JP7461678B1 - Estimation method, estimation program, and estimation device - Google Patents

Estimation method, estimation program, and estimation device Download PDF

Info

Publication number
JP7461678B1
JP7461678B1 JP2023067654A JP2023067654A JP7461678B1 JP 7461678 B1 JP7461678 B1 JP 7461678B1 JP 2023067654 A JP2023067654 A JP 2023067654A JP 2023067654 A JP2023067654 A JP 2023067654A JP 7461678 B1 JP7461678 B1 JP 7461678B1
Authority
JP
Japan
Prior art keywords
surfactant composition
explanatory variables
estimation
agrochemical formulation
formulation
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
JP2023067654A
Other languages
Japanese (ja)
Inventor
信臣 鬼頭
千晶 松永
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.)
Takemoto Oil and Fat Co Ltd
Original Assignee
Takemoto Oil and Fat Co Ltd
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 Takemoto Oil and Fat Co Ltd filed Critical Takemoto Oil and Fat Co Ltd
Priority to JP2023067654A priority Critical patent/JP7461678B1/en
Application granted granted Critical
Publication of JP7461678B1 publication Critical patent/JP7461678B1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Agricultural Chemicals And Associated Chemicals (AREA)

Abstract

【課題】好適な性能を発現する農薬製剤用界面活性剤組成物を推定する。【解決手段】農薬製剤用界面活性剤組成物の特性を推定する推定方法であって、農薬製剤用界面活性剤組成物の製造条件を示す説明変数と、当該農薬製剤用界面活性剤組成物の特性を示す目的変数と、の複数の組を教師データとして用いて、説明変数から目的変数を推定する学習済みモデルを生成するモデル生成工程と、学習済みモデルを用いて、特性を推定する対象とする農薬製剤用界面活性剤組成物の製造条件を示す説明変数から、当該農薬製剤用界面活性剤組成物の特性を示す目的変数の推定値を出力する推定工程と、を備える。【選択図】図１[Problem] To estimate a surfactant composition for use in an agrochemical formulation that exhibits suitable performance. [Solution] An estimation method for estimating the properties of a surfactant composition for use in an agrochemical formulation, comprising: a model generation step of using multiple pairs of explanatory variables indicating the production conditions of a surfactant composition for use in an agrochemical formulation and a response variable indicating the properties of the surfactant composition for use in an agrochemical formulation as training data to generate a trained model that estimates the response variable from the explanatory variables; and an estimation step of using the trained model to output an estimate of the response variable indicating the properties of the surfactant composition for use in an agrochemical formulation from the explanatory variables indicating the production conditions of the surfactant composition for use in an agrochemical formulation, the properties of which are to be estimated. [Selected Figure] Figure 1

Description

本発明は、農薬製剤用界面活性剤組成物の性能を推定する推定方法、推定プログラム、および推定装置に関する。 The present invention relates to a method, a program, and an apparatus for estimating the performance of a surfactant composition for use in an agrochemical formulation.

農薬製剤は、除草剤、殺虫剤、殺菌剤などの農薬原体を、圃場等への散布に適した剤形に製剤したものである。農薬製剤において、農薬原体を均一に分散させて圃場等への散布に適した剤形の製剤とするための助剤として農薬製剤用界面活性剤組成物が汎用される。この種の農薬製剤用界面活性剤組成物が、たとえば特開２０２２－１３５１８４号公報（特許文献１）および特表２０１５－５３３８１３号公報（特許文献２）に開示されている。 Agricultural chemical formulations are prepared by formulating agricultural chemical raw materials such as herbicides, insecticides, and fungicides in a form suitable for spraying in fields, etc. In agricultural chemical formulations, surfactant compositions for agricultural chemical formulations are widely used as auxiliary agents for uniformly dispersing agricultural chemical raw materials to prepare formulations in a form suitable for spraying in fields, etc. This type of surfactant composition for agricultural chemical formulations is disclosed, for example, in JP 2022-135184 A (Patent Document 1) and JP 2015-533813 A (Patent Document 2).

特開２０２２－１３５１８４号公報JP 2022-135184 A 特表２０１５－５３３８１３号公報（または国際公開第２０１４／０４７６０２号）JP 2015-533813 A (or WO 2014/047602 A)

農薬製剤用界面活性剤組成物の開発は、古典的な実験科学的手法に頼らざるを得なかった。すなわち、候補となる組成物の製造と評価とを繰り返しながら、好適な性能を発現する組成物を絞り込む必要があった。しかし、農薬製剤用界面活性剤組成物には多数の構成成分が含まれるため、各構成成分の化学種および構成比率は多岐にわたり、無限大に存在する候補から好適な組成物を見出すことが求められた。そのため、新規の農薬製剤用界面活性剤組成物の開発には、膨大な工数、時間、および費用を要していた。 The development of surfactant compositions for use in pesticide formulations had to rely on classical experimental science techniques. In other words, it was necessary to repeatedly manufacture and evaluate candidate compositions until a composition that would exhibit suitable performance was narrowed down. However, because surfactant compositions for use in pesticide formulations contain many components, the chemical species and composition ratios of each component vary widely, making it necessary to find a suitable composition from an infinite number of candidates. As a result, the development of new surfactant compositions for use in pesticide formulations required a huge amount of work, time, and money.

そこで、好適な性能を発現する農薬製剤用界面活性剤組成物を推定しうる推定方法、推定プログラム、および推定装置の実現が求められる。 Therefore, there is a need for an estimation method, an estimation program, and an estimation device that can estimate a surfactant composition for use in an agrochemical formulation that exhibits favorable performance .

本発明に係る第一の推定方法は、コンピュータを用いて農薬製剤用界面活性剤組成物の特性を推定する推定方法であって、農薬製剤用界面活性剤組成物の製造条件を示す説明変数と、当該農薬製剤用界面活性剤組成物の特性を示す目的変数と、の複数の組を教師データとして用いて、前記説明変数から前記目的変数を推定する学習済みモデルを前記コンピュータに生成させるモデル生成工程と、前記学習済みモデルを用いて、特性を推定する対象とする農薬製剤用界面活性剤組成物の製造条件を示す説明変数から、当該農薬製剤用界面活性剤組成物の特性を示す目的変数の推定値を前記コンピュータに出力させる推定工程と、を備え、前記目的変数が、前記農薬製剤用界面活性剤組成物を含むフロアブル剤の粒子成長率、および、前記農薬製剤用界面活性剤組成物を含む乳剤の分離量、の少なくとも一つを含むことを特徴とする。 The first estimation method according to the present invention is a method for estimating the characteristics of a surfactant composition for use in an agrochemical formulation using a computer, and includes a model generation step of using multiple pairs of explanatory variables indicating the manufacturing conditions of the surfactant composition for use in an agrochemical formulation and an objective variable indicating the characteristics of the surfactant composition for use in an agrochemical formulation as training data to generate a trained model for estimating the objective variable from the explanatory variables, and an estimation step of using the trained model to output to the computer an estimated value of the objective variable indicating the characteristics of the surfactant composition for use in an agrochemical formulation from the explanatory variables indicating the manufacturing conditions of the surfactant composition for use in an agrochemical formulation, the objective variable being characterized in that it includes at least one of the particle growth rate of a flowable agent containing the surfactant composition for use in an agrochemical formulation and the amount of separation of an emulsion containing the surfactant composition for use in an agrochemical formulation.

本発明に係る第一の推定プログラムは、農薬製剤用界面活性剤組成物の性能を推定する推定プログラムであって、コンピュータによって実行されたときに、当該コンピュータに、農薬製剤用界面活性剤組成物の製造条件を示す説明変数と、当該農薬製剤用界面活性剤組成物の性能を示す目的変数と、の複数の組を教師データとして用いて、前記説明変数から前記目的変数を推定する学習済みモデルを生成するモデル生成機能と、前記学習済みモデルを用いて、性能を推定する対象とする農薬製剤用界面活性剤組成物の製造条件を示す説明変数から、当該農薬製剤用界面活性剤組成物の性能を示す目的変数の推定値を出力する推定機能と、を実現させ、前記目的変数が、前記農薬製剤用界面活性剤組成物を含むフロアブル剤の粒子成長率、および、前記農薬製剤用界面活性剤組成物を含む乳剤の分離量、の少なくとも一つを含むことを特徴とする。 The first estimation program according to the present invention is an estimation program for estimating the performance of a surfactant composition for use in an agrochemical formulation, and when executed by a computer, the program causes the computer to realize a model generation function for generating a trained model for estimating the objective variable from the explanatory variables using multiple pairs of explanatory variables indicating the manufacturing conditions of the surfactant composition for use in an agrochemical formulation and an objective variable indicating the performance of the surfactant composition for use in an agrochemical formulation as training data, and an estimation function for outputting an estimate of the objective variable indicating the performance of the surfactant composition for use in an agrochemical formulation from the explanatory variables indicating the manufacturing conditions of the surfactant composition for use in an agrochemical formulation, using the trained model, and characterized in that the objective variable includes at least one of the particle growth rate of a flowable agent containing the surfactant composition for use in an agrochemical formulation and the amount of separation of an emulsion containing the surfactant composition for use in an agrochemical formulation.

本発明に係る第一の推定装置は、演算装置および記憶装置を備える推定装置であって、前記記憶装置が、推定プログラムを記憶しており、前記推定プログラムは、前記演算装置によって実行されたときに、当該演算装置に、農薬製剤用界面活性剤組成物の製造条件を示す説明変数と、当該農薬製剤用界面活性剤組成物の性能を示す目的変数と、の複数の組を教師データとして用いて、前記説明変数から前記目的変数を推定する学習済みモデルを生成するモデル生成機能と、前記学習済みモデルを用いて、性能を推定する対象とする農薬製剤用界面活性剤組成物の製造条件を示す説明変数から、当該農薬製剤用界面活性剤組成物の性能を示す目的変数の推定値を出力する推定機能と、を実現させ、前記目的変数が、前記農薬製剤用界面活性剤組成物を含むフロアブル剤の粒子成長率、および、前記農薬製剤用界面活性剤組成物を含む乳剤の分離量、の少なくとも一つを含むことを特徴とする。 The first estimation device according to the present invention is an estimation device including a calculation device and a storage device, and the storage device stores an estimation program. When the estimation program is executed by the calculation device, the calculation device realizes a model generation function of using a plurality of pairs of explanatory variables indicating the manufacturing conditions of a surfactant composition for use in pesticide formulations and objective variables indicating the performance of the surfactant composition for use in pesticide formulations as training data to generate a trained model that estimates the objective variables from the explanatory variables, and an estimation function of using the trained model to output an estimate of the objective variable indicating the performance of the surfactant composition for use in pesticide formulations from the explanatory variables indicating the manufacturing conditions of the surfactant composition for use in pesticide formulations, the objective variable including at least one of the particle growth rate of a flowable agent containing the surfactant composition for use in pesticide formulations and the amount of separation of an emulsion containing the surfactant composition for use in pesticide formulations.

これらの構成によれば、所与の製造条件により得られる農薬製剤用界面活性剤組成物の目的変数を、学習モデルを用いて推定するので、当該農薬製剤用界面活性剤組成物の性能を、製造および評価を行うことなく検証できる。これによって、好適な農薬製剤用界面活性剤組成物の製造条件を決定するための試行錯誤を短縮しうる。 According to these configurations, the objective variables of the surfactant composition for use in agrochemical formulations obtained under given manufacturing conditions are estimated using a learning model, so that the performance of the surfactant composition for use in agrochemical formulations can be verified without manufacturing and evaluating it. This can shorten the trial and error required to determine suitable manufacturing conditions for a surfactant composition for use in agrochemical formulations.

本発明に係る第一の推定方法は、一態様として、前記説明変数が、農薬製剤用界面活性剤組成物に含まれる化合物の化学種により決定づけられる化学種情報と、前記化合物のそれぞれの含有割合を特定する割合情報と、を含むことが好ましい。 In one embodiment of the first estimation method according to the present invention, the explanatory variables preferably include chemical species information determined by the chemical species of the compounds contained in the surfactant composition for use in pesticide formulations, and ratio information specifying the content ratio of each of the compounds.

この構成によれば、農薬製剤用界面活性剤組成物の性能に特に影響が大きいことが多い化学種情報および割合情報を考慮した推定がなされるので、精度が高い推定結果が得られやすい。 According to this configuration, estimation is performed taking into account chemical species information and ratio information, which often have a particularly large effect on the performance of surfactant compositions for agricultural chemical formulations, making it easier to obtain highly accurate estimation results.

本発明に係る第一の推定方法は、一態様として、前記化学種情報が、前記化合物の分子記述子を含むことが好ましい。 In one aspect of the first estimation method according to the present invention, the chemical species information preferably includes a molecular descriptor of the compound.

この構成によれば、好適な目的変数を与えうる化学種を体系的に理解できる。 This configuration allows for a systematic understanding of chemical species that can provide suitable target variables.

本発明に係る第一の推定方法は、一態様として、前記目的変数が、農薬製剤用界面活性剤組成物の、ＨＬＢ、静的表面張力、動的表面張力、接触角、滑落角、浸透力、臨界ミセル濃度、曇点、およびクラフト点からなる群から選択される少なくとも一つの物性値をさらに含むことが好ましい。 In one embodiment of the first estimation method according to the present invention, the objective variable preferably further includes at least one physical property value selected from the group consisting of HLB, static surface tension, dynamic surface tension, contact angle, sliding angle, penetration force, critical micelle concentration, cloud point, and Krafft point of the surfactant composition for use in an agrochemical formulation.

この構成によれば、農薬製剤用界面活性剤組成物の機能として特に注目される物性を評価基準として、好適な農薬製剤用界面活性剤組成物を導き出すことができる。 This configuration makes it possible to derive a suitable surfactant composition for use in pesticide formulations by using physical properties that are of particular interest as functions of the surfactant composition for use in pesticide formulations as evaluation criteria.

本発明に係る第一の推定方法は、一態様として、前記目的変数が、農薬製剤用界面活性剤組成物を含む農薬製剤の、乳化性、乳化安定性、自己乳化性、再乳化性、製剤安定性、製剤粘度、乳化粒子径、粒子径、主剤安定性、分散性、水和性、懸垂性、起泡性、崩壊性、製剤硬度、溶出性、拡展性、湿展性、浸透性、造粒性、拡展挙動、色相、除草性、殺虫性、殺菌性、展着性、および浸透移行性からなる群から選択される少なくとも一つの物性値をさらに含むことが好ましい。 In one embodiment of the first estimation method according to the present invention, the objective variable preferably further includes at least one physical property value selected from the group consisting of emulsifying property, emulsion stability, self-emulsifying property, re-emulsifying property, formulation stability, formulation viscosity, emulsion particle size, particle size, base agent stability, dispersibility, hydration property, suspension property, foaming property, disintegration property, formulation hardness, dissolution property, spreading property, wet spreading property, penetration property, granulation property, spreading behavior, hue, herbicidal property, insecticidal property, bactericidal property, spreading property, and penetration and migration property of the pesticide formulation containing the surfactant composition for pesticide formulation.

この構成によれば、農薬製剤用界面活性剤組成物の機能として特に注目される物性を評価基準として、好適な農薬製剤用界面活性剤組成物を導き出すことができる。 This configuration makes it possible to derive a suitable surfactant composition for use in pesticide formulations by using physical properties that are of particular interest as the functions of surfactant compositions for use in pesticide formulations as evaluation criteria.

本発明に係る第二の推定方法は、農薬製剤用界面活性剤組成物の製造条件を示す説明変数をコンピュータに複数生成させる生成工程と、農薬製剤用界面活性剤組成物の製造条件を示す説明変数と、当該農薬製剤用界面活性剤組成物の性能を示す目的変数と、の複数の組を教師データとして用いて生成された学習済みモデルを用いて、前記生成工程において生成した複数の説明変数から推定される複数の目的変数を前記コンピュータに出力させる推定工程と、所定の基準に基づいて、前記推定工程において出力された複数の目的変数のうちの所定の基準を満たす目的変数を特定し、前記生成工程において生成された複数の説明変数のうちの、当該所定の基準を満たす目的変数を出力する際に用いられた説明変数を解として前記コンピュータに出力させる出力工程と、を備え、前記目的変数が、前記農薬製剤用界面活性剤組成物を含むフロアブル剤の粒子成長率、および、前記農薬製剤用界面活性剤組成物を含む乳剤の分離量、の少なくとも一つを含むことを特徴とする。 The second estimation method according to the present invention includes a generation step of causing a computer to generate multiple explanatory variables indicating the manufacturing conditions of a surfactant composition for use in an agrochemical formulation; an estimation step of causing the computer to output multiple objective variables estimated from the multiple explanatory variables generated in the generation step using a trained model generated using multiple pairs of explanatory variables indicating the manufacturing conditions of the surfactant composition for use in an agrochemical formulation and an objective variable indicating the performance of the surfactant composition for use in an agrochemical formulation as training data; and an output step of identifying an objective variable that satisfies a predetermined criterion among the multiple objective variables output in the estimation step based on a predetermined criterion, and outputting the explanatory variable used in outputting the objective variable that satisfies the predetermined criterion among the multiple explanatory variables generated in the generation step as a solution to the computer, wherein the objective variable includes at least one of the particle growth rate of a flowable agent containing the surfactant composition for use in an agrochemical formulation and the amount of separation of an emulsion containing the surfactant composition for use in an agrochemical formulation.

本発明に係る第二の推定プログラムは、コンピュータによって実行されたときに、当該コンピュータに、農薬製剤用界面活性剤組成物の製造条件を示す説明変数を複数生成する生成機能と、農薬製剤用界面活性剤組成物の製造条件を示す説明変数と、当該農薬製剤用界面活性剤組成物の性能を示す目的変数と、の複数の組を教師データとして用いて生成された学習済みモデルを用いて、前記生成機能によって生成した複数の説明変数から推定される複数の目的変数を出力する推定機能と、所定の基準に基づいて、前記推定機能によって出力された複数の目的変数のうちの最良の目的変数を特定し、前記生成機能によって生成された複数の説明変数のうちの、当該最良の目的変数を出力する際に用いられた説明変数を解として出力する出力機能と、を実現させ、前記目的変数が、前記農薬製剤用界面活性剤組成物を含むフロアブル剤の粒子成長率、および、前記農薬製剤用界面活性剤組成物を含む乳剤の分離量、の少なくとも一つを含むことを特徴とする。 The second estimation program according to the present invention, when executed by a computer, realizes the following functions on the computer: a generation function for generating multiple explanatory variables indicating the manufacturing conditions of a surfactant composition for use in an agrochemical formulation; an estimation function for outputting multiple objective variables estimated from the multiple explanatory variables generated by the generation function using a trained model generated using multiple sets of explanatory variables indicating the manufacturing conditions of a surfactant composition for use in an agrochemical formulation and an objective variable indicating the performance of the surfactant composition for use in an agrochemical formulation as training data; and an output function for identifying the best objective variable among the multiple objective variables output by the estimation function based on a predetermined criterion, and outputting the explanatory variable used in outputting the best objective variable among the multiple explanatory variables generated by the generation function as a solution, wherein the objective variable includes at least one of the particle growth rate of a flowable agent containing the surfactant composition for use in an agrochemical formulation and the amount of separation of an emulsion containing the surfactant composition for use in an agrochemical formulation.

