分子複合材料の物性を望ましい方向に最大化又は最小化するように、仮想の高分子複合材料の記述子を含むパラメータを最適化させ、高分子複合材料の記述子の群を提案する方法がある。
【0176】
この最適化する方法は、仮想の高分子複合材料の物性を望ましい方向に最大化するように、仮想の高分子複合材料の記述子を含むパラメータを最適化させることが好ましい。
【0177】
この最適化する方法では、最適化部３７は、最適化の対象となる高分子複合材料の物性の項目と、最適化の方向（最大化又は最小化）を指定することで、高分子複合材料の物性が良好となるように、高分子複合材料の記述子を最適化することができる。
【0178】
例えば、最適化部３７は、提案された高分子複合材料の組成Ｒから、取得部３１、前処理部３２、予測部３３を経由して、組成Ｒに対応する高分子複合材料の物性の予測値の群Ｐを得る。このとき、最適化部３７は、上記操作を繰り返すことにより、高分子複合材料の仮想的な組成Ｒｊ（ｊ＝１、２・・・ｎ）と、高分子複合材料の組成に対応する高分子複合材料の物性の予測値の群Ｐｊ（ｊ＝１、２・・・ｎ）との対が得られる。そして、最適化部３７は、得られた高分子複合材料の仮想的な組成Ｒｊと、組成に対応する高分子複合材料の物性の予測値の群Ｐｊとの対から、高分子複合材料の物性の予測値が良好となる高分子複合材料の組成の群を選択できる。
【0179】
例えば、数理最適化処理として遺伝的アルゴリズムを用いる。この場合、取得部３１に、初めに(ランダムに)入力される複数の仮想的な組成Ｒｊ（ｊ＝１、２・・・ｎ）と、対応する物性の予測値の群Ｐｊ（ｊ＝１、２・・・ｎ）との対を第一世代とする。そして、予測値の群Ｐｊの値が望ましい（即ち、望ましい方向に最大化又は最小化されている）仮想組成Ｒｊの部分集合から、高分子複合材料の記述子を含むパラメータを仮想組成間で組み替える交叉操作と、高分子複合材料の記述子を含むパラメータの一部をランダムに置き換える突然変異操作を行う。これにより、最適化部３７は、高分子複合材料の物性の予測値が良好となる高分子複合材料の組成の群が得られる。こうして得られた組成の群と対応する予測値の群の対を第二世代として、上記操作を繰り返す。これにより、更に高分子複合材料の物性の予測値が良好となる高分子複合材料の組成の群が得られる。
【0180】
最適化部３７は、上記の方法により、高分子複合材料の物性が望ましい方向に最大又は最小である高分子複合材料の記述子の群を仮想記述子の群として提案できる。
【0181】
よって、最適化部３７は、上記の方法により、多数の組み合わせが考えられる高分子複合材料の中で、高分子複合材料の物性が望ましい方向に最大化又は最小化された高分子複合材料の記述子の群を提案できる。
【0182】
二つ目の最適化する方法として、仮想の高分子複合材料の物性を望ましい値に近づけるように、高分子複合材料の記述子の群を提案する方法がある。
【0183】
この最適化する方法では、最適化部３７は、最適化のための目的関数として、最適化の対象となる、高分子複合材料の物性の項目と、その目標値を指定することで、高分子複合材料の物性が良好となるように、高分子複合材料の組成を最適化することができる。
【0184】
最適化部３７は、高分子複合材料の物性ｋの目標値をＯｋ、高分子複合材料の組成Ｒｊに対応する高分子複合材料の物性の予測値をＰｋ，ｊとした時、最適化のための目的関数ｆｋは、下記式（１）により求められる。
ｆｋ＝｜Ｏｋ－Ｐｋ，ｊ｜／｜Ｏｋ｜ ・・・（１）
ｆｋ＝｜Ｏｋ－Ｐｋ，ｊ｜／｜Ｏｋ｜ ・・・（１）
【0185】
そして、最適化部３７は、上記の、第一の最適化する方法と同様の方法によって、目的関数ｆｋを最小化するように組成を最適化する。
【0186】
最適化部３７は、上記の方法により、高分子複合材料の物性を望ましい値（目標値）に近づけるような高分子複合材料の記述子の群を仮想記述子の群として提案できる。
【0187】
高分子複合材料の物性が２つ以上である場合でも、最適化部３７は、上記と同様に、仮想の高分子複合材料の記述子を含むパラメータを最適化する方法を用い、高分子複合材料の記述子の群を提案できる。
【0188】
即ち、最適化部３７は、高分子複合材料の２つ以上の物性それぞれについて、学習済みモデルＭ３に、仮想の高分子複合材料の記述子を含むパラメータをそれぞれ入力することで予測される、仮想の高分子複合材料の２つ以上の物性が、それぞれ最大化又は最小化するように、仮想の高分子複合材料の記述子を含むパラメータを最適化させ、高分子複合材料の記述子の群を提案してよい。
【0189】
また、最適化部３７は、高分子複合材料の２つ以上の物性それぞれについて、学習済みモデルＭ３に、仮想の高分子複合材料の記述子を含むパラメータをそれぞれ入力することで予測される、仮想の高分子複合材料の２つ以上の物性が、２つ以上の物性のそれぞれの目標値に近づくように、仮想の高分子複合材料の記述子を含むパラメータを最適化させ、高分子複合材料の記述子の群を提案してよい。
【0190】
表示部３８は、仮想の高分子複合材料の記述子を含むパラメータに関する情報を表示する。高分子複合材料の記述子は、１回以上、最適化部３７により提案されて判定部３６で再度判定された、高分子複合材料の記述子でもよいし、最適化部３７により最適化されていない、高分子複合材料の記述子でもよい。判定部３６において、予測部３３で予測された高分子複合材料の物性が、目標値の所定の範囲内である場合、最初に取得部３１で取得された、高分子複合材料の記述子を表示してよい。
【0191】
表示部３８は、例えば、最適化部３７により提案された、高分子複合材料の記述子の群を、マップ、ランキング形式、最適な組み合わせ順等、高分子複合材料の記述子のリストで表示してよい。
【0192】
このように、組成提案装置３は、予測部３３、設定部３４、比較部３５、判定部３６及び最適化部３７を備える。組成提案装置３は、比較部３５において、予測部３３で予測された仮想の高分子複合材料の物性を設定部３４で設定された目標値と比較して、判定部３６において、仮想の高分子複合材料の物性が目標値の所定の範囲内にあるかと判定する。組成提案装置３は、最適化部３７において、学習済みモデルＭ３に仮想の高分子複合材料の記述子を含むパラメータを入力することで予測される、仮想の高分子複合材料の物性が、目標値に近づくように、仮想の高分子複合材料の記述子を含むパラメータを最適化する。
【0193】
組成提案装置３は、判定部３６において、予測部３３で得られた仮想の高分子複合材料の物性が目標値の所定の範囲内にあると判定されるまで、最適化部３７において、仮想の高分子複合材料の物性が、目標値に近づくように、仮想の高分子複合材料の記述子を含むパラメータを最適化する操作を繰り返すことができる。
【0194】
これにより、組成提案装置３は、仮想の高分子複合材料の物性から高分子複合材料の記述子を含むパラメータを提案できる。よって、組成提案装置３は、設定される、高分子複合材料の所望の特性が得られる、高分子複合材料の記述子を含むパラメータを提案できる。
【0195】
また、組成提案装置３は、最適化部３７を備えることで、仮想の高分子複合材料の記述子を、仮想の高分子複合材料の所望の特性を満たすように最適化する際に要する負担の軽減及び時間の削減を図ることができる。よって、組成提案装置３は、所望の特性を満たす高分子複合材料の記述子を含むパラメータを効率良く提案できるため、高分子複合材料の選定に要するエネルギー消費の低減を図ることができる。
【0196】
（組成提案装置の他の態様）
本実施形態に係る組成提案装置の他の態様について説明する。図５は、本実施形態に係る組成提案装置の他の構成を示すブロック図である。図５に示すように、組成提案装置４は、図４に示す組成提案装置３において、学習済みモデルＭ３を用いずに高分子複合材料の組成を提案する装置である。即ち、組成提案装置４は、取得部４１、前処理部４２、設定部４３、比較部４４、判定部４５、最適化部４６及び表示部４７を備える。
本実施形態に係る組成提案装置の他の態様について説明する。図５は、本実施形態に係る組成提案装置の他の構成を示すブロック図である。図５に示すように、組成提案装置４は、図４に示す組成提案装置３において、学習済みモデルＭ３を用いずに高分子複合材料の組成を提案する装置である。即ち、組成提案装置４は、取得部４１、前処理部４２、設定部４３、比較部４４、判定部４５、最適化部４６及び表示部４７を備える。
【0197】
取得部４１は、仮想の高分子複合材料の記述子を、仮想的に設定した記述子（仮想記述子）として含むパラメータを説明変数として取得する。高分子複合材料の記述子は、上記の組成提案装置３の取得部３１で取得する高分子複合材料の記述子と同様であるため、詳細は省略する。
【0198】
前処理部４２は、取得部４１で取得した、仮想記述子を含むパラメータの前処理を行う。なお、組成提案装置３は、取得部４１で、予め前処理された、仮想の高分子複合材料の記述子を含むパラメータを取得する場合、前処理部４２を備えなくてもよい。前処理部４２は、上記の組成提案装置３の前処理部４２と同様であるため、詳細は省略する。
【0199】
設定部４３は、仮想の高分子複合材料の記述子を含むパラメータの目標値を設定する。
【0200】
目標値は、高分子複合材料の用途等に応じて適宜設定される。
【0201】
比較部４４は、前処理部３２で取得された、仮想の高分子複合材料の記述子を含むパラメータを、設定部４３で設定された高分子複合材料の記述子を含むパラメータの目標値と比較する。
【0202】
判定部４５は、前処理部３２で取得された、仮想の高分子複合材料の記述子を含むパラメータと、設定部４３で設定された目標値との差が所定の範囲内であるか判定する。判定方法は、上記の組成提案装置３の判定部３６における判定方法と同様に行うことができる。
【0203】
最適化部４６は、前処理部３２で取得した、仮想の高分子複合材料の記述子（例えば、質量比率、特性値及び構造値等）を含むパラメータと、設定部４３で設定された目標値とから、仮想の高分子複合材料の記述子が目標値に近づくように、仮想の高分子複合材料の記述子を含むパラメータを変更して最適化する。
【0204】
最適化部４６は、前処理部３２で取得した、仮想の高分子複合材料の記述子を含むパラメータと、設定部４３で設定された目標値とから、仮想の高分子複合材料の記述子を含むパラメータを最適化した際、最適化された仮想の高分子複合材料の組成の群（パレート最適解）を提案してよい。
【0205】
最適化の方法は、上記の組成提案装置３の最適化部３７で行う最適化の方法と同様に行うことができるため、詳細は省略する。
【0206】
最適化部４６は、最適化された、仮想の高分子複合材料の記述子を、再度、仮想記述子として、取得部４１に入力する。
【0207】
表示部４７は、仮想の、高分子複合材料の記述子を含むパラメータに関する情報を表示する。高分子複合材料の記述子は、１回以上、最適化部４６により提案されて判定部４５で再度判定された、高分子複合材料の記述子でもよいし、最適化部４６により最適化されていない、高分子複合材料の記述子でもよい。判定部４５において、比較部４４で比較された高分子複合材料の物性が、目標値の所定の範囲内である場合、最初に取得部４１で取得された、仮想の高分子複合材料の記述子を表示してよい。表示部４７は、上記の組成提案装置３の表示部３８と同様の方法で表示してよい。
