JP7416131B2 - 熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム - Google Patents
熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム Download PDFInfo
- Publication number
- JP7416131B2 JP7416131B2 JP2022096819A JP2022096819A JP7416131B2 JP 7416131 B2 JP7416131 B2 JP 7416131B2 JP 2022096819 A JP2022096819 A JP 2022096819A JP 2022096819 A JP2022096819 A JP 2022096819A JP 7416131 B2 JP7416131 B2 JP 7416131B2
- Authority
- JP
- Japan
- Prior art keywords
- epoxy resin
- thermosetting epoxy
- resin composition
- performance data
- feature amount
- 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
Links
- 239000000203 mixture Substances 0.000 title claims description 115
- 239000003822 epoxy resin Substances 0.000 title claims description 104
- 229920000647 polyepoxide Polymers 0.000 title claims description 104
- 229920001187 thermosetting polymer Polymers 0.000 title claims description 104
- 230000010365 information processing Effects 0.000 title claims description 67
- 238000000034 method Methods 0.000 title claims description 56
- 238000002156 mixing Methods 0.000 claims description 42
- 239000002994 raw material Substances 0.000 claims description 40
- 230000000704 physical effect Effects 0.000 claims description 32
- 230000009477 glass transition Effects 0.000 claims description 14
- 229920000642 polymer Polymers 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 239000007810 chemical reaction solvent Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 12
- 239000002131 composite material Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 239000004918 carbon fiber reinforced polymer Substances 0.000 description 8
- 239000003795 chemical substances by application Substances 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 239000003054 catalyst Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000008094 contradictory effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- KBPLFHHGFOOTCA-UHFFFAOYSA-N 1-Octanol Chemical compound CCCCCCCCO KBPLFHHGFOOTCA-UHFFFAOYSA-N 0.000 description 2
- 101100261173 Arabidopsis thaliana TPS7 gene Proteins 0.000 description 2
- 229920000049 Carbon (fiber) Polymers 0.000 description 2
- GLQOALGKMKUSBF-UHFFFAOYSA-N [amino(diphenyl)silyl]benzene Chemical compound C=1C=CC=CC=1[Si](C=1C=CC=CC=1)(N)C1=CC=CC=C1 GLQOALGKMKUSBF-UHFFFAOYSA-N 0.000 description 2
- 150000001412 amines Chemical class 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 239000004917 carbon fiber Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 125000002723 alicyclic group Chemical group 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 125000003118 aryl group Chemical group 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000004035 construction material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012776 electronic material Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000003733 fiber-reinforced composite Substances 0.000 description 1
- 239000003063 flame retardant Substances 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- LNEPOXFFQSENCJ-UHFFFAOYSA-N haloperidol Chemical compound C1CC(O)(C=2C=CC(Cl)=CC=2)CCN1CCCC(=O)C1=CC=C(F)C=C1 LNEPOXFFQSENCJ-UHFFFAOYSA-N 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 239000012761 high-performance material Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000002990 reinforced plastic Substances 0.000 description 1
- 239000012783 reinforcing fiber Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16C20/40—Searching chemical structures or physicochemical data