本発明に係る第二の推定装置は、演算装置および記憶装置を備える推定装置であって、前記記憶装置が、推定プログラムを記憶しており、前記推定プログラムは、前記演算装置によって実行されたときに、当該演算装置に、農薬製剤用界面活性剤組成物の製造条件を示す説明変数を複数生成する生成機能と、農薬製剤用界面活性剤組成物の製造条件を示す説明変数と、当該農薬製剤用界面活性剤組成物の性能を示す目的変数と、の複数の組を教師データとして用いて生成された学習済みモデルを用いて、前記生成機能によって生成した複数の説明変数から推定される複数の目的変数を出力する推定機能と、所定の基準に基づいて、前記推定機能によって出力された複数の目的変数のうちの最良の目的変数を特定し、前記生成機能によって生成された複数の説明変数のうちの、当該最良の目的変数を生成する際に用いられた説明変数を解として出力する出力機能と、を実現させ、前記目的変数が、前記農薬製剤用界面活性剤組成物を含むフロアブル剤の粒子成長率、および、前記農薬製剤用界面活性剤組成物を含む乳剤の分離量、の少なくとも一つを含むことを特徴とする。 The second estimation device according to the present invention is an estimation device including a calculation device and a storage device, and the storage device stores an estimation program. When the estimation program is executed by the calculation device, the calculation device realizes the following: a generation function for generating multiple explanatory variables indicating the manufacturing conditions of a surfactant composition for use in an agrochemical formulation; an estimation function for outputting multiple objective variables estimated from the multiple explanatory variables generated by the generation function using a trained model generated using multiple sets of explanatory variables indicating the manufacturing conditions of a surfactant composition for use in an agrochemical formulation and an objective variable indicating the performance of the surfactant composition for use in an agrochemical formulation as training data; and an output function for identifying the best objective variable among the multiple objective variables output by the estimation function based on a predetermined criterion, and outputting the explanatory variable used in generating the best objective variable among the multiple explanatory variables generated by the generation function as a solution, wherein the objective variable includes at least one of the particle growth rate of a flowable agent containing the surfactant composition for use in an agrochemical formulation and the amount of separation of an emulsion containing the surfactant composition for use in an agrochemical formulation.

これらの構成によれば、所望の性能を発揮する農薬製剤用界面活性剤組成物が得られうる製造条件（説明変数）を、学習モデルを用いて推定するので、農薬製剤用界面活性剤組成物の製造および物性測定を行うことなく好適な製造条件を特定しうる。これによって、好適な農薬製剤用界面活性剤組成物の製造条件を決定するための試行錯誤を短縮しうる。 According to these configurations, the manufacturing conditions (explanatory variables) that can produce a surfactant composition for use in agrochemical formulations that exhibits the desired performance are estimated using a learning model, so that suitable manufacturing conditions can be identified without manufacturing the surfactant composition for use in agrochemical formulations and measuring its physical properties. This can shorten the trial and error required to determine suitable manufacturing conditions for a surfactant composition for use in agrochemical formulations.

本発明に係る第二の推定方法は、一態様として、前記生成工程および前記推定工程が複数回実行され、二回目以降の前記生成工程において、当該生成工程より前に実行された前記生成工程および前記推定工程の結果を利用する最適化アルゴリズムを用いて複数の説明変数を生成することが好ましい。 In one aspect of the second estimation method according to the present invention, the generation step and the estimation step are executed multiple times, and in the second or subsequent generation steps, it is preferable to generate multiple explanatory variables using an optimization algorithm that utilizes the results of the generation step and the estimation step executed prior to the generation step.

この構成によれば、得られる解がより好適な範囲に絞り込まれることを期待できる。 This configuration is expected to narrow down the resulting solution to a more suitable range.

本発明に係る第二の推定方法は、一態様として、前記出力工程において解として出力された説明変数と、当該説明変数が示す製造条件により製造される農薬製剤用界面活性剤組成物の性能を示す目的変数と、の組を教師データに加えて、前記学習済みモデルを再生成するモデル再生成工程をさらに含むことが好ましい。 In one embodiment, the second estimation method according to the present invention preferably further includes a model regeneration step of regenerating the trained model by adding to training data a set of explanatory variables output as a solution in the output step and a target variable indicating the performance of the surfactant composition for use in an agrochemical formulation manufactured under the manufacturing conditions indicated by the explanatory variables.

この構成によれば、解の出力、解の検証、および、検証結果の学習済みモデルへのフィードバック、を経て、学習済みモデルの精度を向上できる。 With this configuration, the accuracy of the trained model can be improved by outputting the solution, verifying the solution, and feeding back the verification results to the trained model.

本発明のさらなる特徴と利点は、図面を参照して記述する以下の例示的かつ非限定的な実施形態の説明によってより明確になるであろう。 Further features and advantages of the present invention will become more apparent from the following description of exemplary and non-limiting embodiments, which are given with reference to the drawings.

実施例１における学習済みモデルの検証結果を示すグラフである。1 is a graph showing the verification results of the trained model in Example 1. 実施例２における学習済みモデルの検証結果を示すグラフである。13 is a graph showing the verification results of the trained model in Example 2.

本発明に係る推定方法、推定プログラム、推定装置、農薬製剤用界面活性剤組成物、および農薬製剤の実施形態について説明する。 This section describes embodiments of the estimation method, estimation program, estimation device, surfactant composition for pesticide formulations, and pesticide formulations according to the present invention.

〔農薬製剤用界面活性剤組成物に係る説明変数および目的変数〕
本実施形態に係る推定方法では、農薬製剤用界面活性剤組成物の製造条件を示す説明変数と、当該農薬製剤用界面活性剤組成物の性能を示す目的変数と、を取り扱う。推定方法の実施形態の説明に先立ち、説明変数および目的変数について説明する。また、説明変数について説明する前提として、農薬製剤および農薬製剤用界面活性剤組成物について説明する。 [Explanatory variables and objective variables related to surfactant composition for agricultural chemical formulations]
In the estimation method according to the present embodiment, explanatory variables indicating the manufacturing conditions of a surfactant composition for use in an agrochemical formulation and a response variable indicating the performance of the surfactant composition for use in an agrochemical formulation are handled. Prior to describing the embodiment of the estimation method, explanatory variables and response variables will be described. In addition, as a premise for describing the explanatory variables, agrochemical formulations and surfactant compositions for use in an agrochemical formulation will be described.

（農薬製剤）
農薬製剤用界面活性剤組成物は、農薬製剤を製造する際に使用される界面活性剤組成物である。農薬製剤は、農薬原体および農薬製剤用界面活性剤組成物を含む。農薬製剤用界面活性剤組成物を適用する対象の農薬原体としては、除草剤、殺虫剤、殺菌剤などが例示されるが、これらに限定されない。 (Pesticide formulations)
The surfactant composition for pesticide formulation is a surfactant composition used in producing a pesticide formulation. The pesticide formulation includes a pesticide raw material and the surfactant composition for pesticide formulation. Examples of the pesticide raw material to which the surfactant composition for pesticide formulation is applied include, but are not limited to, herbicides, insecticides, fungicides, etc.

農薬製剤用界面活性剤組成物は、農薬製剤において農薬原体を均一に分散させて圃場等への散布に適した剤形の製剤とするための助剤として働く。すなわち農薬製剤は、圃場等への散布に適した剤形の、有効成分として農薬原体を含む製剤である。圃場等への散布に適した剤形として、農薬原体が均一に分散または溶解した液体、農薬原体を含む粉体、農薬原体を含む顆粒、などの剤形が例示されるが、これらに限定されない。 The surfactant composition for pesticide formulations acts as an auxiliary agent for uniformly dispersing pesticide raw materials in pesticide formulations to prepare formulations in a form suitable for spraying in fields, etc. In other words, pesticide formulations are formulations containing pesticide raw materials as active ingredients in a form suitable for spraying in fields, etc. Examples of dosage forms suitable for spraying in fields, etc. include, but are not limited to, liquids in which pesticide raw materials are uniformly dispersed or dissolved, powders containing pesticide raw materials, and granules containing pesticide raw materials.

除草剤は、アイオキシニル、アジムスルフロン、アシュラム、アトラジン、アニロホス、アラクロール、イソウロン、イソキサベン、イマザキン、イマザピル、イマゾスルフロン、インダノファン、エスプロカルブ、エトキシスルホン、エトベンザニド、オキサジアゾン、オキサジアルギル、オキサジクロメホン、オルソベンカーブ、オリザリン、カフェンストロール、カルフェントラゾンエチル、カルブチレート、キザロホップメチル、クミルロン、グリホサートアンモニウム塩、グリホサートイソプロピルアミン塩、グリホサートカリウム塩、グリホサートトリメシウム塩、グルホシネート、クレトジム、クロメプロップ、クロルフタリム、シアナジン、シクロスルファムロン、ジクワット、ジチオピル、シデュロン、シノスルフロン、シハロホップブチル、ジフルフェニカン、ジメタメトリン、ジナテナミド、シメトリン、シンメトリン、セトキシジム、ダイムロン、ダゾメット、チフェンスルフロンメチル、デスメディファム、テトラピオン、テニルクロール、テプラロキシジム、トリアジフラム、トリクロピル、トリフルラリン、トリフロキシスルフロンナトリウム塩、ナプロパミド、ニコスルフロン、パラコート、ハロスルフロンメチル、ビアラホス、ビスピリバックナトリウム塩、ビフェノックス、ピラゾキシフェン、ピラゾスルフロンメチル、ピラゾエート、ピラフルフェンチオン、ピリフタリド、ピリブチカルブ、ピリミノバックメチル、フェノチオール、フェントラザミド、フェンメディファム、ブタクロール、ブタミホス、フラザスルフロン、フルアジホップ、フルチアセットメチル、フルミオキサジン、プレチラクロール、プロジアミン、プロピサミド、ブロマシル、プロメトリン、ブロモブチド、フロラスラム、ベスロジン、ベンスルフロンメチル、ベンゾフェナップ、ベンゾビシクロン、ベンタゾンナトリウム塩、ベンチオカーブ、ペンディメタリン、ペントキサゾン、ベンフレセート、メタミトロン、メトスルフロンメチル、メトラクロール、メトリブジン、メフェナセット、モリネート、リニュロン、リムスルフロン、レナシル、ＡＣＮ，シマジン、ジクロベニル、クロルチアミド、ジウロン、プロパニル、ＭＣＰ、ＭＣＰイソプロピルアミン塩、ＭＣＰＢ、ＭＣＰＰ、ＭＤＢＡ、ＭＤＢＡイソプロピルアミン塩、ＰＡＣ、ＳＡＰ、２，４－ＰＡなど、または上記の群から選択される複数の物質の混合物、でありうる。 Herbicides include ioxynil, azimsulfuron, asuram, atrazine, anilofos, alachlor, isouron, isoxaben, imazaquin, imazapyr, imazosulfuron, indanofan, esprocarb, ethoxysulfone, etobenzanide, oxadiazon, oxadiargyl, oxaziclomefone, orthobencarb, oryzalin, cafenstrole, carfentrazone-ethyl, carbutilate, quizalofop-methyl, cumyluron, glyphosate ammonium salt, glyphosate isopropylamine salt, glyphosate potassium salt, glyphosate triphosphate, Rimesium salt, glufosinate, clethodim, clomeprop, chlorphthalim, cyanazine, cyclosulfamuron, diquat, dithiopyr, siduron, cinosulfuron, cyhalofop-butyl, diflufenican, dimethamethrin, dinatehnamide, simetryn, symmetryn, sethoxydim, dymron, dazomet, thifensulfuron-methyl, desmedipham, tetrapion, thenylchlor, tepraloxydim, triaziflam, triclopyr, trifluralin, trifloxysulfuron sodium salt, napropamide, nicosulfuron, paraquat, Halosulfuron-methyl, bialaphos, bispyribac-sodium, bifenox, pyrazoxyfen, pyrazosulfuron-methyl, pyrazoate, pyrafluphenethion, pyriftalid, pyributicarb, pyriminobac-methyl, fenothiol, fentrazamide, phenmedipham, butachlor, butamiphos, flazasulfuron, fluazifop, fluthiacet-methyl, flumioxazin, pretilachlor, prodiamine, propisamide, bromacil, prometryn, bromobutide, florasulam, beslodin, bensulfuron-methyl, benzophenone , benzobicyclon, bentazone sodium salt, benthiocarb, pendimethalin, pentoxazone, benfuresate, metamitron, metsulfuron methyl, metolachlor, metribuzin, mefenacet, molinate, linuron, rimsulfuron, lenacil, ACN, simazine, dichlobenil, chlorthiamid, diuron, propanil, MCP, MCP isopropylamine salt, MCPB, MCPP, MDBA, MDBA isopropylamine salt, PAC, SAP, 2,4-PA, etc., or a mixture of multiple substances selected from the above group.

殺虫剤は、アクリナトリン、アセキノシル、アセタミプリド、アセフェート、アミトラズ、アラニカルブ、アレスリン、イソキサチオン、イミダクロプリド、インドキサカルブＭＰ、エスフェンバレレート、エチオフェンカルブ、エチプロール、エチルチオメトン、エトキサゾール、エトフェンプロックス、エマメクチン安息香酸塩、塩酸レバミゾール、オキサミル、カズサホス、カルタップ塩酸塩、カルボスルファン、クロチアニジン、クロフェンテジン、クロマフェノジド、クロルピリホス、クロルフェナピル、クロルフルアズロン、シクロプロトリン、ジノテフラン、シフルトリン、ジメトエート、スピノサド、ダイアジノン、チアクロプリド、チアメトキサム、チオジカルブ、チオシクラムシュウ酸塩、テブフェノジド、テブフェンピラド、テフルトリン、テフルベンズロン、トラロメトリン、トルフェンピラド、ノバルロン、ハルフェンプロックス、ビフェナゼート、ビフェントリン、ピメトロジン、ピラクロホス、ピリダフェンチオン、ピリダベン、ピリダリル、ピリプロキシフェン、ピリミジフェン、ピリミホスメチル、ピレトリン、フィプロニル、フェニソブロモエート、フェノチオカルブ、フルアクリピリム、フルシトリネート、フルバリネート、フルフェノクスロン、プロパホス、プロフェノホス、ヘキシチアゾクス、ペルメトリン、ベンスルタップ、ベンゾエピン、ベンフラカルブ、ボーベリア・バシアーナ、ボーベリア・ブロンニアティ、ホサロン、マシン油、マラソン、メスルフェンホス、メソミル、メトキシフェノジド、ルフェヌロン、ＢＰＭＣ、ＢＴ（バチルス・チューリンゲンシス菌）、メチダチオン、フェニトロチオン、イソプロカルブ、フェンチオン、ＮＡＣなど、または上記の群から選択される複数の物質の混合物、でありうる。 Insecticides include acrinathrin, acequinocyl, acetamiprid, acephate, amitraz, alanycarb, allethrin, isoxathion, imidacloprid, indoxacarb MP, esfenvalerate, ethiphencarb, ethiprole, ethylthiometon, etoxazole, etofenprox, emamectin benzoate, levamisole hydrochloride, oxamyl, cadusafos, cartap hydrochloride, and carbosulfan. , clothianidin, clofentezine, chromafenozide, chlorpyrifos, chlorfenapyr, chlorfluazuron, cycloprothrin, dinotefuran, cyfluthrin, dimethoate, spinosad, diazinon, thiacloprid, thiamethoxam, thiodicarb, thiocyclam oxalate, tebufenozide, tebufenpyrad, tefluthrin, teflubenzuron, tralomethrin, tolfenpyrad, novaluron, Halfenprox, bifenazate, bifenthrin, pymetrozine, pyraclofos, pyridaphenthion, pyridaben, pyridalyl, pyriproxyfen, pyrimidifen, pirimiphos-methyl, pyrethrins, fipronil, phenisobromoate, fenothiocarb, fluacrypyrim, flucythrinate, fluvalinate, flufenoxuron, propafos, profenofos, hexythiazox, permethrin, bensultap, benzoepine, benfuracarb, Beauveria bassiana, Beauveria brongniartii, phosalone, machine oil, malathion, mesulfenphos, methomyl, methoxyfenozide, lufenuron, BPMC, BT (Bacillus thuringiensis), methidathion, fenitrothion, isoprocarb, fenthion, NAC, or a mixture of a plurality of substances selected from the above group.

殺菌剤は、アシベンゾランＳメチル、アゾキシストロビン、アンバム、硫黄、イソプロチオラン、イプコナゾール、イプロジオン、イミノクタジンアルベシル酸塩、イミノクタジン酢酸塩、イミベンコナゾール、エクロメゾール、オキサジキシル、オキシテトラサイクリン、オキスポコナゾールフマル酸塩、オキソリニック酸、カスガマイシン、カルプロパミド、キノメチオナート、キャプタン、クレソキシムメチル、クロロネブ、シアゾファミド、ジエトフェンカルブ、ジクロシメット、ジクロメジン、ジチアノン、ジネブ、ジフェノコナゾール、シフルフェナミド、ジフルメトリム、シプロコナゾール、シプロジニル、シメコナゾール、ジメトモルフ、シモキサニル、シュードモナス・フルオレッセンス、シュードモナスＣＡＢ－０２、ジラム、水和硫黄、ストレプトマイシン、炭酸水素カリウム、炭酸水素ナトリウム、チアジアジン、チアジニル、チアベンダゾール、チウラム、チオファネートメチル、チフルザミド、テクロフタラム、テトラコナゾール、テブコナゾール、銅、トリアジメホン、トリアジン、トリコデルマ・アトロビリデ、トリシクラゾール、トリフルミゾール、トリフロキシストロビン、トリホリン、トルクルホスメチル、バチルスズブチリス、バリダマイシン、ビテルタノール、ヒドロキシイソキサゾール、ピラゾホス、ピリフェノックス、ピリメタニル、ピロキロン、ファモキサドン、フェナリモル、フェノキサニル、フェリムゾン、フェンブコナゾール、フェンヘキサミド、フサライド、フラメトピル、フルアジナム、フルオルイミド、フルジオキソニル、フルスルファミド、フルトラニル、プロシミドン、プロパモカルブ塩酸塩、プロピコナゾール、プロピネブ、プロベナゾール、ヘキサコナゾール、ベノミル、ペフラゾエート、ペンシクロン、ボスカリド、ホセチル、ポリカーバメート、マンゼブ、マンネブ、ミクロブタニル、ミルディオマイシン、メタスルホカルブ、メトミノストロビン、メパニピリム、有機銅、硫酸亜鉛、硫酸銅、エジフェンホス、イプロベンホス、クロロタロニルなど、または上記の群から選択される複数の物質の混合物、でありうる。 Fungicides include acibenzolane S-methyl, azoxystrobin, ambam, sulfur, isoprothiolane, ipconazole, iprodione, iminoctadine albesilate, iminoctadine acetate, imibenconazole, eclonazole, oxadixyl, oxytetracycline, oxpoconazole fumarate, oxolinic acid, kasugamycin, carpropamid, quinomethionate, captan, kresoxim-methyl, chloroneb, cyazofamid, diethofencarb, diclocymet, diclomeji , dithianon, zineb, difenoconazole, cyflufenamid, diflumetrim, cyproconazole, cyprodinil, simeconazole, dimethomorph, cymoxanil, Pseudomonas fluorescens, Pseudomonas CAB-02, ziram, hydrated sulfur, streptomycin, potassium bicarbonate, sodium bicarbonate, thiadiazine, thiadinil, thiabendazole, thiuram, thiophanate methyl, thifluzamide, tecloftalam, tetraconazole, tebuconazole, copper, triadimefon , triazine, Trichoderma atroviride, tricyclazole, triflumizole, trifloxystrobin, triforine, torqufs-methyl, Bacillus subtilis, validamycin, bitertanol, hydroxyisoxazole, pyrazophos, pyrifenox, pyrimethanil, pyroquilon, famoxadone, fenarimol, fenoxanil, ferimzone, fenbuconazole, fenhexamid, fthalide, furametpyr, fluazinam, fluorimide, fludioxonil, fursulf amide, flutolanil, procymidone, propamocarb hydrochloride, propiconazole, propineb, probenazole, hexaconazole, benomyl, pefurazoate, pencycuron, boscalid, fosetyl, polycarbamate, mancozeb, maneb, myclobutanil, mildiomycin, methasulfocarb, metominostrobin, mepanipyrim, organocuprate, zinc sulfate, copper sulfate, edifenphos, iprobenfos, chlorothalonil, etc., or a mixture of a plurality of substances selected from the above group.

