特許 7513836 新しい原料を用いた調合物レシピを探索するための機械学習の使用

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-07-01

(45)【発行日】2024-07-09

(54)【発明の名称】新しい原料を用いた調合物レシピを探索するための機械学習の使用

(51)【国際特許分類】

   G16C 20/70 20190101AFI20240702BHJP

【ＦＩ】

G16C20/70

【請求項の数】 20

(21)【出願番号】P 2023504020

(86)(22)【出願日】2021-04-19

(65)【公表番号】

(43)【公表日】2023-08-31

(86)【国際出願番号】 US2021028023

(87)【国際公開番号】W WO2022019971

(87)【国際公開日】2022-01-27

【審査請求日】2024-02-13

(31)【優先権主張番号】16/935,077

(32)【優先日】2020-07-21

(33)【優先権主張国・地域又は機関】US

【早期審査対象出願】

(73)【特許権者】

【識別番号】521375117

【氏名又は名称】シトリン インフォマティックス， インコーポレイテッド

(74)【代理人】

【識別番号】100078282

【弁理士】

【氏名又は名称】山本 秀策

(74)【代理人】

【識別番号】100113413

【弁理士】

【氏名又は名称】森下 夏樹

(74)【代理人】

【識別番号】100181674

【弁理士】

【氏名又は名称】飯田 貴敏

(74)【代理人】

【識別番号】100181641

【弁理士】

【氏名又は名称】石川 大輔

(74)【代理人】

【識別番号】230113332

【弁護士】

【氏名又は名称】山本 健策

(72)【発明者】

【氏名】ハッチンソン， マクスウェル リップフォード

(72)【発明者】

【氏名】キム， エドワード スー

(72)【発明者】

【氏名】ラトゥア， ライアン マイケル

(72)【発明者】

【氏名】パラディソ， ショーン フィリップ

(72)【発明者】

【氏名】リン， ジュリア ブラック

【審査官】塩田 徳彦

(56)【参考文献】

【文献】米国特許第１０３６６７７９（ＵＳ，Ｂ２）

【文献】米国特許出願公開第２００３／００７８７４０（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０２０／０２１０６３５（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ１６Ｃ １０／００－９９／００

(57)【特許請求の範囲】

【請求項1】

方法であって、
ユーザから、候補調合物レシピの第１の入力を受信することと、
前記ユーザから、１つ以上の標的性質および標的性質制約の第２の入力を受信することと、
前記第１の入力および前記第２の入力を機械学習モデルの中に入力することであって、前記機械学習モデルは、履歴訓練データを使用して訓練されており、前記履歴訓練データの各要素は、既知の特徴表現を有する既知の調合物に対応し、各既知の調合物は、前記既知の特徴表現を形成する、前記既知の調合物の各特徴の関連付けられる性質および統計的表現を有する、ことと、
出力として、前記機械学習モデルから、候補調合物の予測される性質を受信することと、
前記ユーザへの表示のために、前記予測される性質が前記第２の入力を充足させる予測される尤度を生成することと
を含む、方法。

【請求項2】

前記標的性質制約は、容認可能値の範囲、前記１つ以上の標的性質の最大容認可能値、前記１つ以上の標的性質の最小容認可能値、最小限化目標、最大限化目標のうちの少なくとも１つを含む、請求項１に記載の方法。

【請求項3】

前記標的性質制約は、前記候補調合物に関する性能要件を備える、請求項１に記載の方法。

【請求項4】

前記候補調合物レシピは、１つ以上の原料を備え、前記１つ以上の原料は、これまで試験されていない、または、前記ユーザにとって新しい、請求項１に記載の方法。

【請求項5】

前記履歴訓練データは、前記ユーザから受信される第３の入力を備え、前記第３の入力は、原料毎に、前記原料の１つ以上の性質および前記原料の役割を規定する、請求項４に記載の方法。

【請求項6】

各特徴の前記関連付けられる性質および前記統計的表現は、各原料の前記性質および前記役割を成分特徴表現に変換することによって判定され、各成分特徴表現は、全体としてまとめられると、前記既知の特徴表現を形成する、請求項５に記載の方法。

【請求項7】

前記標的性質は、物理的性質または化学的性質のうちの少なくとも１つである、請求項６に記載の方法。

【請求項8】

着目材料クラスが、ゴムであり、前記標的性質は、衝撃強度および引裂強度のうちの少なくとも１つを備える、ゴムの材料クラスに特有の機械的性質を備える、請求項７に記載の方法。

【請求項9】

複数の候補調合物の性能予測は、前記第１の入力および前記第２の入力を使用して導出され、前記予測される性質が前記制約を充足させる個別の尤度は、複数の候補調合物の個別のもの毎に、前記第２の入力を使用して、判定され、
前記方法は、
その個別の尤度に基づいて、前記複数の候補調合物をランク付けすることと、
前記ユーザへの表示のために、前記ランク付けを使用して、前記複数の候補調合物のリストを生成することと
をさらに含む、請求項１に記載の方法。

【請求項10】

命令がエンコーディングされているメモリを備える非一過性のコンピュータ読み取り可能な媒体であって、前記命令は、１つ以上のプロセッサによって実行されると、動作を実行することを前記１つ以上のプロセッサに行わせ、前記命令は、
ユーザから、候補調合物レシピの第１の入力を受信することと、
前記ユーザから、１つ以上の標的性質および標的性質制約の第２の入力を受信することと、
前記第１の入力および前記第２の入力を機械学習モデルの中に入力することであって、前記機械学習モデルは、履歴訓練データを使用して訓練されており、前記履歴訓練データの各要素は、既知の特徴表現を有する既知の調合物に対応し、各既知の調合物は、前記既知の特徴表現を形成する、前記既知の調合物の各特徴の関連付けられる性質および統計的表現を有する、ことと、
出力として、前記機械学習モデルから、候補調合物の予測される性質と、前記予測される性質が前記第２の入力を使用して制約を充足させる尤度とを受信することと、
前記ユーザへの表示のために、前記予測される性質が前記第２の入力を充足させる予測される尤度を出力することと
を行うための命令を備える、非一過性のコンピュータ読み取り可能な媒体。

【請求項11】

前記標的性質制約は、容認可能値の範囲、前記１つ以上の標的性質の最大容認可能値、前記１つ以上の標的性質の最小容認可能値、最小限化目標、最大限化目標のうちの少なくとも１つを含む、請求項１０に記載の非一過性のコンピュータ読み取り可能な媒体。

【請求項12】

前記標的性質制約は、前記候補調合物に関する性能要件を備える、請求項１０に記載の非一過性のコンピュータ読み取り可能な媒体。

【請求項13】

前記候補調合物レシピは、１つ以上の原料を備え、前記１つ以上の原料は、これまで試験されていない、または、前記ユーザにとって新しい、請求項１０に記載の非一過性のコンピュータ読み取り可能な媒体。

【請求項14】

前記履歴訓練データは、前記ユーザから受信される第３の入力を備え、前記第３の入力は、原料毎に、前記原料の１つ以上の性質および前記原料の役割を規定する、請求項１３に記載の非一過性のコンピュータ読み取り可能な媒体。

【請求項15】

各特徴の前記関連付けられる性質および前記統計的表現は、各原料の前記性質および前記役割を成分特徴表現に変換することによって判定され、各成分特徴表現は、全体としてまとめられると、前記既知の特徴表現を形成する、請求項１４に記載の非一過性のコンピュータ読み取り可能な媒体。