-
- 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)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本開示は、熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラムに関する。
従来から、炭素繊維に、熱硬化性エポキシ樹脂等を含む組成物（以下、熱硬化性エポキシ樹脂組成物ともいう。）を含浸して加熱硬化させることで製造される炭素繊維強化プラスチック（Carbon Fiber Reinforced Plastic、以下、ＣＦＲＰともいう。）等の複合材料が知られている。ＣＦＲＰは母材をプラスチック、強化繊維を炭素繊維とした繊維強化複合材料である。ＣＦＲＰは一般の構造用金属材料に比べて軽量で、また比強度及び比剛性に優れ、電気的特性及び耐腐食性においても優れた特性を有する高性能な材料である。そのため近年では、ＣＦＲＰが、金属材料にとって代わる材料として航空宇宙構造物、自動車、二輪車、船艇等の構造用部材、大型の産業用機械部品、スポーツ用品等、広範囲の用途で使用されている。かかるＣＦＲＰ等の複合材料の原料として用いられる熱硬化性エポキシ樹脂組成物には、複合材料の用途に応じた強度、耐熱性等の特性が要求される。しかしながら、熱硬化性エポキシ樹脂組成物のこれらの特性の一部は相反することがあり、必要な特性をバランス良く有する熱硬化性エポキシ樹脂組成物を探索することは必ずしも容易ではない。また、ＣＦＲＰ等の複合材料は上述のように用途が広範囲であることから、原料の配合最適化による、性能の多様化及び向上が望まれている。
他方、物質モデルをモデリングして当該物質モデルを機械学習により学習した後、学習された物質モデルを用いて、目標物性情報から新規物質の構造を探索する技術が知られている（例えば特許文献１）。
特許文献１に記載の物質の探索技術は一般的な物質モデルを対象としたものであるところ、熱硬化性エポキシ樹脂組成物を探索すること、及び複合材料の原料の配合最適化については従来技術では特段考慮されていなかった。
かかる事情に鑑みてなされた本開示の目的は、熱硬化性エポキシ樹脂組成物の探索技術を改善することにある。
本開示の一実施形態に係る熱硬化性エポキシ樹脂組成物の探索方法は、
情報処理装置が実行する熱硬化性エポキシ樹脂組成物の探索方法であって、
熱硬化性エポキシ樹脂組成物に係る実績データを用いて、複数の目的変数に各々対応した複数の予測モデルを訓練するステップと、
前記複数の予測モデルを用いた逆解析により、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索するステップと、
を含み、
前記実績データは、熱硬化性エポキシ樹脂組成物の配合原料と、配合比率と、前記配合原料に係るポリマー組成と、前記配合原料にかかる構造式とを含み、
前記目的変数は、引張強度と、破壊靭性と、ガラス転移温度とを含む。
情報処理装置が実行する熱硬化性エポキシ樹脂組成物の探索方法であって、
熱硬化性エポキシ樹脂組成物に係る実績データを用いて、複数の目的変数に各々対応した複数の予測モデルを訓練するステップと、
前記複数の予測モデルを用いた逆解析により、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索するステップと、
を含み、
前記実績データは、熱硬化性エポキシ樹脂組成物の配合原料と、配合比率と、前記配合原料に係るポリマー組成と、前記配合原料にかかる構造式とを含み、
前記目的変数は、引張強度と、破壊靭性と、ガラス転移温度とを含む。
また本開示の一実施形態に係る探索方法は、
前記複数の予測モデルを訓練するステップにおいて、前記実績データに基づき特徴量を算出し、該特徴量を前記複数の予測モデルの説明変数として用いる。
前記複数の予測モデルを訓練するステップにおいて、前記実績データに基づき特徴量を算出し、該特徴量を前記複数の予測モデルの説明変数として用いる。
また本開示の一実施形態に係る探索方法において、
前記特徴量は、分子指紋又は分子記述子の少なくとも一方を含む。
前記特徴量は、分子指紋又は分子記述子の少なくとも一方を含む。
また本開示の一実施形態に係る探索方法において、
前記特徴量はさらに、熱硬化性エポキシ樹脂組成物に係るＬｏｇＰを含む。
前記特徴量はさらに、熱硬化性エポキシ樹脂組成物に係るＬｏｇＰを含む。
また本開示の一実施形態に係る探索方法は、
前記実績データは所定用途で使用される熱硬化性エポキシ樹脂組成物の実績データと、前記所定用途以外で使用される熱硬化性エポキシ樹脂組成物の実績データとを含み、
前記複数の予測モデルを生成するステップにおいて、
前記所定用途以外で使用される熱硬化性エポキシ樹脂組成物の実績データを用いて前記複数の予測モデルを生成した後に、前記所定用途で使用される熱硬化性エポキシ樹脂組成物の実績データを用いて前記複数の予測モデルを再学習させる。
前記実績データは所定用途で使用される熱硬化性エポキシ樹脂組成物の実績データと、前記所定用途以外で使用される熱硬化性エポキシ樹脂組成物の実績データとを含み、
前記複数の予測モデルを生成するステップにおいて、
前記所定用途以外で使用される熱硬化性エポキシ樹脂組成物の実績データを用いて前記複数の予測モデルを生成した後に、前記所定用途で使用される熱硬化性エポキシ樹脂組成物の実績データを用いて前記複数の予測モデルを再学習させる。
また本開示の一実施形態に係る情報処理装置は、
制御部を備える熱硬化性エポキシ樹脂組成物の探索をする情報処理装置であって、
前記制御部は、
熱硬化性エポキシ樹脂組成物に係る実績データを用いて、複数の目的変数に各々対応した複数の予測モデルを生成し、
前記複数の予測モデルを用いた逆解析により、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索し、
前記実績データは、熱硬化性エポキシ樹脂組成物の配合原料と、配合比率と、前記配合原料に係るポリマー組成と、前記配合原料にかかる構造式とを含み、
前記目的変数は、引張強度と、破壊靭性と、ガラス転移温度とを含む。
制御部を備える熱硬化性エポキシ樹脂組成物の探索をする情報処理装置であって、
前記制御部は、
熱硬化性エポキシ樹脂組成物に係る実績データを用いて、複数の目的変数に各々対応した複数の予測モデルを生成し、
前記複数の予測モデルを用いた逆解析により、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索し、
前記実績データは、熱硬化性エポキシ樹脂組成物の配合原料と、配合比率と、前記配合原料に係るポリマー組成と、前記配合原料にかかる構造式とを含み、
前記目的変数は、引張強度と、破壊靭性と、ガラス転移温度とを含む。
また本開示の一実施形態に係るプログラムは、
コンピュータに、
熱硬化性エポキシ樹脂組成物に係る実績データを用いて、複数の目的変数に各々対応した複数の予測モデルを生成することと、
前記複数の予測モデルを用いた逆解析により、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索することと、を実行させ、
前記実績データは、熱硬化性エポキシ樹脂組成物に係るポリマー組成と、反応溶媒と、反応パラメータとを含み、
前記実績データは、熱硬化性エポキシ樹脂組成物の配合原料と、配合比率と、前記配合原料に係るポリマー組成と、前記配合原料にかかる構造式とを含み、
前記目的変数は、引張強度と、破壊靭性と、ガラス転移温度とを含む。
コンピュータに、
熱硬化性エポキシ樹脂組成物に係る実績データを用いて、複数の目的変数に各々対応した複数の予測モデルを生成することと、
前記複数の予測モデルを用いた逆解析により、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索することと、を実行させ、