【0208】
このように、組成提案装置４は、設定部４３、設定部４３、判定部４５及び最適化部４６を備える。組成提案装置４は、設定部４３において、仮想の高分子複合材料の記述子を設定部４３で設定された目標値と比較して、判定部４５において、仮想の高分子複合材料の記述子が目標値の所定の範囲内にあるかと判定する。組成提案装置４は、最適化部４６において、仮想の高分子複合材料の記述子を含むパラメータの最適化を行うことで、仮想の高分子複合材料の記述子が、目標値に近づくように、仮想の高分子複合材料の記述子を含むパラメータを最適化する。
【0209】
組成提案装置４は、判定部４５において、仮想の高分子複合材料の記述子が目標値の所定の範囲内にあると判定されるまで、最適化部４６において、仮想の高分子複合材料の記述子が、目標値に近づくように、仮想の高分子複合材料の記述子を含むパラメータを最適化する操作を繰り返すことができる。これにより、組成提案装置４は、仮想の高分子複合材料の記述子を含むパラメータを提案できる。
【0210】
高分子複合材料の記述子を含むパラメータが、設定される目標値と略同等であれば、仮想の高分子複合材料は、目標値として設定される高分子複合材料と略同等の物性を有することができる。よって、組成提案装置４は、目的とする所望の物性を有する、仮想の高分子複合材料の記述子を含むパラメータを提案できる。
【0211】
また、組成提案装置４は、最適化部４６を備えることで、仮想の高分子複合材料の記述子を含むパラメータを最適化する際に要する負担の軽減及び時間の削減を図ることができる。よって、組成提案装置４は、所望の特性を満たす高分子複合材料の記述子を含むパラメータと略同等の高分子複合材料の記述子を含むパラメータを効率良く提案できるため、高分子複合材料の選定に要するエネルギー消費の低減を図ることができる。
【0212】
なお、上記の学習装置１、予測装置２及び組成提案装置３、４は、学習システム、予測システム及び組成提案システムとして構成されてもよい。即ち、学習装置１は、各構成を装置内に備えた、ＰＣ（Personal Computer）等の単独の装置としているが、各構成の１つ以上は装置の外側に配置してネットワークを介して接続されてもよい。
【0213】
例えば、学習用データセットはクラウド上に設けられてもよい。この場合、学習装置１は、ネットワークを介して接続される学習用データセットにより学習システムとして構成される。
【0214】
同様に、予測装置２も、各構成の１つ以上は装置の外側に配置してネットワークを介して接続されてもよい。
【0215】
同様に、組成提案装置３及び４も、各構成の１つ以上は装置の外側に配置してネットワークを介して接続されてもよい。例えば、組成提案用データセットはクラウド上に設けられてもよい。この場合、組成提案装置３は、ネットワークを介して接続される組成提案用データセットにより組成提案システムとして構成される。
【0216】
＜組成提案装置のハードウェア構成＞
次に、学習装置１、予測装置２及び組成提案装置３、４のハードウェア構成の一例について説明する。図５は、学習装置１、予測装置２及び組成提案装置３、４のハードウェア構成を示すブロック図である。図６に示すように、学習装置１、予測装置２及び組成提案装置３、４は、情報処理装置（コンピュータ）で構成され、物理的には、演算処理部であるＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ：プロセッサ）１０１、主記憶装置であるＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０２及びＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１０３、入力デバイスである入力装置１０４、出力装置１０５、通信モジュール１０６並びにハードディスク等の補助記憶装置１０７等を含むコンピュータシステムとして構成することができる。これらは、バス１０８で相互に接続されている。なお、出力装置１０５及び補助記憶装置１０７は、外部に設けられていてもよい。
次に、学習装置１、予測装置２及び組成提案装置３、４のハードウェア構成の一例について説明する。図５は、学習装置１、予測装置２及び組成提案装置３、４のハードウェア構成を示すブロック図である。図６に示すように、学習装置１、予測装置２及び組成提案装置３、４は、情報処理装置（コンピュータ）で構成され、物理的には、演算処理部であるＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ：プロセッサ）１０１、主記憶装置であるＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０２及びＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１０３、入力デバイスである入力装置１０４、出力装置１０５、通信モジュール１０６並びにハードディスク等の補助記憶装置１０７等を含むコンピュータシステムとして構成することができる。これらは、バス１０８で相互に接続されている。なお、出力装置１０５及び補助記憶装置１０７は、外部に設けられていてもよい。
【0217】
ＣＰＵ１０１は、学習装置１、予測装置２及び組成提案装置３、４の全体の動作を制御し、各種の情報処理を行う。ＣＰＵ１０１は、ＲＯＭ１０３又は補助記憶装置１０７に格納された、例えば後述する学習方法、予測方法及び組成提案方法、又は学習プログラム、予測プログラム及び組成提案プログラムを実行して、学習、予測及び組成提案を行うことができる。
【0218】
ＲＡＭ１０２は、ＣＰＵ１０１のワークエリアとして用いられ、主要な制御パラメータや情報を記憶する不揮発ＲＡＭを含んでもよい。
【0219】
ＲＯＭ１０３は、基本入出力プログラム等を記憶する。触媒の選択プログラムはＲＯＭ１０３に保存されてもよい。
【0220】
入力装置１０４は、キーボード、マウス、操作ボタン、タッチパネル、表示画面等の入力デバイスであり、使用者に入力された情報を指示信号として受け付け、その指示信号をＣＰＵ１０１に出力する。
【0221】
出力装置１０５は、モニタディスプレイ等の表示装置、スピーカー、プリンタ等の印刷装置等である。出力装置１０５では、例えば、モニタディスプレイ等の表示装置に触媒の選択結果等の情報が表示され、入力装置１０４や通信モジュール１０６を介した入力操作に応じて表示する画面が更新される。
【0222】
通信モジュール１０６は、ネットワークカード等のデータ送受信デバイスであり、外部のデータ収録サーバ等からの情報を取り込み、他の電子機器に解析情報を出力する通信インタフェースとして機能する。
【0223】
補助記憶装置１０７は、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、及びＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等の記憶装置であり、例えば、学習装置１、予測装置２及び組成提案装置３、４の動作に必要な各種のデータ、ファイル等を格納する。
【0224】
学習装置１、予測装置２及び組成提案装置３、４の各機能は、ＲＡＭ１０２等の主記憶装置又は補助記憶装置１０７から所定のコンピュータソフトウェア（触媒の選択プログラムを含む）を読み込ませ、ＣＰＵ１０１により実行することで、ＲＡＭ１０２等の主記憶装置又は及び補助記憶装置１０７等におけるデータの読み出し及び書き込みを行うと共に、入力装置１０４、出力装置１０５及び通信モジュール１０６を動作させることで実現される。
【0225】
よって、図２～４に示す、学習装置１、予測装置２及び組成提案装置３、４の各部は、学習装置１、予測装置２及び組成提案装置３、４を備えたコンピュータにおいて、プロセッサが予め記憶されている所定のコンピュータソフトウェア（学習プログラム、予測プログラム及び組成提案プログラムを含む）を実行することで、ソフトウェア及びハードウェアが協働して実現される。
【0226】
学習プログラム、予測プログラム及び組成提案プログラムは、例えばコンピュータが備える主記憶装置又は補助記憶装置１０７内に格納させておくことができる。また、学習プログラム、予測プログラム及び組成提案プログラムは、インターネット等の通信回線に接続されたコンピュータ上に格納し、触媒の選択プログラムの一部又は全部を通信回線を介してダウンロードさせることで提供してもよい。さらに、学習プログラム、予測プログラム及び組成提案プログラムは、通信回線を介して提供又は配布するように構成してもよい。
【0227】
学習プログラム、予測プログラム及び組成提案プログラムは、その一部又は全部が、ＣＤ－ＲＯＭ及びＤＶＤ－ＲＯＭ等の光ディスク、フラッシュメモリ等の半導体メモリ等、持ち運び可能な記憶媒体に格納された状態から、コンピュータ内に記録（インストールを含む）してもよい。
【0228】
＜学習方法＞
次に、学習方法について説明する。学習方法は、図２に示すような構成を有する学習装置１において、高分子複合材料の記述子を含むパラメータ（説明変数）と高分子複合材料の物性（目的変数）とが対応付けられた学習用データセットを用いて、高分子を含む高分子複合材料の物性を予測する学習済みモデルを生成する方法である。
次に、学習方法について説明する。学習方法は、図２に示すような構成を有する学習装置１において、高分子複合材料の記述子を含むパラメータ（説明変数）と高分子複合材料の物性（目的変数）とが対応付けられた学習用データセットを用いて、高分子を含む高分子複合材料の物性を予測する学習済みモデルを生成する方法である。
【0229】
図７は、学習方法を説明するフローチャートである。図７に示すように、取得部１１により、高分子複合材料の記述子を含むパラメータを説明変数として取得すると共に、高分子複合材料の物性を目的変数として取得する（取得工程：ステップＳ１１）。
【0230】
次に、前処理部１２により、取得した高分子複合材料の記述子を含むパラメータ及び高分子複合材料の物性の前処理を行う（前処理工程：ステップＳ１２）。
【0231】
次に、学習用データセット作成部１３により、前処理された、高分子複合材料の記述子を含むパラメータを説明変数とし、高分子複合材料の物性を目的変数としてとして、それぞれ抽出して、学習用データセットに加える（学習用データセットの作成工程：ステップＳ１３）。
【0232】
学習用データセット作成部１３は、入力された、高分子複合材料の記述子を含むパラメータと高分子複合材料の物性を紐付けて、学習用データセットを作成する。
【0233】
次に、学習部１４により、高分子複合材料の記述子を含むパラメータと高分子複合材料の物性とが対応付けられた学習用データセットを用いて、学習済みモデルＭ１を生成する（学習工程：ステップＳ１４）。
