JP2020139914A - 物質構造分析装置、方法及びプログラム - Google Patents

Abstract

【課題】機械学習を利用した任意の物質の全体構造を予測するための物質構造分析手法を提供することである。
【解決手段】本開示の一態様は、プロセッサにより実行されるステップからなる物質構造分析方法であって、物質の構造を表す構造データと物質のスペクトルを表すスペクトルデータとを取得するステップと、前記構造データを第１のニューラルネットワークに入力し、前記第１のニューラルネットワークから構造特徴量を取得するステップと、前記スペクトルデータを第２のニューラルネットワークに入力し、前記第２のニューラルネットワークからスペクトル特徴量を取得するステップと、前記構造特徴量と前記スペクトル特徴量とに基づき、前記構造データに対応する物質と前記スペクトルデータに対応する物質との一致度を決定するステップと、を有する物質構造分析方法に関する。
【選択図】図１

Description

本開示は、物質構造分析に関する。

物質、材料などの化学構造を分析及び決定するための化学の一分野として物質構造分析がある。物質構造分析では、例えば、ＣＡＳＥ（Ｃｏｍｐｕｔｅｒ Ａｓｓｉｓｔｅｄ Ｓｔｒｕｃｔｕｒｅ Ｅｌｕｓｉｄａｔｉｏｎ）システムなどのように、物質から得られたスペクトルデータがコンピュータによって分析され、当該物質の化学構造が予測される。

ディープラーニングなどの近年の機械学習技術の進展によって、機械学習を利用した物質構造分析に対するアプローチも提案されるようになってきた。例えば、機械学習を利用して、測定されたスペクトルデータに基づき分析対象の物質が所定種類の部分構造を有しているか判定する物質構造分析アプローチが提案されている。また、機械学習を利用して、分析対象の物質のスペクトルデータが事前に定義されたクラスの何れに分類されるか判定する物質構造分析アプローチが提案されている。また、物質構造分析の基礎となるスペクトル測定結果は、測定時の環境状態、物質状態、測定手法などに依存して変動することが当業者によく知られている。

特開平１１−１０８８３３号公報

"Joint Neural Network Interpretation of Infrared and Mass Spectra", Christoph Klawun and Charles L. Wilkins, J. Chem, Inf. Comput. Sci., 1996, 36(2), pp 249-257 "Deep Convolutional Neural Networks for Raman Spectrum Recognition: A Unified Solution", Jinchao Liu, Margarita Osadchy, Lorna Ashton, Michael Foster, Christopher J. Solomon, Stuart J. Gibson, arXiv: 1708.09022

本開示の課題は、機械学習を利用した任意の物質の全体構造を予測するための物質構造分析手法を提供することである。

上記課題を解決するため、本開示の一態様は、プロセッサにより実行されるステップからなる物質構造分析方法であって、物質の構造を表す構造データと物質のスペクトルを表すスペクトルデータとを取得するステップと、前記構造データを第１のニューラルネットワークに入力し、前記第１のニューラルネットワークから構造特徴量を取得するステップと、前記スペクトルデータを第２のニューラルネットワークに入力し、前記第２のニューラルネットワークからスペクトル特徴量を取得するステップと、前記構造特徴量と前記スペクトル特徴量とに基づき、前記構造データに対応する物質と前記スペクトルデータに対応する物質との一致度を決定するステップと、を有する物質構造分析方法に関する。

本開示によると、機械学習を利用した任意の物質の全体構造を予測するための物質構造分析手法を提供することができる。

本開示の一実施例による物質構造分析装置の概略を示す図である。 本開示の一実施例による物質構造分析装置の機能構成を示すブロック図である。 本開示の一実施例による物質構造分析装置のニューラルネットワークの学習処理を示すフローチャートである。 本開示の一実施例による物質構造分析装置の概略を示す図である。 本開示の一実施例による物質構造分析装置の機能構成を示すブロック図である。 本開示の一実施例による物質構造分析装置のニューラルネットワークの学習処理を示すフローチャートである。 本開示の一実施例による物質構造分析装置の概略を示す図である。 本開示の一実施例による物質構造分析装置の機能構成を示すブロック図である。 本開示の一実施例による物質構造分析装置のニューラルネットワークの学習処理を示すフローチャートである。 本開示の一実施例による物質構造分析装置の概略を示す図である。 本開示の一実施例による物質構造分析装置の概略を示す図である。 本開示の一実施例による物質構造分析装置の機能構成を示すブロック図である。 本開示の一実施例による物質構造分析装置のニューラルネットワークの学習処理を示すフローチャートである。 本開示の一実施例による物質構造分析装置の概略を示す図である。 本開示の一実施例による物質構造分析装置の機能構成を示すブロック図である。 本開示の一実施例による物質構造分析装置のニューラルネットワークの学習処理を示すフローチャートである。 本開示の一実施例による物質構造分析装置のハードウェア構成を示すブロック図である。

以下の実施例では、機械学習を利用した物質構造分析装置が開示される。

本開示を概略すると、一実施例による物質構造分析装置は、物質の構造を表す構造データから構造特徴量を抽出する構造データ用ニューラルネットワーク（例えば、グラフ畳み込みニューラルネットワークにより実現される）と、物質のスペクトルを表すスペクトルデータからスペクトル特徴量を抽出するスペクトルデータ用ニューラルネットワーク（例えば、畳み込みニューラルネットワークにより実現される）とを利用して、入力された構造データ及びスペクトルデータから構造特徴量及びスペクトル特徴量を取得し、取得した構造特徴量とスペクトル特徴量とに基づき構造データに対応する物質とスペクトルデータに対応する物質との一致度を決定する。

本実施例によると、例えば、分析対象の物質のスペクトルデータが与えられたとき、物質構造分析装置は、当該物質の候補物質の構造データ（例えば、ＳＭＩＬＥＳ（Ｓｉｍｐｌｉｆｉｅｄ Ｍｏｌｅｃｕｌａｒ Ｉｎｐｕｔ Ｌｉｎｅ Ｅｎｔｒｙ Ｓｙｓｔｅｍ）記法、ＩｎＣｈＩ（Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｈｅｍｉｃａｌ Ｉｄｅｎｔｉｆｉｅｒ）記法などによって記述されたデータ）と与えられたスペクトルデータとに対して上述した処理を実行し、分析対象物質と候補物質との一致度を決定する。ユーザは、物質構造分析装置によって決定された各候補物質の一致度に基づき、何れの候補物質が分析対象の物質に該当するか予測することができる。