前記実績データは、熱硬化性エポキシ樹脂組成物に係るポリマー組成と、反応溶媒と、反応パラメータとを含み、
前記実績データは、熱硬化性エポキシ樹脂組成物の配合原料と、配合比率と、前記配合原料に係るポリマー組成と、前記配合原料にかかる構造式とを含み、
前記目的変数は、引張強度と、破壊靭性と、ガラス転移温度とを含む。
本開示の一実施形態に係る熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラムによれば、熱硬化性エポキシ樹脂組成物の探索技術を改善することができる。
以下、本開示の実施形態にかかる物質探索方法ついて、図面を参照して説明する。
各図中、同一又は相当する部分には、同一符号を付している。本実施形態の説明において、同一又は相当する部分については、説明を適宜省略又は簡略化する。
図１及び図２を参照して、本実施形態に係る熱硬化性エポキシ樹脂組成物の探索方法の概要を説明する。
まず、本実施形態の概要について説明する。本実施形態に係る熱硬化性エポキシ樹脂組成物の探索方法では図１に示す実績データ１００が用いられる。また本実施形態に係る熱硬化性エポキシ樹脂組成物の探索方法は図２に示す情報処理装置１０が実行する。情報処理装置１０は、熱硬化性エポキシ樹脂組成物に係る実績データ１００を用いて、複数の目的変数に各々対応した複数の予測モデル４００を訓練する。
実績データ１００は、他用途の実績データ１１０と所定用途の実績データ１２０とを含む。所定用途の実績データ１２０は、例えば複合材材料用の熱硬化性エポキシ樹脂組成物に係る実績データである。すなわち実績データ１２０は、例えばＣＦＲＰ用に用いられる熱硬化性エポキシ樹脂組成物に係る実績データを含む。他用途の実績データ１１０は、所定用途以外の用途（ここでは複合材材料用以外の用途）で用いられる熱硬化性エポキシ樹脂組成物の実績データである。他用途の実績データ１１０及び所定用途の実績データ１２０は、それぞれ熱硬化性エポキシ樹脂組成物に係る配合原料、配合比率、配合原料のポリマー組成、配合原料の構造式、試験片厚み、第１の物性～第Nの物性を含む。配合原料は、熱硬化性エポキシ樹脂、靭性向上剤、硬化剤、及び硬化触媒を含む。ここで熱硬化性エポキシ樹脂、靭性向上剤、硬化剤、及び硬化触媒は、それぞれ複数種類から選択可能である。例えば配合原料は、熱硬化性エポキシ樹脂１９種類、靭性向上剤５種類、硬化剤３種類、硬化触媒８種類の合計３５種類から選択されてもよい。配合比率は、配合原料の重量比率であり、例えば硬化剤と熱硬化性エポキシ樹脂との重量比率を含む。硬化剤は例えばアミンであり、以下本実施形態では、硬化剤がアミンであるものとして説明する。試験片厚みは、物性測定における試験片の厚みであり、例えば2mm又は4mmである。
第１の物性から第Nの物性は、複数の目的変数に相当する。Nは正の整数である。情報処理装置１０は、Ｎ個の目的変数に各々対応した第１予測モデル～第Ｎ予測モデルを訓練する。複数の目的変数は、相反する特性を含む。例えば複数の目的変数は、引張強度、破壊靭性、耐熱性を含む。なお、耐熱性の一例はガラス転移温度（粘弾性測定装置による測定において、弾性率変化が最大となる温度）でありうる。本実施形態では、耐熱性の指標としてガラス転移温度を用いる例について説明する。これらの物性の中で破壊靭性と引張強度とは相反する特性である。また破壊靭性とガラス転移温度とは相反する特性である。
まず情報処理装置１０は、他用途の実績データ１１０により、予測モデル４００の学習処理３１０を行う。情報処理装置１０は、他用途の実績データ１１０から特徴量２１０を算出する。情報処理装置１０は、当該特徴量２１０を説明変数、各物性を目的変数とする複数の予測モデル４００を訓練する。具体的には情報処理装置１０は、特徴量２１０を説明変数、第１の物性を目的変数とする第１予測モデルを訓練する。また情報処理装置１０は、特徴量２１０を説明変数、第２の物性を目的変数とする第２予測モデルを訓練する。このように情報処理装置１０は、特徴量２１０を説明変数、第Nの物性を目的変数とする第N予測モデルを訓練する。なお、第１予測モデル～第N予測モデルの学習処理に用いられる特徴量２１０は、各特徴量と目的変数の関係に応じて適宜選択され得る。換言すると第１予測モデル～第N予測モデルの学習に用いられる特徴量２１０の内訳は、それぞれ異なっていてもよい。
次に情報処理装置１０は、所定用途の実績データ１２０により、予測モデル４００の再学習処理３２０を行う。まず情報処理装置１０は、所定用途の実績データ１２０から特徴量２２０を算出する。情報処理装置１０は、当該特徴量２２０を説明変数、各物性を目的変数として、各予測モデルの再学習処理を行う。具体的には情報処理装置１０は、特徴量２２０を説明変数、第１の物性を目的変数として、第１予測モデルの再学習処理を行う。また情報処理装置１０は、特徴量２２０を説明変数、第２の物性を目的変数として、第２予測モデルの再学習処理を行う。また情報処理装置１０は、特徴量２２０を説明変数、第Nの物性を目的変数として、第N予測モデルの再学習処理を行う。なお、第１予測モデル～第N予測モデルの再学習処理に用いられる特徴量２２０は、各特徴量と目的変数の関係に応じて適宜選択され得る。換言すると第１予測モデル～第N予測モデルの学習に用いられる特徴量２２０の内訳は、それぞれ異なっていてもよい。このようにして学習された第１予測モデル～第N予測モデルを用いた逆解析により、情報処理装置１０は、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索する。
このように本実施形態によれば、熱硬化性エポキシ樹脂組成物に係る実績データに基づき複数の予測モデルを訓練する。そしてこれらの複数の予測モデルを用いた逆解析により、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索する。そのため、所望の特性バランスを有する熱硬化性エポキシ樹脂組成物の探索ができるという点で、探索技術が改善される。
（情報処理装置の構成）
次に、情報処理装置１０の各構成について詳細に説明する。情報処理装置１０は、ユーザによって使用される任意の装置である。例えばパーソナルコンピュータ、サーバコンピュータ、汎用の電子機器、又は専用の電子機器が、情報処理装置１０として採用可能である。
次に、情報処理装置１０の各構成について詳細に説明する。情報処理装置１０は、ユーザによって使用される任意の装置である。例えばパーソナルコンピュータ、サーバコンピュータ、汎用の電子機器、又は専用の電子機器が、情報処理装置１０として採用可能である。
図２に示されるように、情報処理装置１０は、制御部１１と、記憶部１２と、入力部１３と、出力部１４とを備える。
制御部１１には、少なくとも１つのプロセッサ、少なくとも１つの専用回路、又はこれらの組み合わせが含まれる。プロセッサは、ＣＰＵ（central processing unit）若しくはＧＰＵ（graphics processing unit）などの汎用プロセッサ、又は特定の処理に特化した専用プロセッサである。専用回路は、例えば、ＦＰＧＡ（field-programmable gate array）又はＡＳＩＣ（application specific integrated circuit）である。制御部１１は、情報処理装置１０の各部を制御しながら、情報処理装置１０の動作に関わる処理を実行する。
記憶部１２には、少なくとも１つの半導体メモリ、少なくとも１つの磁気メモリ、少なくとも１つの光メモリ、又はこれらのうち少なくとも２種類の組み合わせが含まれる。半導体メモリは、例えば、ＲＡＭ（random access memory）又はＲＯＭ（read only memory）である。ＲＡＭは、例えば、ＳＲＡＭ（static random access memory）又はＤＲＡＭ（dynamic random access memory）である。ＲＯＭは、例えば、ＥＥＰＲＯＭ（electrically erasable programmable read only memory）である。記憶部１２は、例えば、主記憶装置、補助記憶装置、又はキャッシュメモリとして機能する。記憶部１２には、情報処理装置１０の動作に用いられるデータと、情報処理装置１０の動作によって得られたデータとが記憶される。