【請求項16】

前記標的性質は、物理的性質または化学的性質のうちの少なくとも１つである、請求項１５に記載の非一過性のコンピュータ読み取り可能な媒体。

【請求項17】

着目材料クラスが、ゴムであり、前記標的性質は、衝撃強度および引裂強度のうちの少なくとも１つを備える、ゴムの材料クラスに特有の機械的性質を備える、請求項１６に記載の非一過性のコンピュータ読み取り可能な媒体。

【請求項18】

複数の候補調合物の性質予測は、前記第１の入力および前記第２の入力を使用して導出され、前記予測される性質が前記制約を充足させる個別の尤度は、複数の候補調合物の個別のもの毎に判定され、
前記命令は、
その個別の尤度に基づいて、前記複数の候補調合物をランク付けすることと、
前記ユーザへの表示のために、前記ランク付けを使用して、前記複数の候補調合物のリストを生成することと
を行うための命令をさらに備える、請求項１０に記載の非一過性のコンピュータ読み取り可能な媒体。

【請求項19】

システムであって、前記システムは、
命令がエンコーディングされているメモリと、
１つ以上のプロセッサと
を備え、
前記１つ以上のプロセッサは、前記命令を実行すると、
ユーザから、候補調合物レシピの第１の入力を受信することと、
前記ユーザから、１つ以上の標的性質および標的性質制約の第２の入力を受信することと、
前記第１の入力および前記第２の入力を機械学習モデルの中に入力することであって、前記機械学習モデルは、履歴訓練データを使用して訓練されており、前記履歴訓練データの各要素は、既知の特徴表現を有する既知の調合物に対応し、各既知の調合物は、前記既知の特徴表現を形成する、前記既知の調合物の各特徴の関連付けられる性質および統計的表現を有する、ことと、
出力として、前記機械学習モデルから、候補調合物の予測される性質と、前記予測される性質が前記第２の入力を使用して制約を充足させる尤度とを受信することと、
前記ユーザへの表示のために、前記予測される性質が前記第２の入力を充足させる予測される尤度を出力することと
を含む動作を実行することを行なわせられる、システム。

【請求項20】

前記候補調合物レシピは、１つ以上の原料を備え、前記１つ以上の原料は、これまで試験されていない、または、前記ユーザにとって新しい、請求項１９に記載のシステム。

【発明の詳細な説明】

【技術分野】

【0001】

（関連出願の相互参照）
本願は、その開示が参照することによってその全体として本明細書に組み込まれる、２０２０年７月２１日に出願された、米国特許出願第第１６／９３５，０７７号の利益を主張する。

【0002】

（技術分野）
本開示は、概して、機械学習の分野に関し、より具体的には、機械学習を使用して化学調合物エンジニアリングを探索することに関する。

【背景技術】

【0003】

（背景）
調合物生産者は、所与の用途のために要求される種々の性質（例えば、機械的、光学的、電気的、化学的等）に関する性能仕様を達成するために、新しい調合物を作成する必要があり得る。これらの性質は、調合物を作成するために使用されるレシピに基づいて変動し得る。いくつかの事例では、調合物生産者は、試験されていない原料を調合物において使用することを検討し得る。例えば、既存の調合物のための原料が、利用不可能である、またはコストがかかる（例えば、サプライチェーン不足に起因して）状態になる場合、生産者は、新しい原料を使用してレシピを設計することを所望し得る。しかしながら、新しい原料を用いた実験は、法外に高価であり得、非効率的であり得、かつ必要な性能仕様を達成することの成功の保証がない場合がある。

【発明の概要】

【課題を解決するための手段】

【0004】

（構成概要）
開示されるシステム、方法、およびコンピュータ可読記憶媒体の一実施形態は、機械学習を使用して、調合物の性能をモデル化することを含み、レシピは、これまで試験されていない原料を含む。ある実施形態では、本システムは、ユーザから、候補調合物レシピおよび／または処理パラメータを含む、第１の入力と、ユーザから、１つ以上の標的性質および関連付けられる制約の第２の入力とを受信してもよい。本システムは、第１の入力を機械学習モデルの中に入力してもよく、機械学習モデルは、履歴訓練データを使用して訓練されており、履歴訓練データの各要素は、既知の特徴表現を有する、既知の調合物に対応し、各既知の調合物は、既知の特徴表現を形成する、既知の調合物の各特徴の関連付けられる性質および統計的表現を有する。本システムは、次いで、出力として、機械学習モデルから、候補調合物の予測される性質を受信してもよい。本システムは、候補調合物の予測される性質および標的性質制約を充足させる尤度を判定し、ユーザへの表示のために出力してもよい。