まず、図１及び２を参照して、本開示の一実施例による物質構造分析装置を説明する。図１は、本開示の一実施例による物質構造分析装置の概略を示す図である。

図１に示されるように、物質構造分析装置１００は、構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０を有する。しかしながら、本開示による物質構造分析装置１００は、構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０の全て又は一部を必ずしも有さなくてもよく、外部装置（図示せず）に格納されている構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０の全て又は一部にアクセスすることによって、これらを利用してもよい。

構造データ用ニューラルネットワーク１１０は、物質の構造を表す構造データから構造特徴量を抽出する。当該構造データは、例えば、ＳＭＩＬＥＳ記法、ＩｎＣｈＩ記法などで記述されている物質の構造をグラフ構造に変換したものであってもよい。構造データ用ニューラルネットワーク１１０は、以降において詳細に説明される学習処理によって学習され、入力された構造データを当該物質の構造を表す構造特徴量に変換する。例えば、構造データ用ニューラルネットワーク１１０は、任意のデータサイズの構造データを処理可能なグラフ畳み込みニューラルネットワークであってもよく、構造特徴量としてｎ次元のベクトルを出力してもよい。

スペクトルデータ用ニューラルネットワーク１２０は、物質のスペクトルを表すスペクトルデータからスペクトル特徴量を抽出する。当該スペクトルデータは、典型的には、１次元の波形データであり、質量分析法によるマススペクトル、赤外線（ＩＲ）スペクトル、Ｘ線スペクトル、Ｒａｍａｎ分光法によるスペクトル、核磁気共鳴分光法によるＮＭＲ（Ｎｕｃｌｅａｒ Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ）スペクトル、ＬＩＢＳ（Ｌａｓｅｒ−Ｉｎｄｕｃｅｄ Ｂｒｅａｋｄｏｗｎ Ｓｐｅｃｔｒｏｓｃｏｐｙ）によるスペクトルなど、物質の構造分析に利用される何れかのスペクトルを示すものであってもよい。スペクトルデータ用ニューラルネットワーク１２０は、以降において詳細に説明される学習処理によって学習され、入力されたスペクトルデータを当該物質のスペクトルを表すスペクトル特徴量に変換する。例えば、スペクトルデータ用ニューラルネットワーク１２０は、畳み込みニューラルネットワークであってもよく、スペクトル特徴量としてｎ次元のベクトルを出力してもよい。

図２は、本開示の一実施例による物質構造分析装置の機能構成を示すブロック図である。図２に示されるように、物質構造分析装置１００は、構造特徴量抽出部１１０Ａ、スペクトル特徴量抽出部１２０Ａ及び一致度決定部１３０Ａを有する。

構造特徴量抽出部１１０Ａは、構造データ用ニューラルネットワーク１１０によって物質の構造を表す構造データから構造特徴量を抽出する。すなわち、構造特徴量抽出部１１０Ａは、取得した構造データを構造データ用ニューラルネットワーク１１０に入力し、構造データ用ニューラルネットワーク１１０から構造特徴量を取得する。取得した構造特徴量は、一致度決定部１３０Ａにわたされる。

スペクトル特徴量抽出部１２０Ａは、スペクトルデータ用ニューラルネットワーク１２０によって物質のスペクトルを表すスペクトルデータからスペクトル特徴量を抽出する。すなわち、スペクトル特徴量抽出部１２０Ａは、取得したスペクトルデータをスペクトルデータ用ニューラルネットワーク１２０に入力し、スペクトルデータ用ニューラルネットワーク１２０からスペクトル特徴量を取得する。取得したスペクトル特徴量は、一致度決定部１３０Ａにわたされる。

一致度決定部１３０Ａは、構造特徴量とスペクトル特徴量とに基づき、構造データに対応する物質とスペクトルデータに対応する物質との一致度を決定する。すなわち、一致度決定部１３０Ａは、構造特徴量抽出部１１０Ａ及びスペクトル特徴量抽出部１２０Ａから構造特徴量及びスペクトル特徴量をそれぞれ取得すると、取得した構造特徴量とスペクトル特徴量との間のメトリック（例えば、相違度、類似度など）に基づき、入力された構造データに対応する物質と入力されたスペクトルデータに対応する物質との間の一致度を決定する。

当該メトリックは、例えば、コサイン類似度、ｃｏｎｔｒａｓｔｉｖｅ ｌｏｓｓなどのベクトル間の類似度又は相違度を表す何れかの指標であってもよく、一致度は、例えば、算出されたメトリックを０から１の範囲などの所定の範囲内に正規化したものであってもよい。

例えば、分析対象の物質のスペクトルデータと当該物質の１つ以上の候補物質の構造データとが与えられたとき、物質構造分析装置１００は、各候補物質の構造データと分析対象物質のスペクトルデータとに対して上述した処理を実行することによって各候補物質と分析対象物質との間の一致度を算出し、最も大きな一致度を有する候補物質を分析対象物質として決定してもよい。

本実施例による構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０は、図３に示されるような学習処理に従って学習されてもよい。なお、当該学習処理は、物質構造分析装置１００によって実行されてもよいし、あるいは、外部装置（図示せず）によって実行され、学習済みの構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０が物質構造分析装置１００に提供されてもよい。以下では、物質構造分析装置１００が学習処理を実行する実施例を説明する。

ステップＳ１０１において、物質構造分析装置１００は、訓練用の構造データ及びスペクトルデータの組み合わせを取得する。例えば、訓練用の構造データ及びスペクトルデータの組み合わせは、同一物質の構造データ及びスペクトルデータの組み合わせ（ポジティブデータ）であってもよいし、異なる物質の構造データ及びスペクトルデータの組み合わせ（ネガティブデータ）であってもよい。

ステップＳ１０２において、物質構造分析装置１００は、取得した訓練用の構造データ及びスペクトルデータを学習対象の構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０に入力する。例えば、構造データ用ニューラルネットワーク１１０は、任意のデータサイズの構造データを処理可能なグラフ畳み込みニューラルネットワークであってもよく、スペクトルデータ用ニューラルネットワーク１２０は、１次元波形データを処理可能な畳み込みニューラルネットワークであってもよい。