入力部１３には、少なくとも１つの入力用インタフェースが含まれる。入力用インタフェースは、例えば、物理キー、静電容量キー、ポインティングデバイス、ディスプレイと一体的に設けられたタッチスクリーンである。また入力用インタフェースは、例えば、音声入力を受け付けるマイクロフォン、又はジェスチャー入力を受け付けるカメラ等であってもよい。入力部１３は、情報処理装置１０の動作に用いられるデータを入力する操作を受け付ける。入力部１３は、情報処理装置１０に備えられる代わりに、外部の入力機器として情報処理装置１０に接続されてもよい。接続方式としては、例えば、ＵＳＢ（Universal Serial Bus）、ＨＤＭＩ（登録商標）（High-Definition Multimedia Interface）、又はBluetooth（登録商標）などの任意の方式を用いることができる。
出力部１４には、少なくとも１つの出力用インタフェースが含まれる。出力用インタフェースは、例えば、情報を映像で出力するディスプレイ等である。ディスプレイは、例えば、ＬＣＤ（liquid crystal display）又は有機ＥＬ（electro luminescence）ディスプレイである。出力部１４は、情報処理装置１０の動作によって得られるデータを表示出力する。出力部１４は、情報処理装置１０に備えられる代わりに、外部の出力機器として情報処理装置１０に接続されてもよい。接続方式としては、例えば、ＵＳＢ、ＨＤＭＩ（登録商標）、又はBluetooth（登録商標）などの任意の方式を用いることができる。
情報処理装置１０の機能は、本実施形態に係るプログラムを、情報処理装置１０に相当するプロセッサで実行することにより実現される。すなわち、情報処理装置１０の機能は、ソフトウェアにより実現される。プログラムは、情報処理装置１０の動作をコンピュータに実行させることで、コンピュータを情報処理装置１０として機能させる。すなわち、コンピュータは、プログラムに従って情報処理装置１０の動作を実行することにより情報処理装置１０として機能する。
本実施形態においてプログラムは、コンピュータで読取り可能な記録媒体に記録しておくことができる。コンピュータで読取り可能な記録媒体は、非一時的なコンピュータ読取可能な媒体を含み、例えば、磁気記録装置、光ディスク、光磁気記録媒体、又は半導体メモリである。プログラムの流通は、例えば、プログラムを記録したＤＶＤ（digital versatile disc）又はＣＤ－ＲＯＭ（compact disc read only memory）などの可搬型記録媒体を販売、譲渡、又は貸与することによって行う。またプログラムの流通は、プログラムを外部サーバのストレージに格納しておき、外部サーバから他のコンピュータにプログラムを送信することにより行ってもよい。またプログラムはプログラムプロダクトとして提供されてもよい。
情報処理装置１０の一部又は全ての機能が、制御部１１に相当する専用回路により実現されてもよい。すなわち、情報処理装置１０の一部又は全ての機能が、ハードウェアにより実現されてもよい。
本実施形態において記憶部１２は、実績データ１００、特徴量２１０、２２０、及び予測モデル４００を記憶する。特徴量２１０、２２０は実績データ１００に基づき算出される。なお本実施形態において、特徴量の算出は、種々の方法を取りうる。例えば特徴量２１０、２２０は、実績データ１００のうち特徴的な少なくとも１つのデータに基づく計算処理により算出されてもよい。また特徴量２１０、２２０は、実績データ１００から特徴的なデータを選択することにより決定されてもよい。換言すると本実施形態において、「実績データに基づき特徴量を算出する」ことは、実績データに基づき算出すること、及び実績データに基づき決定することの少なくともいずれかを含む。
特徴量２１０は、熱硬化性エポキシ樹脂組成物の特徴を表す任意のデータを含んでよい。例えば特徴量２１０は、熱硬化性エポキシ樹脂組成物に係る配合原料と、配合比率とを含んでよい。また例えば特徴量２１０は、分子指紋又は分子記述子の少なくとも一方を含んでもよい。分子記述子は、ＳＭＩＬＥＳ表記の配合原料（熱硬化性エポキシ樹脂、靭性向上剤、硬化剤、及び硬化触媒など）の情報から、公知公用の分子記述子生成ライブラリであるＲＤＫｉｔ、市販のソフトウェアであるalvaDesc等を用いることで得ることができる。より具体的には、各配合原料の分子記述子を得た後、配合原料の配合比率に基づき加重平均することにより、熱硬化性エポキシ樹脂組成物の分子記述子を得ることができる。かかる分子記述子は、0次元記述子としては、分子量、分子内の原子の数、結合数等が挙げられる。1次元記述子としては、分子内の官能基の数、脂環式構造の数、芳香環の数等が挙げられる。2次元記述子としては、Wiener index、Chi connectivity index、Balaban index、BCUT記述子等のグラフ理論にもとづき分子を表現したトポロジカル記述子等が挙げられる。3次元記述子としては、3D-MoRSE、WHIM、CoMFA, CoMSIA等の分子の立体構造に基づいて算出されたもの等が挙げられる。4次元記述子としては、Hopfinger等の、相互作用を加味して算出されたもの等が挙げられるが、適宜選択して用いることが可能である。中でも、例えば、MaxPartialCharge、MinPartialCharge、MaxEStateIndex、MinEStateIndex、QED、MolMR、MolWt、ExactMolWt、HeavyAtomCount、HeavyAtomMolWt、NHOHCount、NOCount、NumHAcceptors、NumHDonors、NumHeteroatoms、NumRotatableBonds、NumValenceElectrons、NumAmideBonds、NumAromaticRings、NumSaturatedRings、NumAliphaticRings、NumAromaticHeterocycles、NumSaturatedHeterocycles、NumAliphaticHeterocycles、NumAromaticCarbocycles、NumSaturatedCarbocycles、NumAliphaticCarbocycles、RingCount、FractionCSP3、NumSpiroAtoms、NumBridgeheadAtoms、TPSA、LabuteASA、PEOE_VSA1～PEOE_VSA14、SMR_VSA1～SMR_VSA10、SlogP_VSA1～SlogP_VSA12、EState_VSA1～EState_VSA11、VSA_EState1～VSA_EState10、BCUT2D、BalabanJ、BertzCT、Ipc、HallKierAlpha、Kappa1 - Kappa3、Phi、Chi0, Chi1、Chi0n～Chi4n、Chi0v～Chi4vなども使用が挙げられ、これ以外にも生成された記述子で有用なものは適宜使用できる。ＬｏｇＰは１-オクタノール／水二相系溶媒における物質の分配係数（Ｐｏ／ｗ）の対数値である。換言するとＬｏｇＰは、熱硬化性エポキシ樹脂組成物の疎水性または親水性の程度を示す指標値である。使用できる値としては、フラスコ振とう法、ＨＰＬＣ法による測定値、ＣＬｏｇＰ（Ｌｅｏ、Ｈａｎｓｃｈらの計算方法により算出）、ＭｉＬｏｇＰ（Ｍｏｌｉｎｓｐｉｒａｔｉｏｎ社の計算方法により算出）、ＭｏｌＬｏｇＰ（Ｃｒｉｐｐｅｎらの計算手法により算出）、ＳＬｏｇＰ（ＣＣＧ社の計算手法により算出）、ＡＬｏｇＰＳ（Ｔｅｔｋｏらの計算手法により算出）などの分子構造から計算する手法が挙げられ、これ以外にも有用なものは適宜使用できる。
