[go: up one dir, main page]

JP7180791B2 - 材料開発支援装置、材料開発支援方法、および材料開発支援プログラム - Google Patents

材料開発支援装置、材料開発支援方法、および材料開発支援プログラム Download PDF

Info

Publication number
JP7180791B2
JP7180791B2 JP2021565164A JP2021565164A JP7180791B2 JP 7180791 B2 JP7180791 B2 JP 7180791B2 JP 2021565164 A JP2021565164 A JP 2021565164A JP 2021565164 A JP2021565164 A JP 2021565164A JP 7180791 B2 JP7180791 B2 JP 7180791B2
Authority
JP
Japan
Prior art keywords
learning
data
learning model
thin film
function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2021565164A
Other languages
English (en)
Other versions
JPWO2021124392A1 (ja
Inventor
健太 深田
倫子 瀬山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NTT Inc
NTT Inc USA
Original Assignee
Nippon Telegraph and Telephone Corp
NTT Inc USA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nippon Telegraph and Telephone Corp, NTT Inc USA filed Critical Nippon Telegraph and Telephone Corp
Publication of JPWO2021124392A1 publication Critical patent/JPWO2021124392A1/ja
Application granted granted Critical
Publication of JP7180791B2 publication Critical patent/JP7180791B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、材料開発支援装置、材料開発支援方法、および材料開発支援プログラムに関し、特にマテリアルインフォマティクス技術に関する。
近年、マテリアルインフォマティクスと呼ばれる情報科学や計算科学的手法を用いたデータ駆動による材料開発が目覚しい発展をとげている。マテリアルインフォマティクスは、従来の実験的手法では容易に行うことができない網羅的かつ迅速な材料探索技術として大きな注目を集めている。
マテリアルインフォマティクスが対象とする分野は、例えば、バッテリー、触媒、バイオマテリアルなど多岐にわたる。さらに、分子動力学シミュレーションなど原子や分子レベルでの計算科学による材料設計技術から、機械学習などの人工知能（ＡＩ）技術との組み合わせにより、合成経路の探索や製造プロセスの最適化など多様なアプローチが検討されている。
このような従来のマテリアルインフォマティクスの分野では、熱電変換や導電性、触媒活性、リガンドと受容体の結合などを中心として、エネルギー計算によってその性質を表現できる対象が選択されるケースが多い。
一方、数学的に統一的な議論をすることが難しい場合、例えば、生体適合性、機械耐久性、透明性などの「複数の機能」を対象としたケースでは、各機能がトレードオフの関係であったり、独立していたりするため扱い難い場合がある。そのため、複数の機能を対象としたマテリアルインフォマティクスの適用事例は依然として少数となっている。
しかしながら、製品を実用化するためには一つの機能だけでなく、安全性や耐久性、価格などを考慮し、複数の機能について同時に一定以上の性能を満たすことが求められる。そのため、複数の機能を対象とした材料開発技術を実現することは、マテリアルインフォマティクスの分野においても重要であるといえる。
例えば、非特許文献１は、過去の論文などのテキスト情報を学習データとして用いて、複数の機能を満たす薄膜設計をデータ駆動により行う技術を開示している。非特許文献１では、「薄膜」に関する論文数百本をもとに、入力情報として単分子膜の官能基などの化学的性質、出力情報として接触角や血液付着性能などの複数の機能を正解ラベルとして学習させている。非特許文献１では、この学習データをもとにデータ駆動による薄膜開発を推進している。
Hiroyuki Tahara et al."Data-driven Design of Protein- and Cell-resistant Surfaces: A Challenge to Design Biomaterials Using Material Informatics". Vacuum and Surface Vol.62, No.3 (2019/3/10):p.141-146
従来の技術では、複数の機能を有する「単分子膜」を用いて、生体分子と単分子膜の界面での吸着現象などに着目をしている。しかしながら、単分子膜では耐久性に課題があることや、複数の界面を有する「多層膜」には同様の手法を利用できないという課題があった。
また学習データを作成するためには膜中の元素や官能基、結合等を論文中のデータから人手で読み解かねばならず、データベース構築のハードルが高いという点も課題となっていた。特に、多層膜の設計では層の上に別の層を製膜できるか否かを判断する処理や、論文中のテキストから機械的に収集できるデータを用いてデータベースを構築できる手法が新たに必要となる。このことからも、非特許文献１に記載された技術では、マテリアルインフォマティクスの対象を「多層膜」まで拡大し、さらにデータ収集を容易にすることは困難であった。
本発明は、上述した課題を解決するためになされたものであり、より容易に複数の機能を有する多層膜の設計の候補を提示することを目的とする。
上述した課題を解決するために、本発明に係る材料開発支援装置は、膜を形成する下地の材料と、前記薄膜の機能とを含む入力データを取得する入力データ取得部と、薄膜の形成に用いられる複数の材料の各々と、材料によって得られる機能との関係が予め学習された第１学習モデルに対して、予め設定された検証対象の材料を入力として与え、前記第１学習モデルの演算を行い、前記検証対象の材料によって得られる機能の複数の候補を出力し、候補データを生成する候補データ生成部と、前記薄膜を形成する下地との相性を予め学習により獲得した第２学習モデルに対して、前記入力データに含まれる前記下地の材料と、前記候補データに含まれる前記機能の複数の候補のなかから、前記入力データに含まれる前記薄膜の機能が得られる材料を選択し、選択された材料とを入力として与え、前記第２学習モデルの演算を行い、前記薄膜の構造の候補を出力する逆解析部と、前記逆解析部により出力された前記薄膜の構造の候補を提示する提示部とを備える。
上述した課題を解決するために、本発明に係る材料開発支援装置は、複数の文書データの各々から、薄膜の機能を示す、予め設定されている複数の機能名を抽出する第１抽出部と、複数の文書データの各々から、前記薄膜の形成に用いられる材料を示す、予め設定されている複数の材料名を抽出する第２抽出部と、前記第１抽出部によって抽出された前記複数の機能名と、前記第２抽出部によって抽出された前記複数の材料名とに基づいて、前記複数の材料名の各々について、材料と、材料によって得られる機能との関係を対応付けた第１学習データを生成する第１学習データ生成部と、前記第１抽出部によって抽出された前記複数の機能名と、前記第２抽出部によって抽出された前記複数の材料名と、抽出元の文書データとに基づいて、前記複数の材料名で示される材料の各々と、前記薄膜を形成する下地との相性とを対応付けた第２学習データを生成する第１学習データ生成部と、前記第１学習データを用いて、予め設定されている第１機械学習モデルの学習を行い、材料と、材料によって得られる機能の関係を学習した、第１学習モデルを構築する第１学習処理部と、前記第２学習データを用いて、予め設定されている第２機械学習モデルの学習を行い、前記薄膜を形成する下地との相性を学習により獲得した、第２学習モデルを構築する第２学習処理部と、学習済みの前記第１学習モデルを格納する第１学習モデル格納部と、学習済みの前記第２学習モデルを格納する第２学習モデル格納部と、前記第１学習モデルおよび前記第２学習モデルを、外部へ送出する出力部とを備える。
上述した課題を解決するために、本発明に係る材料開発支援方法は、薄膜を形成する下地の材料と、前記薄膜の機能とを含む入力データを取得する入力データ取得ステップと、薄膜の形成に用いられる複数の材料の各々と、材料によって得られる機能との関係が予め学習された第１学習モデルに対して、予め設定された検証対象の材料を入力として与え、前記第１学習モデルの演算を行い、前記検証対象の材料によって得られる機能の複数の候補を出力し、候補データを生成する候補データ生成ステップと、前記薄膜を形成する下地との相性を予め学習により獲得した第２学習モデルに対して、前記入力データに含まれる前記下地の材料と、前記候補データに含まれる前記機能の複数の候補のなかから、前記入力データに含まれる前記薄膜の機能が得られる材料を選択し、選択された材料とを入力として与え、前記第２学習モデルの演算を行い、前記薄膜の構造の候補を出力する逆解析ステップと、前記逆解析ステップで出力された前記薄膜の構造の候補を提示する提示ステップとを備える。