ステップＳ１０３において、物質構造分析装置１００は、構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０から構造特徴量及びスペクトル特徴量をそれぞれ取得し、取得した構造特徴量とスペクトル特徴量との間のメトリック及び／又は一致度を算出する。

ステップＳ１０４において、物質構造分析装置１００は、算出したメトリック又は当該メトリックから算出された一致度に基づき構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０を学習する。

一実施例では、構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０は、ポジティブペアに対する一致度が大きくなり、ネガティブペアに対する一致度が小さくなるよう学習されてもよい。

すなわち、入力された訓練データが同一物質の構造データ及びスペクトルデータの組み合わせ（ポジティブデータ）である場合、物質構造分析装置１００は、メトリック（相違度又は距離）が小さくなるように、すなわち、一致度（類似度）が高くなるように、誤差逆伝播法に従って構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０のパラメータを更新してもよい。他方、入力された訓練データが異なる物質の構造データ及びスペクトルデータの組み合わせ（ネガティブデータ）である場合、物質構造分析装置１００は、メトリック（相違度又は距離）が大きくなるように、すなわち、一致度（類似度）が低くなるように、誤差逆伝播法に従って構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０のパラメータを更新してもよい。

また、他の実施例では、構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０は、ポジティブペアに対する一致度とネガティブペアに対する一致度との間の差が大きくなるよう学習されてもよい。

具体的には、物質構造分析装置１００は、物質Ａのスペクトルデータに対するポジティブデータ、すなわち、物質Ａの構造データ及び物質Ａのスペクトルデータの組み合わせと、物質Ａのスペクトルデータに対するネガティブデータ、すなわち、物質Ｂの構造データ及び物質Ａのスペクトルデータの組み合わせとを利用して、物質Ａの構造特徴量、物質Ｂの構造特徴量及び物質Ａのスペクトル特徴量に基づき、構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０を学習してもよい。この場合、物質構造分析装置１００は、物質Ａの構造特徴量と物質Ａのスペクトル特徴量との間のメトリック又は当該メトリックから算出される一致度と、物質Ｂの構造特徴量と物質Ａのスペクトル特徴量との間のメトリック又は当該メトリックから算出される一致度との間の差が大きくなるように、誤差逆伝播法に従って構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０のパラメータを更新してもよい。

あるいは、物質構造分析装置１００は、物質Ａの構造データに対するポジティブデータ、すなわち、物質Ａの構造データ及び物質Ａのスペクトルデータの組み合わせと、物質Ａの構造データに対するネガティブデータ、すなわち、物質Ａの構造データ及び物質Ｂのスペクトルデータの組み合わせとを利用して、物質Ａの構造特徴量、物質Ａのスペクトル特徴量及び物質Ｂのスペクトル特徴量に基づき、構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０を学習してもよい。この場合、物質構造分析装置１００は、物質Ａの構造特徴量と物質Ａのスペクトル特徴量との間のメトリック又は当該メトリックから算出される一致度と、物質Ａの構造特徴量と物質Ｂのスペクトル特徴量との間のメトリック又は当該メトリックから算出される一致度との間の差が大きくなるように、誤差逆伝播法に従って構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０のパラメータを更新してもよい。

あるいは、物質構造分析装置１００は、構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０の出力を確率分布とみなし、事前分布（Ｇａｕｓｓｉａｎなどを用いてもよい）とのＫＬ（Ｋｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ）ダイバージェンスを損失関数として利用して、構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０のパラメータを更新してもよい。

ステップＳ１０５において、物質構造分析装置１００は、終了条件が充足されているか判断する。終了条件としては、例えば、所定数の訓練データが処理されたこと、パラメータの更新量が収束したことなどであってもよい。

終了条件が充足された場合（Ｓ１０５：ＹＥＳ）、物質構造分析装置１００は、当該学習処理を終了し、最終的に取得された構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０を学習済み構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０として保持する。

他方、終了条件が充足されていない場合（Ｓ１０５：ＮＯ）、物質構造分析装置１００は、ステップＳ１０１に戻って次の訓練データを処理する。

次に、図４〜６を参照して、本開示の他の実施例による物質構造分析装置を説明する。本実施例では、スペクトルデータ用ニューラルネットワーク１２０が、スペクトルデータ復元用ニューラルネットワーク１２１と一緒になってオートエンコーダを構成し、入力されたスペクトルデータを復元可能な情報量を有したスペクトル特徴量を生成する。図４は、本開示の一実施例による物質構造分析装置の概略を示す図である。

図４に示されるように、物質構造分析装置１００は、上述した構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０に加えて、スペクトルデータ復元用ニューラルネットワーク１２１を更に有する。しかしながら、本開示による物質構造分析装置１００は、構造データ用ニューラルネットワーク１１０、スペクトルデータ用ニューラルネットワーク１２０及びスペクトルデータ復元用ニューラルネットワーク１２１の全て又は一部を必ずしも有さなくてもよく、外部装置（図示せず）に格納されている構造データ用ニューラルネットワーク１１０、スペクトルデータ用ニューラルネットワーク１２０及びスペクトルデータ復元用ニューラルネットワーク１２１の全て又は一部にアクセスすることによって、これらを利用してもよい。本実施例による構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０とメトリック及び一致度の計算は、上述した実施例と同様であり、説明の重複を避けるため、それらの説明は省く。

スペクトルデータ復元用ニューラルネットワーク１２１は、物質のスペクトル特徴量から当該物質のスペクトルデータを復元する。すなわち、スペクトルデータ用ニューラルネットワーク１２０とスペクトルデータ復元用ニューラルネットワーク１２１とは、オートエンコーダを構成する。以降で詳細に説明されるように、オートエンコーダとして学習されたスペクトルデータ用ニューラルネットワーク１２０は、以降においてスペクトルデータ復元用ニューラルネットワーク１２１によって復元可能な情報量を有するスペクトル特徴量を生成する。なお、学習処理の終了後、物質構造分析装置１００は、スペクトルデータ復元用ニューラルネットワーク１２１を利用してスペクトルデータを復元してもよいし、学習処理のためにのみ利用してもよい。