特徴量２２０は、熱硬化性エポキシ樹脂組成物の特徴を表す任意のデータを含んでよい。例えば特徴量２２０は、熱硬化性エポキシ樹脂組成物に係る配合原料と、配合比率とを含んでよい。また例えば特徴量２２０は、分子指紋又は分子記述子の少なくとも一方を含んでもよい。かかる分子記述子は、例えば、MaxPartialCharge、MinPartialCharge、MaxEStateIndex、MinEStateIndex、QED、MolMR、MolWt、ExactMolWt、HeavyAtomCount、HeavyAtomMolWt、NHOHCount、NOCount、NumHAcceptors、NumHDonors、NumHeteroatoms、NumRotatableBonds、NumValenceElectrons、NumAmideBonds、NumAromaticRings、NumSaturatedRings、NumAliphaticRings、NumAromaticHeterocycles、NumSaturatedHeterocycles、NumAliphaticHeterocycles、NumAromaticCarbocycles、NumSaturatedCarbocycles、NumAliphaticCarbocycles、RingCount、FractionCSP3、NumSpiroAtoms、NumBridgeheadAtoms、TPSA、LabuteASA、PEOE_VSA1～PEOE_VSA14、SMR_VSA1～SMR_VSA10、SlogP_VSA1～SlogP_VSA12、EState_VSA1～EState_VSA11、VSA_EState1～VSA_EState10、BCUT2D、BalabanJ、BertzCT、Ipc、HallKierAlpha、Kappa1 - Kappa3、Phi、Chi0, Chi1、Chi0n～Chi4n、Chi0v～Chi4vなど使用が挙げられ、これ以外にも生成された記述子で有用なものは適宜使用できる。
なお実績データ１００、特徴量２１０、２２０、及び予測モデル４００は、情報処理装置１０とは別の外部装置に記憶されていてもよい。その場合、情報処理装置１０は、外部通信用インタフェースを備えていてもよい。通信用インタフェースは、有線通信又は無線通信のいずれのインタフェースであってよい。有線通信の場合、通信用インタフェースは例えばＬＡＮインタフェース、ＵＳＢである。無線通信の場合、通信用インタフェースは例えば、ＬＴＥ、４Ｇ、若しくは５Ｇなどの移動通信規格に対応したインタフェース、Bluetooth（登録商標）などの近距離無線通信に対応したインタフェースである。通信用インタフェースは、情報処理装置１０の動作に用いられるデータを受信し、また情報処理装置１０の動作によって得られるデータを送信可能である。
（情報処理装置の動作）
図３及び図４を参照して、本実施形態に係る情報処理装置１０の動作について説明する。図３は本実施形態に係る情報処理装置１０が実行する学習処理及び再学習処理の一例を示すフローチャートである。図４は本実施形態に係る情報処理装置１０が実行する探索処理を示すフローチャートである。はじめに図３を参照して、情報処理装置１０が実行する学習処理及び再学習処理の一例を示す。
図３及び図４を参照して、本実施形態に係る情報処理装置１０の動作について説明する。図３は本実施形態に係る情報処理装置１０が実行する学習処理及び再学習処理の一例を示すフローチャートである。図４は本実施形態に係る情報処理装置１０が実行する探索処理を示すフローチャートである。はじめに図３を参照して、情報処理装置１０が実行する学習処理及び再学習処理の一例を示す。
ステップＳ１０１：情報処理装置１０の制御部１１は、他用途で使用される熱硬化性エポキシ樹脂組成物の実績データ１１０を取得する。実績データ１１０の取得には、任意の手法が採用可能である。例えば制御部１１は、ユーザからの実績データの入力を入力部１３により受け付けることで、実績データ１１０を取得してもよい。また例えば制御部１１は、実績データ１１０を記憶した外部装置から通信用インタフェースを介して、当該実績データ１１０を取得してもよい。
ステップＳ１０２：制御部１１は、入力された実績データ１１０に基づき特徴量２１０を算出する。具体的には制御部１１は、実績データ１１０に含まれる熱硬化性エポキシ樹脂組成物の配合原料と、配合比率と、配合原料に係るポリマー組成と、配合原料にかかる構造式に基づき特徴量２１０を算出する。特徴量２１０の算出のために、制御部１１は、適宜データベース、ライブラリ等を参照してもよい。この場合、かかるデータベース、ライブラリ等は、記憶部１２に記憶されていてもよい。
ステップＳ１０３：制御部１１は、算出した特徴量２１０を説明変数、各物性を目的変数とする複数の予測モデル４００（第１予測モデル～第N予測モデル）を訓練する。予測モデルは、例えばサポートベクターマシン、線形モデル、非線形モデル等の予測モデルであるがこれに限られない。例えば予測モデル４００は、入力層、隠れ層、及び出力層からなる多層パーセプトロンに基づき訓練されるモデルであってもよい。あるいは予測モデル４００は、Convolutional Neural Network（CNN）、Recurrent Neural Network（RNN）、その他のディープラーニング等の機械学習アルゴリズムに基づき訓練されるモデルであってもよい。
ステップＳ１０４：制御部１１は、本用途で使用される熱硬化性エポキシ樹脂組成物の実績データ１２０を取得する。実績データ１２０の取得には、任意の手法が採用可能である。例えば制御部１１は、ユーザからの実績データの入力を入力部１３により受け付けることで、実績データ１２０を取得してもよい。また例えば制御部１１は、実績データ１２０を記憶した外部装置から通信用インタフェースを介して、当該実績データ１２０を取得してもよい。なお当該実績データ１２０は、実績データ１１０より少量であってよい。
ステップＳ１０５：制御部１１は、入力された実績データ１２０に基づき特徴量２２０を算出する。具体的には制御部１１は、実績データ１２０に含まれる熱硬化性エポキシ樹脂組成物の配合原料と、配合比率と、配合原料に係るポリマー組成と、配合原料にかかる構造式に基づき特徴量２２０を算出する。特徴量２１０の算出のために、制御部１１は、適宜データベース、ライブラリ等を参照してもよい。この場合、かかるデータベース、ライブラリ等は、記憶部１２に記憶されていてもよい。
ステップＳ１０６：制御部１１は、算出した特徴量２２０を説明変数、各物性を目的変数として、ステップＳ１０３にて訓練した複数の予測モデル４００（第１予測モデル～第N予測モデル）を再学習する。このようにして本実施形態にかかる予測モデル４００が構築される。
なお、上記の処理により構築された予測モデル４００について、既知データに基づき精度検証を行ってもよい。検証の結果、精度が実用範囲内である場合には当該予測モデル４００を用いた熱硬化性エポキシ樹脂組成物の探索処理を行うようにしてもよい。
次に図４を参照して、情報処理装置１０が実行する熱硬化性エポキシ樹脂組成物の探索処理の一例を示す。概略として情報処理装置１０は、複数の予測モデル４００を用いた逆解析により、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索する。
ステップＳ２０１：情報処理装置１０の制御部１１は、所望の熱硬化性エポキシ樹脂組成物に係る物性（以下、目標特性という）を取得し、各予測モデル４００（第１予測モデル～第N予測モデル）に入力する。例えば制御部１１は、ユーザからの目標特性の入力を入力部１３により受け付けることで、目標特性を取得する。
ステップＳ２０２：制御部１１は、ステップＳ２０１にて取得した目標特性を得られる熱硬化性エポキシ樹脂組成物の特徴量を各予測モデル４００により予測する。