また、農薬製剤は添加剤を含みうる。かかる添加剤としては、増量剤、防腐剤、凍結防止剤、結合剤、酸化防止剤、安定剤、消泡剤、ｐＨ調整剤などが例示される。このうち増量剤は液状増量剤および固状増量剤に大別される。 The pesticide formulation may also contain additives. Examples of such additives include bulking agents, preservatives, antifreeze agents, binders, antioxidants, stabilizers, antifoaming agents, and pH adjusters. Among these, bulking agents are broadly classified into liquid bulking agents and solid bulking agents.

液状増量剤は、水、１号灯油、煙霧灯油、溶剤灯油、キシレン、メチルナフタレン、エチルベンゼン、トリメチルベンゼン、石油蒸留物、大豆油、ナタネ油、コーン油、綿実油等植物油、オレイン酸メチルエステル、ラウリン酸メチルエステル等脂肪酸アルキルエステル、鉱物油、ｎ－メチルピロリドン、ｎ－ブチルピロリドン、ｎ－オクチルピロリドン、Ｎ，Ｎ－ジメチルオクタンアミド、Ｎ，Ｎ－ジメチルデカンアミド、二塩基酸エステル、アルコール類（メタノール、エタノール、イソプロパノール、イソブタノールなど）、グリコール類（エチレングリコール、プロピレングリコールなど）、グルコールエーテル類（プロピレングリコールモノメチルエーテル、エチレングリコールモノブチルエーテルなど）、など、または上記の群から選択される複数の物質の混合物でありうる。 The liquid extender may be water, No. 1 kerosene, fumed kerosene, solvent kerosene, xylene, methylnaphthalene, ethylbenzene, trimethylbenzene, petroleum distillates, vegetable oils such as soybean oil, rapeseed oil, corn oil, and cottonseed oil, fatty acid alkyl esters such as methyl oleate and methyl laurate, mineral oils, n-methylpyrrolidone, n-butylpyrrolidone, n-octylpyrrolidone, N,N-dimethyloctanamide, N,N-dimethyldecanamide, dibasic acid esters, alcohols (methanol, ethanol, isopropanol, isobutanol, etc.), glycols (ethylene glycol, propylene glycol, etc.), glycol ethers (propylene glycol monomethyl ether, ethylene glycol monobutyl ether, etc.), etc., or a mixture of multiple substances selected from the above group.

固状増量剤は、クレー、珪石、タルク、白土、珪藻土、シリカ、ベントナイト、炭酸カルシウム、硫酸バリウム、二酸化チタン、でんぷん、乳糖、塩化カリウム、尿素、中空ガラス、ホワイトカーボン、木粉、コルク粉、発泡性シラス、マイクロスフィア、カルボキシメチルセルロースなど、または上記の群から選択される複数の物質の混合物でありうる。 The solid bulking agent may be clay, silica stone, talc, white earth, diatomaceous earth, silica, bentonite, calcium carbonate, barium sulfate, titanium dioxide, starch, lactose, potassium chloride, urea, hollow glass, white carbon, wood flour, cork powder, effervescent whitebait, microspheres, carboxymethylcellulose, etc., or a mixture of several substances selected from the above group.

農薬製剤は、農薬原体および農薬製剤用界面活性剤組成物、ならびにその他の任意の添加剤を混合して製造される。上記の構成成分を混合する方法は、所望される剤形に応じて適宜選択される。たとえば農薬製剤が液体である場合は、プロペラ撹拌機、ホモミキサー、ホモジナイザー、サンドミル、サンドグラインダー、ダイノーミル、ビスコミル、グレンミルなどの装置を用いる混合方法が使用されうる。また、たとえば農薬製剤が顆粒である場合は、スクリュー型押出造粒機、ロール型押出造粒機、ディスクペレッター型押出造粒機、ペレットミル型押出造粒機、バスケット型押出造粒機、ブレード型押出造粒機、オシレーティング型押出造粒機、ギア式押出造粒機、リングダイス式押出造粒機、パン型造粒器、スプレードライヤーなどの装置を用いる混合方法が使用されうる。 The pesticide formulation is produced by mixing the pesticide raw material, the surfactant composition for pesticide formulation, and any other additives. The method of mixing the above components is appropriately selected depending on the desired formulation. For example, when the pesticide formulation is liquid, a mixing method using an apparatus such as a propeller agitator, homomixer, homogenizer, sand mill, sand grinder, dyno mill, viscomill, or grain mill can be used. Also, for example, when the pesticide formulation is granules, a mixing method using an apparatus such as a screw type extrusion granulator, a roll type extrusion granulator, a disk pelleter type extrusion granulator, a pellet mill type extrusion granulator, a basket type extrusion granulator, a blade type extrusion granulator, an oscillating type extrusion granulator, a gear type extrusion granulator, a ring die type extrusion granulator, a pan type granulator, or a spray dryer can be used.

農薬製剤の剤形は、乳剤、液剤、油剤、マイクロカプセル剤、粒剤、１ｋｇ粒剤、粉粒剤、水和剤、顆粒水和剤、フロアブル剤、ドライフロアブル剤、エマルジョン剤、サスポエマルジョン剤、オイルフロアブル剤、ＤＣ剤、ジャンボ剤、などでありうるが、これらに限定されない。このうち乳剤は、農薬原体を有機溶剤等に溶解した態様であり、水へ乳化させて散布する農薬製剤である。また、フロアブル剤は、農薬原体を含む固体粒子が水中に分散している分散液である。 The dosage form of the pesticide formulation may be, but is not limited to, an emulsion, a liquid, an oil, a microcapsule, a granule, a 1 kg granule, a powder, a wettable powder, a wettable granule, a flowable, a dry flowable, an emulsion, a suspoemulsion, an oil flowable, a DC, a jumbo, or the like. Of these, an emulsion is a form in which the pesticide raw material is dissolved in an organic solvent or the like, and is a pesticide formulation that is emulsified in water and sprayed. A flowable is a dispersion in which solid particles containing the pesticide raw material are dispersed in water.

（農薬製剤用界面活性剤組成物）
農薬製剤用界面活性剤組成物は、一種類または複数種類の界面活性剤を含む組成物である。農薬製剤用界面活性剤組成物に含まれうる界面活性剤としては、アニオン性、カチオン性、両性、非イオン性の各種界面活性剤を用いることができる。かかる界面活性剤として、ポリオキシアルキレンアルキルエーテル、ポリオキシアルキレンアリールフェニルエーテル、ポリオキシアルキレン化ヒマシ油、ソルビタン脂肪酸エステル、ポリオキシアルキレンソルビタン脂肪酸エステル、ポリオキシエチレンポリオキシプロピレンブロック共重合物、アルキルポリグリコシド、ショ糖脂肪酸エステル、ジアルキルスルホコハク酸金属塩、アルキルベンゼンスルホン酸金属塩、アルキルナフタレンスルホン酸金属塩、アルキルナフタレンスルホン酸金属塩縮合物、ポリオキシアルキレンアリールフェニルエーテルリン酸エステル塩、ポリオキシアルキレンアリールフェニルエーテル硫酸エステル塩、アルキル硫酸塩、ポリカルボン酸塩、リグニンスルホン酸塩、アルキルアミン塩酸塩、アルキル四級アンモニウム塩、アルキルベタイン、脂肪酸エステルなどが例示されるが、これらに限定されない。 (Surfactant composition for agricultural chemical formulations)
The surfactant composition for agricultural chemical formulations is a composition containing one or more types of surfactants. As the surfactant that can be contained in the surfactant composition for agricultural chemical formulations, various surfactants such as anionic, cationic, amphoteric, and nonionic surfactants can be used. Examples of such surfactants include polyoxyalkylene alkyl ethers, polyoxyalkylene aryl phenyl ethers, polyoxyalkylenated castor oil, sorbitan fatty acid esters, polyoxyalkylene sorbitan fatty acid esters, polyoxyethylene polyoxypropylene block copolymers, alkyl polyglycosides, sucrose fatty acid esters, dialkyl sulfosuccinic acid metal salts, alkylbenzene sulfonic acid metal salts, alkylnaphthalene sulfonic acid metal salts, alkylnaphthalene sulfonic acid metal salt condensates, polyoxyalkylene aryl phenyl ether phosphate esters, polyoxyalkylene aryl phenyl ether sulfate esters, alkyl sulfates, polycarboxylates, lignin sulfonates, alkylamine hydrochlorides, alkyl quaternary ammonium salts, alkyl betaines, and fatty acid esters, but are not limited thereto.

また、農薬製剤用界面活性剤組成物は添加剤を含んでいてもよい。かかる添加剤としては、防腐剤、酸化防止剤、凍結防止剤、消泡剤、キレート剤、レオロジー調整剤、ｐＨ調整剤、色素などが例示されるが、これらに限定されない。 The surfactant composition for agricultural chemical formulations may also contain additives. Examples of such additives include, but are not limited to, preservatives, antioxidants, antifreeze agents, antifoaming agents, chelating agents, rheology modifiers, pH adjusters, and pigments.

（説明変数）
上記のように、農薬製剤用界面活性剤組成物は、一種類または複数種類の界面活性剤を含み、任意の添加剤を含みうる組成物である。農薬製剤用界面活性剤組成物が含む各成分の化学種（化学種情報）および含有割合（割合情報）、各成分の物性に係る物性情報（ＨＬＢ、静的表面張力、動的表面張力、接触角、滑落角、浸透力など）、ならびに組成物の物性に係る物性情報（ＨＬＢ、静的表面張力、動的表面張力、接触角、滑落角、浸透力など）は、説明変数として取り扱われうる。 (Explanatory variables)
As described above, the surfactant composition for pesticide formulation is a composition that contains one or more types of surfactants and may contain any additives.The chemical species (chemical species information) and content ratio (ratio information) of each component contained in the surfactant composition for pesticide formulation, the physical property information related to the physical properties of each component (HLB, static surface tension, dynamic surface tension, contact angle, sliding angle, penetration force, etc.), and the physical property information related to the physical properties of the composition (HLB, static surface tension, dynamic surface tension, contact angle, sliding angle, penetration force, etc.) can be treated as explanatory variables.

また、農薬製剤用界面活性剤組成物を製造する工程に係る工程条件も、農薬製剤用界面活性剤組成物の性能（目的変数）に影響を与えうる。したがって、たとえば、各成分を生じさせる反応における反応方法、反応温度、反応時間、反応圧力、反応容器の容量および形状、攪拌速度、触媒の有無、触媒の種類および濃度、反応雰囲気、ならびに原料を添加する順序などの諸条件や、各成分を混合する際の温度、圧力、容器の容量および形状、攪拌速度、助剤の有無、助剤の種類および濃度、ならびに原料を添加する順序などの諸条件、といった事項が、説明変数になりうる。 In addition, the process conditions for the process of producing the surfactant composition for use in pesticide formulations can also affect the performance (target variable) of the surfactant composition for use in pesticide formulations. Therefore, for example, the explanatory variables can be the reaction method for the reaction that produces each component, the reaction temperature, the reaction time, the reaction pressure, the volume and shape of the reaction vessel, the stirring speed, the presence or absence of a catalyst, the type and concentration of the catalyst, the reaction atmosphere, and the order in which the raw materials are added, as well as the temperature, pressure, volume and shape of the vessel, the stirring speed, the presence or absence of an auxiliary agent, the type and concentration of the auxiliary agent, and the order in which the raw materials are added.

さらに、農薬製剤用界面活性剤組成物を適用する対象の農薬原体および当該農薬原体と併用される添加剤、得られる農薬製剤、ならびに農薬製剤の製造、に係る諸条件を、説明変数とすることも可能である。この種の説明変数としては、農薬原体および添加剤の化学種（化学種情報）および含有割合（割合情報）、農薬製剤の剤形、剤形が液体である場合の粘度、分散粒子の粒子径、ｐＨなど、剤形が固体である場合の粒子径、粒硬度、水中崩壊性、表面平滑性など、農薬製剤の製造に用いる装置およびその運転条件、などが例示される。 Furthermore, the conditions related to the pesticide raw material to which the surfactant composition for pesticide formulations is applied and the additives used in combination with the pesticide raw material, the resulting pesticide formulation, and the manufacture of the pesticide formulation can also be used as explanatory variables. Examples of explanatory variables of this type include the chemical species (chemical species information) and content ratio (ratio information) of the pesticide raw material and additives, the formulation of the pesticide formulation, the viscosity when the formulation is liquid, the particle size of dispersed particles, pH, etc., the particle size, particle hardness, disintegration in water, surface smoothness, etc. when the formulation is solid, the equipment used in the manufacture of the pesticide formulation and its operating conditions, etc.

なお、説明変数は、学習済みモデルを生成するために使用されるので、定量化されていることが好ましい。たとえば、農薬製剤用界面活性剤組成物に含まれる成分（化合物）の化学種により決定づけられる化学種情報を説明変数として取り扱う場合は、化学種の名称を示す文字列を化学種情報としてもよいが、分子記述子を化学種情報とすることが好ましい。分子記述子は、化学種の分子構造をＳＭＩＬＥＳ記法、ＳＭＡＲＴＳ記法、ＩｎＣｈＩ記法、などの記法で表した上で、ＲＤＫｉｔ、Ｄｒａｇｏｎ、などの公知のツールを用いて求めることができる。また、農薬原体および当該農薬原体と併用される添加剤の種類を説明変数として取り扱う場合も、農薬原体および当該農薬原体と併用される添加剤の種類（化学種）を表す分子記述子を用いることが好ましい。 Note that the explanatory variables are preferably quantified because they are used to generate a trained model. For example, when chemical species information determined by the chemical species of the components (compounds) contained in the surfactant composition for pesticide formulation is treated as an explanatory variable, a character string indicating the name of the chemical species may be used as the chemical species information, but it is preferable to use a molecular descriptor as the chemical species information. The molecular descriptor can be obtained by expressing the molecular structure of the chemical species in a notation such as SMILES notation, SMARTS notation, or InChI notation, and then using a known tool such as RDKit or Dragon. In addition, when the type of pesticide raw material and the additive used in combination with the pesticide raw material are treated as explanatory variables, it is preferable to use a molecular descriptor that indicates the type (chemical species) of the pesticide raw material and the additive used in combination with the pesticide raw material.

（目的変数）
農薬製剤用界面活性剤組成物が、農薬原体が均一に分散した農薬製剤を得る目的で使用されるところ、その目的が果たされるか否かを評価した変数が、目的変数である。たとえば、農薬製剤用界面活性剤組成物の、ＨＬＢ、静的表面張力、動的表面張力、接触角、滑落角、浸透力、臨界ミセル濃度、曇点、およびクラフト点は、目的変数として取り扱われうる。また、農薬製剤用界面活性剤組成物を含む農薬製剤の、乳化性、乳化安定性、自己乳化性、再乳化性、製剤安定性、製剤粘度、乳化粒子径、粒子径、粒子成長率、主剤安定性、分散性、分散安定性、希釈分散安定性、水和性、懸垂性、起泡性、崩壊性、製剤硬度、溶出性、拡展性、湿展性、浸透性、造粒性、拡展挙動、色相、除草性、殺虫性、殺菌性、展着性、および浸透移行性も、目的変数として取り扱われうる。 (Objective variable)
The surfactant composition for pesticide formulation is used for the purpose of obtaining a pesticide formulation in which the pesticide raw material is uniformly dispersed, and the variables that evaluate whether or not the purpose is achieved are the objective variables. For example, the HLB, static surface tension, dynamic surface tension, contact angle, sliding angle, penetration force, critical micelle concentration, cloud point, and Krafft point of the surfactant composition for pesticide formulation can be treated as the objective variables. In addition, the emulsifying property, emulsion stability, self-emulsifying property, re-emulsifying property, formulation stability, formulation viscosity, emulsion particle size, particle size, particle growth rate, main agent stability, dispersibility, dispersion stability, dilution dispersion stability, hydration, suspension, foaming property, disintegration, formulation hardness, dissolution, spreading property, wet spreading property, penetration property, granulation property, spreading behavior, color, herbicidal property, insecticidal property, bactericidal property, spreading property, and penetration and migration property of the pesticide formulation containing the surfactant composition for pesticide formulation can also be treated as the objective variables.

上記に例示した項目を含む目的変数を特定する方法は、当該目的変数を一義的に特定できる方法である限りで、特に限定されない。たとえば、ＪＩＳ規格、ＡＳＴＭ規格、ＩＳＯ規格等の工業規格や、取引者間で独自に定めた規格、などが存在する項目を目的変数とする場合は、これらの規格に従って特定される物性値を目的変数とすることができる。また、特に工業規格が存在しない項目であっても、当該項目を一義的に決定できるのであれば、目的変数として取り扱いうる。 The method of identifying the objective variables including the items exemplified above is not particularly limited, so long as the method can uniquely identify the objective variable. For example, when an item for which there exists an industrial standard such as JIS standard, ASTM standard, or ISO standard, or a standard independently determined between traders, is used as the objective variable, the physical property value identified according to these standards can be used as the objective variable. Furthermore, even if there is no particular industrial standard for an item, it can be treated as the objective variable as long as the item can be uniquely determined.