図５は、本開示の一実施例による物質構造分析装置の機能構成を示すブロック図である。図５に示されるように、物質構造分析装置１００は、構造特徴量抽出部１１０Ｂ、スペクトル特徴量抽出部１２０Ｂ、一致度決定部１３０Ｂ及びスペクトルデータ復元部１２１Ｂを有する。なお、構造特徴量抽出部１１０Ｂ、スペクトル特徴量抽出部１２０Ｂ及び一致度決定部１３０Ｂは、図２を参照して上述した構造特徴量抽出部１１０Ａ、スペクトル特徴量抽出部１２０Ａ及び一致度決定部１３０Ａと同様であり、説明の重複を避けるため、それらの説明は省く。

スペクトルデータ復元部１２１Ｂは、取得した物質のスペクトルデータから抽出されたスペクトル特徴量から当該物質のスペクトルデータを復元する。すなわち、スペクトルデータ復元部１２１Ｂは、スペクトル特徴量抽出部１２０Ｂと一緒になってオートエンコーダを構成し、スペクトル特徴量抽出部１２０Ｂから取得したスペクトル特徴量をスペクトルデータ復元用ニューラルネットワーク１２１に入力し、スペクトルデータ復元用ニューラルネットワーク１２１からスペクトルデータを取得する。スペクトルデータ復元部１２１Ｂ及びスペクトルデータ復元用ニューラルネットワーク１２１を配置することによって、スペクトル特徴量抽出部１２０Ｂから抽出されるスペクトル特徴量は、当該スペクトル特徴量から元のスペクトルデータを復元可能な情報量を有するものとすることができる。

本実施例による構造データ用ニューラルネットワーク１１０、スペクトルデータ用ニューラルネットワーク１２０及びスペクトルデータ復元用ニューラルネットワーク１２１は、図６に示されるような学習処理に従って学習されてもよい。なお、当該学習処理は、物質構造分析装置１００によって実行されてもよいし、あるいは、外部装置（図示せず）によって実行され、学習済みの構造データ用ニューラルネットワーク１１０、スペクトルデータ用ニューラルネットワーク１２０及びスペクトルデータ復元用ニューラルネットワーク１２１が物質構造分析装置１００に提供されてもよい。以下では、物質構造分析装置１００が学習処理を実行する実施例を説明する。なお、ステップＳ２０１〜Ｓ２０３，Ｓ２０６はそれぞれステップＳ１０１〜Ｓ１０３，Ｓ１０５と同様であり、説明の重複を避けるため、それらの説明は省く。

ステップＳ２０４において、物質構造分析装置１００は、取得したスペクトル特徴量をスペクトルデータ復元用ニューラルネットワーク１２１に入力する。ここで、スペクトルデータ用ニューラルネットワーク１２０は、畳み込みニューラルネットワークであってもよく、スペクトルデータ復元用ニューラルネットワーク１２１と一緒になってオートエンコーダを構成する。

ステップＳ２０５において、物質構造分析装置１００は、スペクトルデータ復元用ニューラルネットワーク１２１から復元されたスペクトルデータを取得し、復元されたスペクトルデータと入力された訓練用のスペクトルデータとの誤差を算出する。そして、物質構造分析装置１００は、構造特徴量及びスペクトル特徴量から算出したメトリック又は当該メトリックから算出された一致度と、復元されたスペクトルデータ及び訓練用のスペクトルデータから算出された誤差とに基づき、構造データ用ニューラルネットワーク１１０、スペクトルデータ用ニューラルネットワーク１２０及びスペクトルデータ復元用ニューラルネットワーク１２１を学習する。具体的には、物質構造分析装置１００は、算出した誤差及びメトリックが小さくなるように、あるいは、算出した誤差が小さくなると共に一致度が高くなるように、誤差逆伝播法に従って構造データ用ニューラルネットワーク１１０、スペクトルデータ用ニューラルネットワーク１２０及びスペクトルデータ復元用ニューラルネットワーク１２１のパラメータを更新する。

次に、図７〜９を参照して、本開示の他の実施例による物質構造分析装置を説明する。本実施例では、構造データ用ニューラルネットワーク１１０が、構造データ復元用ニューラルネットワーク１１１と一緒になってオートエンコーダを構成し、入力された構造データを復元可能な情報量を有した構造特徴量を生成する。図７は、本開示の一実施例による物質構造分析装置の概略を示す図である。

図７に示されるように、物質構造分析装置１００は、上述した構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０に加えて、構造データ復元用ニューラルネットワーク１１１を更に有する。しかしながら、本開示による物質構造分析装置１００は、構造データ用ニューラルネットワーク１１０、スペクトルデータ用ニューラルネットワーク１２０及び構造データ復元用ニューラルネットワーク１２１の全て又は一部を必ずしも有さなくてもよく、外部装置（図示せず）に格納されている構造データ用ニューラルネットワーク１１０、スペクトルデータ用ニューラルネットワーク１２０及び構造データ復元用ニューラルネットワーク１１１の全て又は一部にアクセスすることによって、これらを利用してもよい。本実施例による構造データ用ニューラルネットワーク１１０及びスペクトルデータ用ニューラルネットワーク１２０とメトリック及び一致度の計算は、上述した実施例と同様であり、説明の重複を避けるため、それらの説明は省く。

構造データ復元用ニューラルネットワーク１１１は、物質の構造特徴量から当該物質の構造データを復元する。すなわち、構造データ用ニューラルネットワーク１１０と構造データ復元用ニューラルネットワーク１１１とは、オートエンコーダを構成する。以降で詳細に説明されるように、オートエンコーダとして学習された構造データ用ニューラルネットワーク１１０は、構造データ復元用ニューラルネットワーク１１１によって復元可能な情報量を有する構造特徴量を生成する。グラフ復元用のアルゴリズムとしては、ＧｒａｐｈＶＡＥ、Ｊｕｎｃｔｉｏｎ Ｔｒｅｅ ＶＡＥなどが利用可能である。なお、学習処理の終了後、物質構造分析装置１００は、構造データ復元用ニューラルネットワーク１１１を利用して構造データを復元してもよいし、学習処理のためにのみ利用してもよい。

図８は、本開示の一実施例による物質構造分析装置の機能構成を示すブロック図である。図８に示されるように、物質構造分析装置１００は、構造特徴量抽出部１１０Ｃ、スペクトル特徴量抽出部１２０Ｃ、一致度決定部１３０Ｃ及び構造データ復元部１１１Ｃを有する。なお、構造特徴量抽出部１１０Ｃ、スペクトル特徴量抽出部１２０Ｃ及び一致度決定部１３０Ｃは、図２を参照して上述した構造特徴量抽出部１１０Ａ、スペクトル特徴量抽出部１２０Ａ及び一致度決定部１３０Ａと同様であり、説明の重複を避けるため、それらの説明は省く。