【0234】
学習部１４は、学習用データセットに含まれる、高分子複合材料の記述子を含むパラメータの入力に応じて、高分子複合材料の記述子を含むパラメータに紐付けられた高分子複合材料の物性と合致した出力となるように、学習済みモデルＭ１を生成する。
【0235】
次に、表示部１５により、学習済みモデルＭ１の学習において用いられる学習用データの情報と、学習済みモデルＭ１に関する情報とが表示される（表示工程：ステップＳ１５）。
【0236】
学習方法は、学習工程（ステップＳ１３）を含むことで、高分子複合材料の物性を予測する学習済みモデルＭ１を生成できる。よって、本実施形態に係る学習方法は、学習工程（ステップＳ１３）において生成した学習済みモデルＭ１を用いることで、入力される、高分子複合材料の記述子を含むパラメータから、高分子複合材料の物性を予測するように学習させることができる。
【0237】
また、学習方法は、学習工程（ステップＳ１３）を含み、学習工程（ステップＳ１３）において、学習済みモデルＭ１を生成できる。このため、本実施形態に係る学習方法を用いれば、高分子複合材料の記述子を含むパラメータから高分子複合材料の物性を予測するために用いることで、高分子複合材料の物性の予測に要する負担の軽減及び時間の削減を図ることができる。よって、本実施形態に係る学習方法を用いれば、高分子複合材料の物性を予測する際のエネルギー消費の低減を図ることができる。
【0238】
＜予測方法＞
次に、予測方法について説明する。予測方法は、図３に示すような構成を有する予測装置２において、学習済みモデルＭ２により、予測対象の高分子複合材料の物性を予測する方法である。
次に、予測方法について説明する。予測方法は、図３に示すような構成を有する予測装置２において、学習済みモデルＭ２により、予測対象の高分子複合材料の物性を予測する方法である。
【0239】
【0240】
次に、前処理部１２により、取得した高分子複合材料の記述子を含むパラメータの前処理を行う（前処理工程：ステップＳ２２）。
【0241】
次に、予測部２３により、学習済みモデルＭ２に、前処理された、予測対象の高分子複合材料の記述子を含むパラメータを入力することで、学習済みモデルＭ２により予測された、予測対象の高分子複合材料の物性を出力する（予測工程：ステップＳ２４）。
【0242】
次に、表示部２４により、予測工程Ｓ２３において、学習済みモデルＭ２により予測された、高分子複合材料の物性に関する情報が表示される（表示工程：ステップＳ２４）。
【0243】
予測方法は、予測工程（ステップＳ２４）を含むことで、学習済みモデルＭ２により、高分子複合材料の記述子を含むパラメータから、高分子複合材料の物性を目的変数として予測できる。よって、本実施形態に係る予測方法は、入力される、高分子複合材料の記述子を含むパラメータから、高分子複合材料の物性を予測できる。
【0244】
また、予測方法は、予測工程（ステップＳ２４）を含むことで、高分子複合材料の記述子を含むパラメータから高分子複合材料の物性の予測に要する負担の軽減及び時間の削減を図りつつ、高分子複合材料の物性を予測できる。よって、本実施形態に係る学習方法は、高分子複合材料の物性を効率的に予測できるため、高分子複合材料の物性を予測する際のエネルギー消費の低減を図ることができる。
【0245】
＜組成提案方法＞
次に、本実施形態に係る組成提案方法について説明する。本実施形態に係る組成提案方法は、図４に示すような構成を有する組成提案装置３において、学習済みモデルＭ３により、高分子複合材料の組成を提案する方法である。
次に、本実施形態に係る組成提案方法について説明する。本実施形態に係る組成提案方法は、図４に示すような構成を有する組成提案装置３において、学習済みモデルＭ３により、高分子複合材料の組成を提案する方法である。
【0246】
図９は、本実施形態に係る組成提案方法を説明するフローチャートである。図９に示すように、取得部３１により、仮想の高分子複合材料の記述子を、仮想的に設定した記述子（仮想記述子）として含むパラメータを説明変数として取得する（取得工程：ステップＳ３１）。
【0247】
ヘテロファジックプロピレン重合材料を含む高分子複合材料について、使用可能な原料リストの中から、ヘテロファジックプロピレン重合材料、ポリオレフィンエラストマー及び充填材（例えば、タルク等）等をそれぞれランダムに選択すると共に、高分子複合材料に含まれる構成成分の質量比率をランダムに設定する。これにより、仮想の高分子複合材料の記述子（例えば、仮想的な質量比率、特性値及び構造値等）Ｒ１を得る。但し、記述子が質量比率を含む場合、質量比率中の各構成成分の合計量は１００質量部としてよい。このとき、それぞれの構成成分は、１種類でもよいし、複数種類でもよい。
【0248】
次に、前処理部３２により、取得工程（ステップＳ３１）で取得した、仮想の高分子複合材料の記述子を含むパラメータの前処理を行う（前処理工程：ステップＳ３２）。なお、前処理工程（ステップＳ３２）は、必要に応じて行えばよい。
【0249】
次に、予測部３３により、学習済みモデルＭ３に、前処理工程（ステップＳ３２）において前処理された、仮想の高分子複合材料の記述子を含むパラメータを入力して、仮想の高分子複合材料の物性を目的変数として予測する（予測工程：ステップＳ３３）。
【0250】
予測工程（ステップＳ３３）では、複数の学習済みモデルＭ３を用いて、仮想の高分子複合材料の記述子Ｒ１を含むパラメータに対応した、高分子複合材料の物性の予測値の群Ｐ１を予測してよい。
【0251】
次に、設定部３４により、仮想の高分子複合材料の物性の目標値を設定する（物性の目標値設定工程：ステップＳ３４）。
【0252】
目標値は、上述の通り、高分子複合材料の用途等に応じて適宜設定される。
【0253】
次に、比較部３５により、予測工程（ステップＳ３３）において予測された、仮想の高分子複合材料の物性を、物性の目標値設定工程（ステップＳ３４）において設定した、仮想の高分子複合材料の物性の目標値と比較する（比較工程：ステップＳ３５）。
【0254】
次に、判定部３６により、取得工程（ステップＳ３１）で取得した、仮想の高分子複合材料の記述子を含むパラメータの最適化が所定の回数行われたか否かを判定する（第１判定工程：ステップＳ３６）。
【0255】
仮想の高分子複合材料の記述子を含むパラメータの最適化が所定の回数行われた場合（ステップＳ３６：Ｙｅｓ）、判定部３６は、仮想の高分子複合材料の記述子を含むパラメータを変更する必要がないと判断する。
【0256】
次に、判定部３６により、仮想の高分子複合材料の物性と目標値との差が所定の範囲内であるか否かは判定する（第２判定工程：ステップＳ３７）。なお、図９に示す本実施形態に係る組成提案方法では、判定部３６により、第１判定工程（ステップＳ３６）及び第２判定工程（ステップＳ３７）が行われているが、第２判定工程（ステップＳ３７）は省略してもよい。
【0257】
仮想の高分子複合材料の物性と目標値との差が所定の範囲内である場合（ステップＳ３７：Ｙｅｓ）、判定部３６は、仮想の高分子複合材料の記述子を含むパラメータを変更する必要がないと判断する。
【0258】
取得工程（ステップＳ３１）において取得した、仮想の高分子複合材料の記述子を含むパラメータは変更されず、維持される。
【0259】
次に、表示部３８により、仮想の高分子複合材料の記述子を含むパラメータに関する情報が表示される（表示工程：ステップＳ３８）。
【0260】
一方、仮想の高分子複合材料の記述子を含むパラメータの最適化が所定の回数行われていない場合（ステップＳ３６：Ｎｏ）、又は仮想の高分子複合材料の物性が目標値との差が所定の範囲内でない場合（ステップＳ３７：Ｎｏ）、判定部３６は、仮想の高分子複合材料の記述子を含むパラメータを変更する必要があると判断する。
【0261】
次に、最適化部３７により、予測工程（ステップＳ３２）において予測された、仮想の高分子複合材料の物性が、物性の目標値設定工程（ステップＳ３３）において設定した目標値に近づくように、仮想の高分子複合材料の記述子（例えば、質量比率、特性値及び構造値等）を含むパラメータを最適なパラメータになるように変更して最適化する（最適化工程：ステップＳ３９）。
【0262】
最適化工程（ステップＳ３９）では、最適化部３７により、取得工程（ステップＳ３１）において取得した、仮想の高分子複合材料の記述子と、予測工程（ステップＳ３３）において予測された、仮想の高分子複合材料の物性の予測値とから、仮想の高分子複合材料の物性が望ましい方向（目標値に近づく方向）に変更するように、仮想の高分子複合材料の記述子を含むパラメータを最適化する。
【0263】
最適化工程（ステップＳ３９）では、最適化した際の仮想の高分子複合材料の望ましい記述子（目標値から所定の範囲内）を含むパラメータを実現するために、仮想の高分子複合材料の記述子を、ランダムサーチ及び数理最適化手法等のアルゴリズムを用いて最適化することが好ましい。
【0264】
最適化工程（ステップＳ３９）では、予測工程（ステップＳ３３）において予測された、仮想の高分子複合材料の物性の予測値から、仮想の高分子複合材料の記述子を含むパラメータを最適化した際、最適化された仮想の高分子複合材料の組成の群（パレート最適解）を提案してよい。
【0265】
高分子複合材料の物性が２つ以上である場合でも、最適化部３７により、２つ以上の物性についての高分子複合材料の組成の群（パレート最適解）を提案してよい。
【0266】
最適化工程（ステップＳ３９）では、最適化部３７により、仮想の高分子複合材料の記述子を含むパラメータを最適化する方法として、仮想の高分子複合材料の物性を望ましい方向に最大化又は最小化するように、仮想の高分子複合材料の記述子を含むパラメータを最適化させ、高分子複合材料の記述子の群を提案する方法を用いてよい。また、他の最適化する方法として、仮想の高分子複合材料の物性を望ましい値に近づけるように、高分子複合材料の記述子の群を提案する方法を用いてよい。
【0267】
最適化工程（ステップＳ３９）において、最適化部３７により、高分子複合材料の記述子を含むパラメータを最適化した後、再度、取得工程（ステップＳ３１）に移行する。そして、取得部３１により、最適化された、仮想の高分子複合材料の記述子を、仮想記述子として含むパラメータを説明変数として取得部３１に入力し、上記と同様の工程を行う。
【0268】
そして、第１判定工程（ステップＳ３６）において、仮想の高分子複合材料の記述子を含むパラメータの最適化が所定の回数行われ、第２判定工程（ステップＳ３７）において、仮想の高分子複合材料の記述子を含むパラメータと目標値との差が所定の範囲内と判定されるまで、最適化工程（ステップＳ３９）において、仮想の高分子複合材料の記述子の最適化を繰り返し行われる。
【0269】