〔学習済みモデル〕
上記に説明した説明変数と目的変数との間には、相関がある。たとえば、農薬製剤の粒子成長率（目的変数の例である。）は、農薬製剤の製剤安定性を評価する指標の一つであり、農薬製剤用界面活性剤組成物のＨＬＢなど（説明変数の例である。）と相関があることが知られている。この例のように、説明変数と目的変数との関係は、理論的または経験的に、知られているか、または予測可能である部分がある。しかし、本実施形態において取扱対象とする農薬製剤用界面活性剤組成物は、多くの場合において数多くの成分の混合物であり、その説明変数は多岐にわたる。そのため、農薬製剤用界面活性剤組成物に係る説明変数と目的変数との相関を人が特定することは非現実的であるか、または非常に困難である。そこで本実施形態では、説明変数と目的変数との複数の組を教師データとして用いて、説明変数から目的変数を推定する学習済みモデルを生成し、これを活用する。 [Pre-trained model]
There is a correlation between the explanatory variables and the objective variables described above. For example, the particle growth rate of the pesticide formulation (an example of the objective variable) is one of the indices for evaluating the formulation stability of the pesticide formulation, and is known to be correlated with the HLB of the surfactant composition for pesticide formulation (an example of the explanatory variable). As in this example, the relationship between the explanatory variables and the objective variables is known or predictable theoretically or empirically. However, the surfactant composition for pesticide formulation that is the subject of the present embodiment is often a mixture of many components, and the explanatory variables are diverse. Therefore, it is unrealistic or very difficult for a person to specify the correlation between the explanatory variables and the objective variables related to the surfactant composition for pesticide formulation. Therefore, in this embodiment, a plurality of pairs of explanatory variables and objective variables are used as teacher data to generate a trained model that estimates the objective variable from the explanatory variable, and this is utilized.

教師データから学習済みモデルを生成する際に使用するアルゴリズムは、特に限定されない。たとえば、サポートベクタマシン（回帰、分類）、決定木、ランダムフォレスト、勾配ブースティング、ロジスティック回帰、ニューラルネットワーク（単純パーセプトロン、多層パーセプトロン）、ガウス過程回帰、ベイジアンネットワーク、ｋ近傍法、ラッソ回帰、重回帰分析、リッジ回帰、エラスティックネット、部分的最小二乗回帰、などが例示されるが、これらに限定されない。 The algorithm used to generate a trained model from training data is not particularly limited. Examples include, but are not limited to, support vector machines (regression, classification), decision trees, random forests, gradient boosting, logistic regression, neural networks (simple perceptron, multi-layer perceptron), Gaussian process regression, Bayesian networks, k-nearest neighbors, Lasso regression, multiple regression analysis, ridge regression, elastic net, partial least squares regression, etc.

〔第一の実施形態〕
第一の実施形態に係る推定方法は、農薬製剤用界面活性剤組成物の性能を推定する推定方法であって、モデル生成工程と推定工程とを備える。なお、第一の実施形態に係る推定方法は、コンピュータを用いて実施される。 [First embodiment]
The estimation method according to the first embodiment is a method for estimating the performance of a surfactant composition for agricultural chemical formulation, and includes a model generation step and an estimation step. The estimation method according to the first embodiment is performed using a computer.

モデル生成工程は、説明変数から目的変数を推定する学習済みモデルを生成する工程である。第一の実施形態では、説明変数と目的変数との対応関係が実験やシミュレーションなどの方法によって明らかにされているデータ群を、教師データとして使用する。 The model generation process is a process of generating a trained model that estimates the objective variable from the explanatory variables. In the first embodiment, a group of data in which the correspondence between the explanatory variables and the objective variable has been clarified by a method such as an experiment or a simulation is used as training data.

教師データを実験によって得る場合、まず、製造条件、すなわち説明変数が異なる農薬製剤用界面活性剤組成物を複数作製する。このとき、説明変数として使用する製造条件を記録しておく。次に、作製した複数の農薬製剤用界面活性剤組成物について、当該農薬製剤用界面活性剤組成物に要求される性能を表す物性値、すなわち目的変数を測定し、これを記録する。以上の操作により、説明変数と目的変数との複数の組である教師データが得られる。なお、教師データを構成する変数の一部または全部をシミュレーションによって得てもよいが、学習済みモデルを利用することなく説明変数と目的変数との関係を明らかにできるのであれば、学習済みモデルを生成する利益が小さいことに留意するべきである。 When obtaining training data through experiments, first, multiple surfactant compositions for pesticide formulations with different manufacturing conditions, i.e., different explanatory variables, are prepared. At this time, the manufacturing conditions used as explanatory variables are recorded. Next, for the multiple surfactant compositions for pesticide formulations prepared, the physical property values that represent the performance required of the surfactant composition for pesticide formulations, i.e., the objective variables, are measured and recorded. Through the above operations, training data, which are multiple pairs of explanatory variables and objective variables, are obtained. Note that some or all of the variables that make up the training data may be obtained by simulation, but if the relationship between the explanatory variables and the objective variables can be clarified without using a trained model, it should be noted that there is little benefit in generating a trained model.

得るべき教師データの数は、使用する説明変数と目的変数との組合せ、要求される推定の精度、学習済みモデルを生成する際に使用するアルゴリズム、などに応じて適宜決定されうる。 The amount of training data to be obtained can be determined appropriately depending on the combination of explanatory variables and objective variables used, the required accuracy of estimation, the algorithm used to generate the trained model, etc.

モデル生成工程において、説明変数が、農薬製剤用界面活性剤組成物に含まれる化合物の化学種により決定づけられる化学種情報と、前記化合物のそれぞれの含有割合を特定する割合情報と、を含むことが好ましい。農薬製剤用界面活性剤組成物に含まれる化合物の化学種およびその含有割合は、農薬製剤用界面活性剤組成物の性能を決定づける要素として特に支配的だからである。また、前述のように化学種の分子構造から求められる分子記述子を化学種情報とすると、好適な目的変数を与えうる化学種を体系的に理解できるため、より好ましい。 In the model generation process, it is preferable that the explanatory variables include chemical species information determined by the chemical species of the compounds contained in the surfactant composition for use in pesticide formulations, and ratio information specifying the content ratio of each of the compounds. This is because the chemical species of the compounds contained in the surfactant composition for use in pesticide formulations and their content ratios are particularly dominant factors that determine the performance of the surfactant composition for use in pesticide formulations. In addition, as described above, it is more preferable to use molecular descriptors obtained from the molecular structures of the chemical species as the chemical species information, since this allows for a systematic understanding of chemical species that can provide suitable objective variables.

目的変数は、本実施形態に係る推定方法の目的に応じた物性値が選択されうる。上記に例示した物性値は、いずれも本実施形態に係る推定方法における目的変数の好ましい例である。 The objective variable may be selected from physical property values according to the purpose of the estimation method according to this embodiment. All of the physical property values exemplified above are preferred examples of objective variables in the estimation method according to this embodiment.

得られた教師データに対して上記のアルゴリズムを適用して、学習済みモデルを得る。典型的には、得られた教師データの一部を訓練データとして学習済みモデルを得るとともに、残りをテストデータとして得られた学習済みモデルの検証を行う。このとき、得られた学習済みモデルの妥当性が低い場合は、学習に用いる説明変数の数を変更する、説明変数に主成分分析等による次元削減を施す、教師データを追加または変更する、アルゴリズムを適用する際のパラメータを変更する、などの措置を行い、学習済みモデルの妥当性の向上を図る。なお、教師データに対して適宜前処理を加えてもよい。 The above algorithm is applied to the obtained training data to obtain a trained model. Typically, a trained model is obtained using part of the obtained training data, and the remaining training data is used to verify the trained model. At this time, if the validity of the trained model obtained is low, measures such as changing the number of explanatory variables used in training, performing dimensionality reduction on the explanatory variables using principal component analysis, adding or changing training data, and changing the parameters when applying the algorithm can be taken to improve the validity of the trained model. Note that preprocessing may be applied to the training data as appropriate.

推定工程は、生成工程において生成した学習済みモデルを用いて、性能を推定する対象とする農薬製剤用界面活性剤組成物の製造条件（以下、所与の製造条件と称する。）を示す説明変数から、当該農薬製剤用界面活性剤組成物の性能を示す目的変数の推定値を出力する工程である。 The estimation process is a process of outputting an estimate of a response variable indicating the performance of a surfactant composition for use in an agrochemical formulation, from explanatory variables indicating the manufacturing conditions (hereinafter referred to as given manufacturing conditions) of the surfactant composition for use in an agrochemical formulation, the performance of which is to be estimated, using the trained model generated in the generation process.

従来は、所与の製造条件により得られる農薬製剤用界面活性剤組成物の性能を検証するためには、実際に農薬製剤用界面活性剤組成物および農薬製剤を製造して物性値を測定する必要があった。一方、本実施形態によれば、所与の製造条件により得られる農薬製剤用界面活性剤組成物の目的変数を、学習モデルを用いて推定するので、当該農薬製剤用界面活性剤組成物の性能を、農薬製剤用界面活性剤組成物および農薬製剤の製造および物性測定を行うことなく検証できる。これによって、好適な農薬製剤用界面活性剤組成物の製造条件を決定するための試行錯誤を短縮しうる。 Conventionally, in order to verify the performance of a surfactant composition for use in pesticide formulations obtained under given manufacturing conditions, it was necessary to actually manufacture the surfactant composition for use in pesticide formulations and the pesticide formulation and measure the physical properties. On the other hand, according to the present embodiment, the objective variable of the surfactant composition for use in pesticide formulations obtained under given manufacturing conditions is estimated using a learning model, so that the performance of the surfactant composition for use in pesticide formulations can be verified without manufacturing the surfactant composition for use in pesticide formulations and the pesticide formulations and measuring their physical properties. This can shorten the trial and error required to determine suitable manufacturing conditions for a surfactant composition for use in pesticide formulations.

なお、上記の生成工程および推定工程に対応する機能をコンピュータに実現させうる推定プログラムも、本発明の一つの実施形態である。また、この推定プログラムを記憶している記憶装置、および、この推定プログラムを実行する演算装置、を備える推定装置も、本発明の一つの実施形態である。 An estimation program that can cause a computer to realize functions corresponding to the generation process and estimation process described above is also one embodiment of the present invention. Also, an estimation device that includes a storage device that stores this estimation program and a computing device that executes this estimation program is also one embodiment of the present invention.

〔第二の実施形態〕
第二の実施形態に係る推定方法は、複数の説明変数の候補の中から、所定の基準を満たす農薬製剤用界面活性剤組成物を得るための製造条件に係る説明変数を解として出力する推定方法であって、生成工程、推定工程、および出力工程を備える。なお、第二の実施形態に係る推定方法は、コンピュータを用いて実施される。 Second Embodiment
The estimation method according to the second embodiment is an estimation method for outputting explanatory variables related to manufacturing conditions for obtaining a surfactant composition for an agrochemical formulation that satisfies a predetermined standard from among a plurality of explanatory variable candidates as a solution, and includes a generating step, an estimating step, and an outputting step. Note that the estimation method according to the second embodiment is implemented using a computer.

第二の実施形態に係る推定方法では、生成済みの学習済みモデルを使用する。ここでは、第一の実施形態に係る推定方法のモデル生成工程において生成された学習済みモデルを使用するものとして説明する。 The estimation method according to the second embodiment uses a trained model that has already been generated. Here, we will explain the use of a trained model that was generated in the model generation process of the estimation method according to the first embodiment.

生成工程は、農薬製剤用界面活性剤組成物の製造条件を示す説明変数を複数生成する工程である。本実施形態に係る推定方法では、最終的に、所定の基準を満たす農薬製剤用界面活性剤組成物を得るための製造条件に係る説明変数を解として出力することになるが、生成工程ではその候補群となる説明変数を生成する。 The generation process is a process for generating multiple explanatory variables that indicate the manufacturing conditions of the surfactant composition for use in an agrochemical formulation. In the estimation method according to this embodiment, explanatory variables related to the manufacturing conditions for obtaining a surfactant composition for use in an agrochemical formulation that satisfies a predetermined standard are ultimately output as a solution, and the generation process generates explanatory variables that are candidates for this solution.

生成工程において説明変数を複数生成する方法、および生成される説明変数の数は特に限定されない。ただし、生成工程において生成する説明変数が多いほど、推定工程および出力工程における演算処理量が増加する一方で、好適な解が得られる可能性が高くなる。説明変数の生成は、人為的な方法により、または演算処理により実施されうるが、これらに限定されない。 There are no particular limitations on the method of generating multiple explanatory variables in the generation process, or the number of explanatory variables generated. However, the more explanatory variables generated in the generation process, the greater the likelihood of obtaining a suitable solution, while increasing the amount of computational processing in the estimation process and output process. The generation of explanatory variables can be performed by, but is not limited to, an artificial method or computational processing.

推定工程は、学習済みモデルを用いて、生成工程において生成した複数の説明変数から推定される複数の目的変数を出力する工程である。第一の実施形態における推定工程と比較すると、学習済みモデルに与えられる説明変数の出自に差があるが、学習済みモデルに説明変数を与えて目的変数の推定値を得る、という手順自体は同一である。 The estimation process is a process of outputting, using a trained model, multiple objective variables estimated from the multiple explanatory variables generated in the generation process. Compared to the estimation process in the first embodiment, there is a difference in the origin of the explanatory variables given to the trained model, but the procedure itself of giving explanatory variables to the trained model and obtaining estimates of the objective variables is the same.

出力工程は、所定の基準を満たす農薬製剤用界面活性剤組成物を得るための製造条件に係る説明変数を解として出力する工程である。所定の基準は、たとえば、農薬製剤用界面活性剤組成物に望まれる性能に基づいて決定される基準である。出力工程において出力される解は、一例として、単数または複数の所定の物性値（目的変数）が所定の基準値を超える農薬製剤用界面活性剤組成物の製造条件を示す説明変数、所定の物性値（目的変数）についての順位が所定の基準値を超える農薬製剤用界面活性剤組成物の製造条件を示す説明変数、などの基準で選択された説明変数でありうる。 The output step is a step of outputting explanatory variables related to the manufacturing conditions for obtaining a surfactant composition for use in an agrochemical formulation that satisfies a predetermined standard as a solution. The predetermined standard is, for example, a standard determined based on the performance desired for the surfactant composition for use in an agrochemical formulation. The solution output in the output step may be, for example, explanatory variables selected based on a standard such as explanatory variables indicating the manufacturing conditions for a surfactant composition for use in an agrochemical formulation under which one or more predetermined physical property values (objective variables) exceed a predetermined standard value, explanatory variables indicating the manufacturing conditions for a surfactant composition for use in an agrochemical formulation under which the rank for a predetermined physical property value (objective variable) exceeds a predetermined standard value, etc.

出力工程では、まず、推定工程において出力された複数の説明変数のうち、所定の基準を満たす目的変数を特定する。次に、特定された目的変数について、その目的変数を出力するために学習済みモデルに入力された説明変数を特定する。そして、ここで特定された説明変数が、解として出力される。 In the output process, first, from among the multiple explanatory variables output in the estimation process, a target variable that meets a predetermined criterion is identified. Next, for the identified target variable, the explanatory variables that were input to the trained model to output that target variable are identified. The explanatory variables identified here are then output as the solution.

従来は、所望の性能を発揮する農薬製剤用界面活性剤組成物を得るためには、種々の製造条件による種々の農薬製剤用界面活性剤組成物および農薬製剤を製造して物性値を測定し、製造条件と性能との相関を明らかにして、好適な製造条件を特定する必要があった。一方、本実施形態によれば、所望の性能を発揮する農薬製剤用界面活性剤組成物が得られうる製造条件（説明変数）を、学習モデルを用いて推定するので、農薬製剤用界面活性剤組成物および農薬製剤の製造および物性測定を行うことなく好適な製造条件を特定しうる。これによって、好適な農薬製剤用界面活性剤組成物の製造条件を決定するための試行錯誤を短縮しうる。 Conventionally, in order to obtain a surfactant composition for use in pesticide formulations that exhibits the desired performance, it was necessary to produce various surfactant compositions for use in pesticide formulations and pesticide formulations under various production conditions, measure the physical properties, clarify the correlation between the production conditions and performance, and identify suitable production conditions. On the other hand, according to the present embodiment, the production conditions (explanatory variables) under which a surfactant composition for use in pesticide formulations that exhibits the desired performance can be obtained are estimated using a learning model, so that suitable production conditions can be identified without producing a surfactant composition for use in pesticide formulations and measuring the physical properties of the pesticide formulations. This can shorten the trial and error required to determine suitable production conditions for a surfactant composition for use in pesticide formulations.

なお、上記の生成工程、推定工程、および出力工程に対応する機能をコンピュータに実現させうる推定プログラムも、本発明の一つの実施形態である。また、この推定プログラムを記憶している記憶装置、および、この推定プログラムを実行する演算装置、を備える推定装置も、本発明の一つの実施形態である。さらに、上記の生成工程、推定工程、および出力工程に加えて、出力工程において解として出力された説明変数に基づいて農薬製剤用界面活性剤組成物を製造する製造工程を備える製造方法によって農薬製剤用界面活性剤組成物が製造された場合、その農薬製剤用界面活性剤組成物も本発明の一つの実施形態である。さらに、製造された農薬製剤用界面活性剤組成物を含む農薬製剤も本発明の一つの実施形態でありうる。 Note that an estimation program that can cause a computer to realize the functions corresponding to the above-mentioned generating step, estimating step, and outputting step is also an embodiment of the present invention. Also, an estimation device that includes a storage device that stores this estimation program and a computing device that executes this estimation program is also an embodiment of the present invention. Furthermore, when a surfactant composition for pesticide formulations is produced by a production method that includes a production step of producing a surfactant composition for pesticide formulations based on explanatory variables output as a solution in the outputting step in addition to the above-mentioned generating step, estimating step, and outputting step, the surfactant composition for pesticide formulations is also an embodiment of the present invention. Furthermore, a pesticide formulation containing the produced surfactant composition for pesticide formulations may also be an embodiment of the present invention.

（変形例１：最適化アルゴリズムの利用）
より好適な解を得るためには、生成工程および推定工程を複数回実行することが好ましい。一例として、遺伝的アルゴリズム（最適化アルゴリズムの一例である。）を用いる方法を説明する。 (Variation 1: Use of an optimization algorithm)
In order to obtain a more suitable solution, it is preferable to execute the generating step and the estimating step a number of times. As an example, a method using a genetic algorithm (which is an example of an optimization algorithm) will be described.

一回目の生成工程および推定工程の手順は、上記の説明の通りである。ここで、一回目の生成工程において生成された説明変数の群を第一世代の説明変数群といい、一回目の推定工程において出力された目的変数の群を第一世代の目的変数群ということにする。ここで、第一世代の目的変数群のうち、出力工程における所定の基準への適応度が上位にある所定数の目的変数を特定し、特定された目的変数を与える説明変数の群を特定する。これを、第一世代の解ということにする。なお、以降もｎ回目に生成される説明変数群、目的変数群、および解について、第ｎ世代の用語を用いる。 The procedures for the first generation process and estimation process are as described above. Here, the group of explanatory variables generated in the first generation process is referred to as the first-generation explanatory variable group, and the group of objective variables output in the first estimation process is referred to as the first-generation objective variable group. Here, from the first-generation objective variable group, a predetermined number of objective variables that rank highly in fitness to a predetermined criterion in the output process are identified, and a group of explanatory variables that give the identified objective variables is identified. This is referred to as the first-generation solution. Note that hereafter, the term nth generation will be used to refer to the explanatory variable group, objective variable group, and solution generated the nth time.