構造データ復元部１１１Ｃは、取得した物質の構造データから抽出された構造特徴量から当該物質の構造データを復元する。すなわち、構造データ復元部１１１Ｃは、構造特徴量抽出部１１０Ｃと一緒になってオートエンコーダを構成し、構造特徴量抽出部１１０Ｃから取得した構造特徴量を構造データ復元用ニューラルネットワーク１１１に入力し、構造データ復元用ニューラルネットワーク１１１から構造データを取得する。構造データ復元部１１１Ｃ及び構造データ復元用ニューラルネットワーク１１１を配置することによって、構造特徴量抽出部１１０Ｃから抽出される構造特徴量は、当該構造特徴量から元の構造データを復元可能な情報量を有するものとすることができる。

本実施例による構造データ用ニューラルネットワーク１１０、スペクトルデータ用ニューラルネットワーク１２０及び構造データ復元用ニューラルネットワーク１１１は、図９に示されるような学習処理に従って学習されてもよい。なお、当該学習処理は、物質構造分析装置１００によって実行されてもよいし、あるいは、外部装置（図示せず）によって実行され、学習済みの構造データ用ニューラルネットワーク１１０、スペクトルデータ用ニューラルネットワーク１２０及び構造データ復元用ニューラルネットワーク１１１が物質構造分析装置１００に提供されてもよい。以下では、物質構造分析装置１００が学習処理を実行する実施例を説明する。なお、ステップＳ３０１〜Ｓ３０３，Ｓ３０６はそれぞれステップＳ１０１〜Ｓ１０３，Ｓ１０５と同様であり、説明の重複を避けるため、それらの説明は省く。

ステップＳ３０４において、物質構造分析装置１００は、取得した構造特徴量を構造データ復元用ニューラルネットワーク１１１に入力する。ここで、構造データ用ニューラルネットワーク１１０は、グラフ畳み込みニューラルネットワークであってもよく、構造データ復元用ニューラルネットワーク１１１と一緒になってオートエンコーダを構成する。

ステップＳ３０５において、物質構造分析装置１００は、構造データ復元用ニューラルネットワーク１１１から復元された構造データを取得し、復元された構造データと入力された訓練用の構造データとの誤差を算出する。そして、物質構造分析装置１００は、構造特徴量及びスペクトル特徴量から算出したメトリック又は当該メトリックから算出された一致度と、復元された構造データ及び訓練用の構造データから算出された誤差とに基づき、構造データ用ニューラルネットワーク１１０、スペクトルデータ用ニューラルネットワーク１２０及び構造データ復元用ニューラルネットワーク１１１を学習する。具体的には、物質構造分析装置１００は、算出した誤差及びメトリックが小さくなるように、あるいは、算出した誤差が小さくなると共に一致度が高くなるように、誤差逆伝播法に従って構造データ用ニューラルネットワーク１１０、スペクトルデータ用ニューラルネットワーク１２０及び構造データ復元用ニューラルネットワーク１１１のパラメータを更新する。

なお、上述した実施例は組み合わせされてもよく、すなわち、図１０に示されるように、構造データ用ニューラルネットワーク１１０と構造データ復元用ニューラルネットワーク１１１とがオートエンコーダを構成するだけでなく、スペクトルデータ用ニューラルネットワーク１２０とスペクトルデータ復元用ニューラルネットワーク１２１ともまたオートエンコーダを構成してもよい。本実施例によると、構造特徴量及びスペクトル特徴量の双方が、構造データ及びスペクトルデータを復元できる程度の情報量を有することが可能になる。

次に、図１１〜１３を参照して、本開示の一実施例による物質構造分析装置を説明する。本実施例では、物質構造分析装置１００は、物質の構造データを取得すると、取得した構造データの物質に対応するスペクトルデータを予測する。図１１は、本開示の一実施例による物質構造分析装置の概略を示す図である。

図１１に示されるように、物質構造分析装置１００は、構造データ用ニューラルネットワーク１１０及びスペクトルデータ予測用ニューラルネットワーク１２２を有する。しかしながら、本開示による物質構造分析装置１００は、構造データ用ニューラルネットワーク１１０及びスペクトルデータ予測用ニューラルネットワーク１２２の全て又は一部を必ずしも有さなくてもよく、外部装置（図示せず）に格納されている構造データ用ニューラルネットワーク１１０及びスペクトルデータ予測用ニューラルネットワーク１２２の全て又は一部にアクセスすることによって、これらを利用してもよい。

構造データ用ニューラルネットワーク１１０は、物質の構造を表す構造データから構造特徴量を抽出する。上述したように、構造データ用ニューラルネットワーク１１０は、任意のサイズの構造データを処理することを可能にするため、グラフ畳み込みニューラルネットワークであってもよい。

スペクトルデータ予測用ニューラルネットワーク１２２は、構造特徴量から物質のスペクトルデータを予測する。

図１２は、本開示の一実施例による物質構造分析装置の機能構成を示すブロック図である。図１２に示されるように、物質構造分析装置１００は、構造特徴量抽出部１１０Ｄ及びスペクトルデータ予測部１２２Ｄを有する。なお、構造特徴量抽出部１１０Ｄは、図２を参照して上述した構造特徴量抽出部１１０Ａと同様であり、説明の重複を避けるため、その説明は省く。

スペクトルデータ予測部１２２Ｄは、スペクトルデータ予測用ニューラルネットワーク１２２によって構造特徴量から予測対象の物質のスペクトルデータを予測する。すなわち、スペクトルデータ予測部１２２Ｄは、構造特徴量抽出部１１０Ｄから取得した構造特徴量をスペクトルデータ予測用ニューラルネットワーク１２２に入力し、スペクトルデータ予測用ニューラルネットワーク１２２からスペクトルデータを取得する。取得されたスペクトルデータは、構造データ用ニューラルネットワーク１１０に入力された構造データに対応する物質のスペクトルデータである。

一実施例では、物質構造分析装置１００は、取得した構造特徴量を微小変動させることによって複数候補の構造特徴量を生成し、生成した構造特徴量から複数のスペクトルデータを生成してもよい。