最終的に、第１判定工程（ステップＳ３６）において、仮想の高分子複合材料の記述子を含むパラメータの最適化が所定の回数行われ、第２判定工程（ステップＳ３７）において、仮想の高分子複合材料の記述子を含むパラメータと目標値との差が所定の範囲内と判定された後、上述の通り、表示部３８により、最適化工程（ステップＳ３９）において、提案された、仮想の高分子複合材料の記述子を含むパラメータに関する情報が表示される（表示工程：ステップＳ３８）。
【0270】
本実施形態に係る組成提案方法は、予測工程（ステップＳ３３）、特性の目標値設定工程（ステップＳ３４）、比較工程（ステップＳ３５）、第１判定工程（ステップＳ３５）、第２判定工程（ステップＳ３７）及び最適化工程（ステップＳ３９）を含む。組成提案方法は、第１判定工程（ステップＳ３６）において、取得工程（ステップＳ３１）で取得した、仮想の高分子複合材料の記述子を含むパラメータの最適化が所定の回数行われたか否かを判定する。組成提案方法は、最適化工程（ステップＳ３９）において、学習済みモデルＭ３に仮想の高分子複合材料の記述子を含むパラメータを入力することで予測される、仮想の高分子複合材料の物性が、目標値に近づくように、仮想の高分子複合材料の記述子を含むパラメータを最適化する。
【0271】
組成提案方法は、第１判定工程（ステップＳ３５）において、予測工程（ステップＳ３２）で得られた仮想の高分子複合材料の記述子を含むパラメータの最適化が所定の回数行われたと判定されるまで、最適化工程（ステップＳ３９）において、仮想の高分子複合材料の物性が、目標値に近づくように、仮想の高分子複合材料の記述子を含むパラメータを最適化する操作を繰り返すことができる。
【0272】
また、組成提案方法は、比較工程（ステップＳ３５）において、予測工程（ステップＳ３２）で予測された仮想の高分子複合材料の物性を特性の目標値設定工程（ステップＳ３３）で設定された目標値と比較して、第２判定工程（ステップＳ３７）において、仮想の高分子複合材料の物性が目標値の所定の範囲内にあるかと判定できる。組成提案方法は、最適化工程（ステップＳ３９）において、学習済みモデルＭ３に仮想の高分子複合材料の記述子を含むパラメータを入力することで予測される、仮想の高分子複合材料の物性が、目標値に近づくように、仮想の高分子複合材料の記述子を含むパラメータを最適化する。
【0273】
組成提案方法は、第２判定工程（ステップＳ３７）において、予測工程（ステップＳ３２）で得られた仮想の高分子複合材料の物性が目標値の所定の範囲内にあると判定されるまで、最適化工程（ステップＳ３９）において、仮想の高分子複合材料の物性が、目標値に近づくように、仮想の高分子複合材料の記述子を含むパラメータを最適化する操作を繰り返すことができる。
【0274】
これにより、本実施形態に係る組成提案方法は、仮想の高分子複合材料の物性から高分子複合材料の記述子を含むパラメータを提案できる。よって、本実施形態に係る組成提案方法は、設定される、高分子複合材料の所望の特性が得られる、高分子複合材料の記述子を含むパラメータを提案できる。
【0275】
また、本実施形態に係る組成提案方法は、最適化工程（ステップＳ３９）を含むことで、仮想の高分子複合材料の記述子を含むパラメータを仮想の高分子複合材料の所望の特性を満たすように変更する際に要する負担の軽減及び時間の削減を図ることができる。よって、本実施形態に係る組成提案方法は、所望の特性を満たす高分子複合材料の記述子を含むパラメータを効率良く提案できるため、高分子複合材料の選定に要するエネルギー消費の低減を図ることができる。
【0276】
次に、本実施形態に係る組成提案方法の他の一例について説明する。本実施形態に係る組成提案方法は、図５に示すような構成を有する組成提案装置４において、学習済みモデルＭ３を用いずに、高分子複合材料の組成を提案する方法である。
【0277】
図１０は、本実施形態に係る組成提案方法を説明する他のフローチャートである。図１０に示すように、取得部４１により、仮想の、高分子複合材料の記述子を、仮想的に設定した記述子（仮想記述子）として含むパラメータを説明変数として取得する（取得工程：ステップＳ４１）。取得工程（ステップＳ４１）は、図９に示す組成提案方法の取得工程（ステップＳ３１）と同様である。
【0278】
次に、前処理部４２により、取得工程（ステップＳ４１）で取得した仮想の、高分子複合材料の記述子を含むパラメータの前処理を行う（前処理工程：ステップＳ４２）。前処理工程（ステップＳ４２）は、図９に示す組成提案方法の前処理工程（ステップＳ３２）と同様である。なお、前処理工程（ステップＳ４２）は、必要に応じて行えばよい。
【0279】
次に、設定部４３により、仮想の、高分子複合材料の記述子を含むパラメータの目標値を設定する（パラメータの目標値設定工程：ステップＳ４３）。
【0280】
次に、設定部４３により、前処理工程（ステップＳ４２）において前処理された、仮想の高分子複合材料の記述子を含むパラメータを、パラメータの目標値設定工程（ステップＳ４３）において設定した、仮想の高分子複合材料の記述子を含むパラメータの目標値と比較する（比較工程：ステップＳ４４）。
【0281】
次に、判定部４５により、取得工程（ステップＳ４１）で取得した、仮想の高分子複合材料の記述子を含むパラメータの最適化が所定の回数行われたか否かを判定する（第１判定工程：ステップＳ４５）。
【0282】
仮想の高分子複合材料の記述子を含むパラメータの最適化が所定の回数行われた場合（ステップＳ４５：Ｙｅｓ）、判定部４５は、仮想の高分子複合材料の記述子を含むパラメータを変更する必要がないと判断する。
【0283】
次に、判定部４５により、仮想の高分子複合材料の記述子を含むパラメータと目標値との差が所定の範囲内であるか否かは判定する（第２判定工程：ステップＳ４６）。なお、図１０に示す本実施形態に係る組成提案方法では、判定部４５により、第１判定工程（ステップＳ４５）及び第２判定工程（ステップＳ４６）が行われているが、第２判定工程（ステップＳ４６）は省略してもよい。
【0284】
仮想の高分子複合材料の記述子を含むパラメータとパラメータの目標値との差が所定の範囲内である場合（ステップＳ４６：Ｙｅｓ）、判定部４５は、仮想の高分子複合材料の記述子を含むパラメータを変更する必要がないと判断する。
【0285】
取得工程（ステップＳ４１）において取得した、仮想の高分子複合材料の記述子を含むパラメータは変更されず、維持される。
【0286】
次に、表示部４７により、仮想の、高分子複合材料の記述子を含むパラメータに関する情報が表示される（表示工程：ステップＳ４７）。
【0287】
一方、仮想の高分子複合材料の記述子を含むパラメータの最適化が所定の回数行われていない場合（ステップＳ４５：Ｎｏ）、又は仮想の、高分子複合材料の記述子を含むパラメータと目標値との差が所定の範囲内でない場合（ステップＳ４６：Ｎｏ）、判定部４５は、仮想の、高分子複合材料の記述子を含むパラメータを変更する必要があると判断する。
【0288】
次に、最適化部４６により、前処理工程（ステップＳ４２）において前処理された、仮想の高分子複合材料の記述子を含むパラメータが、パラメータの目標値設定工程（ステップＳ４３）において設定した目標値に近づくように、仮想の高分子複合材料の記述子（例えば、質量比率、特性値及び構造値等）を含むパラメータを最適なパラメータになるように変更して最適化する（最適化工程：ステップＳ４８）。
【0289】
最適化工程（ステップＳ４８）では、最適化部４６により、取得工程（ステップＳ４１）において取得した、仮想の高分子複合材料の記述子と、パラメータの目標値設定工程（ステップＳ４３）において設定した目標値とから、仮想の高分子複合材料の物性が望ましい方向（目標値に近づく方向）に変更するように、仮想の高分子複合材料の記述子を含むパラメータを最適化する。
【0290】
最適化工程（ステップＳ４８）で用いる最適化の方法は、図９に示す組成提案方法の最適化工程（ステップＳ３９）で用いる最適化の方法と同様であるため、詳細は省略する。
【0291】
最適化工程（ステップＳ４８）において、最適化部４６により、仮想の高分子複合材料の記述子を含むパラメータを最適化した後、再度、取得工程（ステップＳ４１）に移行する。そして、取得部４１により、最適化された、仮想の高分子複合材料の記述子を、仮想記述子として含むパラメータを説明変数として取得部４１に入力し、上記と同様の工程を行う。
【0292】
そして、第１判定工程（ステップＳ４５）において、仮想の高分子複合材料の記述子を含むパラメータの最適化が所定の回数行われ、第２判定工程（ステップＳ４６）において、仮想の高分子複合材料の記述子を含むパラメータと目標値との差が所定の範囲内と判定されるまで、最適化工程（ステップＳ４８）において、仮想の高分子複合材料の記述子の最適化を繰り返し行われる。
【0293】
最終的に、第１判定工程（ステップＳ４５）において、仮想の高分子複合材料の記述子を含むパラメータの最適化が所定の回数行われ、第２判定工程（ステップＳ４６）において、仮想の高分子複合材料の記述子を含むパラメータと目標値との差が所定の範囲内と判定された後、上述の通り、表示部４７により、最適化工程（ステップＳ４８）において、提案された、仮想の高分子複合材料の記述子を含むパラメータに関する情報が表示される（表示工程：ステップＳ４７）。
【0294】
本実施形態に係る組成提案方法は、パラメータの目標値設定工程（ステップＳ４２）、比較工程（ステップＳ４３）、第１判定工程（ステップＳ４４）、第２判定工程（ステップＳ４６）及び最適化工程（ステップＳ４８）を含む。組成提案方法は、第１判定工程（ステップＳ４５）において、取得工程（ステップＳ４１）で取得した、仮想の高分子複合材料の記述子を含むパラメータの最適化が所定の回数行われたか否かを判定する。組成提案方法は、最適化工程（ステップＳ４８）において、学習済みモデルＭ３に仮想の高分子複合材料の記述子を含むパラメータを入力することで予測される、仮想の高分子複合材料の物性が、目標値に近づくように、仮想の高分子複合材料の記述子を含むパラメータを最適化する。
【0295】
組成提案方法は、第１判定工程（ステップＳ４４）において、取得工程（ステップＳ４１）で取得した、仮想の高分子複合材料の記述子を含むパラメータの最適化が所定の回数行われたと判定されるまで、最適化工程（ステップＳ４８）において、仮想の高分子複合材料の物性が、目標値に近づくように、仮想の高分子複合材料の記述子を含むパラメータを最適化する操作を繰り返すことができる。
【0296】
また、組成提案方法は、比較工程（ステップＳ４３）において、取得工程（ステップＳ４１）において取得した、仮想の高分子複合材料の記述子をパラメータの目標値設定工程（ステップＳ４２）で設定された目標値と比較して、第２判定工程（ステップＳ４６）において、仮想の高分子複合材料の記述子が目標値の所定の範囲内にあるかと判定できる。組成提案方法は、最適化工程（ステップＳ４８）において、仮想の高分子複合材料の記述子を含むパラメータが、目標値に近づくように、仮想の高分子複合材料の記述子を含むパラメータを最適化する。
【0297】