第一世代の解は、第一世代の説明変数群のうち好適な性能（目的変数）の農薬製剤用界面活性剤組成物を与える説明変数の群であるから、第一世代の解が得られている時点で、好適な製造条件がある程度絞り込まれているといえる。その一方で、第一世代の解は、あくまで第一世代の説明変数群から選択された好適範囲であり、取りうる説明変数群の全体に対する好適範囲ではない。そのため、第一世代の説明変数群自体が好適な範囲を大きく外れている場合は、第一世代の解は、取りうる説明変数群の全体の中では、それほど好適な範囲だと言えない可能性がある。また、第一世代の解の中においても、最適化の余地が残されている場合がある。 The first-generation solution is a group of explanatory variables that gives a surfactant composition for pesticide formulations with suitable performance (target variable) among the group of first-generation explanatory variables, so it can be said that the suitable manufacturing conditions have been narrowed down to a certain extent by the time the first-generation solution is obtained. On the other hand, the first-generation solution is merely a suitable range selected from the group of first-generation explanatory variables, and is not a suitable range for the entire group of possible explanatory variables. Therefore, if the group of first-generation explanatory variables itself is significantly outside the suitable range, the first-generation solution may not be said to be in a particularly suitable range among the entire group of possible explanatory variables. In addition, there may be room for optimization even within the first-generation solution.

そこで、二回目の生成工程では、第一世代の解に基づいて再び説明変数群（第二世代の説明変数群）を複数生成する。具体的には、第一世代の解を中心として探索範囲を広げる形で、説明変数群を生成する。すなわち、第一世代の説明変数群が、手がかりがない、または手がかりが乏しい状態で取りうる説明変数群の全体から網羅的に抽出された説明変数の候補であるのに対し、第二世代の説明変数群は、第一世代の解という一応の指針に基づいて絞り込まれた範囲から抽出された説明変数の候補である。したがって、第二世代の説明変数群は、第一世代の説明変数群に比べて、より好適な解を含む期待度が高いといえる。 Therefore, in the second generation process, multiple explanatory variable groups (second-generation explanatory variable groups) are generated again based on the first-generation solution. Specifically, explanatory variable groups are generated by expanding the search range centered on the first-generation solution. In other words, the first-generation explanatory variable groups are candidates for explanatory variables that are comprehensively extracted from the entire set of explanatory variables that can be taken in a state where there are no clues or few clues, whereas the second-generation explanatory variable groups are candidates for explanatory variables that are extracted from a narrowed-down range based on the first-generation solution as a tentative guideline. Therefore, it can be said that the second-generation explanatory variable groups are more likely to include a more suitable solution than the first-generation explanatory variable groups.

このように生成された第二世代の説明変数群を用いて二回目の推定工程を実施すると、第二世代の目的変数群が得られる。また、一回目と同様に、第二世代の解も得られる。以下同様に、生成工程と推定工程とを繰り返して、第三世代、第四世代と順次世代を重ねていくと、得られる解がより好適な範囲に絞り込まれることを期待できる。 By carrying out the second estimation process using the second-generation explanatory variables generated in this way, a second-generation target variable group is obtained. As in the first process, a second-generation solution is also obtained. By repeating the generation and estimation processes in the same manner, and stacking the third, fourth, and subsequent generations, it is expected that the obtained solution will be narrowed down to a more suitable range.

なお、ここまで最適化アルゴリズムの一例として遺伝的アルゴリズムを適用した例を説明したが、利用可能な最適化アルゴリズムは遺伝的アルゴリズムに限定されない。たとえば、ベイズ最適化、最急降下法なども、利用可能な最適化アルゴリズムの例である。 Up to this point, we have explained an example of applying a genetic algorithm as an optimization algorithm, but the optimization algorithms that can be used are not limited to genetic algorithms. For example, Bayesian optimization and steepest descent method are also examples of optimization algorithms that can be used.

（変形例２：学習済みモデルの再生成）
上記のように生成工程、推定工程、および出力工程を実施すると、解（第一の解と称する。）として説明変数が出力される。ここで出力される説明変数は、好適な性能（目的変数）の農薬製剤用界面活性剤組成物の製造条件を示すことが期待されるものではあるが、実際に当該製造条件により製造された農薬製剤用界面活性剤組成物が、実際には好適な性能を発現しない場合がある。この場合は、学習済みモデルの精度に改善の余地があるといえる。 (Variation 2: Regeneration of trained model)
When the generating step, the estimating step, and the outputting step are performed as described above, explanatory variables are output as a solution (referred to as a first solution). The explanatory variables output here are expected to indicate the manufacturing conditions of a surfactant composition for pesticide formulations with favorable performance (objective variable), but the surfactant composition for pesticide formulations actually manufactured under the manufacturing conditions may not actually exhibit favorable performance. In this case, it can be said that there is room for improvement in the accuracy of the trained model.

そこで、モデル再生成工程をさらに実施することが好ましい。モデル再生成工程は、第一の解として出力された説明変数と、当該説明変数が示す製造条件により製造される農薬製剤用界面活性剤組成物の性能を示す目的変数と、の組を教師データに加えて、学習済みモデルを再生成する工程である。すなわち、第一の解として出力された説明変数に対する実際の評価（典型的には実験的な実証）を加えて、その結果を反映して学習済みデータを再生成（更新）するのである。 Therefore, it is preferable to further carry out a model regeneration step. The model regeneration step is a step of regenerating the trained model by adding to the training data a set of explanatory variables output as the first solution and a target variable indicating the performance of the surfactant composition for pesticide formulations manufactured under the manufacturing conditions indicated by the explanatory variables. In other words, an actual evaluation (typically experimental verification) of the explanatory variables output as the first solution is added, and the trained data is regenerated (updated) to reflect the results.

なお、再生成工程を実施して学習済みモデルを再生成したのちは、生成工程、推定工程、および出力工程を再度実施して、再び解（第二の解と称する。）を得てもよい。再生成工程を経て学習済みモデルを再生成しているので、第二の解は、第一の解とは異なる可能性がある。そして、再生成工程を経て学習済みモデルの精度が向上していることが期待されるので、第二の解は、第一の解に比べてより好適な解であることが期待される。 After performing the regeneration process to regenerate the trained model, the generation process, estimation process, and output process may be performed again to obtain a solution (referred to as the second solution) again. Because the trained model is regenerated through the regeneration process, the second solution may differ from the first solution. And, because the accuracy of the trained model is expected to be improved through the regeneration process, the second solution is expected to be a more preferable solution than the first solution.

なお、第二の解によっても満足な性能が得られない場合は、第二の解として出力された説明変数と、当該説明変数が示す製造条件により製造される農薬製剤用界面活性剤組成物の性能を示す目的変数と、の組を用いてモデル再生成工程を再び行えばよい。すなわち、解の出力、解の検証、および、検証結果の学習済みモデルへのフィードバック、を繰り返して、学習済みモデルの精度を向上できる。 If satisfactory performance is not obtained even with the second solution, the model regeneration process can be performed again using a set of explanatory variables output as the second solution and a target variable indicating the performance of the surfactant composition for pesticide formulations manufactured under the manufacturing conditions indicated by the explanatory variables. In other words, the accuracy of the trained model can be improved by repeating the process of outputting the solution, verifying the solution, and feeding back the verification results to the trained model.

第一の変形例（最適化アルゴリズムの利用）と第二の変形例（学習済みモデルの再生成）とは、同時に適用されうる。この場合は、たとえば、生成工程、推定工程、および出力工程の組を複数世代繰り返して解を得る段階と、得られた解を用いて再生成工程を行なって学習済みモデルを更新する段階と、を交互に繰り返す。 The first modified example (use of an optimization algorithm) and the second modified example (regeneration of a trained model) can be applied simultaneously. In this case, for example, a step of obtaining a solution by repeating a set of a generation step, an estimation step, and an output step for multiple generations, and a step of performing a regeneration step using the obtained solution to update the trained model are repeated alternately.

〔農薬製剤用界面活性剤組成物および農薬製剤〕
上記の第二の実施形態に係る推定方法によって出力された説明変数によって特定される製造方法に従って製造される農薬製剤用界面活性剤組成物は、本発明に係る農薬製剤用界面活性剤組成物の一実施形態である。また、当該農薬製剤用界面活性剤組成物を含む農薬製剤は、本発明に係る農薬製剤の一実施形態である。 [Surfactant composition for pesticide formulations and pesticide formulations]
The surfactant composition for use in pesticide formulations produced according to the production method specified by the explanatory variables output by the estimation method according to the second embodiment is one embodiment of the surfactant composition for use in pesticide formulations according to the present invention. Also, a pesticide formulation containing the surfactant composition for use in pesticide formulations is one embodiment of the pesticide formulation according to the present invention.

〔その他の実施形態〕
本発明は、一態様として、農薬製剤用界面活性剤組成物の特性を推定する推定方法であって、農薬製剤用界面活性剤組成物の製造条件を示す説明変数と、当該農薬製剤用界面活性剤組成物の特性を示す目的変数と、の複数の組を教師データとして用いて、前記説明変数から前記目的変数を推定する学習済みモデルを生成するモデル生成工程と、前記学習済みモデルを用いて、特性を推定する対象とする農薬製剤用界面活性剤組成物の製造条件を示す説明変数から、当該農薬製剤用界面活性剤組成物の特性を示す目的変数の推定値を出力する推定工程と、を備えることを特徴とする推定方法でありうる。 Other embodiments
As one aspect, the present invention can be a method for estimating characteristics of a surfactant composition for use in an agrochemical formulation, the method comprising: a model generation step of using, as training data, a plurality of pairs of explanatory variables indicating production conditions of a surfactant composition for use in an agrochemical formulation and a response variable indicating characteristics of the surfactant composition for use in an agrochemical formulation, to generate a trained model that estimates the response variable from the explanatory variables; and an estimation step of using the trained model to output an estimate of the response variable indicating characteristics of the surfactant composition for use in an agrochemical formulation, from the explanatory variables indicating production conditions of the surfactant composition for use in an agrochemical formulation, whose characteristics are to be estimated.

当該推定方法は、一態様として、前記目的変数が、農薬製剤用界面活性剤組成物を含む農薬製剤の、乳化性、乳化安定性、自己乳化性、再乳化性、製剤安定性、製剤粘度、乳化粒子径、粒子径、粒子成長率、主剤安定性、分散性、分散安定性、希釈分散安定性、水和性、懸垂性、起泡性、崩壊性、製剤硬度、溶出性、拡展性、湿展性、浸透性、造粒性、拡展挙動、色相、除草性、殺虫性、殺菌性、展着性、および浸透移行性からなる群から選択される少なくとも一つの物性値を含むものでありうる。 In one embodiment of the estimation method, the objective variable may include at least one physical property value selected from the group consisting of emulsifying property, emulsion stability, self-emulsifying property, re-emulsifying property, formulation stability, formulation viscosity, emulsion particle size, particle size, particle growth rate, base stability, dispersibility, dispersion stability, dilution dispersion stability, hydration, suspension property, foaming property, disintegration property, formulation hardness, dissolution property, spreading property, wet spreading property, penetration property, granulation property, spreading behavior, hue, herbicidal property, insecticidal property, fungicidal property, spreading property, and penetration and migration property of an agrochemical formulation containing a surfactant composition for agrochemical formulations.

本発明は、一態様として、農薬製剤用界面活性剤組成物の性能を推定する推定プログラムであって、コンピュータによって実行されたときに、当該コンピュータに、農薬製剤用界面活性剤組成物の製造条件を示す説明変数と、当該農薬製剤用界面活性剤組成物の性能を示す目的変数と、の複数の組を教師データとして用いて、前記説明変数から前記目的変数を推定する学習済みモデルを生成するモデル生成機能と、前記学習済みモデルを用いて、性能を推定する対象とする農薬製剤用界面活性剤組成物の製造条件を示す説明変数から、当該農薬製剤用界面活性剤組成物の性能を示す目的変数の推定値を出力する推定機能と、を実現させることを特徴とする推定プログラムでありうる。 In one aspect, the present invention may be an estimation program for estimating the performance of a surfactant composition for use in an agrochemical formulation, which, when executed by a computer, causes the computer to realize a model generation function for generating a trained model that estimates the objective variable from the explanatory variables using multiple pairs of explanatory variables indicating the manufacturing conditions of the surfactant composition for use in an agrochemical formulation and an objective variable indicating the performance of the surfactant composition for use in an agrochemical formulation as training data, and an estimation function for outputting an estimate of the objective variable indicating the performance of the surfactant composition for use in an agrochemical formulation from the explanatory variables indicating the manufacturing conditions of the surfactant composition for use in an agrochemical formulation, using the trained model.

本発明は、一態様として、演算装置および記憶装置を備える推定装置であって、前記記憶装置が、推定プログラムを記憶しており、前記推定プログラムは、前記演算装置によって実行されたときに、当該演算装置に、農薬製剤用界面活性剤組成物の製造条件を示す説明変数と、当該農薬製剤用界面活性剤組成物の性能を示す目的変数と、の複数の組を教師データとして用いて、前記説明変数から前記目的変数を推定する学習済みモデルを生成するモデル生成機能と、前記学習済みモデルを用いて、性能を推定する対象とする農薬製剤用界面活性剤組成物の製造条件を示す説明変数から、当該農薬製剤用界面活性剤組成物の性能を示す目的変数の推定値を出力する推定機能と、を実現させることを特徴とする推定装置でありうる。 In one aspect, the present invention may be an estimation device including a calculation device and a storage device, the storage device storing an estimation program, and the estimation program, when executed by the calculation device, causes the calculation device to realize a model generation function of using multiple pairs of explanatory variables indicating the manufacturing conditions of a surfactant composition for use in an agrochemical formulation and an objective variable indicating the performance of the surfactant composition for use in an agrochemical formulation as training data to generate a trained model that estimates the objective variable from the explanatory variables, and an estimation function of using the trained model to output an estimate of the objective variable indicating the performance of the surfactant composition for use in an agrochemical formulation from the explanatory variables indicating the manufacturing conditions of the surfactant composition for use in an agrochemical formulation, the performance of which is to be estimated.

本発明は、一態様として、農薬製剤用界面活性剤組成物の製造条件を示す説明変数を複数生成する生成工程と、農薬製剤用界面活性剤組成物の製造条件を示す説明変数と、当該農薬製剤用界面活性剤組成物の性能を示す目的変数と、の複数の組を教師データとして用いて生成された学習済みモデルを用いて、前記生成工程において生成した複数の説明変数から推定される複数の目的変数を出力する推定工程と、所定の基準に基づいて、前記推定工程において出力された複数の目的変数のうちの所定の基準を満たす目的変数を特定し、前記生成工程において生成された複数の説明変数のうちの、当該所定の基準を満たす目的変数を出力する際に用いられた説明変数を解として出力する出力工程と、を備えることを特徴とする推定方法でありうる。 In one aspect, the present invention may be an estimation method that includes a generation step of generating multiple explanatory variables that indicate the manufacturing conditions of a surfactant composition for use in an agrochemical formulation; an estimation step of outputting multiple objective variables estimated from the multiple explanatory variables generated in the generation step using a trained model generated using multiple pairs of explanatory variables that indicate the manufacturing conditions of the surfactant composition for use in an agrochemical formulation and an objective variable that indicates the performance of the surfactant composition for use in an agrochemical formulation as training data; and an output step of identifying an objective variable that satisfies a predetermined criterion among the multiple objective variables output in the estimation step based on a predetermined criterion, and outputting, as a solution, the explanatory variables used when outputting the objective variable that satisfies the predetermined criterion among the multiple explanatory variables generated in the generation step.

本発明は、一態様として、コンピュータによって実行されたときに、当該コンピュータに、農薬製剤用界面活性剤組成物の製造条件を示す説明変数を複数生成する生成機能と、農薬製剤用界面活性剤組成物の製造条件を示す説明変数と、当該農薬製剤用界面活性剤組成物の性能を示す目的変数と、の複数の組を教師データとして用いて生成された学習済みモデルを用いて、前記生成機能によって生成した複数の説明変数から推定される複数の目的変数を出力する推定機能と、所定の基準に基づいて、前記推定機能によって出力された複数の目的変数のうちの最良の目的変数を特定し、前記生成機能によって生成された複数の説明変数のうちの、当該最良の目的変数を出力する際に用いられた説明変数を解として出力する出力機能と、を実現させることを特徴とする推定プログラムでありうる。 In one aspect, the present invention may be an estimation program that, when executed by a computer, causes the computer to realize a generation function that generates multiple explanatory variables indicating the manufacturing conditions of a surfactant composition for use in an agrochemical formulation; an estimation function that outputs multiple objective variables estimated from the multiple explanatory variables generated by the generation function using a trained model generated using multiple pairs of explanatory variables indicating the manufacturing conditions of a surfactant composition for use in an agrochemical formulation and an objective variable indicating the performance of the surfactant composition for use in an agrochemical formulation as training data; and an output function that identifies the best objective variable among the multiple objective variables output by the estimation function based on a predetermined criterion, and outputs the explanatory variable used when outputting the best objective variable among the multiple explanatory variables generated by the generation function as a solution.

本発明は、一態様として、演算装置および記憶装置を備える推定装置であって、前記記憶装置が、推定プログラムを記憶しており、前記推定プログラムは、コンピュータによって実行されたときに、当該コンピュータに、農薬製剤用界面活性剤組成物の製造条件を示す説明変数を複数生成する生成機能と、農薬製剤用界面活性剤組成物の製造条件を示す説明変数と、当該農薬製剤用界面活性剤組成物の性能を示す目的変数と、の複数の組を教師データとして用いて生成された学習済みモデルを用いて、前記生成機能によって生成した複数の説明変数から推定される複数の目的変数を出力する推定機能と、所定の基準に基づいて、前記推定機能によって出力された複数の目的変数のうちの最良の目的変数を特定し、前記生成機能によって生成された複数の説明変数のうちの、当該最良の目的変数を生成する際に用いられた説明変数を解として出力する出力機能と、を実現させることを特徴とする推定装置でありうる。 In one aspect, the present invention is an estimation device including a calculation device and a storage device, the storage device storing an estimation program, and the estimation program, when executed by a computer, causes the computer to realize the following: a generation function for generating multiple explanatory variables indicating the manufacturing conditions of a surfactant composition for use in an agrochemical formulation; an estimation function for outputting multiple objective variables estimated from the multiple explanatory variables generated by the generation function using a trained model generated using multiple sets of explanatory variables indicating the manufacturing conditions of the surfactant composition for use in an agrochemical formulation and an objective variable indicating the performance of the surfactant composition for use in an agrochemical formulation as training data; and an output function for identifying the best objective variable among the multiple objective variables output by the estimation function based on a predetermined criterion, and outputting the explanatory variable used in generating the best objective variable among the multiple explanatory variables generated by the generation function as a solution.