本実施例による構造データ用ニューラルネットワーク１１０及びスペクトルデータ予測用ニューラルネットワーク１２２は、図１３に示されるような学習処理に従って学習されてもよい。なお、当該学習処理は、物質構造分析装置１００によって実行されてもよいし、あるいは、外部装置（図示せず）によって実行され、学習済みの構造データ用ニューラルネットワーク１１０及びスペクトルデータ予測用ニューラルネットワーク１２２が物質構造分析装置１００に提供されてもよい。以下では、物質構造分析装置１００が学習処理を実行する実施例を説明する。

ステップＳ４０１において、物質構造分析装置１００は、訓練用の構造データ及びスペクトルデータの組み合わせを取得する。例えば、訓練用の構造データ及びスペクトルデータの組み合わせは、同一物質の構造データ及びスペクトルデータの組み合わせ（ポジティブデータ）であってもよいし、異なる物質の構造データ及びスペクトルデータの組み合わせ（ネガティブデータ）であってもよい。

ステップＳ４０２において、物質構造分析装置１００は、取得した訓練用の構造データを学習対象の構造データ用ニューラルネットワーク１１０に入力する。

ステップＳ４０３において、物質構造分析装置１００は、構造データ用ニューラルネットワーク１１０から構造特徴量を取得し、取得した構造特徴量をスペクトルデータ予測用ニューラルネットワーク１２２に入力する。

ステップＳ４０４において、物質構造分析装置１００は、スペクトルデータ予測用ニューラルネットワーク１２２から予測されたスペクトルデータを取得し、予測されたスペクトルデータと訓練用のスペクトルデータとの誤差に基づき、誤差逆伝播法に従って構造データ用ニューラルネットワーク１１０及びスペクトルデータ予測用ニューラルネットワーク１２２のパラメータを更新する。

ステップＳ４０５において、物質構造分析装置１００は、終了条件が充足されているか判断する。終了条件としては、例えば、所定数の訓練データが処理されたこと、パラメータの更新量が収束したことなどであってもよい。

終了条件が充足された場合（Ｓ４０５：ＹＥＳ）、物質構造分析装置１００は、当該学習処理を終了し、最終的に取得された構造データ用ニューラルネットワーク１１０及びスペクトルデータ予測用ニューラルネットワーク１２２を学習済み構造データ用ニューラルネットワーク１１０及びスペクトルデータ予測用ニューラルネットワーク１２２として保持する。

他方、終了条件が充足されていない場合（Ｓ４０５：ＮＯ）、物質構造分析装置１００は、ステップＳ４０１に戻って次の訓練データを処理する。

次に、図１４〜１６を参照して、本開示の一実施例による物質構造分析装置を説明する。本実施例では、物質構造分析装置１００は、物質のスペクトルデータを取得すると、取得したスペクトルデータの物質に対応する構造データを予測する。図１４は、本開示の一実施例による物質構造分析装置の概略を示す図である。

図１４に示されるように、物質構造分析装置１００は、スペクトルデータ用ニューラルネットワーク１２０及び構造データ予測用ニューラルネットワーク１１２を有する。しかしながら、本開示による物質構造分析装置１００は、スペクトルデータ用ニューラルネットワーク１２０及び構造データ予測用ニューラルネットワーク１１２の全て又は一部を必ずしも有さなくてもよく、外部装置（図示せず）に格納されているスペクトルデータ用ニューラルネットワーク１２０及び構造データ予測用ニューラルネットワーク１１２の全て又は一部にアクセスすることによって、これらを利用してもよい。

スペクトルデータ用ニューラルネットワーク１２０は、物質のスペクトルを表すスペクトルデータからスペクトル特徴量を抽出する。上述したように、スペクトルデータ用ニューラルネットワーク１２０は、畳み込みニューラルネットワークであってもよい。

構造データ予測用ニューラルネットワーク１１２は、スペクトル特徴量から物質の構造データを予測する。

図１５は、本開示の一実施例による物質構造分析装置の機能構成を示すブロック図である。図１５に示されるように、物質構造分析装置１００は、スペクトル特徴量抽出部１２０Ｅ及び構造データ予測部１１２Ｅを有する。なお、スペクトル特徴量抽出部１２０Ｅは、図２を参照して上述したスペクトル特徴量抽出部１２０Ａと同様であり、説明の重複を避けるため、その説明は省く。

構造データ予測部１１２Ｅは、構造データ予測用ニューラルネットワーク１１２によってスペクトル特徴量から予測対象の物質の構造データを予測する。すなわち、構造データ予測部１１２Ｅは、スペクトル特徴量抽出部１２０Ｅから取得したスペクトル特徴量を構造データ予測用ニューラルネットワーク１１２に入力し、構造データ予測用ニューラルネットワーク１１２から構造データを取得する。取得された構造データは、スペクトルデータ用ニューラルネットワーク１２０に入力されたスペクトルデータに対応する物質の構造データである。

一実施例では、物質構造分析装置１００は、取得したスペクトル特徴量を微小変動させることによって複数候補のスペクトル特徴量を生成し、生成したスペクトル特徴量から複数の構造データを生成してもよい。

本実施例による物質構造分析装置１００におけるスペクトルデータ用ニューラルネットワーク１２０及び構造データ予測用ニューラルネットワーク１１２は、図１６に示されるような学習処理に従って学習されてもよい。なお、当該学習処理は、物質構造分析装置１００によって実行されてもよいし、あるいは、外部装置（図示せず）によって実行され、学習済みのスペクトルデータ用ニューラルネットワーク１２０及び構造データ予測用ニューラルネットワーク１１２が物質構造分析装置１００に提供されてもよい。以下では、物質構造分析装置１００が学習処理を実行する実施例を説明する。

ステップＳ５０１において、物質構造分析装置１００は、訓練用の構造データ及びスペクトルデータの組み合わせを取得する。例えば、訓練用の構造データ及びスペクトルデータの組み合わせは、同一物質の構造データ及びスペクトルデータの組み合わせ（ポジティブデータ）であってもよいし、異なる物質の構造データ及びスペクトルデータの組み合わせ（ネガティブデータ）であってもよい。