組成提案方法は、第２判定工程（ステップＳ４６）において、仮想の高分子複合材料の記述子を含むパラメータが目標値の所定の範囲内にあると判定されるまで、最適化工程（ステップＳ４８）において、仮想の高分子複合材料の記述子を含むパラメータが、目標値に近づくように、仮想の高分子複合材料の記述子を含むパラメータを最適化する操作を繰り返すことができる。
【0298】
これにより、本実施形態に係る組成提案方法は、高分子複合材料の記述子を含むパラメータは、設定される目標値と略同等にできる。仮想の高分子複合材料は、目標値として設定される高分子複合材料と略同等の物性を有することができる。よって、本実施形態に係る組成提案方法は、所望の特性を有する高分子複合材料が得られる、高分子複合材料の記述子を含むパラメータを提案できる。
【0299】
また、本実施形態に係る組成提案方法は、最適化工程（ステップＳ４８）を含むことで、仮想の高分子複合材料の記述子を含むパラメータを最適化する際に要する負担の軽減及び時間の削減を図ることができる。よって、本実施形態に係る組成提案方法は、所望の特性を満たす高分子複合材料の記述子を含むパラメータと略同等の高分子複合材料の記述子を含むパラメータを効率良く提案できるため、高分子複合材料の選定の際のエネルギー消費の低減を図ることができる。
【実施例】
【0300】
以下、実施例を示して実施形態を更に具体的に説明するが、実施形態はこれらの実施例及び比較例により限定されるものではない。
【0301】
＜実施例１＞
（１）学習用データセットの生成
後述する学習装置で用いる学習用データセットを以下の手順により生成した。なお、本実施例では、高分子複合材料に含まれるプロピレン系重合体（Ａ）として、ヘテロファジックプロピレン重合材料を用いた。
（１）学習用データセットの生成
後述する学習装置で用いる学習用データセットを以下の手順により生成した。なお、本実施例では、高分子複合材料に含まれるプロピレン系重合体（Ａ）として、ヘテロファジックプロピレン重合材料を用いた。
【0302】
（ポリプロピレン原料の特性の取得）
学習用データセットに用いるポリプロピレン原料の特性である、ヘテロファジックプロピレン重合材料に含まれる重合体（Ｉ）の極限粘度（以下、「Ｐ部極限粘度」という）と、ヘテロファジックプロピレン重合材料に含まれる重合体（ＩＩ）の極限粘度（以下、「ＥＰ部極限粘度」という）と、ヘテロファジックプロピレン重合材料１００質量％におけるヘテロファジックプロピレン重合材料中の重合体（ＩＩ）の含有量（以下、「ＥＰ含量」という）（単位：質量％）と、重合体（ＩＩ）１００質量％における重合体（ＩＩ）に含まれるエチレンに由来する構造単位の含有量（以下、「ＥＰ中のエチレン量」という。）（単位：質量％）について、それぞれ、下記のように、測定した。また、ポリオレフィンエラストマーの特性である、極限粘度について、下記のように測定した。
学習用データセットに用いるポリプロピレン原料の特性である、ヘテロファジックプロピレン重合材料に含まれる重合体（Ｉ）の極限粘度（以下、「Ｐ部極限粘度」という）と、ヘテロファジックプロピレン重合材料に含まれる重合体（ＩＩ）の極限粘度（以下、「ＥＰ部極限粘度」という）と、ヘテロファジックプロピレン重合材料１００質量％におけるヘテロファジックプロピレン重合材料中の重合体（ＩＩ）の含有量（以下、「ＥＰ含量」という）（単位：質量％）と、重合体（ＩＩ）１００質量％における重合体（ＩＩ）に含まれるエチレンに由来する構造単位の含有量（以下、「ＥＰ中のエチレン量」という。）（単位：質量％）について、それぞれ、下記のように、測定した。また、ポリオレフィンエラストマーの特性である、極限粘度について、下記のように測定した。
【0303】
（極限粘度η（単位：ｄＬ／ｇ））
試料（ヘテロファジックプロピレン重合材料、及び、ヘテロファジックプロピレン重合材料に含まれる重合体（Ｉ））であるプロピレン重合パウダーのテトラリン溶液（濃度：０．１ｇ／ｄＬ、０．２ｇ／ｄＬ、０．５ｇ／ｄＬの３種類）を調製した後、ウベローデ型粘度計を用いて、１３５℃で、テトラリン溶液の還元粘度を測定した。オレフィン重合体の極限粘度は、「高分子溶液、高分子実験学１１」（１９８２年共立出版株式会社刊）第４９１頁に記載の計算方法にしたがい、還元粘度を濃度に対しプロットし、濃度をゼロに外挿する外挿法によって求めた。
試料（ヘテロファジックプロピレン重合材料、及び、ヘテロファジックプロピレン重合材料に含まれる重合体（Ｉ））であるプロピレン重合パウダーのテトラリン溶液（濃度：０．１ｇ／ｄＬ、０．２ｇ／ｄＬ、０．５ｇ／ｄＬの３種類）を調製した後、ウベローデ型粘度計を用いて、１３５℃で、テトラリン溶液の還元粘度を測定した。オレフィン重合体の極限粘度は、「高分子溶液、高分子実験学１１」（１９８２年共立出版株式会社刊）第４９１頁に記載の計算方法にしたがい、還元粘度を濃度に対しプロットし、濃度をゼロに外挿する外挿法によって求めた。
【0304】
ＥＰ部極限粘度は、以下の方法により求めた。
上述の方法で実測したＰ部極限粘度を［η］Ｉとした。ヘテロファジックプロピレン重合材料の極限粘度を［η］Ｔｏｔａｌとした。後述の方法で算出したＥＰ含量をＸＩＩとした。ＥＰ部極限粘度［η］ＩＩは、下記式から計算して求めた。
［η］ＩＩ＝１００｛［η］Ｔｏｔａｌ－［η］Ｉ（１００－ＸＩＩ）／１００｝／ＸＩＩ
上述の方法で実測したＰ部極限粘度を［η］Ｉとした。ヘテロファジックプロピレン重合材料の極限粘度を［η］Ｔｏｔａｌとした。後述の方法で算出したＥＰ含量をＸＩＩとした。ＥＰ部極限粘度［η］ＩＩは、下記式から計算して求めた。
［η］ＩＩ＝１００｛［η］Ｔｏｔａｌ－［η］Ｉ（１００－ＸＩＩ）／１００｝／ＸＩＩ
【0305】
（ＥＰ含量）
ＥＰ含量ＸＩＩは下記式により求めた。
ＸＩＩ＝１００｛（１－（ΔＨｆ）Ｔｏｔａｌ）／（ΔＨｆ）Ｉ｝
ただし、重合体（Ｉ）の融解熱量（Ｊ／ｇ）を（ΔＨｆ）Ｉとし、ヘテロファジックプロピレン重合材料の融解熱量（Ｊ／ｇ）を（ΔＨｆ）Ｔｏｔａｌとする。
ＥＰ含量ＸＩＩは下記式により求めた。
ＸＩＩ＝１００｛（１－（ΔＨｆ）Ｔｏｔａｌ）／（ΔＨｆ）Ｉ｝
ただし、重合体（Ｉ）の融解熱量（Ｊ／ｇ）を（ΔＨｆ）Ｉとし、ヘテロファジックプロピレン重合材料の融解熱量（Ｊ／ｇ）を（ΔＨｆ）Ｔｏｔａｌとする。
【0306】
（ＥＰ中のエチレン量）
赤外線吸収スペクトル法によりヘテロファジックプロピレン重合材料中のエチレン量（Ｃ２）Ｔｏｔａｌ（単位：質量％）を求めた。ＥＰ中のエチレン量は下記式から計算して求めた。
ＥＰ中のエチレン量＝１００（Ｃ２）Ｔｏｔａｌ／ＸＩＩ
赤外線吸収スペクトル法によりヘテロファジックプロピレン重合材料中のエチレン量（Ｃ２）Ｔｏｔａｌ（単位：質量％）を求めた。ＥＰ中のエチレン量は下記式から計算して求めた。
ＥＰ中のエチレン量＝１００（Ｃ２）Ｔｏｔａｌ／ＸＩＩ
【0307】
（高分子複合材料の記述子の算出）
高分子複合材料の記述子として、高分子複合材料の原料の種類毎の平均構造値、質量比率、平均構造値と質量比率との積をそれぞれ下記に従って算出した。
高分子複合材料の記述子として、高分子複合材料の原料の種類毎の平均構造値、質量比率、平均構造値と質量比率との積をそれぞれ下記に従って算出した。
【0308】
（（ヘテロファジックプロピレン重合材料に関する記述子））
ヘテロファジックプロピレン重合材料Ａ－ｉ（ｉ＝１、２・・・ｎ）のそれぞれの特性値に、Ｐ部含量Ｐｃｏｎｔ、Ｐ部極限粘度ηｐ，ｉ、ＥＰ部極限粘度ηｅｐ，ｉ、ＥＰ含量ＥＰｃｏｎｔ，ｉ、ＥＰ部のエチレン量Ｃ２ＥＰ，iの５つの記述子を用いた。
ヘテロファジックプロピレン重合材料Ａ－ｉ（ｉ＝１、２・・・ｎ）のそれぞれの特性値に、Ｐ部含量Ｐｃｏｎｔ、Ｐ部極限粘度ηｐ，ｉ、ＥＰ部極限粘度ηｅｐ，ｉ、ＥＰ含量ＥＰｃｏｎｔ，ｉ、ＥＰ部のエチレン量Ｃ２ＥＰ，iの５つの記述子を用いた。
【0309】
（（ポリオレフィンエラストマーに関する記述子））
ポリオレフィンエラストマーＢ－ｉ（ｉ＝１、２・・・ｎ）のそれぞれの特性値に、極限粘度ηｐｏｅ，ｉ、対数化ＭＦＲｌｏｇＭＦＲｐｏｅ，ｉの３つの記述子を用いた。
ポリオレフィンエラストマーＢ－ｉ（ｉ＝１、２・・・ｎ）のそれぞれの特性値に、極限粘度ηｐｏｅ，ｉ、対数化ＭＦＲｌｏｇＭＦＲｐｏｅ，ｉの３つの記述子を用いた。
【0310】
（（その他の成分の質量比率の合計値に関する記述子））
無機充填材、造核剤、過酸化物のそれぞれについて、質量比率の合計値を算出した。
無機充填材、造核剤、過酸化物のそれぞれについて、質量比率の合計値を算出した。
【0311】
（平均構造値の算出）
（（ヘテロファジックプロピレン重合材料に関する記述子の平均構造値））
ヘテロファジックプロピレン重合材料Ａ－ｉ（ｉ＝１、２・・・ｎ）の特性値として用いた５つの記述子の平均構造値は、下記に示す通り算出した。
・ａｖ．Ｐｃｏｎｔ＝Σ_ｉ（１００－ＥＰｃｏｎｔ,ｉ）×ＸＡｉ／１００
・ａｖ．ＥＰｃｏｎｔ＝Σ_ｉＥＰｃｏｎｔ，ｉ×ＸＡｉ／１００
・ａｖ．ηｐ＝｛Σ_ｉηｐ，ｉ×（１００－ＥＰｃｏｎｔ，ｉ）×ＸＡｉ／１００｝／ａｖ．Ｐｃｏｎｔ
・ａｖ．ηｅｐ＝｛Σ_ｉ ηｅｐ，ｉ×ＥＰｃｏｎｔ，ｉ×ＸＡｉ／１００｝／ａｖ．ＥＰｃｏｎｔ
・ａｖ．Ｃ２ＥＰ＝｛Σ_ｉ Ｃ２ＥＰ，ｉ×ＥＰｃｏｎｔ,ｉ×ＸＡｉ／１００｝／ａｖ．ＥＰｃｏｎｔ
（（ヘテロファジックプロピレン重合材料に関する記述子の平均構造値））
ヘテロファジックプロピレン重合材料Ａ－ｉ（ｉ＝１、２・・・ｎ）の特性値として用いた５つの記述子の平均構造値は、下記に示す通り算出した。
・ａｖ．Ｐｃｏｎｔ＝Σ_ｉ（１００－ＥＰｃｏｎｔ,ｉ）×ＸＡｉ／１００
・ａｖ．ＥＰｃｏｎｔ＝Σ_ｉＥＰｃｏｎｔ，ｉ×ＸＡｉ／１００
・ａｖ．ηｐ＝｛Σ_ｉηｐ，ｉ×（１００－ＥＰｃｏｎｔ，ｉ）×ＸＡｉ／１００｝／ａｖ．Ｐｃｏｎｔ
・ａｖ．ηｅｐ＝｛Σ_ｉ ηｅｐ，ｉ×ＥＰｃｏｎｔ，ｉ×ＸＡｉ／１００｝／ａｖ．ＥＰｃｏｎｔ
・ａｖ．Ｃ２ＥＰ＝｛Σ_ｉ Ｃ２ＥＰ，ｉ×ＥＰｃｏｎｔ,ｉ×ＸＡｉ／１００｝／ａｖ．ＥＰｃｏｎｔ
【0312】
（（ポリオレフィンエラストマーに関する記述子の平均構造値））
ポリオレフィンエラストマーＢ－ｉ（ｉ＝１、２・・・ｎ）のそれぞれの特性値として用いた３つの記述子の平均構造値を算出した。
・ａｖ．ＰＯＥｃｏｎｔ＝Σ_ｉＸＢｉ
・ａｖ．ηｐｏｅ＝｛Σ_ｉηｐｏｅ，ｉ×ＰＯＥｃｏｎｔ，ｉ×ＸＢｉ／１００｝／ａｖ．ＰＯＥｃｏｎｔ
・ａｖ．ｌｏｇＭＦＲｐｏｅ＝｛Σ_ｉ ｌｏｇＭＦＲｐｏｅ，ｉ×ＰＯＥｃｏｎｔ，ｉ×ＸＢｉ／１００｝／ａｖ．ＰＯＥｃｏｎｔ
ポリオレフィンエラストマーＢ－ｉ（ｉ＝１、２・・・ｎ）のそれぞれの特性値として用いた３つの記述子の平均構造値を算出した。
・ａｖ．ＰＯＥｃｏｎｔ＝Σ_ｉＸＢｉ
・ａｖ．ηｐｏｅ＝｛Σ_ｉηｐｏｅ，ｉ×ＰＯＥｃｏｎｔ，ｉ×ＸＢｉ／１００｝／ａｖ．ＰＯＥｃｏｎｔ
・ａｖ．ｌｏｇＭＦＲｐｏｅ＝｛Σ_ｉ ｌｏｇＭＦＲｐｏｅ，ｉ×ＰＯＥｃｏｎｔ，ｉ×ＸＢｉ／１００｝／ａｖ．ＰＯＥｃｏｎｔ
【0313】
（（組成物中のゴム成分の量））
組成物中のゴム成分の量（ａｖ．ＲｕｂｂｅｒＣｏｎｔ）を、下記式より、算出した。