ステップＳ２０３：制御部１１は、ステップＳ２０２により得られた予測結果に対して、最適化処理を実行し、探索結果を出力部１４により出力する。例えば制御部１１は、探索結果として、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物に係る配合比率と、配合原料に係るポリマー組成と、配合原料にかかる構造式とを出力部１４により出力する。あるいは制御部１１は、探索結果として、所望の物性バランスを有する少なくとも１つの熱硬化性エポキシ樹脂組成物に係る特徴量を、出力部１４により出力してもよい。
ここで最適化処理と再急降下法、ベイズ最適化、ガウシアン過程最適化、その機構を利用したGPyOpt、Optuna、HyperOptなどのPythonライブラリ、遺伝的アルゴリズム等により、評価関数の最大化あるいは最小化を実施できるが、これらの手法に限定されるものではなく、最適化する対象に適した手法を一つ乃至は複数選択することができる。
このように、本実施形態によれば、熱硬化性エポキシ樹脂組成物に係る実績データ１００に基づき複数の予測モデル４００を訓練する。そしてこれらの複数の予測モデル４００を用いた逆解析により、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索することができる。例えば、所望の強度及び耐熱性を有する熱硬化性エポキシ樹脂組成物を容易に探索することができる。
なお本実施形態による探索方法を用いずに、担当者の経験と勘に基づき熱硬化性エポキシ樹脂組成物を探索する方法も考えられる。この場合、既知の熱硬化性エポキシ樹脂組成物、未知の熱硬化性エポキシ樹脂組成物に係る予備実験を行って、実験結果に対して最小二乗法回帰計算を行い、担当者の経験と勘に基づき、所与の条件、物性の相関把握を行う。そして当該相関を把握した上で、探索候補に係るいくつかの熱硬化性エポキシ樹脂組成物の合成実験を実施する。当該実験の結果に対して、さらに最小二乗法回帰計算を行う。これらの繰り返しによって所望の熱硬化性エポキシ樹脂組成物を探索することも可能である。しかしながらかかる方法は、担当者の経験と勘に依存するものであり、また予備実験及び実験には膨大な工数が必要であり、一般的に１つの最適組成探索を実施するために、数ヶ月程度の時間を必要とする。他方、本実施形態によれば、予測モデル４００に基づき、情報処理装置１０内で、所望の熱硬化性エポキシ樹脂組成物を並列的に探索でき、また短時間で探索することができる。これにより開発工数を大幅に削減することができる。
また本実施形態では、実績データ１００が他用途の実績データ１１０と、所定用途の実績データ１２０とを含み、これらによりそれぞれ予測モデル４００の学習処理及び再学習処理を行っている。このように学習処理では教師データを所定用途よりも広範囲としているため、外挿による精度の低下を防止することができる。また、再学習処理において、教師データを本用途に限定している。このようにすることで、所定用途の熱硬化性エポキシ樹脂組成物の探索において、高精度の予測モデルを訓練することができる。なお、本実施の形態では学習処理と再学習処理をそれぞれ行ったが、精度が実用範囲内であれば、学習処理のみを行い、再学習処理を行わなくてもよい。なお再学習処理を行わない場合において、学習処理では、所定用途の実績データ又は他用途の実績データのいずれを用いてもよい。このようにすることで、予測モデルの訓練をより短時間で行うことができる。
なお本実施形態において、上記所定用途は、複合材材料用である例を示したがこれに限られない。例えば所定用途は、電子材料、塗料、土木建築材料、接着剤、難燃剤、複合材料であってもよい。
また本実施形態では、特徴量に分子指紋又は分子記述子の少なくとも一方を含んでもよい。分子指紋又は分子記述子は、熱硬化性エポキシ樹脂組成物の特徴を示すことができるため、当該特徴量を説明変数として用いることで、予測モデル４００の精度を向上させることができる。
また本実施形態では、特徴量に熱硬化性エポキシ樹脂組成物に係るＬｏｇＰを含んでよい。ＬｏｇＰは、熱硬化性エポキシ樹脂組成物の曲げ引張強度、破壊靭性、及びガラス転移温度との相関性が高く、ＬｏｇＰを説明変数として用いることで、予測モデル４００の精度を向上させることができる。
予測モデル４００の学習において、ＬｏｇＰを説明変数として用いなかった場合と、ＬｏｇＰを説明変数として用いた場合の結果を、それぞれ表１及び表２に示す。ガラス転移温度に係る学習モデルとしてeXtreme Gradient Boosting （XGBoost）を採用した。他方で曲げ引張強度、破壊靭性、に係る学習モデルとしてサポートベクターマシン（カーネル法）（KernelSVM）を採用した。表１及び表２においてＲ2は決定係数であり１に近いほどモデルの精度が高いことを示す。また表１及び表２においてＲＭＳＥは予測誤差の二乗平均を集計した指標であり、０に近いほどモデルの性能が高いことを示す。
表１及び表２に示されるように、ＬｏｇＰを説明変数として用いた場合は、ＬｏｇＰを説明変数として用いなかった場合よりも、学習モデルのＲ2及びＲＭＳＥが優れている。すなわち、ＬｏｇＰとして用いることで、予測モデル４００の精度を向上させることができる。これにより、全ての目的変数について、学習モデルのR2が０．６０を上回り、所望物性バランスを有する熱硬化性エポキシ樹脂組成物を設計することができる。
本開示を諸図面及び実施例に基づき説明してきたが、当業者であれば本開示に基づき種々の変形及び修正を行うことが容易であることに注意されたい。したがって、これらの変形及び修正は本開示の範囲に含まれることに留意されたい。例えば、各手段又は各ステップ等に含まれる機能等は論理的に矛盾しないように再配置可能であり、複数の手段又はステップ等を１つに組み合わせたり、或いは分割したりすることが可能である。
１０ 情報処理装置
１１ 制御部
１２ 記憶部
１３ 入力部
１４ 出力部
１００ 実績データ
１１０ 他用途の実績データ
１２０ 所定用途の実績データ
２１０、２２０ 特徴量
３１０ 学習処理
３２０ 再学習処理
４００ 予測モデル
１１ 制御部
１２ 記憶部
１３ 入力部
１４ 出力部
１００ 実績データ
１１０ 他用途の実績データ
１２０ 所定用途の実績データ
２１０、２２０ 特徴量
３１０ 学習処理
３２０ 再学習処理
４００ 予測モデル
Claims (5)
- 情報処理装置が実行する熱硬化性エポキシ樹脂組成物の探索方法であって、
熱硬化性エポキシ樹脂組成物に係る実績データを用いて、複数の目的変数に各々対応した複数の予測モデルを訓練するステップと、
前記複数の予測モデルを用いた逆解析により、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索するステップと、
を含み、
前記実績データは、熱硬化性エポキシ樹脂組成物の配合原料と、配合比率と、前記配合原料に係るポリマー組成と、前記配合原料にかかる構造式とを含み、
前記目的変数は、引張強度と、破壊靭性と、ガラス転移温度とを含み、
前記複数の予測モデルは、前記引張強度が入力される予測モデルと、前記破壊靭性が入力される予測モデルと、前記ガラス転移温度が入力される予測モデルとを含み、
前記複数の予測モデルを訓練するステップにおいて、前記実績データに基づき特徴量を算出し、該特徴量を前記複数の予測モデルの説明変数として用い、
前記特徴量は、熱硬化性エポキシ樹脂組成物に係るＬｏｇＰを含む、熱硬化性エポキシ樹脂組成物の探索方法。 - 前記特徴量はさらに、分子指紋又は分子記述子の少なくとも一方を含む、請求項１に記載の熱硬化性エポキシ樹脂組成物の探索方法。
- 請求項１または２に記載の熱硬化性エポキシ樹脂組成物の探索方法であって、
前記実績データは所定用途で使用される熱硬化性エポキシ樹脂組成物の実績データと、前記所定用途以外で使用される熱硬化性エポキシ樹脂組成物の実績データとを含み、
前記複数の予測モデルを訓練するステップにおいて、