【0005】

開示される実施形態は、詳細な説明、添付の請求項、および付随の図（または図面）からより容易に明白になるであろう、他の利点および特徴を有する。図の簡単な紹介が、下記で行われる。
本発明は、例えば、以下を提供する。
（項目１）
方法であって、
ユーザから、候補調合物レシピの第１の入力を受信することと、
前記ユーザから、１つ以上の標的性質および標的性質制約の第２の入力を受信することと、
前記第１の入力および前記第２の入力を機械学習モデルの中に入力することであって、前記機械学習モデルは、履歴訓練データを使用して訓練されており、前記履歴訓練データの各要素は、既知の特徴表現を有する、既知の調合物に対応し、各既知の調合物は、前記既知の特徴表現を形成する、前記既知の調合物の各特徴の関連付けられる性質および統計的表現を有する、ことと、
出力として、前記機械学習モデルから、前記第１の入力を使用して導出される、候補調合物の予測される性質を受信することと、
前記ユーザへの表示のために、前記予測される性質が前記第２の入力を充足させる、予測される尤度を生成することと
を含む、方法。
（項目２）
前記標的性質制約は、容認可能値の範囲、前記１つ以上の標的性質の最大容認可能値、前記１つ以上の標的性質の最小容認可能値、最小限化目標、および最大限化目標のうちの少なくとも１つを含む、項目１に記載の方法。
（項目３）
前記標的性質制約は、前記調合物に関する性能要件を備える、項目１に記載の方法。
（項目４）
前記候補調合物レシピは、これまで試験されていない、または前記ユーザにとって新しい、１つ以上の原料を備える、項目１に記載の方法。
（項目５）
前記履歴訓練データは、前記ユーザから受信される、原料毎に、前記原料の１つ以上の性質および前記原料の役割を規定する、第３の入力を備える、項目４に記載の方法。
（項目６）
各特徴の前記関連付けられる性質および前記統計的表現は、各原料の前記性質および前記役割を成分特徴表現に変換することによって判定され、各成分特徴表現は、全体としてまとめられると、前記既知の特徴表現を形成する、項目５に記載の方法。
（項目７）
前記標的性質は、物理的または化学的性質のうちの少なくとも１つである、項目６に記載の方法。
（項目８）
着目材料クラスが、ゴムであり、前記標的性質は、衝撃強度および引裂強度のうちの少なくとも１つを備える、ゴムの材料クラスに特有の機械的性質を備える、項目７に記載の方法。
（項目９）
複数の候補調合物性能予測は、前記第１の入力を使用して導出され、前記予測される性質が前記制約を充足させる、個別の尤度は、前記複数の候補調合物の個別のもの毎に、前記第２の入力を使用して、判定され、前記方法はさらに、
その個別の尤度に基づいて、前記複数の候補調合物をランク付けすることと、
前記ユーザへの表示のために、前記ランク付けを使用して、前記複数の候補調合物のリストを生成することと
を含む、項目１に記載の方法。
（項目１０）
その上にエンコーディングされた命令を伴うメモリを備える、非一過性コンピュータ可読媒体であって、前記命令は、１つ以上のプロセッサによって実行されると、前記１つ以上のプロセッサに、動作を実施させ、前記命令は、
ユーザから、候補調合物レシピの第１の入力を受信することと、
前記ユーザから、１つ以上の標的性質および標的性質制約の第２の入力を受信することと、
前記第１の入力および前記第２の入力を機械学習モデルの中に入力することであって、前記機械学習モデルは、履歴訓練データを使用して訓練されており、前記履歴訓練データの各要素は、既知の特徴表現を有する、既知の調合物に対応し、各既知の調合物は、前記既知の特徴表現を形成する、前記既知の調合物の各特徴の関連付けられる性質および統計的表現を有する、ことと、
出力として、前記機械学習モデルから、前記第１の入力を使用して導出される、候補調合物の予測される性質と、前記予測される性質が前記第２の入力を使用して制約を充足させる、尤度とを受信することと、
前記ユーザへの表示のために、前記予測される性質が前記第２の入力を充足させる、予測される尤度を出力することと
を行うための命令を備える、非一過性コンピュータ可読媒体。
（項目１１）
前記標的性質制約は、容認可能値の範囲、前記１つ以上の標的性質の最大容認可能値、前記１つ以上の標的性質の最小容認可能値、最小限化目標、および最大限化目標のうちの少なくとも１つを含む、項目１０に記載の非一過性コンピュータ可読媒体。
（項目１２）
前記標的性質制約は、前記調合物に関する性能要件を備える、項目１０に記載の非一過性コンピュータ可読媒体。
（項目１３）
前記候補調合物レシピは、これまで試験されていない、または前記ユーザにとって新しい、１つ以上の原料を備える、項目１０に記載の非一過性コンピュータ可読媒体。
（項目１４）
前記履歴訓練データは、前記ユーザから受信される、原料毎に、前記原料の１つ以上の性質および前記原料の役割を規定する、第３の入力を備える、項目１３に記載の非一過性コンピュータ可読媒体。
（項目１５）
各特徴の前記関連付けられる性質および前記統計的表現は、各原料の前記性質および前記役割を成分特徴表現に変換することによって判定され、各成分特徴表現は、全体としてまとめられると、前記既知の特徴表現を形成する、項目１４に記載の非一過性コンピュータ可読媒体。
（項目１６）
前記標的性質は、物理的または化学的性質のうちの少なくとも１つである、項目１５に記載の非一過性コンピュータ可読媒体。
（項目１７）
着目材料クラスが、ゴムであり、前記標的性質は、衝撃強度および引裂強度のうちの少なくとも１つを備える、ゴムの材料クラスに特有の機械的性質を備える、項目１６に記載の非一過性コンピュータ可読媒体。
（項目１８）
複数の候補調合物性質予測は、前記第１の入力を使用して導出され、前記予測される性質が前記制約を充足させる、個別の尤度は、前記複数の候補調合物の個別のもの毎に判定され、前記命令はさらに、
その個別の尤度に基づいて、前記複数の候補調合物をランク付けすることと、
前記ユーザへの表示のために、前記ランク付けを使用して、前記複数の候補調合物のリストを生成することと
を行うための命令を備える、項目１０に記載の非一過性コンピュータ可読媒体。
（項目１９）
システムであって、
その上にエンコーディングされた命令を伴うメモリと、
１つ以上のプロセッサと
を備え、
前記１つ以上のプロセッサは、前記命令を実行すると、
ユーザから、候補調合物レシピの第１の入力を受信することと、
前記ユーザから、１つ以上の標的性質および標的性質制約の第２の入力を受信することと、
前記第１の入力および前記第２の入力を機械学習モデルの中に入力することであって、前記機械学習モデルは、履歴訓練データを使用して訓練されており、前記履歴訓練データの各要素は、既知の特徴表現を有する、既知の調合物に対応し、各既知の調合物は、前記既知の特徴表現を形成する、前記既知の調合物の各特徴の関連付けられる性質および統計的表現を有する、ことと、
出力として、前記機械学習モデルから、前記第１の入力を使用して導出される、候補調合物の予測される性質と、前記予測される性質が前記第２の入力を使用して制約を充足させる、尤度とを受信することと、
前記ユーザへの表示のために、前記予測される性質が前記第２の入力を充足させる、予測される尤度を出力することと
を含む動作を実施させられる、システム。
（項目２０）
前記候補調合物レシピは、これまで試験されていない、または前記ユーザにとって新しい、１つ以上の原料を備える、項目１９に記載のシステム。

【図面の簡単な説明】

【0006】

【図1】図１は、新しいレシピ評価サービスを動作させるためのシステム環境の一実施形態を図示する。

【0007】

【図2】図２は、新しいレシピ評価サービスによって使用される例示的モジュールおよびデータベースの一実施形態を図示する。

【0008】

【図3】図３は、新しいレシピ評価サービスによって使用される機械学習モデルを訓練する例示的実施形態を図示する、データフロー図である。

【0009】

【図4】図４は、新しいレシピ評価サービスの訓練された機械学習モデルを使用する例示的実施形態を図示する、データフロー図である。

【0010】

【図5】図５は、新しいレシピ評価サービスの要求される入力および出力を含む、例示的ユーザインターフェースを図示する。

【0011】

【図6】図６は、命令を機械可読媒体から読み取り、それらをプロセッサ（またはコントローラ）内で実行することが可能である、例示的機械のコンポーネントを図示する、ブロック図である。

【0012】

【図7】図７は、新しいレシピ評価サービスを使用するための例示的プロセスを示す、例示的データフロー図である。

【発明を実施するための形態】

【0013】

（詳細な説明）
図および以下の説明は、例証のみとしての好ましい実施形態に関する。以下の議論から、本明細書に開示される構造および方法の代替実施形態が、請求される内容の原理から逸脱することなく採用され得る、実行可能代替として容易に認識されるであろうことに留意されたい。

【0014】

ここで、その実施例が、付随の図に図示される、いくつかの実施形態の詳細が参照されるであろう。実践可能である場合は常に、類似または同様の参照番号が、図中で使用さ得、類似または同様の機能性を示し得ることに留意されたい。図は、例証目的のためにのみ、開示されるシステム（または方法）の実施形態を描写する。当業者は、以下の説明から、本明細書に図示される構造および方法の代替実施形態が、本明細書に説明される原理から逸脱することなく採用され得ることを容易に認識するであろう。

【0015】

（新しいレシピ評価サービスのためのシステム環境）
図１は、新しいレシピ評価サービスを動作させるためのシステム環境の一実施形態を図示する。環境１００は、クライアントデバイス１１０と、ネットワーク１２０と、新しいレシピ評価サービス１３０とを含む。クライアントデバイス１００は、スマートフォン、ラップトップコンピュータ、タブレット、パーソナルコンピュータ、またはユーザによって動作可能な任意の他のデバイス等のユーザの任意のデバイスであってもよい。クライアントデバイス１００は、要求を、ネットワーク１２０（例えば、インターネットまたは任意の他のデータ通信ネットワーク）を経由して、新しいレシピ評価サービス１３０に伝送してもよい。要求は、候補調合物レシピと、その処理パラメータとを含んでもよい。要求はまた、原料を使用する、調合物の１つ以上の所望の性能仕様を含んでもよい。新しいレシピ評価サービス１３０は、要求を受け取ってもよく、ユーザに、１つ以上の候補調合物の複数の予測される性能を返してもよい。新しいレシピ評価サービス１３０が動作する方法のさらなる詳細は、図２－７に関して下記に開示される。