ａｖ．ＲｕｂｂｅｒＣｏｎｔ＝ａｖ．ＥＰｃｏｎｔ＋ａｖ．ＰＯＥｃｏｎｔ
組成物中のゴム成分の量（ａｖ．ＲｕｂｂｅｒＣｏｎｔ）を、下記式より、算出した。
ａｖ．ＲｕｂｂｅｒＣｏｎｔ＝ａｖ．ＥＰｃｏｎｔ＋ａｖ．ＰＯＥｃｏｎｔ
【0314】
（交差項）
追加の記述子として、算出した上記の各成分の平均構造値と質量比率との積を、下記式の通り算出した。
ａｖ．ηｐ×Ｐｃｏｎｔ、ａｖ．ηｅｐ×ＥＰｃｏｎｔ、ａｖ．Ｃ２ＥＰ×ＥＰｃｏｎｔ、ａｖ．ηｐｏｅ×ＰＯＥｃｏｎｔ、ａｖ．ｌｏｇＭＦＲｐｏｅ×ＰＯＥｃｏｎｔ
追加の記述子として、算出した上記の各成分の平均構造値と質量比率との積を、下記式の通り算出した。
ａｖ．ηｐ×Ｐｃｏｎｔ、ａｖ．ηｅｐ×ＥＰｃｏｎｔ、ａｖ．Ｃ２ＥＰ×ＥＰｃｏｎｔ、ａｖ．ηｐｏｅ×ＰＯＥｃｏｎｔ、ａｖ．ｌｏｇＭＦＲｐｏｅ×ＰＯＥｃｏｎｔ
【0315】
（高分子複合材料の記述子の計算）
用いた高分子複合材料の記述子の計算結果を示す。高分子複合材料として、ヘテロファジックプロピレン重合材料Ａ－１、ヘテロファジックプロピレン重合材料Ａ－２、ポリオレフィンエラストマーＢ－１、ポリオレフィンエラストマーＢ－２、無機充填材であるタルクＣ、造核剤Ｄ及び過酸化物Ｅからなり、それぞれの重量比がＡ－１：Ａ－２：Ｂ－１：Ｂ－２：Ｃ：Ｄ：Ｅ＝２５：２５：１５：１５：２０：０．１：０．１５である組成物の記述子を算出した。但し、Ａ～Ｃの合計を１００質量部とした。それぞれの原料の特性は、それぞれ下記の通りとした。
Ａ－１：ηｐ＝１．０、ηｅｐ＝２．０、ＥＰ含量＝３０％、Ｃ２'／ＥＰ＝５０％
Ａ－２：ηｐ＝１．２、ηｅｐ＝６．０、ＥＰ含量＝１０％、Ｃ２'／ＥＰ＝３０％
Ｂ－１：ηｐｏｅ＝１．０、ｌｏｇＭＦＲ＝１．００
Ｂ－２：ηｐｏｅ＝１．２、ｌｏｇＭＦＲ＝０．５８
用いた高分子複合材料の記述子の計算結果を示す。高分子複合材料として、ヘテロファジックプロピレン重合材料Ａ－１、ヘテロファジックプロピレン重合材料Ａ－２、ポリオレフィンエラストマーＢ－１、ポリオレフィンエラストマーＢ－２、無機充填材であるタルクＣ、造核剤Ｄ及び過酸化物Ｅからなり、それぞれの重量比がＡ－１：Ａ－２：Ｂ－１：Ｂ－２：Ｃ：Ｄ：Ｅ＝２５：２５：１５：１５：２０：０．１：０．１５である組成物の記述子を算出した。但し、Ａ～Ｃの合計を１００質量部とした。それぞれの原料の特性は、それぞれ下記の通りとした。
Ａ－１：ηｐ＝１．０、ηｅｐ＝２．０、ＥＰ含量＝３０％、Ｃ２'／ＥＰ＝５０％
Ａ－２：ηｐ＝１．２、ηｅｐ＝６．０、ＥＰ含量＝１０％、Ｃ２'／ＥＰ＝３０％
Ｂ－１：ηｐｏｅ＝１．０、ｌｏｇＭＦＲ＝１．００
Ｂ－２：ηｐｏｅ＝１．２、ｌｏｇＭＦＲ＝０．５８
【0316】
まず、下記に示す１２種類の記述子を算出した。
（Ａ）．ヘテロファジックプロピレン重合材料について（Ａ～Ｃの合計を１００質量部とした。）
（Ａ－１）．組成物中のＰ部の含量ａｖ．Ｐｃｏｎｔ＝（１００－３０）×２５／１００＋（１００－１０）×２５／１００＝４０．０
（Ａ－２）．組成物中のＥＰ部の含量ａｖ．ＥＰｃｏｎｔ＝３０×２５／１００＋１０×２５／１００＝１０．０
（Ａ－３）．Ｐ部の平均極限粘度ａｖ．ηｐ＝｛１．０×（１００－３０）×２５／１００＋１．２×（１００－１０）×２５／１００｝／４０．０＝１．１１２５
（Ａ－４）．ＥＰ部の平均極限粘度ａｖ．ηｅｐ＝｛２．０×３０×２５／１００＋６．０×１０×２５／１００｝／１０．０＝３．０
（Ａ－５）．ＥＰ部の平均Ｃ２'／ＥＰ ａｖ．Ｃ２ＥＰ＝｛５０×３０×２５／１００＋３０×１０×２５／１００｝／１０．０＝４５．０
（Ｂ）．ポリオレフィンエラストマーについて（Ａ～Ｃの合計を１００質量部とした。）
（Ｂ－１）．組成物中のポリオレフィンエラストマーの含量ａｖ．ＰＯＥｃｏｎｔ＝１５＋１５＝３０．０
（Ｂ－２）．ポリオレフィンエラストマーの平均極限粘度ａｖ．ηｐｏｅ＝（１．０×１５＋１．２×１５）／３０＝１．１
（Ｂ－３）．ポリオレフィンエラストマーの平均対数ＭＦＲ ａｖ．ｌｏｇＭＦＲｐｏｅ＝（（Ｂ－１のｌｏｇＭＦＲ）×１５＋（Ｂ－２のｌｏｇＭＦＲ）×１５）／３０＝０．７９
（Ｃ）．無機充填材について
組成物中の無機充填材の含量ｆｉｌｌｅｒＣｏｎｔ＝２０
（Ｄ）．造核剤について
組成物中の造核剤の含量ＮｕＣｏｎｔ＝０．１
（Ｅ）．過酸化物について
組成物中の過酸化物の含量ＮｕＣｏｎｔ＝０．１５
（Ｆ）．組成物中のゴム成分について
組成物中のゴム成分の含量ＲｕｂｂｅｒＣｏｎｔ＝１０．０＋３０．０＝４０．０
（Ａ）．ヘテロファジックプロピレン重合材料について（Ａ～Ｃの合計を１００質量部とした。）
（Ａ－１）．組成物中のＰ部の含量ａｖ．Ｐｃｏｎｔ＝（１００－３０）×２５／１００＋（１００－１０）×２５／１００＝４０．０
（Ａ－２）．組成物中のＥＰ部の含量ａｖ．ＥＰｃｏｎｔ＝３０×２５／１００＋１０×２５／１００＝１０．０
（Ａ－３）．Ｐ部の平均極限粘度ａｖ．ηｐ＝｛１．０×（１００－３０）×２５／１００＋１．２×（１００－１０）×２５／１００｝／４０．０＝１．１１２５
（Ａ－４）．ＥＰ部の平均極限粘度ａｖ．ηｅｐ＝｛２．０×３０×２５／１００＋６．０×１０×２５／１００｝／１０．０＝３．０
（Ａ－５）．ＥＰ部の平均Ｃ２'／ＥＰ ａｖ．Ｃ２ＥＰ＝｛５０×３０×２５／１００＋３０×１０×２５／１００｝／１０．０＝４５．０
（Ｂ）．ポリオレフィンエラストマーについて（Ａ～Ｃの合計を１００質量部とした。）
（Ｂ－１）．組成物中のポリオレフィンエラストマーの含量ａｖ．ＰＯＥｃｏｎｔ＝１５＋１５＝３０．０
（Ｂ－２）．ポリオレフィンエラストマーの平均極限粘度ａｖ．ηｐｏｅ＝（１．０×１５＋１．２×１５）／３０＝１．１
（Ｂ－３）．ポリオレフィンエラストマーの平均対数ＭＦＲ ａｖ．ｌｏｇＭＦＲｐｏｅ＝（（Ｂ－１のｌｏｇＭＦＲ）×１５＋（Ｂ－２のｌｏｇＭＦＲ）×１５）／３０＝０．７９
（Ｃ）．無機充填材について
組成物中の無機充填材の含量ｆｉｌｌｅｒＣｏｎｔ＝２０
（Ｄ）．造核剤について
組成物中の造核剤の含量ＮｕＣｏｎｔ＝０．１
（Ｅ）．過酸化物について
組成物中の過酸化物の含量ＮｕＣｏｎｔ＝０．１５
（Ｆ）．組成物中のゴム成分について
組成物中のゴム成分の含量ＲｕｂｂｅｒＣｏｎｔ＝１０．０＋３０．０＝４０．０
【0317】
続いて、追加の記述子として、組成物中の含量と平均構造値の積からなる５種類の交差項を下記の通り算出した。
（Ａ）．ａｖ．ηp×Ｐｃｏｎｔ＝１．１１２５×４０＝４４．５
（Ｂ）．ａｖ．ηｅｐ×ＥＰｃｏｎｔ＝３．０×１０＝３０
（Ｃ）．ａｖ．Ｃ２ＥＰ×ＥＰｃｏｎｔ＝４５．０×１０＝４５０
（Ｄ）．ａｖ．ηｐｏｅ×ＰＯＥｃｏｎｔ＝１．１×３０＝３３
（Ｅ）．ａｖ．ｌｏｇＭＦＲｐｏｅ×ＰＯＥｃｏｎｔ＝０．７９×３０＝２３．７
（Ａ）．ａｖ．ηp×Ｐｃｏｎｔ＝１．１１２５×４０＝４４．５
（Ｂ）．ａｖ．ηｅｐ×ＥＰｃｏｎｔ＝３．０×１０＝３０
（Ｃ）．ａｖ．Ｃ２ＥＰ×ＥＰｃｏｎｔ＝４５．０×１０＝４５０
（Ｄ）．ａｖ．ηｐｏｅ×ＰＯＥｃｏｎｔ＝１．１×３０＝３３
（Ｅ）．ａｖ．ｌｏｇＭＦＲｐｏｅ×ＰＯＥｃｏｎｔ＝０．７９×３０＝２３．７
【0318】
（高分子複合材料の物性の取得）
ＷＯ２０２０／１４９２８４に記載の方法に従って、高分子複合材料を２軸押出することによって高分子複合材料を得た。高分子複合材料の物性値として、射出成型品の曲げ弾性率、常温におけるＩＺＯＤ衝撃強度（常温ＩＺＯＤ衝撃強度）及び低温におけるＩＺＯＤ衝撃強度（低温ＩＺＯＤ衝撃強度）と、複合材料のＭＦＲを測定した。
ＷＯ２０２０／１４９２８４に記載の方法に従って、高分子複合材料を２軸押出することによって高分子複合材料を得た。高分子複合材料の物性値として、射出成型品の曲げ弾性率、常温におけるＩＺＯＤ衝撃強度（常温ＩＺＯＤ衝撃強度）及び低温におけるＩＺＯＤ衝撃強度（低温ＩＺＯＤ衝撃強度）と、複合材料のＭＦＲを測定した。
【0319】
（学習用データセットの作成）
算出した高分子複合材料の記述子を含むパラメータと、高分子複合材料の物性である、曲げ弾性率、常温ＩＺＯＤ衝撃強度、低温ＩＺＯＤ衝撃強度及びＭＦＲとを対応付けて、学習用データセットを作成した。
算出した高分子複合材料の記述子を含むパラメータと、高分子複合材料の物性である、曲げ弾性率、常温ＩＺＯＤ衝撃強度、低温ＩＺＯＤ衝撃強度及びＭＦＲとを対応付けて、学習用データセットを作成した。
【0320】
（学習済みモデルの生成）
そして、図２に示した学習装置１を用いて、学習済みモデルＭ１を生成した。
そして、図２に示した学習装置１を用いて、学習済みモデルＭ１を生成した。
【0321】
（２）学習装置
（２－１）前処理部
生成した学習用データセットにおいて、複合材料の記述子を含むパラメータが重複するデータについて、複合材料の物性値の中央値を代表値として用い、複合材料の記述子を含むパラメータがそれぞれ相異なるデータを有するデータセットへと変換した。続いて、下記に示す標準化処理を行った。
（２－１）前処理部
生成した学習用データセットにおいて、複合材料の記述子を含むパラメータが重複するデータについて、複合材料の物性値の中央値を代表値として用い、複合材料の記述子を含むパラメータがそれぞれ相異なるデータを有するデータセットへと変換した。続いて、下記に示す標準化処理を行った。
【0322】
（２－２）学習部
前処理部で前処理を行った学習用データセットを用いて、学習部において学習し、学習済みモデルを生成した（学習工程）。
前処理部で前処理を行った学習用データセットを用いて、学習部において学習し、学習済みモデルを生成した（学習工程）。
【0323】
学習済みモデルとして、高分子複合材料の、曲げ弾性率予測用の学習済みモデルと、常温ＩＺＯＤ衝撃強度予測用の学習済みモデルと、低温ＩＺＯＤ衝撃強度予測用の学習済みモデルと、ＭＦＲ予測用の学習済みモデルとを生成した。
【0324】
（曲げ弾性率予測用の学習済みモデルの生成）
表１に示す個数の学習用データセットについて、前処理部で標準化処理を行い、５×５二重交差検証法によってデータセットを学習用データセット・検証用データセットに分割し、ハイパーパラメータの最適化と学習済みモデルの予測精度の検証を行った。
表１に示す個数の学習用データセットについて、前処理部で標準化処理を行い、５×５二重交差検証法によってデータセットを学習用データセット・検証用データセットに分割し、ハイパーパラメータの最適化と学習済みモデルの予測精度の検証を行った。
【0325】
【表1】
【0326】
そして、回帰式構築用データを用い、サポートベクトル回帰(Support Vector Regression；ＳＶＲ)により学習済みモデルを構築した。カーネル関数は動径基底関数を用いた。生成した学習済みモデルには、学習プログラムが含まれており、学習プログラムにはＰｙｔｈｏｎ（登録商標）をプログラム言語として用いた。また、機械学習ライブラリであるＳｃｉｋｉｔ－ｌｅａｒｎを用いた。
【0327】