前記所定用途以外で使用される熱硬化性エポキシ樹脂組成物の実績データを用いて前記複数の予測モデルを訓練した後に、前記所定用途で使用される熱硬化性エポキシ樹脂組成物の実績データを用いて前記複数の予測モデルを再学習させる、熱硬化性エポキシ樹脂組成物の探索方法。 - 制御部を備える熱硬化性エポキシ樹脂組成物の探索をする情報処理装置であって、
前記制御部は、
熱硬化性エポキシ樹脂組成物に係る実績データを用いて、複数の目的変数に各々対応した複数の予測モデルを訓練し、
前記複数の予測モデルを用いた逆解析により、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索し、
前記実績データは、熱硬化性エポキシ樹脂組成物の配合原料と、配合比率と、前記配合原料に係るポリマー組成と、前記配合原料にかかる構造式とを含み、
前記目的変数は、引張強度と、破壊靭性と、ガラス転移温度とを含み、
前記複数の予測モデルは、前記引張強度が入力される予測モデルと、前記破壊靭性が入力される予測モデルと、前記ガラス転移温度が入力される予測モデルとを含み、
前記複数の予測モデルの訓練において、前記実績データに基づき特徴量を算出し、該特徴量を前記複数の予測モデルの説明変数として用い、
前記特徴量は、熱硬化性エポキシ樹脂組成物に係るＬｏｇＰを含む、情報処理装置。 - コンピュータに、
熱硬化性エポキシ樹脂組成物に係る実績データを用いて、複数の目的変数に各々対応した複数の予測モデルを訓練することと、
前記複数の予測モデルを用いた逆解析により、所望の物性バランスを有する熱硬化性エポキシ樹脂組成物を探索することと、を実行させ、
前記実績データは、熱硬化性エポキシ樹脂組成物に係るポリマー組成と、反応溶媒と、反応パラメータとを含み、
前記実績データは、熱硬化性エポキシ樹脂組成物の配合原料と、配合比率と、前記配合原料に係るポリマー組成と、前記配合原料にかかる構造式とを含み、
前記目的変数は、引張強度と、破壊靭性と、ガラス転移温度とを含み、
前記複数の予測モデルは、前記引張強度が入力される予測モデルと、前記破壊靭性が入力される予測モデルと、前記ガラス転移温度が入力される予測モデルとを含み、
前記複数の予測モデルを訓練することにおいて、前記実績データに基づき特徴量を算出し、該特徴量を前記複数の予測モデルの説明変数として用い、
前記特徴量は、熱硬化性エポキシ樹脂組成物に係るＬｏｇＰを含む、熱硬化性エポキシ樹脂組成物を探索するプログラム。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022096819A JP7416131B2 (ja) | 2022-06-15 | 2022-06-15 | 熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム |
| PCT/JP2023/021421 WO2023243544A1 (ja) | 2022-06-15 | 2023-06-08 | 熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム |
| CN202380014276.2A CN118202420A (zh) | 2022-06-15 | 2023-06-08 | 热固性环氧树脂组合物的搜索方法、信息处理装置以及程序 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022096819A JP7416131B2 (ja) | 2022-06-15 | 2022-06-15 | 熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2023183286A JP2023183286A (ja) | 2023-12-27 |
| JP7416131B2 true JP7416131B2 (ja) | 2024-01-17 |
Family
ID=89191239
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022096819A Active JP7416131B2 (ja) | 2022-06-15 | 2022-06-15 | 熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP7416131B2 (ja) |
| CN (1) | CN118202420A (ja) |
| WO (1) | WO2023243544A1 (ja) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6832678B2 (ja) | 2015-11-04 | 2021-02-24 | 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． | 新規物質探索方法および装置 |
| WO2021079985A1 (ja) | 2019-10-25 | 2021-04-29 | コニカミノルタ株式会社 | 特性予測装置 |
| WO2022080443A1 (ja) | 2020-10-16 | 2022-04-21 | 味の素株式会社 | 情報処理装置、情報処理方法、およびプログラム |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7122699B2 (ja) * | 2018-08-23 | 2022-08-22 | パナソニックＩｐマネジメント株式会社 | 材料情報出力方法、材料情報出力装置、材料情報出力システム、及びプログラム |
| US11901045B2 (en) * | 2019-01-15 | 2024-02-13 | International Business Machines Corporation | Machine learning framework for finding materials with desired properties |
| WO2020152750A1 (ja) * | 2019-01-21 | 2020-07-30 | Ｊｆｅスチール株式会社 | 金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置 |
| JP7450905B2 (ja) * | 2019-09-05 | 2024-03-18 | 国立研究開発法人物質・材料研究機構 | 硬化性組成物の探索方法、及び、硬化性組成物の探索装置 |
| JP2022096819A (ja) | 2020-12-18 | 2022-06-30 | キヤノン株式会社 | 視線検出装置 |
-
2022
- 2022-06-15 JP JP2022096819A patent/JP7416131B2/ja active Active
-
2023
- 2023-06-08 CN CN202380014276.2A patent/CN118202420A/zh active Pending
- 2023-06-08 WO PCT/JP2023/021421 patent/WO2023243544A1/ja active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6832678B2 (ja) | 2015-11-04 | 2021-02-24 | 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． | 新規物質探索方法および装置 |
| WO2021079985A1 (ja) | 2019-10-25 | 2021-04-29 | コニカミノルタ株式会社 | 特性予測装置 |
| WO2022080443A1 (ja) | 2020-10-16 | 2022-04-21 | 味の素株式会社 | 情報処理装置、情報処理方法、およびプログラム |
Non-Patent Citations (1)
| Title |
|---|