上述した課題を解決するために、本発明に係る材料開発支援プログラムは、コンピュータに、薄膜を形成する下地の材料と、前記薄膜の機能とを含む入力データを取得する入力データ取得ステップと、薄膜の形成に用いられる複数の材料の各々と、材料によって得られる機能との関係が予め学習された第１学習モデルに対して、予め設定された検証対象の材料を入力として与え、前記第１学習モデルの演算を行い、前記検証対象の材料によって得られる機能の複数の候補を出力し、候補データを生成する候補データ生成ステップと、前記薄膜を形成する下地との相性を予め学習により獲得した第２学習モデルに対して、前記入力データに含まれる前記下地の材料と、前記候補データに含まれる前記機能の複数の候補のなかから、前記入力データに含まれる前記薄膜の機能が得られる材料を選択し、選択された材料とを入力として与え、前記第２学習モデルの演算を行い、前記薄膜の構造の候補を出力する逆解析ステップと、前記逆解析ステップで出力された前記薄膜の構造の候補を提示する提示ステップとを実行させる。
本発明によれば、薄膜を形成する下地との相性を予め学習により獲得した第２学習モデルに対して、入力データに含まれる下地の材料と、候補データに含まれる機能の複数の候補のなかから、入力データに含まれる薄膜の機能が得られる材料を選択し、選択された材料とを入力として与え、第２学習モデルの演算を行い、薄膜の構造の候補を出力するので、より容易に多層膜の設計の候補を提示することができる。
図１は、本発明の第１の実施の形態に係る材料開発支援装置の機能構成を示すブロック図である。 図２は、第１の実施の形態に係る材料開発支援装置を実現するコンピュータ構成の一例を示すブロック図である。 図３は、本発明に係る材料開発支援装置の具体的な構成例を示すブロック図である。 図４は、本発明に係る材料開発支援装置の使用例を説明するための図である。 図５は、第１の実施の形態に係る材料開発支援方法を説明するフローチャートである。 図６は、第１の実施の形態に係る抽出処理を説明するための図である。 図７は、第１の実施の形態に係る抽出処理を説明するためのフローチャートである。 図８は、第１の実施の形態に係る学習データの生成処理を説明するための図である。 図９は、第１の実施の形態に係る学習データの生成処理を説明するためのフローチャートである。 図１０は、第１の実施の形態に係る学習処理を説明するための図である。 図１１は、第１の実施の形態に係る学習処理を説明するための図である。 図１２は、第２の実施の形態に係る材料開発支援装置の機能構成を示すブロック図である。 図１３は、第２の実施の形態に係る材料開発支援方法を説明するフローチャートである。 図１４は、第２の実施の形態に係る候補データの生成処理を説明するための図である。 図１５は、第２の実施の形態に係る逆解析処理を説明するための図である。 図１６は、第２の実施の形態に係る逆解析処理を説明するためのフローチャートである。 図１７は、第２の実施の形態に係る材料開発支援装置の効果を説明するための図である。
以下、本発明の好適な実施の形態について、図１から図１７を参照して詳細に説明する。
［発明の概要］
はじめに、本発明の実施の形態に係る材料開発支援装置１の概要について説明する。本実施の形態に係る材料開発支援装置１は、論文などの複数の文書データから薄膜の機能を示す予め設定された機能名と、薄膜の形成に用いられる材料を示す、予め設定された材料名を抽出し、抽出されたデータに基づいて、機械学習に用いる学習用のデータを生成する。
材料開発支援装置１は、学習データに基づいて予め用意された機械学習モデル（第１機械学習モデル）の学習を行い、材料と、材料によって得られる機能との関係を学習した、前記第１学習モデルを構築する。また、材料開発支援装置１は、学習データを用いて、予め設定されている機械学習モデル（第２機械学習モデル）の学習を行い、薄膜を形成する下地との相性を学習により獲得した、第２学習モデルを構築する。さらに、材料開発支援装置１は、学習済みの第１学習モデルおよび第２学習モデルを外部に出力する。
［第１の実施の形態］
まず、本発明の第１の実施の形態に係る材料開発支援装置１の構成の概要を説明する。第１の実施の形態に係る材料開発支援装置１は、機械学習を用いた学習処理を実行し、学習済みの第１学習モデルおよび第２学習モデルを構築する。図１は、材料開発支援装置１の機能構成を示すブロック図である。
［材料開発支援装置の機能ブロック］
材料開発支援装置１は、文書ＤＢ１０、第１抽出部１１、第２抽出部１２、学習データ生成部１３、学習処理部１４、記憶部１５、第１学習モデル格納部１６、第２学習モデル格納部１７、および提示部１８を備える。
文書ＤＢ１０は、論文などのテキスト情報を記憶する。文書ＤＢ１０は、特定の技術、例えば、薄膜などに関する複数の文書が予め記憶されている。文書ＤＢ１０は、例えば、英語など、特定の言語の文書データを記憶することができる。文書ＤＢ１０に記憶されている文書データは、例えば、論文の場合には、タイトル、要約、実験方法、結果や考察など、画像データ以外のテキストデータを含む。
なお、以下において「文」は、テキストデータを意味する。また、「文」とは、句点あるいはピリオドによって区切られた文字列のテキストデータをいい、「文書」は、複数の「文」で構成される文章を含む自然言語のテキストデータのファイルをいう。
第１抽出部１１は、文書ＤＢ１０に記憶されている複数の文書データの各々から、薄膜の機能を示す、予め設定されている複数の機能名を抽出する。本実施の形態では、「機能」とは、例えば、熱電変換など、エネルギー計算などによって数学的に統一的に示すことができる機能だけでなく、数学的な関連性が比較的低い情報も含まれる。例えば、耐久性、透明性、撥液性、柔軟性などが薄膜の機能として挙げられる。これらの予め設定された機能に関する単語は、記憶部１５に記憶されている。例えば、第１抽出部１１は、記憶部１５に記憶されている機能を示す単語、例えば、「wettability」、「conductivity」などを、文書データから抽出する。本実施の形態では、第１抽出部１１は、文書データごとに機能を示す単語を抽出することができる。
第２抽出部１２は、文書ＤＢ１０に記憶されている複数の文書データの各々から、薄膜の形成に用いられる材料を示す、予め設定されている複数の材料名を抽出する。「材料」とは、例えば、「methyl」、「ethyl」、「vinyl」、「fluoro」などの官能基、金属の組成、および基板（下地）の材料、例えば、「glass」、「cellulose」などが含まれる。第２抽出部１２は、記憶部１５に記憶されている材料を示す単語を、文書データから抽出する。第２抽出部１２は、文書データごとに材料を示す単語を抽出することができる。
第１抽出部１１および第２抽出部１２は、特定の単語を文書データから検出する際に、公知の文字列検索アルゴリズム、例えば、Ｂｏｙｅｒ－Ｍｏｏｒｅ（ＢＭ）アルゴリズム、Ｋｎｕｔｈ－Ｍｏｒｒｉｓ－Ｐｒａｔｔ（ＫＭＰ）アルゴリズムなどを用いることができる。第１抽出部１１および第２抽出部１２によって文書データごとに抽出された「材料」および「機能」を含む抽出データは、記憶部１５に記憶される。
学習データ生成部１３は、第１抽出部１１および第２抽出部１２によって予め設定された「機能」および「材料」を示す単語が抽出された抽出データに基づいて、学習用のデータを生成する。
より詳細には、学習データ生成部（第１学習データ生成部）１３は、第１抽出部１１によって抽出された複数の機能名と、第２抽出部１２によって抽出された複数の材料名とに基づいて、複数の材料名の各々について、材料と、材料によって得られる機能との関係を対応付けた第１学習データを生成する。材料間の相性とは、薄膜の成膜時に考慮される材料の性質を反映する基準である。
例えば、連続もしくは同一プロセスで利用する材料のうち、薄膜の製造の順序として相性がよく、近しい手順の中で利用された実績がある場合にそれらの材料は相性が良いと定義される。一方において、薄膜の製造の順序として相性が悪く、近しい手順の中で利用された実績がない材料同士は、相性が悪いと定義される。成膜材料の選択には、一定の順序性があり、これを反映する情報が材料間の相性である。第１学習データは、例えば、２種類の材料の組み合わせに対して正解のラベルとして、相性を示す情報が付与されたデータである。
学習データ生成部１３は、文書データに含まれる、成膜プロセスに関する複数の連続するプロセスを示すテキストデータを、１つのプロセスを構成するセグメントに分割する。また、学習データ生成部１３は、ある前段の材料Ａと後段の材料Ｂとが、同一あるいは連続するプロセスの中で出現している場合に、材料Ａと材料Ｂとに対して、相性が良いことを示すラベルを付与する。連続するプロセスとは、前段の材料Ａの次に、後段の材料Ｂを成膜するケースのみをさしており、後段の材料Ｂの次に、前段の材料Ａがプロセスにおいて成膜される場合には、相性が良いとはしない。例えば、前段の材料をガラス基板、後段の材料をエッチング液とすることは通常ありえるが、前段の材料がエッチング液、後段の材料がガラス基板となることは製造の順序として起こりえないことを反映している。
また、学習データ生成部（第２学習データ生成部）１３は、第１抽出部１１によって抽出された複数の機能名と、第２抽出部１２によって抽出された複数の材料名と、抽出元の文書データとに基づいて、複数の材料名で示される材料の各々と、薄膜を形成する下地（基板）との相性とを対応付けた第２学習データを生成する。例えば、導電材料は、ジュール熱によるヒータ膜に利用される。また、同じ導電材料であっても、電磁遮蔽膜として利用される場合がある。各材料は、利用される目的に応じた機能の実現に寄与している。
このように、第２学習データは、第２抽出部１２によって抽出された材料に、各材料が有する第１抽出部１１によって抽出された機能が正解ラベルとして付与されたデータである。学習データ生成部１３によって生成された第１学習データおよび第２学習データは、記憶部１５に記憶される。