図１１に、実際の曲げ弾性率の実測値（単位：ＭＰａ）と、検証用データを用いて、回帰式構築用データで構築された学習済みモデルにより予測された曲げ弾性率の予測値（単位：ＭＰａ）との関係を表す。なお、実際の曲げ弾性率と予測された曲げ弾性率との間の決定係数Ｒ２＝０．９６であった。決定係数Ｒ２は、５×５二重交差検証法によって得た。実際の極限粘度（η）と予測された極限粘度（η）との間の平均絶対誤差ＲＭＳＥ（Root Mean Square Error）は、９０ＭＰａであり、最適ハイパーパラメータは、Ｃが７３であり、εが０．０７であり、γが０．００９であった。ここで、Ｃは正則化パラメータであり、εはサポートベクトル回帰の不感帯の幅を示すパラメータであり、γは動径基底関数カーネルにおける広がりを示すパラメータである。
【0328】
（常温ＩＺＯＤ衝撃強度用、低温ＩＺＯＤ衝撃強度用及びＭＦＲ用の学習済みモデルの生成と、常温ＩＺＯＤ衝撃強度、低温ＩＺＯＤ衝撃強度及びＭＦＲの予測）
常温ＩＺＯＤ衝撃強度、低温ＩＺＯＤ衝撃強度及びＭＦＲについても、曲げ弾性率と同様に計算した。それぞれの予測結果を図１２～図１４に示す。
常温ＩＺＯＤ衝撃強度、低温ＩＺＯＤ衝撃強度及びＭＦＲについても、曲げ弾性率と同様に計算した。それぞれの予測結果を図１２～図１４に示す。
【0329】
図１２に、実際の常温ＩＺＯＤ衝撃強度の実測値（単位：ｋＪ／ｍ２）と、検証用データを用いて、回帰式構築用データで構築された学習済みモデルにより予測された常温ＩＺＯＤ衝撃強度の予測値（単位：ｋＪ／ｍ２）との関係を表す。決定係数Ｒ２は、０．７２であり、ＲＭＳＥは、８．９ｋＪ／ｍ２であり、最適ハイパーパラメータは、Ｃが１６であり、εが０．０６であり、γが０．０１であった。
【0330】
図１３に、実際の低温ＩＺＯＤ衝撃強度の実測値（単位：ｋＪ／ｍ２）と、検証用データを用いて、回帰式構築用データで構築された学習済みモデルにより予測された低温ＩＺＯＤ衝撃強度の予測値（単位：ｋＪ／ｍ２）との関係を表す。決定係数Ｒ２は、０．７７であり、ＲＭＳＥは、０．６ｋＪ／ｍ２であり、最適ハイパーパラメータは、Ｃが７であり、εが０．０４であり、γが０．０８であった。
【0331】
図１４に、実際のＭＦＲの実測値と、検証用データを用いて、回帰式構築用データで構築された学習済みモデルにより予測されたＭＦＲの予測値との関係を表す。なお、ＭＦＲは、対数化して、ｌｏｇＭＦＲとして出力した。決定係数Ｒ２は、０．９５であり、ＲＭＳＥは、０．０５であり、最適ハイパーパラメータは、Ｃが１７であり、εが０．００２であり、γが０．０５であった。
【0332】
【0333】
（３）予測装置
図２に示す学習装置１で生成した学習済みモデルを用いて、図３に示す予測装置２を作製した。作製した予測装置により高分子複合材料の物性を予測した。予測結果と比較するため、対応する高分子複合材料を用いて成形体を作製し、評価した。実験的に高分子複合材料の合成及び評価を行った例を合成例として、既述の学習済みモデルを用いて高分子複合材料の物性の予測を行った例を利用例とした。
図２に示す学習装置１で生成した学習済みモデルを用いて、図３に示す予測装置２を作製した。作製した予測装置により高分子複合材料の物性を予測した。予測結果と比較するため、対応する高分子複合材料を用いて成形体を作製し、評価した。実験的に高分子複合材料の合成及び評価を行った例を合成例として、既述の学習済みモデルを用いて高分子複合材料の物性の予測を行った例を利用例とした。
【0334】
（３－１）合成例１及び利用例１
（合成例１）高分子複合材料の合成
次に示す原料からなる高分子複合材料を実際に合成し、その物性を測定した。高分子複合材料の合成及び物性測定はＷＯ２０２０／１４９２８４に記載の方法に従った。
Ａ－３（５８質量部）：ηｐ＝０．７９、ηｅｐ＝７．０、ＥＰ含量＝１１％、Ｃ２'／ＥＰ＝３２％
Ｂ－３（１９質量部）：ηｐｏｅ＝２．１、ｌｏｇＭＦＲ＝－０．７０
Ｂ－４（８質量部）：ηｐｏｅ＝１．５、ｌｏｇＭＦＲ＝０．０４
Ｃ－１（１５質量部）：タルク ＭＷ－ＵＰＮ－ＴＴ－Ｈ（林化成）
造核剤（０．１質量部）：アデカスタブＮＡ－２５（アデカ）
物性は、下記のとおりであった。
曲げ弾性率：１４４０ＭＰａ
常温ＩＺＯＤ衝撃強度：３９ｋＪ／ｍ２
低温ＩＺＯＤ衝撃強度：５．８ｋＪ／ｍ２
対数化ＭＦＲ：１．３５（対数化前の実測値：２２．４ｇ／１０分）
（合成例１）高分子複合材料の合成
次に示す原料からなる高分子複合材料を実際に合成し、その物性を測定した。高分子複合材料の合成及び物性測定はＷＯ２０２０／１４９２８４に記載の方法に従った。
Ａ－３（５８質量部）：ηｐ＝０．７９、ηｅｐ＝７．０、ＥＰ含量＝１１％、Ｃ２'／ＥＰ＝３２％
Ｂ－３（１９質量部）：ηｐｏｅ＝２．１、ｌｏｇＭＦＲ＝－０．７０
Ｂ－４（８質量部）：ηｐｏｅ＝１．５、ｌｏｇＭＦＲ＝０．０４
Ｃ－１（１５質量部）：タルク ＭＷ－ＵＰＮ－ＴＴ－Ｈ（林化成）
造核剤（０．１質量部）：アデカスタブＮＡ－２５（アデカ）
物性は、下記のとおりであった。
曲げ弾性率：１４４０ＭＰａ
常温ＩＺＯＤ衝撃強度：３９ｋＪ／ｍ２
低温ＩＺＯＤ衝撃強度：５．８ｋＪ／ｍ２
対数化ＭＦＲ：１．３５（対数化前の実測値：２２．４ｇ／１０分）
【0335】
（利用例１）高分子複合材料の特性の予測
既述の予測装置を用いて、高分子複合材料の物性値として、曲げ弾性率、常温ＩＺＯＤ衝撃強度、低温ＩＺＯＤ衝撃強度及びＭＦＲを予測した。曲げ弾性率の予測値は、１４８０ＭＰａであり、常温ＩＺＯＤ衝撃強度の予測値は、４４ｋＪ／ｍ２であり、低温ＩＺＯＤ衝撃強度の予測値は、５．５ｋＪ／ｍ２であり、対数化ＭＦＲの予測値は、１．４０（実測値換算：２５．１ｇ／１０分）であった。
既述の予測装置を用いて、高分子複合材料の物性値として、曲げ弾性率、常温ＩＺＯＤ衝撃強度、低温ＩＺＯＤ衝撃強度及びＭＦＲを予測した。曲げ弾性率の予測値は、１４８０ＭＰａであり、常温ＩＺＯＤ衝撃強度の予測値は、４４ｋＪ／ｍ２であり、低温ＩＺＯＤ衝撃強度の予測値は、５．５ｋＪ／ｍ２であり、対数化ＭＦＲの予測値は、１．４０（実測値換算：２５．１ｇ／１０分）であった。
【0336】
なお、学習済みモデルには、予測対象となる高分子複合材料の記述子を含むパラメータを入力しており、高分子複合材料の記述子を含むパラメータは、学習済みモデルを生成する際の高分子複合材料の記述子を含むパラメータと同様にして算出した。
【0337】
＜実施例２＞
（１）学習用データセットの生成
上記の実施例１と同様にして行った。
（２）学習装置
上記の実施例１と同様にして行った。
（３）予測装置
上記の実施例１と同様にして行った。
（４）組成提案装置
最適化のためのＰｙｔｈｏｎライブラリであるＯｐｔｕｎａ（登録商標）を用いて、良好な特性を有する高分子複合材料の組成を提案した。以下、高分子複合材料の物性を望ましい方向に最大化又は最小化するような組成の群を提案した例（実施例２－１）と、高分子複合材料の物性を望ましい値に近づけるような組成の群を提案した例（実施例２－２）を示す。
（１）学習用データセットの生成
上記の実施例１と同様にして行った。
（２）学習装置
上記の実施例１と同様にして行った。
（３）予測装置
上記の実施例１と同様にして行った。
（４）組成提案装置
最適化のためのＰｙｔｈｏｎライブラリであるＯｐｔｕｎａ（登録商標）を用いて、良好な特性を有する高分子複合材料の組成を提案した。以下、高分子複合材料の物性を望ましい方向に最大化又は最小化するような組成の群を提案した例（実施例２－１）と、高分子複合材料の物性を望ましい値に近づけるような組成の群を提案した例（実施例２－２）を示す。
【0338】
（実施例２－１）高分子複合材料の物性を望ましい値に最大化又は最小化するような組成の群の提案方法
仮想的な組成Ｒｊ（ｊ＝１、２・・・ｎ）と、組成に対応する複合材料の特性の予測値の群Ｐｊ（ｊ＝１、２・・・ｎ）との対を、以下のように得た。
ヘテロファジックプロピレン重合材料、ポリオレフィンエラストマー及びタルクを含む組成物について、使用可能な原料リストの中から、ヘテロファジックプロピレン重合材料Ａ、ポリオレフィンエラストマーＢ、タルクＣをそれぞれランダムに選択すると共に質量比率をランダムに設定することによって、初期組成Ｒ１を得た。但し、Ｒ１中のヘテロファジックプロピレン重合材料Ａ、ポリオレフィンエラストマーＢ及びタルクＣの合計を１００質量部とした。このとき、それぞれの原料は、１種類又は複数種類とした。
上記の学習装置に記載の方法と同様の方法によって、初期組成Ｒ１の記述子を含むパラメータを算出し、上記の予測装置を用いて、組成Ｒ１に対応した特性の予測値の群Ｐ１を得た。Ｐ１は設定した学習済みモデルに対応する特性の予測値の群である。
仮想組成Ｒ１と、特性の予測値の群Ｐ１から、望ましい特性を有する組成Ｒ２を、最適化ライブラリＯｐｔｕｎａを用いて提案した。提案のためのアルゴリズムには、遺伝的アルゴリズムを用いた。
仮想的な組成Ｒｊ（ｊ＝１、２・・・ｎ）と、組成に対応する複合材料の特性の予測値の群Ｐｊ（ｊ＝１、２・・・ｎ）との対を、以下のように得た。
ヘテロファジックプロピレン重合材料、ポリオレフィンエラストマー及びタルクを含む組成物について、使用可能な原料リストの中から、ヘテロファジックプロピレン重合材料Ａ、ポリオレフィンエラストマーＢ、タルクＣをそれぞれランダムに選択すると共に質量比率をランダムに設定することによって、初期組成Ｒ１を得た。但し、Ｒ１中のヘテロファジックプロピレン重合材料Ａ、ポリオレフィンエラストマーＢ及びタルクＣの合計を１００質量部とした。このとき、それぞれの原料は、１種類又は複数種類とした。
上記の学習装置に記載の方法と同様の方法によって、初期組成Ｒ１の記述子を含むパラメータを算出し、上記の予測装置を用いて、組成Ｒ１に対応した特性の予測値の群Ｐ１を得た。Ｐ１は設定した学習済みモデルに対応する特性の予測値の群である。
仮想組成Ｒ１と、特性の予測値の群Ｐ１から、望ましい特性を有する組成Ｒ２を、最適化ライブラリＯｐｔｕｎａを用いて提案した。提案のためのアルゴリズムには、遺伝的アルゴリズムを用いた。
【0339】
最適化のための目的関数としては、最適化の対象となる特性項目と、最適化の方向（最大化又は最小化）を指定することで、複数の特性値が良好となるように組成を最適化した。
【0340】
提案された組成Ｒ２から、対応する複合材料の特性の予測値の群Ｐ２を得た。
【0341】
以下、繰り返すことにより、仮想的な組成Ｒｊ（ｊ＝１，２・・・ｎ）と、組成に対応する複合材料の特性の予測値の群Ｐｊ（ｊ＝１，２・・・ｎ）との対を得た。
【0342】
得られた仮想的な組成Ｒｊ（ｊ＝１，２・・・ｎ）と、組成に対応する複合材料の特性の予測値の群Ｐｊ（ｊ＝１，２・・・ｎ）との対から、特性の予測値が良好となる組成の群を選択した。
【0343】
ヘテロファジックプロピレン重合材料、１種類又は２種類のポリオレフィンエラストマー及びタルクを含む組成物について、遺伝的アルゴリズムを用いて、曲げ弾性率（単位：ＭＰａ）と常温ＩＺＯＤ衝撃強度（単位：ｋＪ／ｍ２）とからなる複数の特性が、ともに最大化方向となるように最適化された組成の群を提案した結果を、図１４に示す。図１４に示すように、曲げ弾性率と常温ＩＺＯＤ衝撃強度とがともに最大化方向となるように最適化された組成の群（パレート最適解、図１４中、白丸）が得られた。