【0016】

（新しいレシピ評価サービスの詳細）
図２は、新しいレシピ評価サービスによって使用される例示的モジュールおよびデータベースの一実施形態を図示する。新しいレシピ評価サービス１３０は、ユーザインターフェースモジュール２３１と、訓練モジュール２３２と、特徴量化モジュール２３３と、調合物予測モジュール２３４と、モデルデータベース２４０と、履歴データ２４１とを含む。新しいレシピ評価サービス１３０に対して描写されるモジュールおよびデータベースは、単なる実施例である。より多いまたはより少ないモジュールおよび／またはデータベースが、本明細書に説明される機能性を達成するために使用されてもよい。さらに、新しいレシピ評価サービスのいくつかまたは全ては、複数のサーバを横断して分散されてもよく、および／またはオンボードクライアントデバイス１１０であってもよい。例えば、アプリケーションは、クライアントデバイス１１０上にインストールされる、または新しいレシピ評価サービス１３０の機能性のいくつかまたは全てを含む、クライアントデバイス１１０のブラウザを用いてアクセスされてもよい。一実施例として、ユーザインターフェースモジュール２３１は、（例えば、インストールされるアプリケーションを使用して）クライアントデバイス１１０上にインスタンス化されてもよく、一方、訓練モジュール２３２、特徴量化モジュール２３３、および調合物予測モジュール２３４は、クライアントデバイス１１０から遠隔の１つ以上のサーバを使用して、インストールされてもよい。

【0017】

本明細書に使用されるような用語「レシピ」は、調合物を生成する方法の処方を指し得る。本処方は、使用される原料、使用される各原料の量の統計的表現、処理パラメータ（例えば、原料のある組み合わせの加熱時間およびその温度等の原料を操作する方法に関する指示）、混合情報（例えば、ともに混合すべき原料ならびにその方式および順序）等を含んでもよい。本明細書に使用されるような用語「原料」は、ともに、レシピが従われるとき、調合物をもたらす、使用される原材料を指し得る。用語「新しい原料」および「試験されていない原料」は、それに関してユーザが不十分な性能データ（例えば、十分ではない、または既存の調合物性能データがない）を有する、原料を指す。例えば、ユーザは、原料性質データ（例えば、原料密度または原料組成）を有し得るが、本原料を含むレシピに関する調合物性質データを有していない場合がある。本明細書に使用されるような用語「標的性質」は、調合物の性能性質（例えば、引張強度、光学的明澄度、電気伝導性等）を指し得る。本明細書に使用されるような用語「制約」は、調合物の性能要件を指し得る（例えば、調合物は、少なくとも９５メガパスカルの引張強度を有しなければならない）。

【0018】

ユーザインターフェースモジュール２３１は、訓練データ、調合物レシピおよび処理パラメータ、標的性質および制約、ならびに同等物等のデータを入力するためにユーザに提供されるための表示を生じさせる。機械学習モデルを訓練することに関して、ユーザインターフェースモジュール２３１は、ユーザに、調合物、調合物の成分原料、調合物レシピと関連付けられる処理パラメータ、および調合物によって達成される性能性質を含む、訓練データを入力するようにプロンプトしてもよい。新しい調合物を予測することに関して、ユーザインターフェースモジュール２３１は、ユーザに、１つ以上の標的性質およびそれらの標的性質に関する関連付けられる制約を入力するようにプロンプトしてもよい。ユーザインターフェースモジュール２３１は、候補調合物の予測される性質等の結果を出力するために使用されてもよい。本明細書に説明されるユーザインターフェースへの任意の入力または出力は、ユーザインターフェースモジュール２３１よって管理されてもよい。

【0019】

訓練モジュール２３２は、調合物の性質を予測するために、機械学習モデルを訓練する。ある実施形態では、調合物の性質を予測するように訓練される、１つ以上の汎用モデルが、使用されてもよく、そのような実施形態では、訓練モジュール２３２は、使用される必要はない。いくつかの実施形態では、汎用モデルは、利用不可能であり得る、または利用可能であり得、かつその精度を改良するために、ユーザの訓練データを使用して、拡張されてもよい。訓練モジュール２３２は、汎用モデルが利用不可能である場合、またはそれらが利用可能であるが、ユーザ訓練データで補完され得る場合、機械学習モデルを訓練するために使用されてもよい。

【0020】

例示的訓練プロセスの例証のために、図３に簡単に目を向けると、図３は、新しいレシピ評価サービスによって使用される機械学習モデルを訓練する例示的実施形態を図示する、データフロー図である（例えば、機械学習モデルを新しく訓練する、または汎用機械学習モデルを拡張するため）。データフロー３００は、ユーザ３１０が、２つの入力、すなわち、入力３２０および入力３３０を提供することから開始する。入力３２０は、性能仕様等の調合物性質を含む。例えば、ユーザは、これまでに、天然ゴム、着色剤、および硬化剤を使用して、ゴム調合物を作成する実験を行っている場合がある。これらのゴム調合物の調合物性質は、衝撃強度および引裂強度のような機械的性質等の性能仕様を含む。これらの性能仕様は、入力３２０として、入力されてもよい。

【0021】

入力３３０は、ともに合わせられる（かつ規定されたように処理される）と、調合物を作成する、原料のレシピを含む。例えば、これは、各原材料および／または化学物質ならびに調合物中で使用されるその量の統計的表現を含む場合がある。これはまた、それらの原料の既知の物理的性質を含む場合がある。これはまた、処理情報を含む可能性がある。例えば、これは、ゴムを作成する際に使用される、天然ゴムのタイプおよび量、着色剤、および硬化剤、ゴムの硬化温度および時間、ならびにそれらのゴム、着色剤、および硬化剤の密度、色、または化学組成を含む場合がある。量は、未加工量（例えば、各原料の重量または体積の観点から）、パーセンテージまたは比率（例えば、９０％天然ゴム、３％着色剤、６％硬化剤１、１％硬化剤２）、または任意の他の形態の統計的表現であってもよい。入力３３０はまた、各原料の役割を含んでもよい（すなわち、ゴムを青色に変える薬剤が、使用される場合、その薬剤は、「着色剤」の役割を有するものとして示される）。

【0022】

入力３３０は、調合物特徴量化３４０を生成するために使用される。本明細書に使用されるような用語「調合物特徴量化」は、各原料をその特徴に変換することを指し得、特徴は、その対応する原料の構成または性質をともに表す。例えば、ゴム、着色剤、および硬化剤の量の観点から、調合物を表すのではなく、調合物は、調合物中の着色剤の平均粒子サイズ、調合物中の異なる硬化剤の総量等によって表され得る。換言するために、ケーキが、１カップの小麦粉、半カップの砂糖、および１本のバターを使用して焼成される、実施例を想像されたい。小麦粉および砂糖の量の観点から、ケーキを表すのではなく、小麦粉および砂糖の属性が、例えば、ケーキの未加工原料に基づいて存在するように生じさせられる、ケーキの材料および化学性質の中でもとりわけ、ケーキ中の脂肪の量、ケーキ生地中の液体の平均粘度に変換されることができる。