本発明は、一態様として、農薬製剤用界面活性剤組成物の製造条件を示す説明変数を複数生成する生成工程と、農薬製剤用界面活性剤組成物の製造条件を示す説明変数と、当該農薬製剤用界面活性剤組成物の性能を示す目的変数と、の複数の組を教師データとして用いて生成された学習済みモデルを用いて、前記生成工程において生成した複数の説明変数から推定される複数の目的変数を出力する推定工程と、所定の基準に基づいて、前記推定工程において出力された複数の目的変数のうちの所定の基準を満たす目的変数を特定し、前記生成工程において生成された複数の説明変数のうちの、当該定の基準を満たす目的変数を出力する際に用いられた説明変数を解として出力する出力工程と、前記出力工程において解として出力された説明変数に基づいて、農薬製剤用界面活性剤組成物を製造する製造工程と、を備える製造方法によって製造されることを特徴とする農薬製剤用界面活性剤組成物でありうる。 In one aspect, the present invention may be a surfactant composition for use in pesticide formulations, which is produced by a production method including: a generation step of generating a plurality of explanatory variables indicating the production conditions of the surfactant composition for use in pesticide formulations; an estimation step of outputting a plurality of objective variables estimated from the plurality of explanatory variables generated in the generation step using a trained model generated using a plurality of pairs of explanatory variables indicating the production conditions of the surfactant composition for use in pesticide formulations and objective variables indicating the performance of the surfactant composition for use in pesticide formulations as training data; an output step of identifying an objective variable that satisfies a predetermined criterion among the plurality of objective variables output in the estimation step based on a predetermined criterion, and outputting, as a solution, the explanatory variable used when outputting the objective variable that satisfies the predetermined criterion among the plurality of explanatory variables generated in the generation step; and a production step of producing the surfactant composition for use in pesticide formulations based on the explanatory variables output as a solution in the output step.

本発明は、一態様として、農薬製剤用界面活性剤組成物の製造条件を示す説明変数をコンピュータに複数生成させる生成工程と、農薬製剤用界面活性剤組成物の製造条件を示す説明変数と、当該農薬製剤用界面活性剤組成物の性能を示す目的変数と、の複数の組を教師データとして用いて生成された学習済みモデルを用いて、前記生成工程において生成した複数の説明変数から推定される複数の目的変数を前記コンピュータに出力させる推定工程と、所定の基準に基づいて、前記推定工程において出力された複数の目的変数のうちの所定の基準を満たす目的変数を特定し、前記生成工程において生成された複数の説明変数のうちの、当該所定の基準を満たす目的変数を出力する際に用いられた説明変数を解として前記コンピュータに出力させる出力工程と、前記出力工程において前記コンピュータに解として出力させた説明変数に基づいて、農薬製剤用界面活性剤組成物を製造する製造工程と、を備える製造方法によって製造され、前記目的変数が、前記農薬製剤用界面活性剤組成物を含むフロアブル剤の粒子成長率、および、前記農薬製剤用界面活性剤組成物を含む乳剤の分離量、の少なくとも一つを含む農薬製剤用界面活性剤組成物でありうる。この構成によれば、好適な性能を発現する期待度が高い農薬製剤用界面活性剤組成物を、従来に比べて容易に実現できる。As one aspect, the present invention may be a surfactant composition for use in an agrochemical formulation, which is produced by a production method including: a generation step of causing a computer to generate a plurality of explanatory variables indicating the production conditions of the surfactant composition for use in an agrochemical formulation; an estimation step of causing the computer to output a plurality of objective variables estimated from the plurality of explanatory variables generated in the generation step using a trained model generated using, as teacher data, a plurality of sets of explanatory variables indicating the production conditions of the surfactant composition for use in an agrochemical formulation and an objective variable indicating the performance of the surfactant composition for use in an agrochemical formulation; an output step of identifying an objective variable that satisfies a predetermined criterion among the plurality of objective variables output in the estimation step based on a predetermined criterion, and causing the computer to output, as a solution, an explanatory variable used when outputting an objective variable that satisfies the predetermined criterion among the plurality of explanatory variables generated in the generation step; and a production step of producing a surfactant composition for use in an agrochemical formulation based on the explanatory variables output to the computer as a solution in the output step, wherein the objective variable includes at least one of a particle growth rate of a flowable agent containing the surfactant composition for use in an agrochemical formulation and a separation amount of an emulsion containing the surfactant composition for use in an agrochemical formulation. According to this configuration, a surfactant composition for use in an agrochemical formulation, which is highly expected to exhibit favorable performance, can be realized more easily than ever before.

本発明は、一態様として、上記の農薬製剤用界面活性剤組成物を含む農薬製剤でありうる。この構成によれば、好適な性能を発現する期待度が高い農薬製剤を、従来に比べて容易に実現できる。As one aspect, the present invention may be an agrochemical formulation containing the above-mentioned surfactant composition for agrochemical formulations. According to this configuration, an agrochemical formulation that is highly expected to exhibit suitable performance can be easily realized compared to the conventional art.

その他の構成に関しても、本明細書において開示された実施形態は全ての点で例示であって、本発明の範囲はそれらによって限定されることはないと理解されるべきである。当業者であれば、本発明の趣旨を逸脱しない範囲で、適宜改変が可能であることを容易に理解できるであろう。したがって、本発明の趣旨を逸脱しない範囲で改変された別の実施形態も、当然、本発明の範囲に含まれる。 As for other configurations, it should be understood that the embodiments disclosed in this specification are illustrative in all respects and that the scope of the present invention is not limited thereto. Those skilled in the art will easily understand that appropriate modifications are possible without departing from the spirit of the present invention. Therefore, other embodiments that are modified without departing from the spirit of the present invention are naturally included in the scope of the present invention.

以下では、実施例を示して本発明をさらに説明する。ただし、以下の実施例は本発明を限定しない。 The present invention will be further described below with reference to examples. However, the present invention is not limited to the following examples.

〔実施例１〕フロアブル剤向け農薬製剤用界面活性剤組成物の最適組成の推定
（教師データ作成用試料）
それぞれ異なる条件（説明変数）で、農薬原体として除草剤を含むフロアブル剤（農薬製剤の一例である。）を２９種類作製した。フロアブル剤の組成は、ブロモブチド（除草剤原体である。）５０質量％、農薬製剤用界面活性剤組成物７．０質量％、１％キサンタンガム水溶液１０質量％、消泡剤０．１０質量％、市水３３質量％とした。なお、合計が１００質量％を超えているのは、フロアブル剤の組成を有効数字二桁の数値で特定したためである。試料間で変更した説明変数は、農薬製剤用界面活性剤組成物に含まれる成分の化学種情報および割合情報、ならびに、農薬製剤製造時の温度、粉砕媒体、および粉砕時間、とした。 [Example 1] Estimation of the optimal composition of a surfactant composition for use in agrichemical formulations for flowable formulations (sample for creating training data)
29 types of flowables (an example of a pesticide formulation) containing herbicide as an agrochemical raw material were prepared under different conditions (explanatory variables). The composition of the flowables was 50% by mass of bromobutide (a herbicide raw material), 7.0% by mass of surfactant composition for pesticide formulations, 10% by mass of 1% xanthan gum aqueous solution, 0.10% by mass of antifoaming agent, and 33% by mass of city water. The total exceeds 100% by mass because the composition of the flowables was specified by a value with two significant digits. The explanatory variables that were changed between samples were the chemical species information and ratio information of the components contained in the surfactant composition for pesticide formulations, as well as the temperature, grinding medium, and grinding time during the production of the pesticide formulation.

（粒子成長率の評価）
上記の２９種類のフロアブル剤のそれぞれについて、次の手順で粒子成長率を評価した。まず、製造直後のフロアブル剤の粒子径を、レーザー回折粒度分布計（堀場製作所製ＬＡ－９２０）を用いて測定した。次に、フロアブル剤を設定温度５４℃の恒温器に静置した。２週間経過後にフロアブル剤を恒温器から取り出し、製造直後と同様の方法で粒子径を測定した。２週間後の粒子径と製造直後の粒子径との差の製造直後の粒子径に対する割合（百分率）を、測定対象のフロアブル剤の粒子成長率とした。 (Evaluation of Particle Growth Rate)
The particle growth rate of each of the 29 types of flowable preparations was evaluated by the following procedure. First, the particle size of the flowable preparation immediately after production was measured using a laser diffraction particle size distribution analyzer (LA-920 manufactured by Horiba, Ltd.). Next, the flowable preparation was placed in an incubator set at a temperature of 54°C. After 2 weeks, the flowable preparation was removed from the incubator, and the particle size was measured in the same manner as immediately after production. The ratio (percentage) of the difference between the particle size after 2 weeks and the particle size immediately after production to the particle size immediately after production was taken as the particle growth rate of the flowable preparation to be measured.

（教師データ）
以上の試料作製および測定により、農薬製剤用界面活性剤組成物に含まれる成分の化学種情報および割合情報、ならびに、農薬製剤製造時の温度、粉砕媒体、および粉砕時間を説明変数とし、粒子成長率を目的変数とする教師データを得た。なお、化学種情報には分子記述子が含まれており、分子記述子はＳＭＩＬＥＳ記法で表した各化合物の分子構造から、Ｐｙｔｈｏｎ環境下でケモインフォマティクスツールＲＤＫｉｔを用いて求めた。 (Teacher data)
By the above sample preparation and measurement, chemical species information and ratio information of the components contained in the surfactant composition for pesticide formulation, as well as training data with the temperature, grinding medium, and grinding time during the manufacture of the pesticide formulation as explanatory variables and the particle growth rate as the objective variable, were obtained. Note that the chemical species information includes molecular descriptors, which were obtained from the molecular structure of each compound expressed in SMILES notation using the chemoinformatics tool RDKit in a Python environment.

〔学習済みモデルの生成および検証〕
Ｐｙｔｈｏｎ環境下で機械学習ライブラリｓｃｉｋｉｔ－ｌｅａｒｎを用いて、上記の教師データを用いた学習済みモデルの生成および検証を行った。学習済みモデルの生成に使用するアルゴリズムの候補を、ラッソ回帰、リッジ回帰、エラスティックネット回帰、サポートベクタ回帰、およびランダムフォレストの５種類とし、クロスバリデーションのフォールド数５以上１５以下および使用する説明変数の個数５以上１５以下を探索範囲として複数の学習済みモデルを生成した。生成した学習済みモデルのうち、決定係数Ｒ２が最も大きくなる学習済みモデルを採用した。採用された学習済みモデルにおける説明変数のうち重要度が高いものは、たとえば、農薬製剤用界面活性剤組成物に含まれる成分の化学種情報および割合情報だった。 [Generation and verification of trained models]
Using the machine learning library scikit-learn in a Python environment, a trained model was generated and verified using the above teacher data. The candidate algorithms used to generate the trained model were five types: lasso regression, ridge regression, elastic net regression, support vector regression, and random forest. A plurality of trained models were generated with a search range of 5 to 15 folds in cross-validation and 5 to 15 explanatory variables to be used. Of the trained models generated, the trained model with the largest coefficient of determination R 2 was adopted. Among the explanatory variables in the trained models adopted, those with high importance were, for example, chemical species information and ratio information of the components contained in the surfactant composition for pesticide formulations.

採用された学習済みモデルの妥当性を検証した結果を図1に示す。図１に示したグラフは、教師データを構成する各データについて、粒子成長率の実測値を横軸に取り、採用された学習済みモデルを用いて説明変数から推定された粒子成長率の推定値を縦軸に取ったものである。採用された学習済みモデルの決定係数Ｒ２は０．８３であり、実用上十分な予測精度を有することを確認した。 The results of verifying the validity of the adopted trained model are shown in Figure 1. In the graph shown in Figure 1, the horizontal axis represents the actual particle growth rate for each data constituting the training data, and the vertical axis represents the estimated particle growth rate estimated from the explanatory variables using the adopted trained model. The coefficient of determination R2 of the adopted trained model was 0.83, confirming that it has sufficient prediction accuracy for practical use.

〔説明変数群の生成〕
次に、好適な農薬製剤用界面活性剤組成物を得るための製造条件を解として得る推定に供する説明変数群の生成を行った。説明変数の生成は、Ｐｙｔｈｏｎ環境下で進化計算フレームワークＤＥＡＰを用いた遺伝的アルゴリズムによって実施した。それぞれの説明変数について範囲をあらかじめ設定し、この範囲内で各条件がランダムで決定されるようにして初期集団を生成した。適応度は、上記の学習済みモデルを用いて推定される粒子成長率が小さい順に適応度が高いと評価した。次世代に残す個体の選択は、エリート保存戦略によることとした。終了条件は、発生世代数が１００に達した時とした。 [Generation of explanatory variables]
Next, a group of explanatory variables was generated to estimate the manufacturing conditions for obtaining a suitable surfactant composition for agricultural chemical formulation as a solution. The explanatory variables were generated by a genetic algorithm using the evolutionary computation framework DEAP in a Python environment. A range was set in advance for each explanatory variable, and an initial population was generated so that each condition was randomly determined within this range. The fitness was evaluated as being high in the order of the particle growth rate estimated using the above-mentioned trained model. The selection of individuals to be left in the next generation was based on an elite preservation strategy. The termination condition was set to when the number of generations reached 100.

〔好適な製造条件の推定および検証〕
上記の説明変数群に含まれる各説明変数について、上記の学習済みモデルを用いて粒子成長率を推定した。得られた粒子成長率の推定値のうち、小さい順に二つの推定値を与える説明変数を候補として選択した。第一候補の説明変数から推定される粒子成長率は２５．１％であり、第二候補の説明変数から推定される粒子成長率は２７．５％だった。いずれの候補においても、推定された粒子成長率は従来技術に比して低い値だとは言い難く、学習済みモデルに改善の余地があることがわかった。 [Estimation and verification of favorable manufacturing conditions]
For each explanatory variable included in the explanatory variable group, the particle growth rate was estimated using the trained model. Among the obtained particle growth rate estimates, explanatory variables that gave the two smallest estimates were selected as candidates. The particle growth rate estimated from the explanatory variable of the first candidate was 25.1%, and the particle growth rate estimated from the explanatory variable of the second candidate was 27.5%. For both candidates, it was difficult to say that the estimated particle growth rates were lower than those of conventional technology, and it was found that there is room for improvement in the trained model.

次に、第一候補および第二候補の説明変数によって示される製造条件に従って農薬製剤用界面活性剤組成物を実際に製造し、得られた農薬製剤用界面活性剤組成物を配合して製造したフロアブル剤の粒子成長率を実際に測定した。粒子成長率の実測値は、第一候補の製造条件について１８．９％であり、第二候補の製造条件について２２．３％だった。いずれの候補も推定値と実測値との乖離が大きく、推定精度の点からも学習済みモデルに改善の余地があることがわかった。 Next, a surfactant composition for use in pesticide formulations was actually produced according to the manufacturing conditions indicated by the explanatory variables of the first and second candidates, and the particle growth rate of a flowable formulation produced by blending the resulting surfactant composition for use in pesticide formulations was actually measured. The actual measured particle growth rate was 18.9% for the manufacturing conditions of the first candidate, and 22.3% for the manufacturing conditions of the second candidate. For both candidates, there was a large discrepancy between the estimated value and the actual measured value, indicating that there is room for improvement in the trained model in terms of estimation accuracy as well.

〔学習済みモデルの改善〕
続いて、第一候補および第二候補について得られた説明変数と実測の粒子成長率との組を用いて、学習済みモデルの再生成を行った。さらに、再生成した学習済みモデルを用いて、Ｐｙｔｈｏｎ環境下で進化計算フレームワークＤＥＡＰを用いた遺伝的アルゴリズムによる説明変数の生成を行なった。適応度、次世代に残す個体の選択、および終了条件は、一回目の説明変数群の生成と同様にした。 [Improvement of trained models]
Next, the trained model was regenerated using the pairs of explanatory variables and the measured particle growth rates obtained for the first and second candidates. Furthermore, using the regenerated trained model, explanatory variables were generated by a genetic algorithm using the evolutionary computation framework DEAP in a Python environment. The fitness, selection of individuals to be left in the next generation, and termination conditions were the same as those for the generation of the first group of explanatory variables.

新たな説明変数群に含まれる各説明変数について、再生成した学習済みモデルを用いて粒子成長率を推定した。一回目の推定と同様に小さい順に二つの推定値を与える説明変数を候補として選択し、第三候補および第四候補とした。第三候補の説明変数から推定される粒子成長率は２１．２％であり、第四候補の説明変数から推定される粒子成長率は２６．５％だった。一回目の推定に比べると粒子成長率の推定値が小さくなったものの、十分に小さい値だとはいえず、依然として学習済みモデルに改善の余地があることがわかった。 For each explanatory variable included in the new explanatory variable group, the particle growth rate was estimated using the regenerated trained model. As with the first estimation, the explanatory variables that gave the two smallest estimated values were selected as candidates, and these were designated as the third and fourth candidates. The particle growth rate estimated from the explanatory variable of the third candidate was 21.2%, and the particle growth rate estimated from the explanatory variable of the fourth candidate was 26.5%. Although the estimated particle growth rate was smaller than in the first estimation, it cannot be said to be a sufficiently small value, and it was found that there is still room for improvement in the trained model.

第三候補および第四候補についても同様に、農薬製剤用界面活性剤組成物の製造、フロアブル剤の製造、および粒子成長率の測定を行った。粒子成長率の実測値は、第三候補について１７．８％であり、第四候補について２３．８％だった。いずれの候補も推定値と実測値との乖離が大きく、推定精度の点からも学習済みモデルに改善の余地があることがわかった。 Similarly, for the third and fourth candidates, we manufactured a surfactant composition for pesticide formulations, manufactured a flowable formulation, and measured the particle growth rate. The actual particle growth rate was 17.8% for the third candidate and 23.8% for the fourth candidate. There was a large discrepancy between the estimated value and the actual value for both candidates, and it was found that there is room for improvement in the trained model in terms of estimation accuracy as well.

続いて、第三候補および第四候補について得られた説明変数と実測の粒子成長率との組を用いて、学習済みモデルの二回目の再生成および説明変数群の生成を行った。 Next, the trained model was regenerated a second time and a set of explanatory variables was generated using pairs of explanatory variables obtained for the third and fourth candidates and the measured particle growth rates.

新たな説明変数群に含まれる各説明変数について、二回目の再生成に係る学習済みモデルを用いて粒子成長率を推定した。一回目および二回目の推定と同様に小さい順に二つの推定値を与える説明変数を候補として選択し、第五候補および第六候補とした。第五候補の説明変数から推定される粒子成長率は１５．２％であり、第六候補の説明変数から推定される粒子成長率は１８．５％だった。特に第五候補について、粒子成長率を低減しうる農薬製剤用界面活性剤組成物を与えることが期待された。 For each explanatory variable included in the new explanatory variable group, the particle growth rate was estimated using the trained model for the second regeneration. As in the first and second estimations, explanatory variables that gave the two smallest estimated values were selected as candidates, and these were designated as the fifth and sixth candidates. The particle growth rate estimated from the explanatory variables of the fifth candidate was 15.2%, and the particle growth rate estimated from the explanatory variables of the sixth candidate was 18.5%. It was expected that the fifth candidate in particular would provide a surfactant composition for use in pesticide formulations that could reduce the particle growth rate.

第五候補および第六候補についても同様に、農薬製剤用界面活性剤組成物の製造、フロアブル剤の製造、および粒子成長率の測定を行った。粒子成長率の実測値は、第五候補について１６．４％であり、第六候補について１７．２％だった。一回目および二回目の推定に比べて推定値と実測値との乖離が小さくなっており、学習済みモデルの改善を確認できた。 Similarly, for the fifth and sixth candidates, we produced a surfactant composition for pesticide formulations, produced a flowable formulation, and measured the particle growth rate. The actual particle growth rate was 16.4% for the fifth candidate and 17.2% for the sixth candidate. The deviation between the estimated value and the actual value was smaller than in the first and second estimations, confirming an improvement in the trained model.

なお、従来の実験的手法により粒子成長率の最小化を試みたところ、教師データを得たところを出発点としてさらに２９点の実験（農薬製剤用界面活性剤組成物の製造、フロアブル剤の製造、および粒子成長率の測定）を要した。また、従来の実験的手法を経て得られた対照試料では粒子成長率が１８．７％であり、第五候補および第六候補に劣る水準だった。第五候補および第六候補では、従来の実験的手法により求められる解より高い水準の農薬製剤用界面活性剤組成物の製造条件を、わずか６点の実測を経て特定できた。すなわち、本発明によって、従来の実験的手法により得られうる水準を超える解に大規模な実験を伴うことなくたどり着くことができたといえる。これによって、新規の農薬製剤用界面活性剤組成物の開発に要する工数、時間、および費用を低減しうると期待される。 When attempting to minimize the particle growth rate using conventional experimental methods, 29 more experiments (production of surfactant composition for pesticide formulation, production of flowable agent, and measurement of particle growth rate) were required starting from the point where the teaching data was obtained. In addition, the particle growth rate of the control sample obtained through conventional experimental methods was 18.7%, which was a level inferior to the fifth and sixth candidates. For the fifth and sixth candidates, the manufacturing conditions of surfactant composition for pesticide formulations at a higher level than the solution obtained by conventional experimental methods were identified through actual measurements of only six points. In other words, it can be said that the present invention has made it possible to arrive at a solution that exceeds the level that can be obtained by conventional experimental methods without large-scale experiments. It is expected that this will reduce the labor, time, and cost required for the development of new surfactant compositions for pesticide formulations.

〔実施例２〕乳剤向け農薬製剤用界面活性剤組成物の最適組成の推定
（教師データ作成用試料）
それぞれ異なる条件（説明変数）で、農薬原体として殺虫剤を含む乳剤（農薬製剤の一例である。）を２３種類作製した。クロルピリホス（殺虫剤原体である。）６０質量％、農薬製剤用界面活性剤組成物５．０質量％、およびキシレン３５質量％の混合物し、乳剤を得た。試料間で変更した説明変数は、農薬製剤用界面活性剤組成物に含まれる成分の化学種情報および割合情報、上記混合物と水との比率、ならびに、農薬製剤製造時の温度、とした。 [Example 2] Estimation of the optimal composition of a surfactant composition for an emulsifiable concentrate (sample for creating training data)
Twenty-three types of emulsions (an example of an agrochemical formulation) containing an insecticide as an agrochemical raw material were prepared under different conditions (explanatory variables). 60% by mass of chlorpyrifos (an insecticide raw material), 5.0% by mass of a surfactant composition for agrochemical formulations, and 35% by mass of xylene were mixed to obtain an emulsion. The explanatory variables that were changed between samples were the chemical species information and ratio information of the components contained in the surfactant composition for agrochemical formulations, the ratio of the mixture to water, and the temperature during the production of the agrochemical formulation.

（分離量の評価）
上記の２３種類の乳剤のそれぞれについて、次の手順で分離量を評価した。まず、１００ｍｌメスシリンダーに９５ｍｌの３度硬水を入れ、これを３０℃に温調した恒温水槽において１時間静置した。静置後、恒温水槽からメスシリンダーを取り出し、マイクロピペットを用いて製造直後の乳剤５ｍｌを滴下し、蓋をしたのち、1秒に1回の速さで１０回転倒して乳化液を調製した。１０回の転倒操作を終えた後の乳化液をメスシリンダーから懸垂管に移し替え、これを３０℃の恒温水槽にて２時間静置した。２時間後に、懸垂管の下部に分離した層の体積を、懸垂管の目盛りに基づいて読み取り、これを測定試料の分離量とした。 (Evaluation of the amount of separation)
The amount of separation was evaluated for each of the 23 types of emulsions described above in the following procedure. First, 95 ml of 3-degree hard water was placed in a 100 ml graduated cylinder, and the cylinder was left to stand for 1 hour in a thermostatic water bath adjusted to 30°C. After standing, the graduated cylinder was removed from the thermostatic water bath, 5 ml of the emulsion immediately after production was dropped into the graduated cylinder using a micropipette, and the cylinder was covered with a lid, and then the cylinder was turned over 10 times at a speed of once per second to prepare an emulsion. After the 10 inversions, the emulsion was transferred from the graduated cylinder to a suspension tube, and the suspension tube was left to stand for 2 hours in a thermostatic water bath at 30°C. After 2 hours, the volume of the layer separated at the bottom of the suspension tube was read based on the scale on the suspension tube, and this was taken as the amount of separation of the measurement sample.

（教師データ）
以上の試料作製および測定により、農薬製剤用界面活性剤組成物に含まれる成分の化学種情報および割合情報、混合物と水との比率、ならびに、農薬製剤製造時の温度、を説明変数とし、分離量を目的変数とする教師データを得た。なお、化学種情報には分子記述子が含まれており、分子記述子はＳＭＩＬＥＳ記法で表した各化合物の分子構造から、Ｐｙｔｈｏｎ環境下でケモインフォマティクスツールＲＤＫｉｔを用いて求めた。 (Teacher data)
By the above sample preparation and measurement, the chemical species information and ratio information of the components contained in the surfactant composition for pesticide formulation, the ratio of the mixture to water, and the temperature during the manufacture of the pesticide formulation were used as explanatory variables, and the separation amount was used as the objective variable to obtain teacher data. Note that the chemical species information includes molecular descriptors, which were obtained from the molecular structures of each compound expressed in SMILES notation using the chemoinformatics tool RDKit in a Python environment.

〔学習済みモデルの生成および検証〕
Ｐｙｔｈｏｎ環境下で機械学習ライブラリｓｃｉｋｉｔ－ｌｅａｒｎを用いて、上記の教師データを用いた学習済みモデルの生成および検証を行った。学習済みモデルの生成に使用するアルゴリズムの候補を、ラッソ回帰、リッジ回帰、エラスティックネット回帰、サポートベクタ回帰、およびランダムフォレストの５種類とし、クロスバリデーションのフォールド数５以上１５以下および使用する説明変数の個数５以上１５以下を探索範囲として複数の学習済みモデルを生成した。生成した学習済みモデルのうち、決定係数Ｒ２が最も大きくなる学習済みモデルを採用した。採用された学習済みモデルにおける説明変数のうち重要度が高いものは、たとえば、農薬製剤用界面活性剤組成物に含まれる成分の化学種情報および割合情報だった。 [Generation and verification of trained models]
Using the machine learning library scikit-learn in a Python environment, a trained model was generated and verified using the above teacher data. The candidate algorithms used to generate the trained model were five types: lasso regression, ridge regression, elastic net regression, support vector regression, and random forest. A plurality of trained models were generated with a search range of 5 to 15 folds in cross-validation and 5 to 15 explanatory variables to be used. Of the trained models generated, the trained model with the largest coefficient of determination R 2 was adopted. Among the explanatory variables in the trained models adopted, those with high importance were, for example, chemical species information and ratio information of the components contained in the surfactant composition for pesticide formulations.

採用された学習済みモデルの妥当性を検証した結果を図２に示す。図２に示したグラフは、教師データを構成する各データについて、分離量の実測値を横軸に取り、採用された学習済みモデルを用いて説明変数から推定された分離量の推定値を縦軸に取ったものである。採用された学習済みモデルの決定係数Ｒ２は０．８７であり、実用上十分な予測精度を有することを確認した。 The results of verifying the validity of the adopted trained model are shown in Figure 2. In the graph shown in Figure 2, the horizontal axis represents the actual measured value of the amount of separation for each data constituting the training data, and the vertical axis represents the estimated value of the amount of separation estimated from the explanatory variables using the adopted trained model. The coefficient of determination R2 of the adopted trained model was 0.87, confirming that it has sufficient prediction accuracy for practical use.

〔説明変数群の生成〕
次に、好適な農薬製剤用界面活性剤組成物を得るための製造条件を解として得る推定に供する説明変数群の生成を行った。説明変数の生成は、Ｐｙｔｈｏｎ環境下で進化計算フレームワークＤＥＡＰを用いた遺伝的アルゴリズムによって実施した。それぞれの説明変数について範囲をあらかじめ設定し、この範囲内で各条件がランダムで決定されるようにして初期集団を生成した。適応度は、上記の学習済みモデルを用いて推定される分離量が小さい順に適応度が高いと評価した。次世代に残す個体の選択は、エリート保存戦略によることとした。終了条件は、発生世代数が１００に達した時とした。 [Generation of explanatory variables]
Next, a group of explanatory variables was generated to estimate the manufacturing conditions for obtaining a suitable surfactant composition for agricultural chemical formulations as a solution. The explanatory variables were generated by a genetic algorithm using the evolutionary computation framework DEAP in a Python environment. A range was set in advance for each explanatory variable, and an initial population was generated so that each condition was randomly determined within this range. The fitness was evaluated as being higher in the order of the amount of separation estimated using the above-mentioned trained model. The selection of individuals to be left in the next generation was based on an elite preservation strategy. The termination condition was set to when the number of generations reached 100.

〔好適な製造条件の推定および検証〕
上記の説明変数群に含まれる各説明変数について、上記の学習済みモデルを用いて分離量を推定した。得られた分離量の推定値のうち、小さい順に二つの推定値を与える説明変数を候補として選択した。第一候補の説明変数から推定される分離量は０．１２ｍＬであり、第二候補の説明変数から推定される分離量は０．１９ｍＬだった。いずれの候補においても、推定された分離量は従来技術に比して低い値だとは言い難く、学習済みモデルに改善の余地があることがわかった。 [Estimation and verification of favorable manufacturing conditions]
The amount of separation was estimated for each explanatory variable included in the group of explanatory variables using the trained model. Among the obtained estimates of the amount of separation, the explanatory variables that gave the two smallest estimates were selected as candidates. The amount of separation estimated from the first candidate explanatory variable was 0.12 mL, and the amount of separation estimated from the second candidate explanatory variable was 0.19 mL. For both candidates, the estimated amount of separation was not low compared to the conventional technology, and it was found that there is room for improvement in the trained model.

次に、第一候補および第二候補の説明変数によって示される製造条件に従って農薬製剤用界面活性剤組成物を実際に製造し、得られた農薬製剤用界面活性剤組成物を配合して製造した乳剤の分離量を実際に測定した。分離量の実測値は、第一候補の製造条件について０．２２ｍＬであり、第二候補の製造条件について０．２０ｍＬだった。 Next, a surfactant composition for use in pesticide formulations was actually produced according to the production conditions indicated by the explanatory variables of the first and second candidates, and the amount of separation of an emulsion produced by blending the resulting surfactant composition for use in pesticide formulations was actually measured. The actual measured value of the amount of separation was 0.22 mL for the production conditions of the first candidate, and 0.20 mL for the production conditions of the second candidate.

〔学習済みモデルの改善〕
続いて、第一候補および第二候補について得られた説明変数と実測の分離量との組を用いて、学習済みモデルの再生成を行った。さらに、再生成した学習済みモデルを用いて、Ｐｙｔｈｏｎ環境下で進化計算フレームワークＤＥＡＰを用いた遺伝的アルゴリズムによる説明変数の生成を行なった。適応度、次世代に残す個体の選択、および終了条件は、一回目の説明変数群の生成と同様にした。 [Improvement of trained models]
Next, the trained model was regenerated using the pairs of explanatory variables and the measured separation amount obtained for the first and second candidates. Furthermore, using the regenerated trained model, explanatory variables were generated by a genetic algorithm using the evolutionary computation framework DEAP in a Python environment. The fitness, selection of individuals to be left in the next generation, and termination conditions were the same as those for the generation of the first group of explanatory variables.

新たな説明変数群に含まれる各説明変数について、再生成した学習済みモデルを用いて分離量を推定した。一回目の推定と同様に小さい順に二つの推定値を与える説明変数を候補として選択し、第三候補および第四候補とした。第三候補の説明変数から推定される分離量は０．０７ｍＬであり、第四候補の説明変数から推定される分離量は０．１８ｍＬだった。 For each explanatory variable included in the new explanatory variable group, the amount of separation was estimated using the regenerated trained model. As with the first estimation, the explanatory variables that gave the two smallest estimated values were selected as candidates, and these were designated as the third and fourth candidates. The amount of separation estimated from the third candidate explanatory variable was 0.07 mL, and the amount of separation estimated from the fourth candidate explanatory variable was 0.18 mL.

第三候補および第四候補についても同様に、農薬製剤用界面活性剤組成物の製造、乳剤の製造、および分離量の測定を行った。分離量の実測値は、第三候補について０．１７ｍＬであり、第四候補について０．１１ｍＬだった。 Similarly, for the third and fourth candidates, the production of a surfactant composition for pesticide formulations, the production of an emulsion, and the measurement of the amount of separation were carried out. The actual measured values of the amount of separation were 0.17 mL for the third candidate and 0.11 mL for the fourth candidate.

続いて、第三候補および第四候補について得られた説明変数と実測の分離量との組を用いて、学習済みモデルの二回目の再生成および説明変数群の生成を行った。 Next, the trained model was regenerated a second time and a set of explanatory variables was generated using the pairs of explanatory variables and the measured separation amounts obtained for the third and fourth candidates.

新たな説明変数群に含まれる各説明変数について、二回目の再生成に係る学習済みモデルを用いて分離量を推定した。一回目および二回目の推定と同様に小さい順に二つの推定値を与える説明変数を候補として選択し、第五候補および第六候補とした。第五候補の説明変数から推定される分離量は０．０２ｍＬであり、第六候補の説明変数から推定される分離量は０．０３ｍＬだった。第五候補および第六候補について、分離量を低減しうる農薬製剤用界面活性剤組成物を与えることが期待された。 For each explanatory variable included in the new explanatory variable group, the amount of separation was estimated using the trained model for the second regeneration. As in the first and second estimations, explanatory variables that gave the two smallest estimated values were selected as candidates, and these were designated as the fifth and sixth candidates. The amount of separation estimated from the explanatory variable of the fifth candidate was 0.02 mL, and the amount of separation estimated from the explanatory variable of the sixth candidate was 0.03 mL. It was expected that the fifth and sixth candidates would provide surfactant compositions for pesticide formulations that could reduce the amount of separation.

第五候補および第六候補についても同様に、農薬製剤用界面活性剤組成物の製造、乳剤の製造、および分離量の測定を行った。分離量の実測値は、第五候補について０．０３ｍＬであり、第六候補について０．０８ｍＬだった。 Similarly, for the fifth and sixth candidates, the production of a surfactant composition for pesticide formulations, the production of an emulsion, and the measurement of the amount of separation were carried out. The actual measured values of the amount of separation were 0.03 mL for the fifth candidate and 0.08 mL for the sixth candidate.

なお、従来の実験的手法により分離量の最小化を試みたところ、教師データを得たところを出発点としてさらに２５点の実験（農薬製剤用界面活性剤組成物の製造、乳剤の製造、および分離量の測定）を要した。また、従来の実験的手法を経て得られた対照試料では分離量が０．０４ｍＬであり、第五候補と同等の水準だった。第五候補では、従来の実験的手法により求められる解と同等の水準の農薬製剤用界面活性剤組成物の製造条件を、わずか６点の実測を経て特定できた。すなわち、本発明によって、従来の実験的手法により得られうる水準と同等の解に大規模な実験を伴うことなくたどり着くことができたといえる。これによって、新規の農薬製剤用界面活性剤組成物の開発に要する工数、時間、および費用を低減しうると期待される。 When attempting to minimize the amount of separation using conventional experimental methods, 25 more experiments (production of surfactant composition for pesticide formulation, production of emulsion, and measurement of amount of separation) were required starting from the point where the training data was obtained. In addition, the amount of separation in the control sample obtained through conventional experimental methods was 0.04 mL, which was at the same level as the fifth candidate. For the fifth candidate, the manufacturing conditions for a surfactant composition for pesticide formulation at a level equivalent to the solution obtained by conventional experimental methods were identified through only six actual measurements. In other words, it can be said that the present invention has made it possible to arrive at a solution equivalent to the level that can be obtained by conventional experimental methods without large-scale experiments. It is expected that this will reduce the labor, time, and cost required for the development of a new surfactant composition for pesticide formulation.

本発明は、たとえば農薬製剤用界面活性剤組成物の性能の推定および好適な農薬製剤用界面活性剤組成物を与える製造条件の推定に利用できる。

 The present invention can be utilized, for example, for predicting the performance of a surfactant composition for use in an agrochemical formulation and for predicting the production conditions that will give a suitable surfactant composition for use in an agrochemical formulation.

Claims (12)

コンピュータを用いて農薬製剤用界面活性剤組成物の特性を推定する推定方法であって、
農薬製剤用界面活性剤組成物の製造条件を示す説明変数と、当該農薬製剤用界面活性剤組成物の特性を示す目的変数と、の複数の組を教師データとして用いて、前記説明変数から前記目的変数を推定する学習済みモデルを前記コンピュータに生成させるモデル生成工程と、
前記学習済みモデルを用いて、特性を推定する対象とする農薬製剤用界面活性剤組成物の製造条件を示す説明変数から、当該農薬製剤用界面活性剤組成物の特性を示す目的変数の推定値を前記コンピュータに出力させる推定工程と、を備え、
前記目的変数が、前記農薬製剤用界面活性剤組成物を含むフロアブル剤の粒子成長率、および、前記農薬製剤用界面活性剤組成物を含む乳剤の分離量、の少なくとも一つを含むことを特徴とする推定方法。 A method for estimating characteristics of a surfactant composition for use in an agrochemical formulation using a computer, comprising:
A model generation process in which a plurality of pairs of explanatory variables indicating the manufacturing conditions of a surfactant composition for use in an agrochemical formulation and a target variable indicating the characteristics of the surfactant composition for use in an agrochemical formulation are used as training data to generate a trained model that estimates the target variable from the explanatory variables;
An estimation step of outputting an estimated value of a response variable indicating the characteristics of a surfactant composition for use in an agrochemical formulation from explanatory variables indicating manufacturing conditions of the surfactant composition for use in an agrochemical formulation, the characteristics of which are to be estimated, to the computer using the trained model;
The estimation method, characterized in that the objective variable includes at least one of a particle growth rate of a flowable preparation containing the surfactant composition for use in an agrochemical formulation, and an amount of separation of an emulsion containing the surfactant composition for use in an agrochemical formulation. 前記説明変数が、農薬製剤用界面活性剤組成物に含まれる化合物の化学種により決定づけられる化学種情報と、前記化合物のそれぞれの含有割合を特定する割合情報と、を含む請求項１に記載の推定方法。 The estimation method according to claim 1, wherein the explanatory variables include chemical species information determined by the chemical species of the compounds contained in the surfactant composition for use in pesticide formulations, and ratio information specifying the content ratio of each of the compounds. 前記化学種情報が、前記化合物の分子記述子を含む請求項２に記載の推定方法。 The estimation method according to claim 2, wherein the chemical species information includes a molecular descriptor of the compound. 前記目的変数が、農薬製剤用界面活性剤組成物の、ＨＬＢ、静的表面張力、動的表面張力、接触角、滑落角、浸透力、臨界ミセル濃度、曇点、およびクラフト点からなる群から選択される少なくとも一つの物性値をさらに含む請求項１～３のいずれか一項に記載の推定方法。 The estimation method according to any one of claims 1 to 3, wherein the objective variable further includes at least one physical property value selected from the group consisting of HLB, static surface tension, dynamic surface tension, contact angle, sliding angle, penetration force, critical micelle concentration, cloud point, and Krafft point of the surfactant composition for use in pesticide formulations. 前記目的変数が、農薬製剤用界面活性剤組成物を含む農薬製剤の、乳化性、乳化安定性、自己乳化性、再乳化性、製剤安定性、製剤粘度、乳化粒子径、粒子径、主剤安定性、分散性、水和性、懸垂性、起泡性、崩壊性、製剤硬度、溶出性、拡展性、湿展性、浸透性、造粒性、拡展挙動、色相、除草性、殺虫性、殺菌性、展着性、および浸透移行性からなる群から選択される少なくとも一つの物性値をさらに含む請求項１～３のいずれか一項に記載の推定方法。 The estimation method according to any one of claims 1 to 3, wherein the objective variable further includes at least one physical property value selected from the group consisting of emulsifying property, emulsion stability, self-emulsifying property, re-emulsifying property, formulation stability, formulation viscosity, emulsion particle size, particle size, base agent stability, dispersibility, hydration property, suspension property, foaming property, disintegration property, formulation hardness, dissolution property, spreading property, wet spreading property, penetration property, granulation property, spreading behavior, color, herbicidal property, insecticidal property, fungicidal property, spreading property, and penetration and migration property of an agrochemical formulation containing a surfactant composition for agrochemical formulations. 農薬製剤用界面活性剤組成物の製造条件を示す説明変数をコンピュータに複数生成させる生成工程と、
農薬製剤用界面活性剤組成物の製造条件を示す説明変数と、当該農薬製剤用界面活性剤組成物の性能を示す目的変数と、の複数の組を教師データとして用いて生成された学習済みモデルを用いて、前記生成工程において生成した複数の説明変数から推定される複数の目的変数を前記コンピュータに出力させる推定工程と、
所定の基準に基づいて、前記推定工程において出力された複数の目的変数のうちの所定の基準を満たす目的変数を特定し、前記生成工程において生成された複数の説明変数のうちの、当該所定の基準を満たす目的変数を出力する際に用いられた説明変数を解として前記コンピュータに出力させる出力工程と、を備え、
前記目的変数が、前記農薬製剤用界面活性剤組成物を含むフロアブル剤の粒子成長率、および、前記農薬製剤用界面活性剤組成物を含む乳剤の分離量、の少なくとも一つを含むことを特徴とする推定方法。 A generating step of generating a plurality of explanatory variables indicating the production conditions of the surfactant composition for use in an agrochemical formulation by a computer;
An estimation step of outputting a plurality of objective variables estimated from the plurality of explanatory variables generated in the generation step to the computer using a trained model generated using a plurality of pairs of explanatory variables indicating the manufacturing conditions of a surfactant composition for use in an agrochemical formulation and an objective variable indicating the performance of the surfactant composition for use in an agrochemical formulation as training data;
an output step of identifying a dependent variable that satisfies a predetermined criterion from among the plurality of dependent variables output in the estimation step, and causing the computer to output, as a solution, explanatory variables used when outputting the dependent variable that satisfies the predetermined criterion from among the plurality of explanatory variables generated in the generation step;
The estimation method, characterized in that the objective variable includes at least one of a particle growth rate of a flowable preparation containing the surfactant composition for use in an agrochemical formulation, and an amount of separation of an emulsion containing the surfactant composition for use in an agrochemical formulation. 前記生成工程および前記推定工程が複数回実行され、
二回目以降の前記生成工程において、当該生成工程より前に実行された前記生成工程および前記推定工程の結果を利用する最適化アルゴリズムを用いて複数の説明変数を前記コンピュータに生成させる請求項６に記載の推定方法。 The generating step and the estimating step are performed a plurality of times;
The estimation method according to claim 6, wherein in the second or subsequent generation step, the computer is caused to generate a plurality of explanatory variables using an optimization algorithm that utilizes results of the generation step and the estimation step executed prior to the generation step. 前記出力工程において解として出力された説明変数と、当該説明変数が示す製造条件により製造される農薬製剤用界面活性剤組成物の性能を示す目的変数と、の組を教師データに加えて、前記コンピュータに前記学習済みモデルを再生成させるモデル再生成工程をさらに含む請求項６または７に記載の推定方法。 The estimation method according to claim 6 or 7, further comprising a model regeneration step of adding a pair of explanatory variables output as a solution in the output step and a target variable indicating the performance of a surfactant composition for use in pesticide formulations manufactured under manufacturing conditions indicated by the explanatory variables to training data, and causing the computer to regenerate the trained model. 農薬製剤用界面活性剤組成物の性能を推定する推定プログラムであって、
コンピュータによって実行されたときに、当該コンピュータに、
農薬製剤用界面活性剤組成物の製造条件を示す説明変数と、当該農薬製剤用界面活性剤組成物の性能を示す目的変数と、の複数の組を教師データとして用いて、前記説明変数から前記目的変数を推定する学習済みモデルを生成するモデル生成機能と、
前記学習済みモデルを用いて、性能を推定する対象とする農薬製剤用界面活性剤組成物の製造条件を示す説明変数から、当該農薬製剤用界面活性剤組成物の性能を示す目的変数の推定値を出力する推定機能と、を実現させ、
前記目的変数が、前記農薬製剤用界面活性剤組成物を含むフロアブル剤の粒子成長率、および、前記農薬製剤用界面活性剤組成物を含む乳剤の分離量、の少なくとも一つを含むことを特徴とする推定プログラム。 A prediction program for predicting the performance of a surfactant composition for use in an agrochemical formulation, comprising:
When executed by a computer, the computer:
A model generation function that generates a trained model that estimates the objective variable from the explanatory variables by using a plurality of pairs of explanatory variables indicating the manufacturing conditions of a surfactant composition for use in an agrochemical formulation and an objective variable indicating the performance of the surfactant composition for use in an agrochemical formulation as training data;
An estimation function that outputs an estimated value of a response variable indicating the performance of a surfactant composition for use in an agrochemical formulation, from explanatory variables indicating the manufacturing conditions of the surfactant composition for use in an agrochemical formulation, the performance of which is to be estimated, using the trained model;
The estimation program, characterized in that the objective variable includes at least one of a particle growth rate of a flowable agent containing the surfactant composition for use in pesticide formulations, and an amount of separation of an emulsion containing the surfactant composition for use in pesticide formulations. コンピュータによって実行されたときに、当該コンピュータに、
農薬製剤用界面活性剤組成物の製造条件を示す説明変数を複数生成する生成機能と、
農薬製剤用界面活性剤組成物の製造条件を示す説明変数と、当該農薬製剤用界面活性剤組成物の性能を示す目的変数と、の複数の組を教師データとして用いて生成された学習済みモデルを用いて、前記生成機能によって生成した複数の説明変数から推定される複数の目的変数を出力する推定機能と、
所定の基準に基づいて、前記推定機能によって出力された複数の目的変数のうちの最良の目的変数を特定し、前記生成機能によって生成された複数の説明変数のうちの、当該最良の目的変数を出力する際に用いられた説明変数を解として出力する出力機能と、を実現させ、
前記目的変数が、前記農薬製剤用界面活性剤組成物を含むフロアブル剤の粒子成長率、および、前記農薬製剤用界面活性剤組成物を含む乳剤の分離量、の少なくとも一つを含むことを特徴とする推定プログラム。 When executed by a computer, the computer:
A generation function for generating a plurality of explanatory variables indicating the manufacturing conditions of the surfactant composition for use in agrochemical formulations;
An estimation function that outputs a plurality of objective variables estimated from the plurality of explanatory variables generated by the generation function using a trained model generated using a plurality of pairs of explanatory variables indicating the manufacturing conditions of a surfactant composition for use in an agrochemical formulation and an objective variable indicating the performance of the surfactant composition for use in an agrochemical formulation as training data;
an output function that identifies a best objective variable from among a plurality of objective variables output by the estimation function based on a predetermined criterion, and outputs, as a solution, explanatory variables used when outputting the best objective variable from among a plurality of explanatory variables generated by the generation function;
The estimation program, characterized in that the objective variable includes at least one of a particle growth rate of a flowable agent containing the surfactant composition for use in pesticide formulations, and an amount of separation of an emulsion containing the surfactant composition for use in pesticide formulations. 演算装置および記憶装置を備える推定装置であって、
前記記憶装置が、推定プログラムを記憶しており、
前記推定プログラムは、前記演算装置によって実行されたときに、当該演算装置に、
農薬製剤用界面活性剤組成物の製造条件を示す説明変数と、当該農薬製剤用界面活性剤組成物の性能を示す目的変数と、の複数の組を教師データとして用いて、前記説明変数から前記目的変数を推定する学習済みモデルを生成するモデル生成機能と、
前記学習済みモデルを用いて、性能を推定する対象とする農薬製剤用界面活性剤組成物の製造条件を示す説明変数から、当該農薬製剤用界面活性剤組成物の性能を示す目的変数の推定値を出力する推定機能と、を実現させ、
前記目的変数が、前記農薬製剤用界面活性剤組成物を含むフロアブル剤の粒子成長率、および、前記農薬製剤用界面活性剤組成物を含む乳剤の分離量、の少なくとも一つを含むことを特徴とする推定装置。 An estimation device comprising a computing device and a storage device,
The storage device stores an estimation program,
The estimation program, when executed by the arithmetic device, causes the arithmetic device to
A model generation function that generates a trained model that estimates the objective variable from the explanatory variables by using a plurality of pairs of explanatory variables indicating the manufacturing conditions of a surfactant composition for use in an agrochemical formulation and an objective variable indicating the performance of the surfactant composition for use in an agrochemical formulation as training data;
An estimation function that outputs an estimated value of a response variable indicating the performance of a surfactant composition for use in an agrochemical formulation, from explanatory variables indicating the manufacturing conditions of the surfactant composition for use in an agrochemical formulation, the performance of which is to be estimated, using the trained model;
The estimation device, characterized in that the objective variable includes at least one of a particle growth rate of a flowable formulation containing the surfactant composition for use in an agrochemical formulation, and an amount of separation of an emulsion containing the surfactant composition for use in an agrochemical formulation. 演算装置および記憶装置を備える推定装置であって、
前記記憶装置が、推定プログラムを記憶しており、
前記推定プログラムは、前記演算装置によって実行されたときに、当該演算装置に、
農薬製剤用界面活性剤組成物の製造条件を示す説明変数を複数生成する生成機能と、
農薬製剤用界面活性剤組成物の製造条件を示す説明変数と、当該農薬製剤用界面活性剤組成物の性能を示す目的変数と、の複数の組を教師データとして用いて生成された学習済みモデルを用いて、前記生成機能によって生成した複数の説明変数から推定される複数の目的変数を出力する推定機能と、
所定の基準に基づいて、前記推定機能によって出力された複数の目的変数のうちの最良の目的変数を特定し、前記生成機能によって生成された複数の説明変数のうちの、当該最良の目的変数を生成する際に用いられた説明変数を解として出力する出力機能と、を実現させ、
前記目的変数が、前記農薬製剤用界面活性剤組成物を含むフロアブル剤の粒子成長率、および、前記農薬製剤用界面活性剤組成物を含む乳剤の分離量、の少なくとも一つを含むことを特徴とする推定装置。 An estimation device comprising a computing device and a storage device,
The storage device stores an estimation program,
The estimation program, when executed by the arithmetic device, causes the arithmetic device to
A generation function for generating a plurality of explanatory variables indicating the manufacturing conditions of the surfactant composition for use in agrochemical formulations;
An estimation function that outputs a plurality of objective variables estimated from the plurality of explanatory variables generated by the generation function using a trained model generated using a plurality of pairs of explanatory variables indicating the manufacturing conditions of a surfactant composition for use in an agrochemical formulation and an objective variable indicating the performance of the surfactant composition for use in an agrochemical formulation as training data;
an output function that identifies a best objective variable among a plurality of objective variables output by the estimation function based on a predetermined criterion, and outputs explanatory variables used in generating the best objective variable among a plurality of explanatory variables generated by the generation function as a solution;
The estimation device, characterized in that the objective variable includes at least one of a particle growth rate of a flowable formulation containing the surfactant composition for use in an agrochemical formulation, and an amount of separation of an emulsion containing the surfactant composition for use in an agrochemical formulation.
JP2023067654A 2023-04-18 2023-04-18 Estimation method, estimation program, and estimation device Active JP7461678B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2023067654A JP7461678B1 (en) 2023-04-18 2023-04-18 Estimation method, estimation program, and estimation device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2023067654A JP7461678B1 (en) 2023-04-18 2023-04-18 Estimation method, estimation program, and estimation device

Publications (1)

Publication Number Publication Date
JP7461678B1 true JP7461678B1 (en) 2024-04-04

Family

ID=90474189

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023067654A Active JP7461678B1 (en) 2023-04-18 2023-04-18 Estimation method, estimation program, and estimation device

Country Status (1)

Country Link
JP (1) JP7461678B1 (en)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016537699A (en) 2013-09-27 2016-12-01 コデクシス， インコーポレイテッド Structure-based predictive modeling
JP2019020791A (en) 2017-07-12 2019-02-07 国立大学法人岐阜大学 Toxicity predicting method and utilization thereof
JP2021043600A (en) 2019-09-09 2021-03-18 株式会社カネカ Method for generating learning model, evaluation estimation device, learning model and computer program
JP2022023482A (en) 2020-07-27 2022-02-08 ポーラ化成工業株式会社 Prediction model learning method
JP2022135184A (en) 2021-03-04 2022-09-15 竹本油脂株式会社 Dispersion for granular pesticide composition and granular pesticidal composition
JP2023051511A (en) 2021-09-30 2023-04-11 東レ株式会社 Learning model creation program, compounding ratio setting program, learning model creation method, compounding ratio setting method, epoxy resin composition, sheet molding compound and fiber-reinforced composite material

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016537699A (en) 2013-09-27 2016-12-01 コデクシス， インコーポレイテッド Structure-based predictive modeling
JP2019020791A (en) 2017-07-12 2019-02-07 国立大学法人岐阜大学 Toxicity predicting method and utilization thereof
JP2021043600A (en) 2019-09-09 2021-03-18 株式会社カネカ Method for generating learning model, evaluation estimation device, learning model and computer program
JP2022023482A (en) 2020-07-27 2022-02-08 ポーラ化成工業株式会社 Prediction model learning method
JP2022135184A (en) 2021-03-04 2022-09-15 竹本油脂株式会社 Dispersion for granular pesticide composition and granular pesticidal composition
JP2023051511A (en) 2021-09-30 2023-04-11 東レ株式会社 Learning model creation program, compounding ratio setting program, learning model creation method, compounding ratio setting method, epoxy resin composition, sheet molding compound and fiber-reinforced composite material

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
製造分野におけるＡＩ・デジタル技術活用実績のご紹介，第１３回 オートモーティブ ワールド ［ｏｎｌｉｎｅ］ ，2021年01月21日
酒井 憲一 外５名，機械学習モデルのスクリーニングによる製剤製造因子の抽出，２０１９年度人工知能学会全国大会（第３３回） ［ｏｎｌｉｎｅ］，2019年07月01日，pp.1,2(4J2-J-13-02)

Similar Documents

Publication Publication Date Title
US8632709B2 (en) Process for producing water-dispersible particulate agricultural-chemical composition
JP2007534716A (en) Use of alkyl carboxamides as penetrants
JP7296319B2 (en) Pesticide emulsion composition
CN102159071A (en) Agrochemical oil compositions comprising alkylpolysiloxane adjuvants of high silicone character
CN106455574B (en) Foam formulations and emulsifiable concentrates
US9433205B2 (en) Suspoemulsion
CN107920508B (en) Granular pesticide composition and process for producing the same
US20100099569A1 (en) Adjuvant composition, agrochemical spray aqueous solution containing the same and control method using the same
JP7461678B1 (en) Estimation method, estimation program, and estimation device
US20060013846A1 (en) Agricultural or horticultural particulate composition comprising wettable granular agent
TWI713548B (en) Spreader composition
CN106659163A (en) Solid agrochemical composition
KR101386286B1 (en) Method of spraying pesticide to plant or soil
US9801382B2 (en) Method for preparing emulsifiable solid agrochemical composition containing inorganic salt
JP2007297316A (en) Aqueous suspension type harmful organism-controlling composition
CA2745751A1 (en) Gel formulations that are stable for storage, comprising at least two substantially unmixed hydrogels
WO2015191497A1 (en) Solid herbicidal compositions containing a safener
EP3213632A1 (en) Agrochemical composite particles and production method thereof
CN104782620A (en) Water surface-floating granular pesticide, and pouched agrochemical formulation containing same
US10258047B2 (en) Agrochemical composite particles and production method thereof
JP6749029B1 (en) Granulation improver for extrusion molding and method for producing agrochemical composition using the same
JP7403954B2 (en) Mixed granular pesticide composition, granular pesticide mixture and granular pesticide mixture kit using the same
WO2023106278A1 (en) Agricultural chemical composition and method for producing same
JP2018118938A (en) Agrochemical composite particle and method for producing the same
Takagi et al. Japan MRL Regulation

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230419

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20230419

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230801

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230922

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240109

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240206

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: 20240305

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240315

R150 Certificate of patent or registration of utility model

Ref document number: 7461678

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150