【0344】
よって、組成提案装置は、多数の組み合わせが考えられる組成物の中で、特性が望ましい方向に最大化された組成の群（パレート最適解）を効率よく提案できることが確認された。
【0345】
（実施例２－２）複合材料の特性を望ましい値に近づけるような組成の群の提案方法
高分子複合材料の物性ｋの目標値をＯｋ、組成Ｒｊに対応する高分子複合材料の物性の予測値をＰｋ，ｊとした時に、最適化のための目的関数ｆｋを、下記式（１）のように定めた。
ｆｋ＝｜Ｏｋ－Ｐｋ，ｊ｜／｜Ｏｋ｜ ・・・（１）
（式中、｜Ｏｋ－Ｐｋ，ｊ｜及び｜Ｏｋ｜は、それぞれ、Ｏｋ－Ｐｋ，ｊ及びＯｋの絶対値を示す。）
高分子複合材料の物性ｋの目標値をＯｋ、組成Ｒｊに対応する高分子複合材料の物性の予測値をＰｋ，ｊとした時に、最適化のための目的関数ｆｋを、下記式（１）のように定めた。
ｆｋ＝｜Ｏｋ－Ｐｋ，ｊ｜／｜Ｏｋ｜ ・・・（１）
（式中、｜Ｏｋ－Ｐｋ，ｊ｜及び｜Ｏｋ｜は、それぞれ、Ｏｋ－Ｐｋ，ｊ及びＯｋの絶対値を示す。）
【0346】
上記の（２－１）に記載の方法と同様の方法によって、最適化のための目的関数ｆｋを最小化するように組成を最適化することによって、高分子複合材料の物性を望ましい値に近づけるような、高分子複合材料の組成の群を提案できることが確認された。
【0347】
以上の通り、実施形態を説明したが、上記実施形態は、例として提示したものであり、上記実施形態により本発明が限定されるものではない。上記実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の組み合わせ、省略、置き換え、変更等を行うことが可能である。これら実施形態やその変形は、発明の範囲や要旨に含まれると共に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
【0348】
なお、本発明の実施形態の態様は、例えば、以下の通りである。
＜１＞ 高分子複合材料に構成成分として含まれる、一種の高分子と前記一種の高分子以外の成分の種類と質量比率とを提案する組成提案装置であって、
仮想の高分子複合材料の物性の目標値を設定する設定部と、
前記高分子複合材料の記述子を含むパラメータと前記高分子複合材料の物性とが対応付けられた学習用データセットを用いて学習された学習済みモデルに、前記仮想の高分子複合材料の記述子を含むパラメータを入力することで予測される、前記仮想の高分子複合材料の物性が、前記目標値に近づくように、前記仮想の高分子複合材料の記述子を含むパラメータを変更する最適化部と、
を有し、
前記最適化部は、前記仮想の高分子複合材料の物性が予測される毎に、前記仮想の高分子複合材料の記述子を含むパラメータを変更することで、前記仮想の高分子複合材料に前記構成成分として含まれる、前記一種の高分子と前記一種の高分子以外の成分の種類と質量比率とを最適化する組成提案装置。
＜２＞ 前記最適化部は、特定の、前記仮想の高分子複合材料の記述子を含むパラメータを回避するように変更する＜１＞に記載の組成提案装置。
＜３＞ 前記最適化部は、前記仮想の高分子複合材料の記述子を含むパラメータを実現するための、前記仮想の高分子複合材料に前記構成成分として含まれる、前記一種の高分子と前記一種の高分子以外の成分の種類と質量比率とを、数理最適化処理を行うことで提案する＜１＞又は＜２＞に記載の組成提案装置。
＜４＞ 前記数理最適化処理が、遺伝的アルゴリズム、ベイス最適化及びＴＰＥの何れかである＜３＞に記載の組成提案装置。
＜５＞ 前記最適化部は、前記仮想の高分子複合材料の物性が望ましい方向に最大化するように前記仮想の高分子複合材料の記述子を含むパラメータを最適化する＜１＞～＜４＞の何れか一つに記載の組成提案装置。
＜６＞ 前記最適化部は、前記高分子複合材料に前記構成成分として含まれる、前記一種の高分子と前記一種の高分子以外の成分の種類と質量比率の組合せを複数提案する＜３＞～＜５＞の何れか一つに記載の組成提案装置。
＜７＞ 前記最適化部は、高分子複合材料の２つ以上の特性それぞれについて生成された前記学習済みモデルに、前記仮想の高分子複合材料の記述子を含むパラメータをそれぞれ入力することで予測される、前記仮想の高分子複合材料の前記２つ以上の特性それぞれが、前記２つ以上の特性それぞれの前記目標値に近づくように、前記仮想の高分子複合材料の記述子を含むパラメータを変更する＜１＞～＜６＞の何れか一つに記載の組成提案装置。
＜８＞ 前記最適化部は、前記２つ以上の特性についてパレート解を提案する＜７＞に記載の組成提案装置。
＜９＞ 前記質量比率が、前記構成成分の種類毎の平均値を含む＜１＞～＜８＞の何れか一つに記載の組成提案装置。
＜１０＞ 前記高分子が、二種類以上の単量体単位を含む共重合体を含む＜１＞～＜９＞の何れか一つに記載の組成提案装置。
＜１１＞ 前記高分子複合材料が、プロピレン系重合体と、ポリオレフィンエラストマーとを含む＜１＞～＜１０＞の何れか一つに記載の組成提案装置。
＜１２＞ 前記プロピレン系重合体が、プロピレンに由来する単量体単位とエチレンに由来する単量体単位とを含む共重合体を含む＜１１＞に記載の組成提案装置。
＜１＞ 高分子複合材料に構成成分として含まれる、一種の高分子と前記一種の高分子以外の成分の種類と質量比率とを提案する組成提案装置であって、
仮想の高分子複合材料の物性の目標値を設定する設定部と、
前記高分子複合材料の記述子を含むパラメータと前記高分子複合材料の物性とが対応付けられた学習用データセットを用いて学習された学習済みモデルに、前記仮想の高分子複合材料の記述子を含むパラメータを入力することで予測される、前記仮想の高分子複合材料の物性が、前記目標値に近づくように、前記仮想の高分子複合材料の記述子を含むパラメータを変更する最適化部と、
を有し、
前記最適化部は、前記仮想の高分子複合材料の物性が予測される毎に、前記仮想の高分子複合材料の記述子を含むパラメータを変更することで、前記仮想の高分子複合材料に前記構成成分として含まれる、前記一種の高分子と前記一種の高分子以外の成分の種類と質量比率とを最適化する組成提案装置。
＜２＞ 前記最適化部は、特定の、前記仮想の高分子複合材料の記述子を含むパラメータを回避するように変更する＜１＞に記載の組成提案装置。
＜３＞ 前記最適化部は、前記仮想の高分子複合材料の記述子を含むパラメータを実現するための、前記仮想の高分子複合材料に前記構成成分として含まれる、前記一種の高分子と前記一種の高分子以外の成分の種類と質量比率とを、数理最適化処理を行うことで提案する＜１＞又は＜２＞に記載の組成提案装置。
＜４＞ 前記数理最適化処理が、遺伝的アルゴリズム、ベイス最適化及びＴＰＥの何れかである＜３＞に記載の組成提案装置。
＜５＞ 前記最適化部は、前記仮想の高分子複合材料の物性が望ましい方向に最大化するように前記仮想の高分子複合材料の記述子を含むパラメータを最適化する＜１＞～＜４＞の何れか一つに記載の組成提案装置。
＜６＞ 前記最適化部は、前記高分子複合材料に前記構成成分として含まれる、前記一種の高分子と前記一種の高分子以外の成分の種類と質量比率の組合せを複数提案する＜３＞～＜５＞の何れか一つに記載の組成提案装置。
＜７＞ 前記最適化部は、高分子複合材料の２つ以上の特性それぞれについて生成された前記学習済みモデルに、前記仮想の高分子複合材料の記述子を含むパラメータをそれぞれ入力することで予測される、前記仮想の高分子複合材料の前記２つ以上の特性それぞれが、前記２つ以上の特性それぞれの前記目標値に近づくように、前記仮想の高分子複合材料の記述子を含むパラメータを変更する＜１＞～＜６＞の何れか一つに記載の組成提案装置。
＜８＞ 前記最適化部は、前記２つ以上の特性についてパレート解を提案する＜７＞に記載の組成提案装置。
＜９＞ 前記質量比率が、前記構成成分の種類毎の平均値を含む＜１＞～＜８＞の何れか一つに記載の組成提案装置。
＜１０＞ 前記高分子が、二種類以上の単量体単位を含む共重合体を含む＜１＞～＜９＞の何れか一つに記載の組成提案装置。
＜１１＞ 前記高分子複合材料が、プロピレン系重合体と、ポリオレフィンエラストマーとを含む＜１＞～＜１０＞の何れか一つに記載の組成提案装置。
＜１２＞ 前記プロピレン系重合体が、プロピレンに由来する単量体単位とエチレンに由来する単量体単位とを含む共重合体を含む＜１１＞に記載の組成提案装置。
【符号の説明】
【0349】
１ 学習装置
２ 予測装置
３ 組成提案装置
１１、２１、３１、４１ 取得部
１２、２２、３２、４２ 前処理部
１３ 学習用データセット作成部
１４ 学習部
１５、２４、３８、４７ 表示部
２３、３３ 予測部
３４、４３ 設定部
３５、４４ 比較部
３６、４５ 判定部
３７、４６ 最適化部
Ｍ１、Ｍ２、Ｍ３ 学習済みモデル
２ 予測装置
３ 組成提案装置
１１、２１、３１、４１ 取得部
１２、２２、３２、４２ 前処理部
１３ 学習用データセット作成部
１４ 学習部
１５、２４、３８、４７ 表示部
２３、３３ 予測部
３４、４３ 設定部
３５、４４ 比較部
３６、４５ 判定部
３７、４６ 最適化部
Ｍ１、Ｍ２、Ｍ３ 学習済みモデル
【要約】
【課題】所望の特性を有する高分子複合材料のパラメータを提案する組成提案装置を提供する。
【解決手段】本発明に係る組成提案装置は、高分子複合材料に構成成分として含まれる、一種の高分子と、一種の高分子以外の成分との種類と質量比率とを提案する装置であって、仮想の高分子複合材料の物性の目標値を設定する設定部と、高分子複合材料の記述子を含むパラメータと高分子複合材料の物性とが対応するように学習された学習済みモデルに、仮想の高分子複合材料の記述子を含むパラメータを入力することで予測される、仮想の高分子複合材料の物性が、目標値に近づくように、パラメータを変更する最適化部とを有し、最適化部は、仮想の高分子複合材料の物性が予測される毎に、パラメータを変更することで、仮想の高分子複合材料に構成成分として含まれる、一種の高分子と一種の高分子以外の成分の種類と質量比率とを最適化する。
【選択図】図４
【解決手段】本発明に係る組成提案装置は、高分子複合材料に構成成分として含まれる、一種の高分子と、一種の高分子以外の成分との種類と質量比率とを提案する装置であって、仮想の高分子複合材料の物性の目標値を設定する設定部と、高分子複合材料の記述子を含むパラメータと高分子複合材料の物性とが対応するように学習された学習済みモデルに、仮想の高分子複合材料の記述子を含むパラメータを入力することで予測される、仮想の高分子複合材料の物性が、目標値に近づくように、パラメータを変更する最適化部とを有し、最適化部は、仮想の高分子複合材料の物性が予測される毎に、パラメータを変更することで、仮想の高分子複合材料に構成成分として含まれる、一種の高分子と一種の高分子以外の成分の種類と質量比率とを最適化する。
【選択図】図４
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】