【0023】

調合物特徴量化３４０を生成するために、特徴量化モジュール２３３は、均一混合物特徴量化を適用してもよい。特徴量化モジュール２３３は、例えば、ｐ乗され、成分タイプＣによってグループ化される、原料ｍの性質の加重平均を求めることによって、調合物を特徴量化してもよい。加重平均は、組成割合ｗによって加重されてもよい。例示的均一混合物特徴量化方程式は、以下の通りである。

【数1】

【0024】

調合物特徴量化３４０は、調合物の特徴をもたらし、これは、調合物入力３５０を含む。調合物入力３５０は、訓練された機械学習モデル３６０のための訓練データとして、入力３２０と対合される。訓練された機械学習モデル３６０は、次いで、原料情報を含む、入力を受信してもよく、入力原料情報の特徴に基づいて、性質の予測を出力してもよい。訓練された機械学習モデル３６０は、モデルデータベース２４０に記憶されてもよい。さらに、履歴データを手動で入力するのではなく、ユーザは、代わりに、調合物データをバルク単位で新しいレシピ評価サービス１３０に提供してもよく、これは、データを履歴データデータベース２４１内に記憶してもよい。機械学習モデルを訓練するために使用される履歴データは、性質上、専有であってもよく、ユーザは、他者による使用のために、履歴データまたは結果として生じる機械学習モデルを共有することを所望しない場合がある。この目的を達成するために、ユーザインターフェースモジュール２３１は、ユーザによって、共有のオプトインまたはアウト等のプライバシ設定を構成するために使用されてもよい（デフォルトは、オプトアウトであってもよい）。履歴データが、共有される場合、汎用機械学習モデルは、履歴データを使用して拡張されてもよい。

【0025】

調合物予測モジュール２３４は、訓練された機械学習モデルを使用して、結果として生じる標的性質を候補調合物レシピ（例えば、直接入力される、またはユーザによる入力に基づいて導出可能である）から予測する。所与のレシピは、原料量および／または事前に規定された処理情報を含んでもよい。調合物予測のための例示的プロセスを図示する、図４に簡単に目を向けると、図４は、新しいレシピ評価サービスの訓練された機械学習モデルを使用する例示的実施形態を図示する、データフロー図である。図４では、これまでに探索されていない、１つ以上の新しい原料を使用したレシピが、評価されることができる。候補レシピは、機械学習モデルの中に入力され、これは、機械学習モデルが、新しい原料の存在下でも、候補調合物性能を予測し得るように、特徴量化を実施する。ユーザ４１０は、候補調合物レシピ４２０の入力を提供し、候補調合物レシピは、使用される原料の量の処方ならびに任意の処理および／または混合情報である。ユーザ４１０はまた、標的性質および／または制約４３０を入力する。入力４２０および４３０は、訓練された機械学習（ＭＬ）モデル４４０の中に入力される。機械学習モデルは、候補調合物性能を予測し、それが標的性能および制約を満たすかどうかを評価する。上記に説明される機構を使用して、原料の多くの可能性として考えられる組み合わせが、比較的に少ない集約された原料性質に特徴量化される。これらの少ない集約された原料性質は、ユーザによって所望される１つ以上の調合物性質（例えば、調合物の特定の色および／または強度）を予測するために使用される。訓練されたＭＬモデル４４０は、１つ以上の標的性質における予測される調合物性能の表現を出力する（例えば、入力４３０が、規定された引張強度および光学的明澄度を含む場合、９８メガパスカル＋／－５メガパスカル等のこれらの性質に関する予測される性能の対応する表現が、出力されてもよい）。例えば、上記のゴム実施例に従うと、標的性質は、所望の引裂強度であり得、制約は、最小標的引裂強度および／または最大硬度であり得る。描写されないが、原料毎に、原料の性質および調合物中のその役割の印等の付加的入力が、訓練された機械学習モデルの中への入力のために受信されてもよい。

【0026】

候補調合物４５０の予測される性能性質は、物理的量の観点から、または調合物が実際に作成された場合、規定された標的値が達成される尤度の観点から、表され得る。ある実施形態では、新しいレシピ評価サービス１３０は、機械学習モデルの出力を、規定された標的値が達成されるであろう、尤度に変換する。例えば、機械学習モデルの出力が、候補調合物が、９８メガパスカル＋／－５メガパスカルの引張強度を有し、候補調合物の標的性質が、１００メガパスカルであることである場合、新しいレシピ評価サービス１３０は、本情報に基づいて、尤度（例えば、候補調合物が作製された場合、標的性質が達成されるであろう、３２％の尤度）を判定してもよい。尤度は、任意の統計的式または機械学習モデルによって出力された表現の変換を使用して判定されてもよい。ある実施形態では、尤度は、直接、機械学習モデルによって出力されてもよい。予測される性能は、訓練された機械学習モデルの出力を使用して、原料の特徴量化に対する候補となる新しい調合物の特徴量化に基づいてもよい。

【0027】

図５は、新しいレシピ評価サービスの要求される入力および出力を含む、例示的ユーザインターフェースを図示する。ユーザインターフェース５００は、ユーザが、１つ以上の溶媒および添加剤の使用に基づいて特定の粘度を有する調合物に関して、（例えば、訓練モジュール２３２を使用して）機械学習モデルを訓練することを所望する、実施例を（例えば、ユーザインターフェースモジュール２３１の実行に基づいて）描写し、溶媒は、規定された平均密度を有し、添加剤は、特定の平均粒子サイズを有する。入力は、ユーザによって手動で打ち込まれてもよい、または履歴データ２４１のバッチもしくは部分的バッチ入力を使用することによって自動的に取り込まれてもよい。入力５２０は、図３の入力３３０に対応し、調合物性質５３０は、図３の入力３２０に対応する。選択可能オプション５３０は、選択されると、（例えば、訓練モジュール２３２を使用して）機械学習モデルの訓練をトリガする。

【0028】

予測および／または尤度は、ユーザにとって任意の有意義な方法において出力されてもよい。ある実施形態では、調合物予測モジュール２３４は、レシピのテーブル（または他のデータ構造）を生成し、例えば、各行は、単一レシピであって、また、その処理パラメータを含んでもよい。所与の行を横断した読取値は、調合物をもたらすために混合すべき各原料の量および本混合物を処理するための方法を詳述するであろう。テーブルはまた、入力標的性能仕様に対する各レシピの予測される性能を示してもよい。テーブルは、標的性質に対する各調合物の可能性が高い性能に基づいて、ランク付けされてもよい。調合物予測モジュール２３４は、１つ以上の散布図を生成し、いくつかまたは全ての候補レシピの予測される性能を単一グラフ空間内に示してもよい。

【0029】

（例示的使用例）
前述のモジュールおよび機械学習モデルを使用して、予測を形成する、例示的産業関連使用例の例証的、非限定的、かつ非包括的セットは、以下の通りである。

【0030】

（ゴム調合物）
ユーザが、車両タイヤにおいて使用されるための新しいゴム調合物を作製する必要があるとする。最終的製品の色を生産するために使用される、重要となる暗色化剤が、もはや利用可能ではなくなっている。ユーザは、前の調合物からの履歴データを入力する。種々の天然ゴム、硬化剤、暗色化剤が、引裂強度および衝撃強度を含む、種々の機械的性質を伴う、種々の調合物をもたらすために使用されていた。さらに詳細には、モデルへの入力は、使用される異なる原料の量とともに、原料の物理的および化学的性質および調合物中のその役割（例えば、硬化剤または着色剤）、ならびに任意の関連処理パラメータとなる。モデルの出力は、最終調合物の予測される機械的性質である。