ステップＳ５０２において、物質構造分析装置１００は、取得した訓練用のスペクトルデータを学習対象のスペクトルデータ用ニューラルネットワーク１２０に入力する。

ステップＳ５０３において、物質構造分析装置１００は、スペクトルデータ用ニューラルネットワーク１２０からスペクトル特徴量を取得し、取得したスペクトル特徴量を構造データ予測用ニューラルネットワーク１１２に入力する。

ステップＳ５０４において、物質構造分析装置１００は、構造データ予測用ニューラルネットワーク１１２から予測された構造データを取得し、予測された構造データと訓練用の構造データとの誤差に基づき、誤差逆伝播法に従ってスペクトルデータ用ニューラルネットワーク１２０及び構造データ予測用ニューラルネットワーク１１２のパラメータを更新する。

ステップＳ５０５において、物質構造分析装置１００は、終了条件が充足されているか判断する。終了条件としては、例えば、所定数の訓練データが処理されたこと、パラメータの更新量が収束したことなどであってもよい。

終了条件が充足された場合（Ｓ５０５：ＹＥＳ）、物質構造分析装置１００は、当該学習処理を終了し、最終的に取得されたスペクトルデータ用ニューラルネットワーク１２０及び構造データ予測用ニューラルネットワーク１１２を学習済みスペクトルデータ用ニューラルネットワーク１２０及び構造データ予測用ニューラルネットワーク１１２として保持する。

他方、終了条件が充足されていない場合（Ｓ５０５：ＮＯ）、物質構造分析装置１００は、ステップＳ５０１に戻って次の訓練データを処理する。

一実施例では、物質構造分析装置１００は、スペクトルの種別毎にスペクトルデータ用ニューラルネットワーク１２０を有してもよい。上述したように、処理対象のスペクトルデータは、質量分析法によるマススペクトル、赤外線（ＩＲ）スペクトル、Ｘ線スペクトル、Ｒａｍａｎ分光法によるスペクトル、核磁気共鳴分光法によるＮＭＲ（Ｎｕｃｌｅａｒ Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ）スペクトル、ＬＩＢＳ（Ｌａｓｅｒ−Ｉｎｄｕｃｅｄ Ｂｒｅａｋｄｏｗｎ Ｓｐｅｃｔｒｏｓｃｏｐｙ）によるスペクトルなど、様々な種別のスペクトル測定結果に関するものであり、上述した実施例では、何れか１つの種別のスペクトルに対してスペクトルデータ用ニューラルネットワーク１２０などのニューラルネットワークが構成されている。本実施例では、各種別のスペクトルに対応してスペクトルデータ用ニューラルネットワーク１２０などのニューラルネットワークが備えられ、分析対象の物質に対して複数種別のスペクトルデータが取得された場合、物質構造分析装置１００は、取得した種別に対応するスペクトルデータ用ニューラルネットワーク１２０などのニューラルネットワークを利用して、分析対象の物質と各候補物質とに対して複数の一致度を算出し、算出された複数の一致度から分析対象の物質を予測してもよい。例えば、各種別に対して決定された一致度が共通の範囲に正規化されている場合、上位数パーセントの一致度の候補物質から分析対象の物質を予測してもよい。

他の実施例では、物質構造分析装置１００は、複数種別のスペクトルデータを入力とするスペクトルデータ用ニューラルネットワーク１２０などのニューラルネットワークを有してもよい。すなわち、複数種別のスペクトルデータが１つのスペクトルデータ用ニューラルネットワーク１２０に入力され、複数種別のスペクトルデータの集合に対応するスペクトル特徴量が抽出されるようにしてもよい。

ここで、物質構造分析装置１００は、例えば、図１７に示されるように、CPU (Central Processing unit)、GPU (Graphics Processing Unit)などのプロセッサ１０１、RAM (Random Access Memory)、フラッシュメモリなどのメモリ１０２、ハードディスク１０３及び入出力(I/O)インタフェース１０４によるハードウェア構成を有してもよい。

プロセッサ１０１は、上述した物質構造分析装置１００の各種処理を実行する。

メモリ１０２は、物質構造分析装置１００のための各種データ及びプログラムを一時的に格納するワーキングメモリとして機能する。メモリ１０２は、上述した各種ニューラルネットワーク及び機能部を実現するデータ及びプログラムをハードディスク１０３から取得し、プロセッサ１０１による実行のためロードする。

ハードディスク１０３は、物質構造分析装置１００のための各種データ及びプログラムを格納する。ハードディスク１０３は、上述した各種ニューラルネットワーク及び機能部を実現するデータ及びプログラムを格納する。

I/Oインタフェース１０４は、外部装置との間でデータを入出力するためのインタフェースであり、例えば、USB (Universal Serial Bus)、通信回線、キーボード、マウス、ディスプレイなどのデータを入出力するためのデバイスである。

一実施例では、物質構造分析装置１００は、相互結合されるプロセッサ１０１とメモリ１０２とを有し、メモリ１０２は、構造データ用ニューラルネットワーク１１０、構造データ復元用ニューラルネットワーク１１１、構造データ予測用ニューラルネットワーク１１２、スペクトルデータ用ニューラルネットワーク１２０、スペクトルデータ復元用ニューラルネットワーク１２１及びスペクトルデータ予測用ニューラルネットワーク１２２の何れか２つ以上の組み合わせを格納し、プロセッサ１０１は、これらのニューラルネットワークを利用して、上述した構造特徴量抽出部１１０、スペクトル特徴量抽出部１２０、一致度決定部１３０、構造データ復元部１１１、スペクトルデータ復元部１２１、構造データ予測部１１２及びスペクトルデータ予測部１２２の何れか２つ以上の組み合わせを実現するよう機能してもよい。

しかしながら、本開示による物質構造分析装置１００は、上述したハードウェア構成に限定されず、他の何れか適切なハードウェア構成を有してもよい。例えば、上述した物質構造分析装置１００による上述した処理の一部又は全ては、これを実現するよう配線化された処理回路又は電子回路により実現されてもよい。

以上、本発明の実施例について詳述したが、本発明は上述した特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

１００ 物質構造分析装置
１０１ プロセッサ
１０２ メモリ
１０３ ハードディスク
１０４ I/Oインタフェース
１１０ 構造データ用ニューラルネットワーク
１１１ 構造データ復元用ニューラルネットワーク
１１２ 構造データ予測用ニューラルネットワーク
１２０ スペクトルデータ用ニューラルネットワーク
１２１ スペクトルデータ復元用ニューラルネットワーク
１２２ スペクトルデータ予測用ニューラルネットワーク