学習処理部１４は、学習データ生成部１３によって生成された学習データにより、予め用意されている機械学習モデルなどを用いて学習モデルの学習を行い、学習済みモデルを構築する。学習処理部１４は、例えば、再帰型ニューラルネットワーク（ＲＮＮ）、オートエンコーダ、畳み込みニューラルネットワーク（ＣＮＮ）、ＬＳＴＭネットワークなどの多層ニューラルネットワークなどの公知の機械学習モデルの教師あり学習を行うことができる。なお、学習対象の機械学習モデルは任意に設定することができ、教師あり学習だけでなく、半教師あり学習などを行うこともできる。
より詳細には、学習処理部（第１学習処理部）１４は、第１学習データを用いて、予め設定されている機械学習モデルの学習を行い、材料と、材料によって得られる機能との関係を学習した、第１学習モデルを構築する。例えば、学習処理部１４は、多層ニューラルネットワークを学習させて、２つの材料間の相性を表す特徴量、すなわち、多層ニューラルネットワークの構成パラメータの値を更新し、調整して、最終的な値を決定する。第１学習データを用いた学習により構築された第１学習モデルは、第１学習モデル格納部１６に格納される。
また、学習処理部（第２学習処理部）１４は、第２学習データを用いて、予め設定されている機械学習モデルの学習を行い、薄膜を形成する下地との相性を学習により獲得した、第２学習モデルを構築する。
記憶部１５は、第１抽出部１１および第２抽出部１２によって文書データから抽出された薄膜の機能と材料とを含む抽出データを記憶する。また、記憶部１５は、学習データ生成部１３によって生成された第１学習データおよび第２学習データを記憶する。また、記憶部１５は、学習処理部１４が学習の対象として用いる予め設定された機械学習モデルに関する情報を記憶している。
第１学習モデル格納部１６は、学習処理部１４によって構築された学習済みの第１学習モデルを格納する。より詳細には、第１学習モデル格納部１６には、学習処理部１４による学習処理で決定された多層ニューラルネットワークの重みパラメータの値等が格納されている。
第２学習モデル格納部１７は、学習処理部１４によって構築された学習済みの第２学習モデルを格納する。
提示部（出力部）１８は、第１抽出部１１および第２抽出部１２によって文書データごとに抽出された「材料」および「機能」を示す抽出データや、学習処理部１４による学習処理で得られた学習済みの第１学習モデルや第２学習モデルを外部の図示されないサーバなどに提示することができる。
［材料開発支援装置のハードウェア構成］
次に、上述した機能を有する材料開発支援装置１を実現するコンピュータ構成の一例について、図２を参照して説明する。
図２に示すように、材料開発支援装置１は、例えば、バス１０１を介して接続されるプロセッサ１０２、主記憶装置１０３、通信Ｉ／Ｆ１０４、補助記憶装置１０５、入出力Ｉ／Ｏ１０６を備えるコンピュータと、これらのハードウェア資源を制御するプログラムによって実現することができる。材料開発支援装置１は、例えば、外部に設けられた入力装置１０７と、表示装置１０８とがそれぞれバス１０１を介して接続されている。
主記憶装置１０３には、プロセッサ１０２が各種制御や演算を行うためのプログラムが予め格納されている。プロセッサ１０２と主記憶装置１０３とによって、図１に示した第１抽出部１１、第２抽出部１２、学習データ生成部１３、学習処理部１４を含む材料開発支援装置１の各機能が実現される。
通信Ｉ／Ｆ１０４は、通信ネットワークＮＷを介して各種外部電子機器との通信を行うためのインターフェース回路である。
通信Ｉ／Ｆ１０４としては、例えば、３Ｇ、４Ｇ、５Ｇ、無線ＬＡＮ、Ｂｌｕｅｔｏｏｔｈ（登録商標）などの無線データ通信規格に対応した通信制御回路およびアンテナが用いられる。
補助記憶装置１０５は、読み書き可能な記憶媒体と、その記憶媒体に対してプログラムやデータなどの各種情報を読み書きするための駆動装置とで構成されている。補助記憶装置１０５には、記憶媒体としてハードディスクやフラッシュメモリなどの半導体メモリを使用することができる。
補助記憶装置１０５は、材料開発支援装置１が抽出処理、学習データ生成処理、学習処理を含む材料開発支援処理を行うためのプログラムを格納するプログラム格納領域を有する。補助記憶装置１０５によって、図１で説明した記憶部１５、第１学習モデル格納部１６、および第２学習モデル格納部１７が実現される。補助記憶装置１０５は、例えば、上述したデータやプログラムやなどをバックアップするためのバックアップ領域などを有していてもよい。
入出力Ｉ／Ｏ１０６は、外部機器からの信号を入力したり、外部機器へ信号を出力したりするＩ／Ｏ端子により構成される。
入力装置１０７は、キーボードやタッチパネルなどで構成され、外部からの操作入力を受け付け、操作入力に応じた信号を生成する。
表示装置１０８は、液晶ディスプレイなどによって実現される。
［材料開発支援装置の具体的な構成例］
上述した構成を有する材料開発支援装置１の具体的構成の一例について、図３のブロック図を参照して説明する。例えば、材料開発支援装置１は、サーバ１００、２００、および通信端末装置３００によって実現することができる。サーバ１００、２００、および通信端末装置３００は、通信ネットワークＮＷを介して接続されている。なお、図３の実線で示すフローが本実施の形態に係る材料開発支援装置１に係る処理フローである（図３の「学習フェーズ」）。したがって、第１の実施の形態に係る材料開発支援装置１は、学習フェーズに関与するサーバ１００、２００によって実現される。
サーバ１００は、例えば、図１で説明した文書ＤＢ１０、第１抽出部１１、第２抽出部１２、および学習データ生成部１３を備える。
サーバ２００は、例えば、図１で説明した学習処理部１４、第１学習モデル格納部１６、および第２学習モデル格納部１７を備える。
サーバ１００、２００は、図２で説明したようなプロセッサ、主記憶装置、通信Ｉ／Ｆ、補助記憶装置を含むコンピュータ構成によって実現される。また、図３に示すように、サーバ１００は、生成した学習データを通信ネットワークＮＷを介してサーバ２００へ送信する。
このように、本実施の形態に係る材料開発支援装置１は、図１に示した各機能がネットワーク上に分散した構成により実現することができる。
［材料開発支援方法］
次に上述した構成を有する材料開発支援装置１の動作について、図３から図１１を参照して説明する。
本実施の形態に係る材料開発支援装置１は、２つの多層ニューラルネットなどの機械学習モデルの学習をそれぞれ行い、学習済みの第１学習モデルおよび第２学習モデルを構築する。図４に示すように、材料開発支援装置１によって構築される２つの学習モデルは、後述の推論処理に用いられる。すなわち、学習済みモデルに対して、ユーザによって指定される多層膜に用いられる基板の材料と、多層膜の所望とされる機能とを入力として与えることで、多層膜の各層の材料の候補が出力として提示される。
［材料開発支援方法の概要］
まず、図５のフローチャートを参照して、本実施の形態に係る材料開発支援装置１の動作の概要を説明する。
図５に示すように、まず、第１抽出部１１および第２抽出部１２は、文書ＤＢ１０に格納されている文書データの一つ一つから、予め設定された薄膜の「材料」および「機能」を示す単語を抽出する（ステップＳ１）。
その後、学習データ生成部１３は、ステップＳ１で抽出された「材料」および「機能」を示す単語、および抽出対象の文書データに基づいて、材料によって得られる機能を示す第１学習データ、および２つの材料間の相性を示す第２学習データを生成する（ステップＳ２）。
次に、学習処理部１４は、ステップＳ２で生成された第１学習データを用いて所定の機械学習モデルの学習を行い、学習済みの第１学習モデルを出力し、かつ、第２学習データを用いて所定の機械学習モデルの学習を行い、学習済みの第２学習モデルを出力する（ステップＳ３）。より詳細には、学習処理部１４は、材料間の相性を学習した第１学習モデルを構築し、かつ、材料と機能との関係を学習した第２学習モデルを構築する。
その後、学習済みの第１学習モデルおよび第２学習モデルは、それぞれ第１学習モデル格納部１６および第２学習モデル格納部１７に格納される（ステップＳ４）。
［抽出処理］
次に、第１抽出部１１および第２抽出部１２によって実行される抽出処理の具体的な例について図６および図７を参照して説明する。なお、以下においては、文書ＤＢ１０に格納されている文書データが、薄膜に関する複数の論文である場合について説明する。
また、図６に示すように、第１抽出部１１および第２抽出部１２によって抽出された成膜のプロセスで使用される原料を含む材料名を抽出した抽出データを中間ファイルに作成する。中間ファイルとしては、例えばＣＳＶ形式のテキストファイルを用いることができる。
ここで、プロセスとは、図６に示すように、「coated」、「sprayed」、「modified」などの成膜に関する単語を含む文を１プロセスとして定義する（図６に示す［プロセス１（Ｐ＝１）］など）。また、文の終わりは、「ピリオド、カンマ、and then」などの区切りを表す文字の出現によって判断するが、文の終わりについては任意に定義することができる。
また、多層膜が成膜される場合には、複数のプロセスからなることから、第２抽出部１２は、各プロセスで用いられる材料名を抽出して中間ファイルに抽出データを作成する。第２抽出部１２は、論文データに含まれる「実験方法」の段落などに対して抽出処理を実施する。
また、第１抽出部１１は、論文データに含まれる「要約」の段落などに対して予め設定されている機能に関する単語として、例えば、「wettability」、「conductivity」などを抽出する（図６に示す「撥液性（Ｆ１）」「透明性（Ｆ３）」など）。第１抽出部１１および第２抽出部１２によって抽出されたデータから、図６に示す中間ファイル（抽出データ）が作成される。
以下において、図７に示すフローチャートを用いてプロセッサ１０２によって実現される第１抽出部１１および第２抽出部１２によって実行される抽出処理につて説明する。
まず、プロセッサ１０２は、抽出結果を記録する中間ファイルをオープンする（ステップＳ１００）。次に、プロセッサ１０２は、ステップＳ１０２からステップＳ１１３までの処理を、文書ＤＢ１０に格納されている複数の論文データの全てに対して繰り返して実行するループ処理を開始する（ステップＳ１０１）。
次に、プロセッサ１０２は、文書ＤＢ１０から論文データを一つ取得し、ステップＳ１００でオープンした中間ファイルを編集する（ステップＳ１０２）。より詳細には、図６の「中間ファイルＤｉｍ」に示すように、プロセッサ１０２は、論文データを１件取得するごとに中間ファイルに１行追加し、論文の「タイトル」ごとに付与されるＴ列の値を＋１、「プロセス」を示すＰ列の値を０とする。また、プロセッサ１０２は、基板の材料を１つの論文データの全体から特定し、中間ファイルの「材料」を示すＭ列の値に、対応する材料番号を書き込む。
次に、プロセッサ１０２は、論文データに含まれる実験に関する段落を特定し、段落の第１文目から最終文まで、ステップＳ１０４からステップＳ１０９までの処理を繰り返し実行する（ステップＳ１０３）。例えば、文書ＤＢ１０に記憶されている論文データの各々には、予め「実験方法」の段落や「要約」の段落に、これらを識別可能な情報が付与されている。
次に、プロセッサ１０２は、論文データに含まれる実験の段落を識別し、成膜に関する文を抽出する（ステップＳ１０４）。例えば、プロセッサ１０２は、論文データに含まれる「実験方法」の段落の第１文目から順番に、抽出を行う。
プロセッサ１０２は、抽出対象の文に、成膜に関する予め設定された単語が含まれている場合には（ステップＳ１０４：ＹＥＳ）、中間ファイルのＰ列の値をインクリメント（＋１）する（ステップＳ１０５）。一方において、抽出対象の文に、成膜に関する予め設定された単語が含まれていない場合には（ステップＳ１０４：ＮＯ）、結合子Ｂを介して処理はステップＳ１１１に移行する。
次に、プロセッサ１０２は、ステップＳ１０７からステップＳ１０８までの処理を、抽出対象の１文の終了まで繰り返し実行する（ステップＳ１０６）。より詳細には、プロセッサ１０２は、抽出対象の１文に含まれる成膜に関する材料名を、例えば、ＩＵＰＡＣ名などの統一可能な材料名に変換する（ステップＳ１０７）。
次に、プロセッサ１０２は、中間ファイルを編集する（ステップＳ１０８）。より詳細には、プロセッサ１０２は、中間ファイルに１行追加し、図６に示すように、Ｍ列に材料に対応する材料番号を書き込む。また、プロセッサ１０２は、中間ファイルにおいて、材料の組成を表すＣ列に、ＩＵＰＡＣ名などから示される官能基や金属などの名称に対応する列（図６の「Ｃ１～Ｃ５」）の値を１とし、それ以外の値を０に設定する。なお、ＩＵＰＡＣ名で示される官能基や金属などに関するデータは、予め補助記憶装置１０５に記憶されている。
また、プロセッサ１０２は、１文中に複数の材料が存在するときには、すべての材料に対して行を追加して中間ファイルを編集する。例えば、図６に示す中間ファイルの第２行目と第３行目は、Ｐ列の値が同一の「１」であるが、Ｍ列の値は「１」および「２」が記述されており、１文中に２つの材料が存在することが示されている。
プロセッサ１０２は、１文の終了まで、ステップＳ１０７およびステップＳ１０８の処理を繰り返した後に（ステップＳ１０９）、結合子Ａを介してステップＳ１１０に移行し、さらに、論文データに含まれる「実験方法」の段落の終了までステップＳ１０４からステップＳ１０９までの処理が実行される（ステップＳ１１０）
次に、プロセッサ１０２は、材料名が抽出された論文データの「要約」の段落など指定の段落を検索対象として、検索条件の機能名が当てはまった場合には（ステップＳ１１２：ＹＥＳ）、中間ファイルを編集する（ステップＳ１１３）。
より詳細には、プロセッサ１０２は、処理対象となっている同一タイトルの論文データにおいて、機能を示すＦ列に１を書き込む。一方、機能名が検索にヒットしない場合には（ステップＳ１１２：ＮＯ）、Ｆ列の値を０とする。例えば、図６に示すように、中間ファイルのＴ列の値「１」で示される、第１行目から第５行目までの同一タイトルの論文データにおいて、撥液性（Ｆ１）および透明性（Ｆ３）の値に「１」が書き込まれている。
その後、プロセッサ１０２は、予め指定されている複数の機能名の全てについての検索を実行し（ステップＳ１１４）、さらに文書ＤＢ１０に格納されている全ての論文データに対する上記処理が実行されると（ステップＳ１１５）、中間ファイルをクローズする（ステップＳ１１６）。
［学習データ生成処理］
次に、プロセッサ１０２によって実現される学習データ生成部１３による学習データの生成処理の具体的な例について、図８および図９を参照して説明する。
図８に示すように、学習データ生成部１３は、第１抽出部１１および第２抽出部１２によって抽出された成膜に関する「材料」および「機能」から作成された中間ファイルより、第１学習データ（図８の「Ｄｔｒ１」）、および第２学習データ（図８の「Ｄｔｒ２」）を生成する。これらの学習データは、中間ファイルと同様にＣＳＶ形式のデータを用いることができ。
第１学習データは、材料と機能とが対応付けて記憶された学習データである。学習データ生成部１３は、中間ファイルに格納されている材料番号（Ｍ）、材料組成（Ｃ）、および機能（Ｆ）を抜き出して第１学習データを生成する。
第２学習データのデータ構造としては、２つの材料の材料番号（Ｍ）と材料の組成（Ｃ）、相性とが設定されている。「相性」とは、連続もしくは同一プロセスで利用する２つの材料に対しては１、それ以外を０として定義される。「相性」は、例えば、成膜の際に考慮される材料の性質を反映するものである。
具体的な例を挙げて説明すると、ｉ）正に帯電した表面には負に帯電した材料を成膜できるので連続的に利用されやすいが、正に帯電した表面に正に帯電した材料は製膜しがたいので連続的に利用されることが少ない。ｉｉ）また、疎水性の表面には疎水基－疎水基相互作用により疎水性の材料がなじみやすいので同時に利用されやすい。ｉｉｉ）チオール、ビニル基を有する材料はｔｈｉｏｌ－ｅｎｅ反応を利用するため連続的に利用されやすい。２つの材料間の相性とは、このような成膜材料が選択される際の一定の順序性を反映するものである。
ここで、図８に示す第２学習データの生成処理について図９のフローチャートを用いて説明する。
図９に示すように、プロセッサ１０２は、中間ファイルに記憶されている論文データのタイトルの数だけ、ステップＳ２０１からステップＳ２０６までの処理を繰り返し実行する（ステップＳ２００）。より詳細には、プロセッサ１０２は、中間ファイルの中で、同一タイトル（Ｔ列の値が同じ）のもとで利用されている材料の個数Ｎをカウントする（ステップＳ２０１）。
次に、プロセッサ１０２は、Ｎ個の材料の中から任意の２つの材料を選び、一方を前段の材料Ａ、他方を後段の材料Ｂとする処理を（ＮＣ２×２！）回繰り返す（ステップＳ２０２）。プロセッサ１０２は、図８に示す第２学習データを生成する。第２学習データは、「前段のプロセス」と「後段のプロセス」と「相性」とが互いに関連付けて記録される。また、「相性」の列には、相性が良いことを示す値「１」あるいは相性が悪いことを示す値「０」が予め格納されている。
次に、プロセッサ１０２は、ステップＳ２０２で選択された前段の材料Ａと後段の材料Ｂとが第２学習データにおいて、相性の値が０である場合には（ステップＳ２０３：ＹＥＳ）、中間ファイルのＰ列の値から、同一のプロセスまたは連続するプロセスの中で前段において材料Ａ、後段において材料Ｂが利用されているか否かを判定する（ステップＳ２０４）。材料Ａと材料Ｂとが同一または連続するプロセスを示すＰ列の値を有する場合には（ステップＳ２０４：ＹＥＳ）、第２学習データの該当する行の列の「相性」の値を「１」に変更する（ステップＳ２０５）。
一方において、材料Ａおよび材料Ｂの相性が第２学習データにおいて１である場合には（ステップＳ２０３：ＮＯ）、処理はステップＳ２０６に移行する。また、ステップＳ２０４において、前段の材料Ａおよび後段の材料Ｂが、中間ファイルにおいて同一または連続するプロセスにない場合においても（ステップＳ２０４：ＮＯ）、処理はステップＳ２０６に移行する。すなわち、プロセッサ１０２は、第２学習データの前段の材料Ａと後段の材料Ｂとの相性の値を変更しない。
次に、プロセッサ１０２は、Ｎ個の材料についてのステップＳ２０３からステップＳ２０５までの処理を、組み合わせの総数である（ＮＣ２×２！）回繰り返し実行し（ステップＳ２０６）、さらに、中間ファイルの論文データのタイトルの数（Ｔ列の番号「１，２，・・・」）の全てについて、２つの材料間の相性の値の更新を行った後（ステップＳ２０７）、処理は終了する。
［学習処理］
次に、学習処理部１４によって実行される学習処理について、図１０および図１１を参照して説明する。図１０は、第２学習データをもとに実行される学習処理を示す図である。
学習処理部１４は、第２学習データを用いて、ニューラルネットワークＮＮ２の学習を行う。前述したように第２学習データは、２つの材料とこれらの材料間の相性とが関連付けられたデータである。図１０の例では、入力Ｉｎ側に前段のプロセスで利用する材料の組成情報（Ｃ）、出力ｙ側に、相性のデータを設定している。また、図１０および図１１の例では、材料の組成（Ｃ）は、図中の上側の材料の組成は、多層膜の下層側の材料の組成を示し、下側の材料の組成は、上層側の材料の組成を示している。
学習処理部１４は、入力として与えられた前段の材料の組成に基づいて、ニューラルネットワークＮＮ２の演算を行い、正解ラベルである相性が出力されるように、重みなどのパラメータの値を調整、更新および決定して、学習済みの第２学習モデルを得る。学習済みの第２学習モデルは、２つの材料に対する成膜プロセスとしての相性が学習されたモデルである。なお、ニューラルネットワークＮＮ２の入出力のデータ構造は図１０の例に限らない。
図１１に示すように、学習処理部１４は、第１学習データを用いて、予め用意されているニューラルネットワークＮＮ１の学習を行う。前述したように、第１学習データは、材料と機能との関係を示す学習データである。
学習処理部１４は、入力として材料の組成（Ｃ）を与え、ニューラルネットワークＮＮ１の演算を行い、正解ラベルである出力の機能（Ｆ）が出力されるように、重みなどのパラメータを調整および決定し、学習済みの第１学習モデルを得る。第１学習モデルは、材料に対する機能が学習されたモデルである。なお、ニューラルネットワークＮＮ１の入出力のデータ構造は図１１の例に限らない。また、図１１の例では、入力に対して１つの正解ラベルを有する場合について示しているが、機能ごとに学習を行わせる構成としてもよく、入力に対して複数の正解ラベルを持つニューラルネットワークＮＮ１としてもよい。
以上説明したように、第１の実施の形態に係る材料開発支援装置１によれば、多数の成膜に関する論文データから、予め設定された成膜に関する「材料」および「材料」が有する「機能」を示す単語を抽出し、抽出データを作成する。また、材料開発支援装置１は、抽出データに基づいて、２つの材料に対する成膜プロセスにおける相性を示す第２学習データを生成する。また、材料開発支援装置１は、抽出データに基づいて、材料に対する機能を示す第１学習データを生成する。
また、材料開発支援装置１は、第１学習データを用いて、予め用意された機械学習モデルの学習を行い、材料に対する機能を学習させて、学習済みの第１学習モデルを得る。
材料開発支援装置１は、第２学習データを用いて、予め用意された機械学習モデルの学習を行い、２つの材料に対する成膜プロセスにおける相性を学習させて、学習済みの第２学習モデルを得る。
このように、材料開発支援装置１は、大量のテキストデータから成膜に関する情報をより効果的に収集し材料間の相性および材料に対する機能を学習するので、ユーザの成膜材料の開発を支援することができる。
また、材料開発支援装置１は、材料に対する機能として、透明性、撥液性、導電性など数学的な関連性が比較的低い機能についても特徴量を学習するので、ユーザの成膜材料の開発をより効果的に支援できる。
また、材料開発支援装置１は、論文データに含まれる「実験方法」や「要約」などから学習データを作成しているので、容易に学習データを生成することができる。
［第２の実施の形態］
次に、本発明の第２の実施の形態について説明する。なお、以下の説明では、上述した第１の実施の形態と同じ構成については同一の符号を付し、その説明を省略する。
第１の実施の形態では、学習処理により成膜に関する材料間の相性を学習した第１学習モデル、および材料に対する機能を学習した第２学習モデルを、予め用意された機械学習モデルの学習により獲得する場合について説明した。これに対して、第２の実施の形態では、学習処理によって得られた第１学習モデルおよび第２学習モデルを用いた推論処理を実行する。
本実施の形態に係る材料開発支援装置１Ａによって実行される推論処理は、図４に示すように、入力として、例えば、多層膜を形成する際に用いる基板の材料、および多層膜に要求する機能を入力として与え、学習済みの第１学習モデル、および学習済みの第２学習モデルを用いた演算を行い、多層膜の構造の候補を出力する。多層膜の構造の候補は、入力された機能を有すると考えられる基板から垂直方向の成膜材料の候補である。
この点において、従来からの実験を主体とした多層膜の設計指針の取得では、図４に示すように、はじめに多層膜の設計を行い、設計に基づいて薄膜を形成し、所望とされる機能の発現を得ることを目指していた。このよう従来例に係る解決手法を、順問題の解決という。一方において、本実施の形態に係る材料開発支援装置１Ａでは、機能から多層膜の設計を求める順問題とはアプローチが逆となる逆問題により解決する。
［材料開発支援装置の機能ブロック］
図１２は、本実施の形態に係る材料開発支援装置１Ａの構成を示すブロック図である。
材料開発支援装置１Ａは、第１の実施の形態で説明した学習処理装置を構成する機能部に加え、推論処理装置を構成する候補データ生成部１９、入力データ取得部２０、逆解析部２１、記憶部２２、および出力データ生成部２３を備える。以下、第１の実施の形態と異なる構成を中心に説明する。
候補データ生成部１９は、学習済みの第１学習モデルに対して、予め設定された検証対象の材料が含まれる検証データを入力し、第１学習モデルの演算を行い、各材料の有する機能を調査し、検証対象の材料によって得られる機能の複数の候補を出力し、候補データ（図１４の「Ｄｃ」）を生成する。検証データ（Ｄｖ）は、図８に示すように、第１抽出部１１および第２抽出部１２によって文書データから抽出された「材料」および「機能」の抽出データ（中間ファイル）から、検証する対象の材料（Ｍ）の材料組成（Ｃ）が抽出されたデータである。
入力データ取得部２０は、入力装置１０７が受け付けたユーザによって指定された基板の材料と、所望とされる薄膜の機能に関する情報を含むデータである。取得された入力データ（図１５の「Ｄｉ」）は、記憶部２２に記憶される。
逆解析部２１は、入力データと、候補データに含まれる任意の材料のデータとを学習済みの第２学習モデルに入力して与え、第２学習モデルの演算を実行し、出力として、ユーザの要望を満たす可能性のある材料、層の順序、および製造方法を出力する。
記憶部２２は、候補データ生成部１９で生成された候補データを記憶する。また、記憶部２２は、逆解析部２１による出力を記憶する。
出力データ生成部２３は、逆解析部２１から出力される多層膜の構造の候補を示すデータを生成する。
提示部１８は、出力データ（図１５の「Ｄｏｕｔ」）を表示画面に表示することができる。
［推論処理］
次に、上述した機能構成を有する材料開発支援装置１Ａによって実行される推論処理について図１３のフローチャートを用いて説明する。以下において、図１２に示す学習処理装置において、事前に第１学習モデルおよび第２学習モデルが学習処理によって構築され、それぞれ第１学習モデル格納部１６、および第２学習モデル格納部１７に格納されているものとする。また、第１抽出部１１および第２抽出部１２によって抽出されたデータから生成された抽出データ（中間ファイル）より、予め検証対象の材料（Ｍ）および材料組成（Ｃ）を抽出した検証データ（図８）が記憶部２２に記憶されているものとする。
図１３に示すように、まず、候補データ生成部１９は、第１学習モデル格納部１６から学習済みの第１学習モデルを読み込み、事前に用意された検証データを入力として与え、第１学習モデルの演算を行い、各材料の有する機能の候補を示す候補データを出力する（ステップＳ２０）。
候補データは、記憶部２２に記憶される。なお、候補データには、抽出データである中間ファイルに格納されていない材料、すなわち、論文データにない材料を検証データに加えて、その材料に対する機能の候補を出力することもできる。これにより全く新しい膜を、材料開発における候補として提示することができる可能性がある。本実施の形態では、成膜に関する材料を官能基などによって多面的に捉えているからこそ、このような新たな膜の候補が提示可能となる。
図１４は、候補データ生成部１９の動作を説明するためのブロック図である。図１４の例では、出力結果（Ｆ１、Ｆ２、Ｆ３、・・・）の確率の和が１となる正解ラベルが一つのニューラルネットワークＮＮ１を利用している。そのため、材料と機能との間の関係がより密接であるほど、ニューラルネットワークＮＮ１の出力値が１に近くなることを表している。そのため、候補データには、入力データが有する機能の順位に関する情報が含まれることになる。入力に対応する材料は、順位がより高い機能を有する可能性が高く、順位が低い機能に関してはその機能を有する可能性が低いことになる。
このように学習済みの第１学習モデルを用いて、候補データを生成することで、入力データ取得部２０が取得する入力データで指定される機能を満たす可能性が比較的低い材料を予め排除することができる。もちろん、１つの材料には複数の機能を有することがあるので、機能ごとに確率を算出する機械学習アルゴリズムを用いることもできる。その場合には、機能ごとに確率が提示されるので、任意のしきい値によって判定処理を行うことができる。このように候補データ生成部１９は、学習済みの第１学習モデルの演算より、機能に対応する材料の項となる候補データを得る。
図１３に戻り、逆解析部２１は、入力データ取得部２０によって取得された入力データおよび候補データを入力として与え、学習済みの第２学習モデルの演算を行い、多層膜の構造の候補を出力する逆解析処理を実行する（ステップＳ２１）。出力データ生成部２３は、逆解析部２１からの出力より、多層膜の材料、膜の順序の候補を示す出力データを生成する。
その後、提示部１８は、出力データ生成部２３によって生成された出力データを表示画面に表示する（ステップＳ２２）。
［逆解析処理］
まず、図１５を参照して、逆解析処理の概要を説明する。
図１５に示すように、学習済みの第２学習モデルに対して、入力データと、候補データに含まれる任意のデータとを入力として与える。入力データは、ユーザによって指定される基板の材料、および多層膜に要求する機能である。入力データとしては、例えばテキスト形式のデータを用いることができる。
また、候補データから選択される任意のデータは、入力データでユーザに指定されている機能を満たす材料から、任意に選択して、多層膜を構成する１層目の材料として学習済みの第２学習モデルに入力される。
図１５に示すニューラルネットワークＮＮ２は、学習済みの第２学習モデルであり、ニューラルネットワークＮＮ２の１層目Ｌ１、２層目Ｌ２、および３層目Ｌ３の入出力が示されている。
上述したように、ニューラルネットワークＮＮ２の１層目Ｌ１には、入力データからのユーザ指定の基板材料、および候補データからユーザ指定の機能を満たす材料のなかから選択された材料が、多層膜の１層目の材料として入力される。ニューラルネットワークＮＮ２は、材料間の相性が学習された学習モデルであり、入力された基板の材料と多層膜の１層目の材料との相性を、ニューラルネットワークＮＮ２の演算により出力する。
ニューラルネットワークＮＮ２の１層目Ｌ１の出力から、入力された基板の材料と、多層膜の１層目の材料との相性が良いとする推論結果が得られた場合に、ニューラルネットワークＮＮ２の２層目Ｌ２の演算を実行する。２層目Ｌ２には、基板材料との相性がよいとされた多層膜の１層目の材料、および候補データよりユーザ指定の機能を満たす材料から任意に選択された多層膜の２層目の材料を入力として与える。同様にニューラルネットワークＮＮ２の演算結果として、多層膜の１層目の材料と、２層目の材料との相性が出力され、同様に、これらの材料間の相性が良い出力が得られると、多層膜の３層目の材料、・・・、Ｎ層目の材料まで、ニューラルネットワークＮＮ２の演算が繰り返し実行される。
次に、図１６のフローチャートを用いて、プロセッサ１０２で実現される逆解析部２１による逆解析処理を説明する。
まず、プロセッサ１０２は、入力データからユーザによって指定された基板の材料Ｘを示す情報を取得する（ステップＳ３００）。次に、プロセッサ１０２は、予め指定された回数のステップＳ３０２からステップＳ３０５までの逆解析処理を繰り返し実行する（ステップＳ３０１）。より詳細には、プロセッサ１０２は、候補データから、例えば、多層膜の材料Ｙを示す情報を取得する（ステップＳ３０２）。
その後、プロセッサ１０２は、材料Ｘを前段プロセス、材料Ｙを後段プロセスとして、それぞれの材料の材料組成（Ｃ）を学習済みの第２学習モデルに入力として与える（ステップＳ３０３）。
次に、プロセッサ１０２は、第２学習モデルの演算を行い、出力として材料Ｘと材料Ｙとの「相性が良い」、および「相性が悪い」のそれぞれのクラスにおける確率値を出力として求め、「相性が良い」確率値の方が「相性が悪い」確率値より高い場合（ステップＳ３０４：ＹＥＳ）、後段の材料Ｙを前段の材料として第２学習モデルの演算を実行する（ステップＳ３０５）。
その後、プロセッサ１０２は、指定回数の逆解析処理を実行すると（ステップＳ３０６）、出力データを生成する（ステップＳ３０７）。一方において、ステップＳ３０４において、２つの材料間の「相性が悪い」確率値の方が高い場合には（ステップＳ３０４：ＮＯ）、処理はステップＳ３０７に移行し、プロセッサ１０２は、出力データを生成する（ステップＳ３０７）。
以上の処理によって、基板からの垂直方向の材料の連続的な候補を出力データとして得ることができる。なお、図１６で説明した逆解析処理の例では、ステップＳ３０４において、材料間の相性が悪い判定となっている場合には、処理を終了しているが、後段のニューラルネットワークＮＮ２の演算を継続してもよい。また、ステップＳ３０２において、特定の材料、例えば、最表面に頻出する材料などが選択された場合に、処理を終了（ステップＳ３０７）する構成とすることもできる。
さらに、成膜時の温度や溶媒への可溶性などから、ステップＳ３０２で候補データより選択される材料について制約条件を付与することで、予め候補として入力する材料の絞り込みを行うこともできる。制約条件は事前に記憶部２２に記憶されている。
また、上記制約条件の他にも、例えば、膜厚や表面の粗さ、空隙率なども多層膜が指定される機能を発現するうえで重要なファクターであるため、これらの情報についても候補データから材料を選択する際に考慮される構成とすることができる。
［材料開発支援装置の具体的な構成例］
上述した構成を有する材料開発支援装置１Ａの具体的構成の一例について、図３のブロック図を参照して説明する。例えば、材料開発支援装置１Ａは、サーバ１００、２００、および通信端末装置３００によって実現することができる。サーバ１００、２００、および通信端末装置３００は、通信ネットワークＮＷを介して接続されている。なお、図３の実線で示すフローが本実施の形態に係る材料開発支援装置１Ａが備える学習処理装置によって実行される処理フローである（図３の「学習フェーズ」）。
また、図３の破線で示すフローは、本実施の形態に係る材料開発支援装置１Ａが備える推論処理装置によって実行される処理フローである（図３の「推論フェーズ」）。したがって、本実施の形態に係る材料開発支援装置１Ａの学習処理装置は、サーバ１００、２００によって実現され、推論処理装置はサーバ２００、および通信端末装置３００によって実現される。
サーバ１００は、例えば、図１２で説明した文書ＤＢ１０、第１抽出部１１、第２抽出部１２、および学習データ生成部１３を備える。
サーバ２００は、例えば、図１２で説明した学習処理部１４、第１学習モデル格納部１６、第２学習モデル格納部１７、候補データ生成部１９、記憶部２２、および逆解析部２１を備える。
サーバ１００、２００、および通信端末装置３００は、図２で説明したようなプロセッサ、主記憶装置、通信Ｉ／Ｆ、補助記憶装置を含むコンピュータ構成によって実現される。また、図３に示すように、サーバ１００は、生成した学習データを通信ネットワークＮＷを介してサーバ２００へ送信する。また、通信端末装置３００とサーバ２００とは通信ネットワークＮＷを介してデータのやり取りを行う。
このように、本実施の形態に係る材料開発支援装置１Ａは、図１に示した各機能がネットワーク上に分散した構成により実現することができる。
［材料開発支援装置の効果］
次に、図１７を参照して、本実施の形態に係る材料開発支援装置１Ａの効果について説明する。
図１７は、本実施の形態に係る材料開発支援装置１Ａによる学習処理および推論処理を行った結果の説明図である。本例では、有機、無機・金属材料の積層薄膜に関する文献から任意に抽出された論文３９本中（「Avijit Baidya, ACS Nano 2017, 11, 11091－11099」、「Junsheng Li, Nano Lett. 2015, 15, 675－681.」など）の成膜に関する学習データを用いて、学習に用いていない論文１本中（「Jiaqi Guo, ACS Appl. Mater. Interfaces 2016, 8, 34115－34122.」）の成膜方法を予測できるかどうかを検証した。
図１７の上段は、従来例による指向と実験による順問題として膜の構造を予測する場合の手順を示している。また、図１７の下段は、本実施の形態に係る材料開発支援装置１Ａによって、学習済みの機械学習モデルに対して、基板の材料、および要求される機能を入力することで、出力として膜の構造が得られる逆問題としての解決処理を示している。
図１７の下段において、入力データ（「入力．ｔｘｔ」）では、基板の材料として「cellulose」、機能として、「撥液性」「透明性」「柔軟性」が指定されている。つまり、「透明でフレキシブル、かつ汚れなく紙」を製造する方法を逆解析によって求めることを試行している。
また、逆解析の結果として、基板から垂直方向に沿って、「trichlorovinylsilane」、「1H,1H,2H,2H-perfluorodecanethiol」、「perfluoroalkylether」を成膜することを提案する出力データ（「出力．ｔｘｔ」）を得ることができる。これは、学習に用いていない論文１本中の製造方法に近しい材料の選択結果となっており、実現性が高い解といえる。
これに対して、図１７の上段に示す従来例では、多数の論文データを参照しながら、新しい機能を発現する材料を探索する実験的手法が行われている。本ケースでも、学習中のデータで利用される材料と、それらによって作成される膜の機能とを組み合わせて試行することで、学習に用いていない論文中の膜の製造方法と実現された機能には関連性があることを推定することができるものとなっている。
つまり、本実施の形態に係る材料開発支援装置１Ａは、人間が新しい技術を開発する際の思考方法のひとつを、機械学習を用いた逆解析によって模倣した技術ということもできる。さらに、模倣するだけではなく、ユーザの主観や検知によらないより合理的な材料選択や、人手では到底不可能とされる材料の組み合わせ数に対しても、網羅的な探索を実施することができる。
以上説明したように、第２の実施の形態によれば、学習済みの第１学習モデル、および学習済みの第２学習モデルを用いて、逆解析処理を実行するので、より容易に複数の機能を有する多層膜の設計の候補を提示することができる。
なお、説明した実施の形態では、材料開発支援装置１Ａが学習処理装置、および推論処理装置を備える場合について図１２において説明したが、推論処理装置は、学習処理装置とは独自した構成とするともできる。
以上、本発明に係る材料開発支援装置、材料開発支援方法、および材料開発支援プログラムにおける実施の形態について説明したが、本発明は説明した実施の形態に限定されるものではなく、請求項に記載した発明の範囲において当業者が想定し得る各種の変形を行うことが可能である。例えば、材料開発支援方法の各ステップの順序は上記説明した順序に限られない。
１、１Ａ…材料開発支援装置、１０…文書ＤＢ、１１…第１抽出部、１２…第２抽出部、１３…学習データ生成部、１４…学習処理部、１５、２２…記憶部、１６…第１学習モデル格納部、１７…第２学習モデル格納部、１８…提示部、１９…候補データ生成部、２０…入力データ取得部、２１…逆解析部、２３…出力データ生成部、１００、２００…サーバ、３００…通信端末装置、１０１…バス、１０２…プロセッサ、１０３…主記憶装置、１０４…通信Ｉ／Ｆ、１０５…補助記憶装置、１０６…入出力Ｉ／Ｏ、１０７…入力装置、１０８…表示装置。

Claims (7)

  1. 薄膜を形成する下地の材料と、前記薄膜の機能とを含む入力データを取得する入力データ取得部と、
    薄膜の形成に用いられる複数の材料の各々と、材料によって得られる機能との関係が予め学習された第１学習モデルに対して、予め設定された検証対象の材料を入力として与え、前記第１学習モデルの演算を行い、前記検証対象の材料によって得られる機能の複数の候補を出力し、候補データを生成する候補データ生成部と、
    前記薄膜を形成する下地との相性を予め学習により獲得した第２学習モデルに対して、前記入力データに含まれる前記下地の材料と、前記候補データに含まれる前記機能の複数の候補のなかから、前記入力データに含まれる前記薄膜の機能が得られる材料を選択し、選択された材料とを入力として与え、前記第２学習モデルの演算を行い、前記薄膜の構造の候補を出力する逆解析部と、
    前記逆解析部により出力された前記薄膜の構造の候補を提示する提示部と
    を備える材料開発支援装置。
  2. 請求項１に記載の材料開発支援装置において、
    複数の文書データの各々から、前記薄膜の機能を示す、予め設定されている複数の機能名を抽出する第１抽出部と、
    複数の文書データの各々から、前記薄膜の形成に用いられる材料を示す、予め設定されている複数の材料名を抽出する第２抽出部と、
    前記第１抽出部によって抽出された前記複数の機能名と、前記第２抽出部によって抽出された前記複数の材料名とに基づいて、前記複数の材料名の各々について、材料と、材料によって得られる機能との関係を対応付けた第１学習データを生成する第１学習データ生成部と、
    前記第１抽出部によって抽出された前記複数の機能名と、前記第２抽出部によって抽出された前記複数の材料名と、抽出元の文書データとに基づいて、前記複数の材料名で示される材料の各々と、前記薄膜を形成する下地との相性とを対応付けた第２学習データを生成する第２学習データ生成部と、
    前記第１学習データを用いて、予め設定されている第１機械学習モデルの学習を行い、材料と、材料によって得られる機能の関係を学習した、前記第１学習モデルを構築する第１学習処理部と、
    前記第２学習データを用いて、予め設定されている第２機械学習モデルの学習を行い、前記薄膜を形成する下地との相性を学習により獲得した、前記第２学習モデルを構築する第２学習処理部と、
    学習済みの前記第１学習モデルを格納する第１学習モデル格納部と、
    学習済みの前記第２学習モデルを格納する第２学習モデル格納部と
    をさらに備える
    ことを特徴とする材料開発支援装置。
  3. 複数の文書データの各々から、薄膜の機能を示す、予め設定されている複数の機能名を抽出する第１抽出部と、
    複数の文書データの各々から、前記薄膜の形成に用いられる材料を示す、予め設定されている複数の材料名を抽出する第２抽出部と、
    前記第１抽出部によって抽出された前記複数の機能名と、前記第２抽出部によって抽出された前記複数の材料名とに基づいて、前記複数の材料名の各々について、材料と、材料によって得られる機能との関係を対応付けた第１学習データを生成する第１学習データ生成部と、
    前記第１抽出部によって抽出された前記複数の機能名と、前記第２抽出部によって抽出された前記複数の材料名と、抽出元の文書データとに基づいて、前記複数の材料名で示される材料の各々と、前記薄膜を形成する下地との相性とを対応付けた第２学習データを生成する第１学習データ生成部と、
    前記第１学習データを用いて、予め設定されている第１機械学習モデルの学習を行い、材料と、材料によって得られる機能の関係を学習した、第１学習モデルを構築する第１学習処理部と、
    前記第２学習データを用いて、予め設定されている第２機械学習モデルの学習を行い、前記薄膜を形成する下地との相性を学習により獲得した、第２学習モデルを構築する第２学習処理部と、
    学習済みの前記第１学習モデルを格納する第１学習モデル格納部と、
    学習済みの前記第２学習モデルを格納する第２学習モデル格納部と、
    前記第１学習モデルおよび前記第２学習モデルを、外部へ送出する出力部と
    を備える材料開発支援装置。
  4. 薄膜を形成する下地の材料と、前記薄膜の機能とを含む入力データを取得する入力データ取得ステップと、
    薄膜の形成に用いられる複数の材料の各々と、材料によって得られる機能との関係が予め学習された第１学習モデルに対して、予め設定された検証対象の材料を入力として与え、前記第１学習モデルの演算を行い、前記検証対象の材料によって得られる機能の複数の候補を出力し、候補データを生成する候補データ生成ステップと、
    前記薄膜を形成する下地との相性を予め学習により獲得した第２学習モデルに対して、前記入力データに含まれる前記下地の材料と、前記候補データに含まれる前記機能の複数の候補のなかから、前記入力データに含まれる前記薄膜の機能が得られる材料を選択し、選択された材料とを入力として与え、前記第２学習モデルの演算を行い、前記薄膜の構造の候補を出力する逆解析ステップと、
    前記逆解析ステップで出力された前記薄膜の構造の候補を提示する提示ステップと
    を備える材料開発支援方法。
  5. 請求項４に記載の材料開発支援方法において、
    複数の文書データの各々から、前記薄膜の機能を示す、予め設定されている複数の機能名を抽出する第１抽出ステップと、
    複数の文書データの各々から、前記薄膜の形成に用いられる材料を示す、予め設定されている複数の材料名を抽出する第２抽出ステップと、
    前記第１抽出ステップで抽出された前記複数の機能名と、前記第２抽出ステップで抽出された前記複数の材料名とに基づいて、前記複数の材料名の各々について、材料と、材料によって得られる機能との関係を対応付けた第１学習データを生成する第１学習データ生成ステップと、
    前記第１抽出ステップで抽出された前記複数の機能名と、前記第２抽出ステップで抽出された前記複数の材料名と、抽出元の文書データとに基づいて、前記複数の材料名で示される材料の各々と、前記薄膜を形成する下地との相性とを対応付けた第２学習データを生成する第２学習データ生成ステップと、
    前記第１学習データを用いて、予め設定されている第１機械学習モデルの学習を行い、材料と、材料によって得られる機能の関係を学習した、前記第１学習モデルを構築する第１学習処理ステップと、
    前記第２学習データを用いて、予め設定されている第２機械学習モデルの学習を行い、前記薄膜を形成する下地との相性を学習により獲得した、前記第２学習モデルを構築する第２学習処理ステップと、
    学習済みの前記第１学習モデルを第１学習モデル格納部に格納する第１格納ステップと、
    学習済みの前記第２学習モデルを第２学習モデル格納部に格納する第２格納ステップと
    をさらに備える
    ことを特徴とする材料開発支援方法。
  6. コンピュータに、
    薄膜を形成する下地の材料と、前記薄膜の機能とを含む入力データを取得する入力データ取得ステップと、
    薄膜の形成に用いられる複数の材料の各々と、材料によって得られる機能との関係が予め学習された第１学習モデルに対して、予め設定された検証対象の材料を入力として与え、前記第１学習モデルの演算を行い、前記検証対象の材料によって得られる機能の複数の候補を出力し、候補データを生成する候補データ生成ステップと、
    前記薄膜を形成する下地との相性を予め学習により獲得した第２学習モデルに対して、前記入力データに含まれる前記下地の材料と、前記候補データに含まれる前記機能の複数の候補のなかから、前記入力データに含まれる前記薄膜の機能が得られる材料を選択し、選択された材料とを入力として与え、前記第２学習モデルの演算を行い、前記薄膜の構造の候補を出力する逆解析ステップと、
    前記逆解析ステップで出力された前記薄膜の構造の候補を提示する提示ステップと
    を実行させる材料開発支援プログラム。
  7. 請求項６に記載の材料開発支援プログラムにおいて、
    前記コンピュータに、
    複数の文書データの各々から、前記薄膜の機能を示す、予め設定されている複数の機能名を抽出する第１抽出ステップと、
    複数の文書データの各々から、前記薄膜の形成に用いられる材料を示す、予め設定されている複数の材料名を抽出する第２抽出ステップと、
    前記第１抽出ステップで抽出された前記複数の機能名と、前記第２抽出ステップで抽出された前記複数の材料名とに基づいて、前記複数の材料名の各々について、材料と、材料によって得られる機能との関係を対応付けた第１学習データを生成する第１学習データ生成ステップと、
    前記第１抽出ステップで抽出された前記複数の機能名と、前記第２抽出ステップで抽出された前記複数の材料名と、抽出元の文書データとに基づいて、前記複数の材料名で示される材料の各々と、前記薄膜を形成する下地との相性とを対応付けた第２学習データを生成する第２学習データ生成ステップと、
    前記第１学習データを用いて、予め設定されている第１機械学習モデルの学習を行い、材料と、材料によって得られる機能の関係を学習した、前記第１学習モデルを構築する第１学習処理ステップと、
    前記第２学習データを用いて、予め設定されている第２機械学習モデルの学習を行い、前記薄膜を形成する下地との相性を学習により獲得した、前記第２学習モデルを構築する第２学習処理ステップと、
    学習済みの前記第１学習モデルを第１学習モデル格納部に格納する第１格納ステップと、
    学習済みの前記第２学習モデルを第２学習モデル格納部に格納する第２格納ステップと
    をさらに実行させることを特徴とする材料開発支援プログラム。
JP2021565164A 2019-12-16 2019-12-16 材料開発支援装置、材料開発支援方法、および材料開発支援プログラム Active JP7180791B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/049168 WO2021124392A1 (ja) 2019-12-16 2019-12-16 材料開発支援装置、材料開発支援方法、および材料開発支援プログラム

Publications (2)

Publication Number Publication Date
JPWO2021124392A1 JPWO2021124392A1 (ja) 2021-06-24
JP7180791B2 true JP7180791B2 (ja) 2022-11-30

Family

ID=76478577

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021565164A Active JP7180791B2 (ja) 2019-12-16 2019-12-16 材料開発支援装置、材料開発支援方法、および材料開発支援プログラム

Country Status (3)

Country Link
US (1) US20230037015A1 (ja)
JP (1) JP7180791B2 (ja)
WO (1) WO2021124392A1 (ja)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4296933A4 (en) * 2021-02-22 2024-08-21 Panasonic Intellectual Property Management Co., Ltd. PREPARATION PROCESS OUTPUT DEVICE, PREPARATION PROCESS OUTPUT METHOD, AND PROGRAM
JP7201763B1 (ja) 2021-09-17 2023-01-10 株式会社神戸製鋼所 試作支援システム、及び、量産支援システム
JP7687681B2 (ja) * 2021-12-21 2025-06-03 株式会社リガク 情報処理装置、情報処理方法、プログラム及びｘ線分析装置
KR20240144988A (ko) * 2022-03-10 2024-10-04 엔지케이 인슐레이터 엘티디 재료 창출을 지원하는 시스템 및 방법, 프로그램
JP2025117196A (ja) * 2024-01-30 2025-08-12 株式会社日立製作所 プロセスを表す構造化データの生成を支援する構造化処理装置及び構造化処理方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019048965A1 (ja) 2017-09-06 2019-03-14 株式会社半導体エネルギー研究所 物性予測方法および物性予測システム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06208956A (ja) * 1992-11-17 1994-07-26 Ricoh Co Ltd 薄膜堆積形状予測方法
JPH0737821A (ja) * 1993-07-20 1995-02-07 Hitachi Ltd 薄膜製造装置及び半導体装置の製造方法
JP2003044827A (ja) * 2001-07-30 2003-02-14 Haruo Ishikawa 特性推定方法
US8566260B2 (en) * 2010-09-30 2013-10-22 Nippon Telegraph And Telephone Corporation Structured prediction model learning apparatus, method, program, and recording medium

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019048965A1 (ja) 2017-09-06 2019-03-14 株式会社半導体エネルギー研究所 物性予測方法および物性予測システム

Also Published As

Publication number Publication date
US20230037015A1 (en) 2023-02-02
WO2021124392A1 (ja) 2021-06-24
JPWO2021124392A1 (ja) 2021-06-24

Similar Documents

Publication Publication Date Title
JP7180791B2 (ja) 材料開発支援装置、材料開発支援方法、および材料開発支援プログラム
Zhang et al. Deep Learning over Multi-field Categorical Data: –A Case Study on User Response Prediction
KR102613621B1 (ko) 생성형 인공지능 모델을 활용한 기업 홍보용 기사 생성 방법, 장치 및 시스템
Qiu et al. Artificial intelligence-aided protein engineering: from topological data analysis to deep protein language models
CN107862173B (zh) 一种先导化合物虚拟筛选方法和装置
Pham et al. Deepcare: A deep dynamic memory model for predictive medicine
Wu et al. Music emotion recognition by multi-label multi-layer multi-instance multi-view learning
Tian et al. Evolutionary programming based deep learning feature selection and network construction for visual data classification
CN113544786A (zh) 使用机器学习预测分子嗅觉特性的系统和方法
Butler et al. Machine learning in materials science
BalaAnand et al. Envisioning social media information for big data using big vision schemes in wireless environment
Sun et al. Chemical–protein interaction extraction via Gaussian probability distribution and external biomedical knowledge
CN111950593A (zh) 一种推荐模型训练的方法及装置
CN111104874B (zh) 人脸年龄预测方法及模型的训练方法、装置及电子设备
CN115982480A (zh) 基于协同注意力网络和对比学习的序列推荐方法及系统
Yang et al. Bio-inspired computation and optimization: an overview
Kumar et al. Tool recommender system in Galaxy using deep learning
Li et al. ExamPle: explainable deep learning framework for the prediction of plant small secreted peptides
Bao et al. Multisource heterogeneous user-generated contents-driven interactive estimation of distribution algorithms for personalized search
Paaß et al. Pre-trained Language Models
Zhu et al. Short-term power load forecasting based on spatial-temporal dynamic graph and multi-scale Transformer
CN115587261A (zh) 政务资源目录推荐方法及系统
Chen [Retracted] Design of Deep Learning Network Model for Personalized Music Emotional Recommendation
Luu et al. A multilevel NER framework for automatic clinical name entity recognition
WO2020012975A1 (ja) 変換装置、学習装置、変換方法、学習方法及びプログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220328

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20221018

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20221031

R150 Certificate of patent or registration of utility model

Ref document number: 7180791

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S533 Written request for registration of change of name

Free format text: JAPANESE INTERMEDIATE CODE: R313533

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350