【0031】

調合物特徴量化器が、これらのレシピを、「各原料の％」から、「総暗色化剤の％」および「暗色化剤の平均粒子サイズ」を含む、物理的に有益な記述子に変換する。調合物の特徴量化された入力データは、ユーザ提供性質データと対合され、ＭＬモデルを訓練するための入力－出力対を作成する。モデルは、次いで、訓練される。

【0032】

ユーザは、ここで、もはや利用可能ではない、暗色化剤の使用を回避し、引裂強度を維持しながら、衝撃強度を改良するために、新しい調合物に関して、新しいレシピ評価サービス１３０にクエリすることを所望する。訓練されたＭＬモデルは、ユーザによって提供される、多くの可能性として考えられる調合物レシピを検討し、その結果として生じる引裂強度および衝撃強度のそれぞれを予測する。ユーザは、調合物の性能および標的制約を満たす尤度のリストを受信する。これらの調合物レシピは全て、ユーザの入力によって、利用不可能な暗色化剤の使用を回避する。ユーザは、ここで、製品仕様要件を満たす一方、また、その原料供給における途絶に適合するであろう、高／定量化されたレベルの信頼度を伴って、新しい調合物を作成することができる。

【0033】

（コーティング溶液）
ワークフローは、ゴム調合物シナリオにおけるものと同一であろう。本シナリオでは、ユーザは、コーティングされた材料が均一にコーティングされるように、同一粘度を維持する、新しい溶液を作製する必要があり得る。重要となる結合剤が、新しい産業規制に起因して、もはや使用可能ではなくなり得る。ユーザ入力は、再び、履歴原料混合物（原料毎に、原料の量および性質／役割データとして報告される）および処理パラメータとともに、調合物性質（例えば、粘度等の物理的性質）となるであろう。目標は、粘度を維持することであり得、訓練されたＭＬモデルは、予測される調合物性質をもたらし、これは、次いで、全てもはや使用可能ではない結合剤の使用を回避する、製造のための候補レシピのリストをランク付けするために使用される。

【0034】

（複合ポリマー混成物）
本シナリオでは、ユーザは、バルク樹脂と小パーセンテージの安定化添加剤を混合し、製品の貯蔵寿命を延長させる必要があり得る。ユーザ入力は、履歴レシピ（ともに混合される原料量）とともに、その記録された原料および調合物性質ならびに関連処理パラメータとなるであろう。一実施例は、２％の添加剤Ａと、３％の添加剤Ｂとを有する、バルク樹脂であって、両添加剤は、既知の分子構造（そこから性質が、既知の方法、例えば、ＱＳＡＲを使用して算出されることができる）を有する。最終的混合された調合物は、２５日の貯蔵寿命を有し得る。訓練されたＭＬモデルは、次いで、新しい添加剤を使用して、貯蔵寿命をさらに延長させる、レシピを評価するために使用され得る。

【0035】

（消費者化粧品）
本シナリオでは、ユーザは、ベース顔料および粒子を含む、いくつかの乾燥粉末をともに混合し、湿度を留保することによって、乾燥化粧パウダーを作成し得る。ユーザ入力は、履歴レシピ（ともに混合される原料量）とともに、その性質、および結果として生じる混合物の光学性質（例えば、色、反射度）、ならびに任意の関連処理パラメータとなるであろう。訓練されたＭＬモデルは、次いで、具体的色プロファイルを標的化する、新しい調合物レシピを評価するために使用され得る。

【表1-1】

【表1-2】

【0036】

（コンピューティング機械アーキテクチャ）
図６は、命令を機械可読媒体から読み取り、それらをプロセッサ（またはコントローラ）内で実行することが可能である、例示的機械のコンポーネントを図示する、ブロック図である。具体的には、図６は、その中で機械に本明細書で議論される方法論のうちの任意の１つ以上を実施させるためのプログラムコード（例えば、ソフトウェア）が、実行され得る、コンピュータシステム６００の例示的形態における機械の概略表現を示す。プログラムコードは、１つ以上のプロセッサ６０２によって実行可能な命令６２４から成ってもよい。代替実施形態では、機械は、独立型デバイスとして動作する、または他の機械に接続（例えば、ネットワーク化）されてもよい。ネットワーク化された展開では、機械は、サーバ－クライアントネットワーク環境内のサーバ機械またはクライアント機械の容量内で、もしくはピアツーピア（または分散型）ネットワーク環境内のピア機械として動作してもよい。

【0037】

機械は、サーバコンピュータ、クライアントコンピュータ、パーソナルコンピュータ（ＰＣ）、タブレットＰＣ、セットトップボックス（ＳＴＢ）、携帯情報端末（ＰＤＡ）、セルラー電話、スマートフォン、ウェブ家電、ネットワークルータ、スイッチまたはブリッジ、もしくはその機械によって行われるべきアクションを規定する、命令６２４を実行する（シーケンシャルまたは別様に）ことが可能な任意の機械であってもよい。さらに、単一機械のみが、図示されるが、用語「機械」はまた、個々に、またはともに、命令６２４を実行し、本明細書で議論される方法論のうちの任意の１つ以上を実施する、機械の任意の集合を含むものと捉えられるものとする。

【0038】

例示的コンピュータシステム６００は、プロセッサ６０２（例えば、中央処理ユニット（ＣＰＵ）、グラフィック処理ユニット（ＧＰＵ）、デジタル信号プロセッサ（ＤＳＰ）、１つ以上の特定用途向け集積回路（ＡＳＩＣ）、１つ以上の無線周波数集積回路（ＲＦＩＣ）、または任意のこれらの組み合わせ）と、メインメモリ６０４と、静的メモリ６０６とを含み、これは、バス６０８を介して、相互に通信するように構成される。コンピュータシステム６００はさらに、視覚的ディスプレイインターフェース６１０を含んでもよい。視覚的インターフェースは、ユーザインターフェースを画面（またはディスプレイ）上に表示することを可能にする、ソフトウェアドライバを含んでもよい。視覚的インターフェースは、直接（例えば、画面上に）、または間接的に、表面、窓、もしくは同等物（例えば、視覚的投影ユニットを介して）上にユーザインターフェースを表示してもよい。議論を容易にするために、視覚的インターフェースは、画面として説明され得る。視覚的インターフェース６１０は、タッチ対応画面を含んでもよい、またはそれとインターフェースをとってもよい。コンピュータシステム６００はまた、英数字入力デバイス６１２（例えば、キーボードまたはタッチスクリーンキーボード）と、カーソル制御デバイス６１４（例えば、マウス、トラックボール、ジョイスティック、運動センサ、またはポインティング手段）と、記憶ユニット６１６と、信号生成デバイス６１８（例えば、スピーカ）と、ネットワークインターフェースデバイス６２０とを含んでもよく、これもまた、バス６０８を介して、通信するように構成される。

【0039】

記憶ユニット６１６は、その上に記憶される命令６２４（例えば、ソフトウェア）が本明細書に説明される方法論または機能のうちの任意の１つ以上を具現化する、機械可読媒体６２２を含む。命令６２４（例えば、ソフトウェア）はまた、完全にまたは少なくとも部分的に、同様に機械可読媒体を構成する、コンピュータシステム６００、メインメモリ６０４、およびプロセッサ６０２による、その実行の間、メインメモリ６０４内に、またはプロセッサ６０２内（例えば、プロセッサのキャッシュメモリ内）に常駐してもよい。命令６２４（例えば、ソフトウェア）は、ネットワーク６２６を経由して、ネットワークインターフェースデバイス６２０を介して、伝送または受信されてもよい。

【0040】

機械可読媒体６２２は、単一媒体であるように例示的実施形態に示されるが、用語「機械可読媒体」は、命令（例えば、命令６２４）を記憶することが可能である、単一媒体または複数の媒体（例えば、一元型または分散型データベース、もしくは関連付けられるキャッシュおよびサーバ）を含むものと捉えられるべきである。用語「機械可読媒体」はまた、機械による実行のための命令（例えば、命令６２４）を記憶することが可能であって、機械に本明細書に開示される方法論のうちの任意の１つ以上を実施させる、任意の媒体を含むものと捉えられるものとする。用語「機械可読媒体」は、限定ではないが、ソリッドステートメモリ、光学媒体、および磁気媒体の形態におけるデータリポジトリを含む。

【0041】

（例示的データフロー）
図７は、新しいレシピ評価サービスを使用するための例示的プロセスを示す、例示的データフロー図である。プロセス７００は、新しいレシピ評価サービス１３０が、（例えば、ユーザインターフェースモジュール２３１を使用して）ユーザから、候補調合物レシピの第１の入力を受信すること７０２と、ユーザから、１つ以上の標的性質およびそれらの標的性質に関する制約の第２の入力を受信すること８０４とから開始する。ある実施形態では、制約は、標的性質に関する範囲、最小、または最大所望値を含んでもよい。ある実施形態では、標的性質制約は、調合物に関する性能要件または性能性質に関する最小限化もしくは最大限化標的を備えてもよい。標的性質は、物理的または化学的性質であってもよい。原料毎に、原料の性質、原料の役割等を規定する入力等の付加的入力が、受信されてもよい。候補調合物レシピは、これまで試験されていない、またはユーザにとって新しい、もしくはそれに関してユーザが不十分なデータを有する、１つ以上の原料を備えてもよい。

【0042】

新しいレシピ評価サービス１３０は、第１の入力と、第２の入力とを機械学習モデルの中に入力７０６し、機械学習モデルは、（例えば、訓練モジュール２３２を使用して）履歴訓練データ（例えば、履歴データ２４１）を使用して訓練されており、履歴訓練データの各要素は、既知の特徴表現を有する、既知の調合物に対応し、各既知の調合物は、既知の特徴表現を形成する、既知の調合物の各特徴の関連付けられる性質および統計的表現を有する。関連付けられる性質および統計的表現は、各原料の性質および役割を、例えば、成分特徴表現に変換することによって判定されてもよく、各成分特徴表現は、全体としてまとめられると、既知の特徴表現を形成する。

【0043】

新しいレシピ評価サービス１３０は、 出力として、機械学習モデルから、標的性質の予測を受信７０８する。新しいレシピ評価サービス１３０は、ユーザへの表示のために、予測される性質が第２の入力を充足させる、予測される尤度を生成してもよい。予測される尤度は、直接、機械学習モデルから出力されたものであり得る、または新しいレシピ評価サービス１３０によって標的性質の予測から導出されてもよい。

【0044】

（付加的構成考慮点）
本明細書全体を通して、複数形インスタンスは、単一インスタンスとして説明されるコンポーネント、動作、または構造を実装してもよい。１つ以上の方法の個々の動作は、別個の動作として図示および説明されるが、個々の動作のうちの１つ以上は、並行して行われてもよく、動作が図示される順序で行われることを要求するものではない。例示的構成において別個のコンポーネントとして提示される構造および機能性は、組み合わせられた構造またはコンポーネントとして実装されてもよい。同様に、単一コンポーネントとして提示される構造および機能性は、別個のコンポーネントとして実装されてもよい。これらおよび他の変形例、修正、追加、および改良は、本明細書の主題の範囲内にある。

【0045】

ある実施形態が、論理またはいくつかのコンポーネント、モジュール、または機構を含むように本明細書に説明される。モジュールは、ソフトウェアモジュール（例えば、機械可読媒体上または伝送信号内にエンコーディングされたコード）またはハードウェアモジュールのいずれかを構成してもよい。ハードウェアモジュールは、ある動作を行うことが可能な有形ユニットであって、ある様式において構成または配列されてもよい。例示的実施形態では、１つ以上のコンピュータシステム（例えば、独立型、クライアント、またはサーバコンピュータシステム）またはコンピュータシステムの１つ以上のハードウェアモジュール（例えば、プロセッサまたはプロセッサ群）が、本明細書に説明されるようにある動作を行うように動作する、ハードウェアモジュールとして、ソフトウェア（例えば、アプリケーションまたはアプリケーション部分）によって構成されてもよい。

【0046】

種々の実施形態では、ハードウェアモジュールは、機械的または電子的に実装されてもよい。例えば、ハードウェアモジュールは、ある動作を行うように恒久的に構成される、専用回路または論理（例えば、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）もしくは特定用途向け集積回路（ＡＳＩＣ）等の特殊目的プロセッサ）を備えてもよい。ハードウェアモジュールはまた、ある動作を行うように、ソフトウェアによって一時的に構成される、プログラマブル論理または回路（例えば、汎用プロセッサまたは他のプログラマブルプロセッサ内に包含される）を備えてもよい。ハードウェアモジュールを専用および恒久的に構成される回路または一時的に構成される回路（例えば、ソフトウェアによって構成される）内に機械的に実装するための決定は、コストおよび時間的考慮事項によって促され得ることを理解されるであろう。

【0047】

故に、用語「ハードウェアモジュール」は、有形エンティティを包含し、ある様式において動作する、または本明細書に説明されるある動作を行うように、物理的に構築される、恒久的に構成される（例えば、有線）、または一時的に構成される（例えば、プログラムされる）エンティティであることを理解されたい。本明細書に使用されるように、「ハードウェア実装モジュール」は、ハードウェアモジュールを指す。ハードウェアモジュールが一時的に構成される（例えば、プログラムされる）実施形態を検討すると、ハードウェアモジュールはそれぞれ、ある時間内に任意の１つのインスタンスを構成またはインスタンス化される必要はない。例えば、ハードウェアモジュールが、ソフトウェアを使用して構成される汎用プロセッサを備える場合、汎用プロセッサは、異なる時間において個別の異なるハードウェアモジュールとして構成されてもよい。ソフトウェアは、故に、例えば、１つの時間のインスタンスにおいて、特定のハードウェアモジュールを構成し、異なる時間のインスタンスにおいて、異なるハードウェアモジュールを構成するように、プロセッサを構成してもよい。

【0048】

ハードウェアモジュールは、他のハードウェアモジュールに情報を提供し、そこから情報を受信することができる。故に、説明されるハードウェアモジュールは、通信可能に結合されるものとして見なされてもよい。複数のそのようなハードウェアモジュールが、同時に存在する場合、通信は、ハードウェアモジュールを接続する、信号伝送を通して達成されてもよい（例えば、適切な回路およびバスを経由して）。複数のハードウェアモジュールが異なる時間において構成またはインスタンス化される実施形態では、そのようなハードウェアモジュール間の通信は、例えば、複数のハードウェアモジュールがアクセスを有する、メモリ構造内の情報の記憶および読出を通して、達成されてもよい。例えば、１つのハードウェアモジュールは、動作を行い、通信可能に結合されるメモリデバイス内のその動作の出力を記憶してもよい。さらなるハードウェアモジュールは、次いで、後に、メモリデバイスにアクセスし、記憶された出力を読み出し、処理してもよい。ハードウェアモジュールはまた、入力または出力デバイスとの通信を開始してもよく、リソース（例えば、情報の集合）に作用することができる。

【0049】

本明細書に説明される例示的方法の種々の動作は、少なくとも部分的に、関連動作を行うように一時的に構成される（例えば、ソフトウェアによって）または恒久的に構成される、１つ以上のプロセッサによって行われてもよい。一時的または恒久的に構成されるかにかかわらず、そのようなプロセッサは、１つ以上の動作または機能を行うように動作する、プロセッサ実装モジュールを構成してもよい。本明細書で言及されるモジュールは、いくつかの例示的実施形態では、プロセッサ実装モジュールを備えてもよい。

【0050】

同様に、本明細書に説明される方法は、少なくとも部分的に、プロセッサ実装されてもよい。例えば、方法の動作の少なくともいくつかは、１つ以上のプロセッサまたはプロセッサ実装ハードウェアモジュールによって行われてもよい。ある動作の性能は、１つ以上のプロセッサ間に分散されてもよく、単一機械内のみに常駐するのではなく、いくつかの機械を横断して展開される。いくつかの例示的実施形態では、プロセッサまたは複数のプロセッサは、単一場所内に位置してもよい（例えば、家庭環境、事務所環境内、またはサーバファームとして）一方、他の実施形態では、プロセッサは、いくつかの場所を横断して分散されてもよい。

【0051】

１つ以上のプロセッサはまた、「クラウドコンピューティング」環境内の、または「サービスとしてのソフトウェア」（ＳａａＳ）としての関連動作の性能をサポートするように動作してもよい。例えば、動作のうちの少なくともいくつかは、コンピュータのグループ（プロセッサを含む、機械の実施例として）によって実施されてもよく、これらの動作は、ネットワーク（例えば、インターネット）を介して、および１つ以上の適切なインターフェース（例えば、アプリケーションプログラムインターフェース（ＡＰＩ））を介して、アクセス可能である。

【0052】

動作のあるものの性能は、１つ以上のプロセッサの中に分散され、単一機械内にのみ常駐するのではなく、いくつかの機械を横断して展開されてもよい。いくつかの例示的実施形態では、１つ以上のプロセッサまたはプロセッサ実装モジュールは、単一の地理的場所内（例えば、自宅環境、オフィス環境、またはサーバファーム内）に位置してもよい。他の例示的実施形態では、１つ以上のプロセッサまたはプロセッサ実装モジュールは、いくつかの地理的場所を横断して分散されてもよい。

【0053】

本明細書のいくつかの部分は、機械メモリ（例えば、コンピュータメモリ）内にビットまたはバイナリデジタル信号として記憶されたデータ上の動作のアルゴリズムまたは記号表現の観点から提示される。これらのアルゴリズムまたは記号表現は、その機能の概要を他の当業者に伝えるために、データ処理分野における当業者によって使用される技法の実施例である。本明細書に使用されるように、「アルゴリズム」は、所望の結果につながる動作または類似処理の自己一貫シーケンスである。本文脈では、アルゴリズムおよび動作は、物理的量の物理的操作を伴う。典型的には、必ずしもではないが、そのような量は、機械によって記憶、アクセス、転送、組み合わせ、比較、または別様に操作されることが可能な電気、磁気、もしくは光学信号の形態をとってもよい。時として、主に、一般的使用の理由から、「データ」、「コンテンツ」、「ビット」、「値」、「要素」、「記号」、「文字」、「項」、「数」、「数値」、または同等物等の用語を使用して、そのような信号を指すことが便宜的である。しかしながら、これらの用語は、単に、便宜的標識であって、適切な物理的量と関連付けられるものとする。

【0054】

具体的に別様に述べられない限り、「処理する」、「算出する」、「計算する」、「判定する」、「提示する」、「表示する」、または同等物等の用語を使用した本明細書における議論は、１つ以上のメモリ（例えば、揮発性メモリ、不揮発性メモリ、またはそれらの組み合わせ）、レジスタ、または情報を受信、記憶、伝送、または表示する、他の機械コンポーネント内の物理的（例えば、電子、磁気、または光学）量として表されるデータを操作または変換する、機械（例えば、コンピュータ）のアクションまたはプロセスを指し得る。

【0055】

本明細書に使用されるように、「一実施形態」または「ある実施形態」の任意の言及は、実施形態に関連して説明される特定の要素、特徴、構造、または特性が、少なくとも一実施形態に含まれることを意味する。本明細書内の種々の場所における語句「一実施形態では」の表出は、必ずしも全て、同一実施形態を参照するわけではない。

【0056】

いくつかの実施形態は、その派生形とともに、表現「結合される」および「接続される」を使用して説明され得る。これらの用語は、相互の同義語として意図されるものではないことを理解されたい。例えば、いくつかの実施形態は、２つ以上の要素が相互に直接物理的または電気的に接続することを示すために用語「接続される」を使用して説明され得る。別の実施例では、いくつかの実施形態は、２つ以上の要素が直接物理的または電気的に接触することを示すために、用語「結合される」を使用して説明され得る。しかしながら、用語「結合される」はまた、２つ以上の要素が、直接相互に接触しないが、依然として、相互に協働または相互作用することを意味し得る。実施形態は、本文脈において制限されない。

【0057】

本明細書に使用されるように、用語「備える（ｃｏｍｐｒｉｓｅｓ、ｃｏｍｐｒｉｓｉｎｇ）」、「含む（ｉｎｃｌｕｄｅｓ、ｉｎｃｌｕｄｉｎｇ）」、「有する（ｈａｓ、ｈａｖｉｎｇ）」、またはその任意の他の変形例は、非排他的含有を網羅するように意図される。例えば、要素のリストを備える、プロセス、方法、物品、または装置は、必ずしも、それらの要素のみに制限されず、明示的に列挙されない、またはそのようなプロセス、方法、物品、もしくは装置に固有の他の要素を含んでもよい。さらに、そうではないことが明示的に述べられない限り、「または（ｏｒ）」は、含有のｏｒを指し、排他的ｏｒを指すわけではない。例えば、条件ＡまたはＢは、Ａが真であって（または存在する）、Ｂが偽である（または存在しない）、Ａが偽であって（または存在しない）、Ｂが真である（または存在する）、およびＡおよびＢは両方とも真である（または存在する）の任意の１つによって満たされる。

【0058】

加えて、「ａ」または「ａｎ」の使用は、本明細書の実施形態の要素およびコンポーネントを説明するために採用される。これは、単に、便宜上のためであって、本発明の一般的意味を与えるために行われる。本説明は、１つまたは少なくとも１つを含むものとして読まれるべきであって、単数形もまた、別様に意味されることが明白でない限り、複数形を含む。

【0059】

本開示の熟読に応じて、当業者は、本明細書に開示される原理を通して、試験されていない原料を使用して、種々の候補レシピの性能を予測するためのシステムおよびプロセスのためのさらに付加的代替構造および機能設計を理解するであろう。したがって、特定の実施形態および用途が図示ならびに説明されたが、開示される実施形態は、本明細書に開示される精密な構造およびコンポーネントに制限されないことを理解されたい。種々の修正、変更、ならびに変形例が、添付の請求項に定義される精神および範囲から逸脱することなく、本明細書に開示される方法および装置の配列、動作、ならびに詳細に行われ得ることが当業者に明白となるであろう。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】