Claims (14)

1. プロセッサにより実行されるステップからなる物質構造分析方法であって、
   物質の構造を表す構造データと物質のスペクトルを表すスペクトルデータとを取得するステップと、
   前記構造データを第１のニューラルネットワークに入力し、前記第１のニューラルネットワークから構造特徴量を取得するステップと、
   前記スペクトルデータを第２のニューラルネットワークに入力し、前記第２のニューラルネットワークからスペクトル特徴量を取得するステップと、
   前記構造特徴量と前記スペクトル特徴量とに基づき、前記構造データに対応する物質と前記スペクトルデータに対応する物質との一致度を決定するステップと、
   を有する物質構造分析方法。
2. 前記第１のニューラルネットワーク及び前記第２のニューラルネットワークは、同一の物質の構造データとスペクトルデータとのポジティブペアと、異なる物質の構造データとスペクトルデータとのネガティブペアとを利用して、前記ポジティブペアに対する一致度が大きくなり、前記ネガティブペアに対する一致度が小さくなるよう学習される、請求項１記載の物質構造分析方法。
3. 前記第１のニューラルネットワーク及び前記第２のニューラルネットワークは、同一の物質の構造データとスペクトルデータとのポジティブペアと、異なる物質の構造データとスペクトルデータとのネガティブペアとを利用して、前記ポジティブペアに対する一致度と前記ネガティブペアに対する一致度との間の差が大きくなるよう学習される、請求項１記載の物質構造分析方法。
4. 前記第１のニューラルネットワークは、グラフ畳み込みニューラルネットワークであり、
   前記第２のニューラルネットワークは、畳み込みニューラルネットワークである、請求項１又は２記載の物質構造分析方法。
5. 前記第１のニューラルネットワーク及び前記第２のニューラルネットワークは、入力された構造データに対して前記第１のニューラルネットワークによって抽出された構造特徴量から構造データを復元する第１の復元用ニューラルネットワークと共に、前記復元された構造データと前記入力された構造データとの間の誤差と、前記構造特徴量と前記スペクトル特徴量とに基づき決定された一致度とに基づき学習される、請求項１乃至４何れか一項記載の物質構造分析方法。
6. 前記第１のニューラルネットワーク及び前記第２のニューラルネットワークは、入力されたスペクトルデータに対して前記第１のニューラルネットワークによって抽出されたスペクトル特徴量からスペクトルデータを復元する第２の復元用ニューラルネットワークと共に、前記復元されたスペクトルデータと前記入力されたスペクトルデータとの間の誤差と、前記構造特徴量と前記スペクトル特徴量とに基づき決定された一致度とに基づき学習される、請求項１乃至５何れか一項記載の物質構造分析方法。
7. 第１のニューラルネットワークによって物質の構造を表す構造データから構造特徴量を抽出する構造特徴量抽出部と、
   第２のニューラルネットワークによって物質のスペクトルを表すスペクトルデータからスペクトル特徴量を抽出するスペクトル特徴量抽出部と、
   前記構造特徴量と前記スペクトル特徴量とに基づき、前記構造データに対応する物質と前記スペクトルデータに対応する物質との一致度を決定する一致度決定部と、
   を有する物質構造分析装置。
8. 物質の構造を表す構造データと物質のスペクトルを表すスペクトルデータとを取得する処理と、
   前記構造データを第１のニューラルネットワークに入力し、前記第１のニューラルネットワークから構造特徴量を取得する処理と、
   前記スペクトルデータを第２のニューラルネットワークに入力し、前記第２のニューラルネットワークからスペクトル特徴量を取得する処理と、
   前記構造特徴量と前記スペクトル特徴量とに基づき、前記構造データに対応する物質と前記スペクトルデータに対応する物質との一致度を決定する処理と、をプロセッサに実行させるプログラム。
9. プロセッサにより実行されるステップからなる物質構造分析方法であって、
   予測対象の物質の構造を表す構造データを取得するステップと、
   前記構造データを第１のニューラルネットワークに入力し、前記第１のニューラルネットワークから構造特徴量を取得するステップと、
   前記構造特徴量を第２のニューラルネットワークに入力し、前記第２のニューラルネットワークから前記予測対象の物質のスペクトルデータを取得するステップと、
   を有する物質構造分析方法。
10. 第１のニューラルネットワークによって予測対象の物質の構造を表す構造データから構造特徴量を抽出する構造特徴量抽出部と、
    第２のニューラルネットワークによって前記構造特徴量から前記予測対象の物質のスペクトルデータを予測するスペクトルデータ予測部と、
    を有する物質構造分析装置。
11. 予測対象の物質の構造を表す構造データを取得する処理と、
    前記構造データを第１のニューラルネットワークに入力し、前記第１のニューラルネットワークから構造特徴量を取得する処理と、
    前記構造特徴量を第２のニューラルネットワークに入力し、前記第２のニューラルネットワークから前記予測対象の物質のスペクトルデータを取得する処理と、をプロセッサに実行させるプログラム。
12. プロセッサにより実行されるステップからなる物質構造分析方法であって、
    予測対象の物質のスペクトルを表すスペクトルデータを取得するステップと、
    前記スペクトルデータを第１のニューラルネットワークに入力し、前記第１のニューラルネットワークからスペクトル特徴量を取得するステップと、
    前記スペクトル特徴量を第２のニューラルネットワークに入力し、前記第２のニューラルネットワークから前記予測対象の物質の構造データを取得するステップと、
    を有する物質構造分析方法。
13. 第１のニューラルネットワークによって予測対象の物質のスペクトルを表すスペクトルデータからスペクトル特徴量を抽出するスペクトル特徴量抽出部と、
    第２のニューラルネットワークによって前記スペクトル特徴量から前記予測対象の物質の構造データを予測する構造データ予測部と、
    を有する物質構造分析装置。
14. 予測対象の物質のスペクトルを表すスペクトルデータを取得する処理と、
    前記スペクトルデータを第１のニューラルネットワークに入力し、前記第１のニューラルネットワークからスペクトル特徴量を取得する処理と、
    前記スペクトル特徴量を第２のニューラルネットワークに入力し、前記第２のニューラルネットワークから前記予測対象の物質の構造データを取得する処理と、
    をプロセッサに実行させるプログラム。

Images