| 勝田 有一朗，"ＡＩを活用したフレキシブル透明フィルム開発"，Ｉ／Ｏ ，日本，株式会社工学社，2020年07月01日，第45巻第7号，p.65-67，ISSN:0387-6675 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2023183286A (ja) | 2023-12-27 |
| WO2023243544A1 (ja) | 2023-12-21 |
| CN118202420A (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yi et al. | RPI-SE: a stacking ensemble learning framework for ncRNA-protein interactions prediction using sequence information | |
| Schichtel et al. | Modeling thermoset polymers using an improved molecular dynamics crosslinking methodology | |
| Ghoreishi et al. | Multi-information source fusion and optimization to realize ICME: Application to dual-phase materials | |
| KR101982674B1 (ko) | 밀도 수정에 기초한 대체 트레이닝 분포 | |
| Zhang et al. | An optimized cross-linked network model to simulate the linear elastic material response of a smart polymer | |
| US9081921B2 (en) | Method for simulating rubber compound | |
| Zhang et al. | Predicting linear B-cell epitopes by using sequence-derived structural and physicochemical features | |
| Dong et al. | Combining pseudo dinucleotide composition with the Z curve method to improve the accuracy of predicting DNA elements: a case study in recombination spots | |
| Rosenkranz et al. | A comparative study on different neural network architectures to model inelasticity | |
| Gongora et al. | Designing lattices for impact protection using transfer learning | |
| Yu et al. | SOMPNN: an efficient non-parametric model for predicting transmembrane helices | |
| CN113838541B (zh) | 设计配体分子的方法和装置 | |
| Melly et al. | Improved Carroll's hyperelastic model considering compressibility and its finite element implementation | |
| Xu et al. | WHISTLE: A Functionally Annotated High-Accuracy Map of Human m 6 A Epitranscriptome | |
| Wang et al. | UMAP-DBP: an improved DNA-binding proteins prediction method based on uniform manifold approximation and projection | |
| JP7416131B2 (ja) | 熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム | |
| Sakaridis et al. | Machine-learning based prediction of crash response of tubular structures | |
| Shireen et al. | A machine learning enabled hybrid optimization framework for efficient coarse-graining of a model polymer | |
| JP2021032617A (ja) | 結晶構造算出方法、結晶構造算出プログラムおよび結晶構造算出装置 | |
| JP2016024179A (ja) | 特定物質の解析結果の評価方法、特定物質の解析結果の評価用コンピュータプログラム、特定物質の解析方法、特定物質のシミュレーション方法及び特定物質のシミュレーション用コンピュータプログラム | |
| WO2023243543A1 (ja) | 熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム | |
| Ren et al. | Structural reanalysis based on FRFs using sherman–morrison–woodbury formula | |
| US20220406404A1 (en) | Adversarial framework for molecular conformation space modeling in internal coordinates | |
| Hafsa et al. | Accessible surface area from NMR chemical shifts | |
| Zhang et al. | GAS-AU: an average uncertainty-based general adaptive sampling approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221209 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20221209 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230314 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230511 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230815 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231019 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20231101 |
|
| 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: 20231205 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231218 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 7416131 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |