JP6695086B2 - 測定対象のサンプルの組成を正確に定量化するためのシステムおよび方法 - Google Patents

Description

本明細書の実施形態は、概して、測定対象のサンプルの組成を定量化することに関し、より詳細には、測定対象のサンプルの組成を定量化する精度を高めるためのシステムおよび方法に関するものである。

供給源（例えばタンクまたはパイプラインなど）に貯蔵されているガス混合物の組成を定量化することは困難な作業である。ある供給源の中のガス混合物の組成を定量化することは、ガス混合物の組成が閾値レベルを超えるか否かを判定するのに役立ち得る。典型的には、ガス混合物の組成は質量分析計を用いて定量化される。質量分析計は、各イオンが質量対電荷比（すなわち、ｍ／ｚ値）に正確に対応して現れるシグネチャ（痕跡、特徴）を生成してもよい。質量分析計はまた、その分子分率（分子率、モレキュラフラクション、molecular fraction）に対応した、幅および高さのインパルスとして、無次元の数値として、単に表現されるようなシグネチャを生成してもよい。質量分析計は典型的には、多くの理想的ではないものを示す。

質量分析計は、異なる相対的な比率で、異なるガスをイオン化してもよい。異なるガスのイオンは、フラグメンテーション（断片化）されてもよく、様々な質量電荷比（すなわち、ｍ／ｚｓ）で現れてもよい。様々な質量電荷比のフラグメントとなったイオンは検出器に伝達される。イオンのフラグメンテーションは１つのガスに対して一定であり得る。イオンのフラグメンテーションは、標準的な参照データベースから得られてもよい。フラグメンテーションされたイオンの各ピークは、典型的には、ゼロでない幅、および場合によっては非対称の形状を含み、これは質量電荷比に依存する。フラグメントのイオンのピークは質量分析計に基づいて特定されるので、フラグメンテーションイオンのピークは機器のクラス間で異なる。不可避の自然な原因（例えば、結合、ショットノイズ、熱ノイズ、機械的な不完全さおよび振動）のために、定量化システム内の様々な点でノイズがシグネチャに追加される可能性がある。

１または複数の非理想性に対処するための１つのアプローチは、質量分析計から得られたデータに基づいてコンボリュートされた（畳み込み）スペクトルを、デコンボリュート（逆畳み込み）することを含むものである。しかしながら、このアプローチでは、質量分析計の出力におけるノイズを最適に除去することができず、ランダム変動を除去することができない。別のアプローチは、理論的等方性（アイソトロピック）の質量スペクトルを、候補となる組成のセット内の各候補について生成することである。このアプローチでは、等方性の質量スペクトルを生成する際に、推定誤差を減らすことができない。さらに別のアプローチでは、分子ピークの比率を用いてピークを重ね合わせることを含む。しかしながら、これは有効なノイズフロア（ノイズレベル）を減らすことができない。

したがって、ノイズ、推定誤差、およびランダム変動の上述の問題に対処し、精度を向上させる、測定対象のサンプルの組成を定量化するためのシステムおよび方法が依然として必要とされている。

本発明の一態様は、測定対象のサンプルに対する第１のタイプのセンサの測定結果に基づいて測定対象のサンプルの組成を定量化するためのシステムである。測定結果（スキャンアウトプット、走査出力）は、測定対象のサンプル（試料、ターゲットサンプル）に対応する質量電荷比の関数として検出されたイオンのスペクトルを含む。このシステムは、参照データベース、カスタムデータベースおよび一組のモジュール（モジュールのセット）を含む。参照データベースは、測定対象のサンプルの標準的なフラグメンテーションおよびイオン化ポテンシャルに関連する標準参照データを格納する。カスタムデータベースは、第１のタイプのセンサを用いて求められる測定対象のサンプルのフラグメンテーション情報およびイオン化ポテンシャルを格納する。モジュールのセットは、分析モデル生成モジュール、サンプル処理モジュール、分子分率推定モジュール、分析モデル最適化モジュール、およびターゲットの組成推定モジュールを含む。

分析モデル生成モジュールは、第１のタイプのセンサの較正データ（キャリブレーションデータ）と標準参照データとを用いて第１のタイプのセンサの分析モデルを生成するように構成される。分析モデルは、第１のタイプのセンサの数学的モデルである。較正データは、標準参照データに対して較正された分析モデルに関するデータを含む。サンプル処理モジュールは、高精度の既知の組成物を含む複数のサンプルを、標準圧力条件下で、第１のタイプのセンサを用いて分析処理（プロセス）するように構成される。分子分率推定モジュールは、第１のタイプのセンサの分析モデルおよび推定方法を用いて複数のサンプルの分子分率（分子率、molecular fraction）を推定するように構成される。分析モデル最適化モジュールは、上記の複数のサンプルの分子分率を、それら複数のサンプルの規定の分子分率と比較することにより、第１のタイプのセンサの分析モデルを最適化するように構成される。ターゲットの組成推定モジュールは、第１のタイプのセンサの最適化された分析モデルを用いた推定方法により、第１のタイプのセンサから得られた測定対象のサンプルの測定結果に基づいて測定対象のサンプルの組成を推定するように構成される。

システム（ターゲット（測定対象、検査対象）の組成推定システム）は、測定対象のサンプル（例えば、ガス混合物）の組成を定量化し、第１のタイプのセンサからの出力に基づいて逆算する際の問題を解決するために用いられてもよい。このシステムは、測定対象のサンプルの組成の精度を向上させるために、異なる質量電荷比（例えば、ｍ／ｚ）に優先順位を付けるために用いられてもよい。このシステムを使用して、すべてのガスを明示的に列挙せずに、逆に求める際の問題を解決することができる。このシステムは、測定対象のサンプルの組成を、すべてのガスについて、同様に定量化するために用いてもよい。このシステムは、ピークを明示的にデコンボリュート（逆畳み込み）することなく、逆に求める際の問題を解決する。測定対象のサンプルのフラグメント間の相関は、低濃度およびノイズ耐性を含む測定対象のサンプルについての定量的精度を改善するために使用され得る。このシステムは、解決する中で、測定対象のサンプルに優先順位をつけるために使用され得る。測定対象のサンプルの質量電荷比に、所望のガスの精度を向上させるために優先順位を設けてもよい。

分析モデル最適化モジュールは、複数のサンプルを分析処理する上記のサンプル処理モジュールを用い、複数のサンプルの分子分率を断続的に複数のサンプルの規定の分子分率と比較することによって、精度を高めるために、断続的に第１のタイプのセンサの既存の分析モデルを最適化するように構成されたユニットを含んでもよい。分析モデル最適化モジュールは、分析モデル最適化サーバに、第１のタイプのセンサの分析モデルを最適化する要求を行うように構成されてもよい。

第１のタイプのセンサは、測定対象のサンプルをイオン化するためのユニットと、それらの質量電荷比に基づいてイオンを分類するためのユニットとを含んでもよい。第１のタイプのセンサの１つは、スペクトル特性型のセンサである。第一のタイプのセンサの１つは質量分析計である。システムは、第１のタイプのセンサを含んでもよい。

分子分率推定モジュールは、非負最小二乗推定方法を含む推定方法を使用して上記の複数のサンプルの分子分率を推定するように構成されたユニットを含んでもよい。分析モデル最適化モジュールは、（ａ）線形最小二乗最適化技法、（ｂ）非線形最小二乗最適化技法、または（ｃ）機械学習技法のうちのいずれかの最適化方法を用いて、第１のタイプのセンサの最適化分析モデルを作成するように構成されてもよい。分析モデル生成モジュールは、（ａ）測定対象のサンプルのフラグメントのスペクトルパターンを得るように構成されているフラグメンテーションモジュールと、（ｂ）測定対象のサンプルの相対イオン化ポテンシャルを求めるように構成されたイオン化判定モジュール（イオン化決定モジュール）と、（ｃ）測定対象のサンプルの各質量電荷比における伝達効率（伝達率、トランスミッション効率）を計算するように構成された伝達判定モジュール（伝達効率判定モジュール）と、（ｄ）信号を展開し、信号の理想的ではないピーク形状を分析するように構成され、イオンのピークが、質量電荷比が異なる他のイオンのピークと重なっている場合には、分解能（解像度）を低下させる効果（要因）が展開される、ピーク形状分析モジュールとを含んでもよい。

第１のタイプのセンサの分析モデルは、（ａ）測定対象のサンプルのフラグメントのスペクトルパターン、（ｂ）測定対象のサンプルの相対イオン化ポテンシャル、（ｃ）測定対象のサンプルの伝達効率、および（ｄ）第１のタイプのセンサにおける信号の理想的ではないピーク形状を含んでいてもよい。測定対象のサンプルは、気体混合物、液体、固体および生体（生物学的対象物）を含んでもよい。

このシステムは、参照データベース、カスタムデータベース、およびモジュールのセットを格納するメモリと、モジュールのセットを実行するプロセッサとをさらに含んでもよい。

本発明の他の態様は、システムにより、測定対象のサンプルに対する第１のタイプのセンサの測定結果に基づいて、測定対象のサンプルの組成を定量化することを含む方法である。システムは、参照データベースとカスタムデータベースとを含む。定量化することは以下のステップを含む。
（ｉ）第１のタイプのセンサの較正データおよび標準参照データを用いて、第１のタイプのセンサの分析モデルを作成する。分析モデルは、第１のタイプのセンサの数学的モデルであり、較正データは標準参照データに対して較正された分析モデルに関連するデータを含む。
（ｉｉ）第１のタイプのセンサを用いて、標準圧力条件下で、高精度の既知の組成物を含む複数のサンプルを分析処理する。
（ｉｉｉ）第１のタイプのセンサの分析モデルおよび推定方法を用いて、上記の複数のサンプルの分子分率を推定する。
（ｉｖ）上記の複数のサンプルの分子分率を、それら複数のサンプルの規定（既知）の分子分率と比較することにより、第１のタイプのセンサの分析モデルを最適化する。
（ｖ）第１のタイプのセンサの最適化された分析モデルを用いた推定方法により、第１のタイプのセンサから得られた測定対象のサンプルの測定結果に基づいて測定対象のサンプルの組成を推定する。

最適化するステップは、複数のサンプルを分析処理すること、および複数のサンプルの分子分率を断続的に複数のサンプルの規定の分子分率と比較することにより、精度を高めるために、断続的に第１のタイプのセンサの既存の分析モデルを最適化することを含んでもよい。最適化するステップは、分析モデル最適化サーバに第１のタイプのセンサの分析モデルの最適化を要求することを含んでもよい。

推定方法は、非負最小二乗推定方法を含んでもよい。最適化のステップは、（ａ）線形最小二乗最適化技法、（ｂ）非線形最小二乗最適化技法、または（ｃ）機械学習技法のうちのいずれかを用いて、第１のタイプのセンサの分析モデルを最適化することを含んでもよい。

生成するステップは、（ａ）測定対象のサンプルのスペクトルパターンをフラグメント化することと、（ｂ）測定対象のサンプルの相対イオン化ポテンシャルを求めることと、（ｃ）測定対象のサンプルの各質量電荷比における伝達効率を計算することと、（ｄ）信号を展開し、信号の理想的ではないピーク形状を分析し、イオンのピークが、質量電荷比が異なる他のイオンのピークと重なっている場合には、信号中に分解能を低下させる効果が展開されることとを含む。

本発明のさらに異なる態様は、コンピュータを上記のシステムとして動作させるための命令を含むコンピュータプログラム（プログラム製品）である。プログラム（プログラム製品）は、記憶媒体に格納されて供給されてもよい。

本明細書における実施形態のこれらおよび他の態様は、以下の説明および添付の図面と併せて考慮すると、よりよく認識され理解されるであろう。しかしながら、以下の説明は、好ましい実施形態およびその多数の具体的な詳細を示しているが、限定としてではなく例示として与えられていることを理解されたい。本発明の精神から逸脱することなく、本明細書の実施形態の範囲内で多くの変更および改変を加えることができ、本明細書の実施形態はすべてのそのような改変を含む。

本明細書における実施形態は、図面を参照した以下の詳細な説明からよりよく理解されるであろう。
図１は、本明細書の一実施形態による、第１のタイプのセンサを用いて、測定対象のサンプルを含む供給源の組成を定量化するためのシステムを示す。 図２は、図１の、ターゲットの組成推定システムを展開した図。 図３は、図１の第１のタイプのセンサの最適化された分析モデルを生成するためのプロセスを説明するフローダイアグラム。 図４は、本明細書の一実施形態による、第１のタイプのセンサからの測定対象のサンプルの測定結果に基づき、測定対象のサンプルの組成を推定することを説明するフローダイアグラム。 図５は、本明細書の図１による、第１のタイプのセンサにおけるノイズからのピークを抽出することを説明するグラフ。 図６は、図１のターゲットの組成推定システムを用いて、測定対象のサンプルの組成を定量化する方法を示すフローダイアグラム。 図７は、本明細書の一実施形態による、第１のタイプのセンサ（質量分析計）の概略を示す図。 図８は、本明細書の実施形態による、システムのコンピュータアーキテクチャの概略図。

本明細書の実施形態ならびにその様々な特徴および利点の詳細は、添付の図面に示され、以下の説明に詳述される非限定的な実施形態を参照することでより十分に説明される。本明細書の実施形態を不必要に曖昧にしないように、周知の構成要素および処理技術の説明は省略する。本明細書で使用される例は、単に本明細書の実施形態が実施され得る方法の理解を容易にすること、および当業者が本明細書の実施形態を実施することをさらに可能にすることを意図している。したがって、実施例は、本明細書の実施形態の範囲を限定するものとして解釈されるべきではない。

言及したとおり、ノイズ、推定誤差、およびランダム変動の上述の問題に対処し、精度を向上させる、測定対象のサンプルの組成を定量化するための、より優れたシステムおよび方法が要望されている。この実施形態は、これを達成すべく測定対象（ターゲット）の組成推定システムを提供しており、このシステムは第１のタイプのセンサ（第１タイプのセンサ、第１の種類のセンサ）の分析モデル（アナリティカルモデル）を生成する。ターゲット組成推定システムは、線形または非線形最小二乗最適化技術および機械学習技術を使用して、第１のタイプのセンサの分析モデルをさらに強化する。ターゲット組成推定システムは、第１のタイプのセンサの最適化された分析モデルによる推定方法および非負最小二乗推定方法を用いて、第１のタイプのセンサからの測定対象（ターゲット）のサンプル（試料）の測定結果（スキャンアウトプット）に基づいて測定対象のサンプルの組成を定量化する。以下では、図面、より具体的には図１から図８を参照し、それらを通じて、同じ参照記号を付して、好ましい実施形態が示される。

図１は、一実施形態による、第１のタイプのセンサ１０４を用いて、測定対象のサンプルを含む供給源１０３の組成を定量化するためのシステムを示す。このシステムは、供給源１０２、第１のタイプのセンサ１０４、およびターゲット組成推定システム１０６を含んでもよい。このシステムは、第１のタイプのセンサ１０４、およびターゲット組成推定システム１０６を含んでもよい。このシステムは、ターゲット組成推定システム１０６を含んでもよい。供給源１０２は測定対象のサンプル（ターゲットサンプル）を含む。一実施形態では、測定対象のサンプルは、ガス混合物、液体、固体、生体などである。ターゲットの組成推定システム１０６は、第１のタイプのセンサ１０４に電気的に接続されていてもよい。第１のタイプのセンサ１０４は、測定対象のサンプルに対する測定結果を生成する。測定結果（走査出力、スキャンアウトプット）は、測定対象のサンプルに対応する質量電荷比の関数としての検出されたイオンのスペクトルを含む。一実施形態では、第１のタイプのセンサ１０４は、質量分析センサおよび／またはスペクトル特性型センサ（例えば、質量分析計、ラマン分光計、吸収分光計または振動分光計）を含む。一実施形態では、第１のタイプのセンサ１０４の一例が米国特許第９，６６６，４２２号に開示されている。ターゲット組成推定システム１０６は、第１のタイプのセンサ１０４の較正データ（キャリブレーションデータ）および標準参照データを用い（すなわち、分析モデルに関連する測定データが標準参照データに対して較正され）、第１のタイプのセンサ１０４の分析モデルを作成する。分析モデルは、（ａ）測定対象のサンプルをイオン化し、（ｂ）それらの質量電荷比（ｍ／ｚ）に基づいてイオンを分類する第１のタイプのセンサ１０４の数学的モデルである。例えば、第１のタイプのセンサ１０４の分析モデルは、測定対象のサンプルのフラグメントパターン（断片パターン）、測定対象のサンプルの相対イオン化ポテンシャル、測定対象のサンプルの伝達効率（トランスミッション）、および第１のタイプのセンサ１０４における信号の理想的でないピーク形状を含んでもよい。ターゲット組成推定システム１０６は、標準圧力条件下で、第１のタイプのセンサ１０４を用い、高精度（正確）な既知の組成を含む様々なサンプル（例えばガス混合物）を処理（分析処理、検証処理、所定の手続きによる処理、プロセス）する。ターゲット組成推定システム１０６は、第１のタイプのセンサ１０４の分析モデルおよび推定方法を使用して、上記の異なるサンプルの分子分率（分子率、モレキュラフラクション）を推定する。推定方法は、非負最小二乗推定方法を含んでもよい。

ターゲット組成推定システム１０６は、さらに、（ａ）線形最小二乗最適化手法、（ｂ）非線形最小二乗最適化技術または（ｃ）機械学習技術のいずれかを用いて、上記の異なるサンプルの分子分率を、それらの異なるサンプルの規定の分子分率と比較することにより、第１のタイプのセンサ１０４の分析モデルをさらに最適化して、最適化された分析モデルを得る。ターゲット組成推定システム１０６は、さらに、第１のタイプのセンサ１０４の最適化された分析モデルに用いた推定方法および最適化方法により、第１のタイプのセンサ１０４から得られた測定対象のサンプルの測定結果に基づいて、測定対象のサンプルの組成を推定する。一実施形態では、最適化方法は、非負最小二乗最適化方法、ガウス−ニュートン最適化方法、Ｌｅｖｅｎｂｅｒｇ−Ｍａｒｑｕａｒｄｔ最適化方法、または信頼領域リフレクティブ最適化技術（Trust region reflective optimization technique）である。ターゲット組成推定システム１０６は、分析モデルを拡張された分析モデルで置き換えてもよい。ターゲット組成推定システム１０６は、コンピュータ、携帯電話、ＰＤＡ（パーソナルデジタルアシスタント）、タブレット、電子ノートブックまたはスマートフォンであってもよい。一実施形態では、第１のタイプのセンサ１０４は、ターゲット組成推定システム１０６に一体化されている。このシステムの範囲には、ターゲット組成推定システム１０６と通信する分析モデル最適化サーバをさらに含んでもよい。一実施形態では、ターゲット組成推定システム１０６は、第１のタイプのセンサ１０４の分析モデルを最適化するように分析モデル最適化サーバに断続的に要求する。

図２は、実施形態の１つである図１のターゲット組成推定システム１０６を展開した図である。システム１０６は、参照データベース２０２と、カスタムデータベース２０４と、分析モデル生成モジュール２０６と、サンプル処理モジュール２０８と、分子分率推定モジュール２１０と、分析モデル最適化モジュール２１２と、ターゲット（測定対象）の組成推定モジュール２１４とを含む。分析モデル生成モジュール２０６は、第１のタイプのセンサ１０４の分析モデルを生成する。分析モデル生成モジュール２０６は、フラグメンテーションモジュール２０６Ａ、イオン化判定モジュール２０６Ｂ、伝達判定モジュール２０６Ｃ、およびピーク形状分析モジュール２０６Ｄを含む。参照データベース２０２は、測定対象のサンプル（例えば、ガスの混合物）の標準的なフラグメンテーションおよびイオン化ポテンシャルに関するデータを格納する。カスタムデータベース２０４は、第１のタイプのセンサ１０４を用いて決定される測定対象のサンプルのフラグメンテーション情報およびイオン化ポテンシャルを格納する。フラグメンテーションモジュール２０６Ａは、測定対象のサンプルのスペクトルパターンをフラグメント化する。イオン化判定モジュール（イオン化決定モジュール）２０６Ｂは、測定対象のサンプルの相対イオン化ポテンシャルを求める（決定する）。伝達判定モジュール２０６Ｃは、測定対象のサンプルの各質量電荷比（ｍ／ｚ）における伝達効率（伝達率、トランスミッション効率）を計算する。ピーク形状分析モジュール２０６Ｄは、信号を展開し（例えば、解像度（分解能）を低下させる効果を展開し）、信号の理想的でないピーク形状を分析する。一実施形態では、イオンのピークが、質量電荷比（ｍ／ｚ）が異なる他のイオンのピークと重なるときに、信号中に、分解能を低下させる効果が展開される。

サンプル処理モジュール２０８は、標準圧力条件下で、第１のタイプのセンサ１０４を使用して、正確な既知の組成を含む様々なサンプルを分析処理する。分子分率推定モジュール２１０は、第１のタイプのセンサ１０４の分析モデルおよび推定方法を使用して、上記の異なるサンプルの分子分率を推定する。一実施形態では、推定方法は、非負最小二乗推定方法を含む。分析モデル最適化モジュール２１２は、（ａ）線形最小二乗最適化手法、（ｂ）非線形最小二乗最適化技術または（ｃ）機械学習技術のいずれかを使用して、上記の異なるサンプルの分子分率を、それらの異なるサンプルの規定の（予め判明している）分子分率と比較することで、第１のタイプのセンサ１０４の分析モデルを最適化する。測定対象（ターゲット）の組成推定モジュール２１４は、第１のタイプのセンサ１０４の分析モデルを用いた推定方法および最適化方法を使用して、第１のタイプのセンサ１０４から得られた測定対象のサンプルの測定結果に基づいて測定対象のサンプルの組成を推定する。ターゲット組成推定システム１０６の範囲には、分析モデル置換モジュール２１６をさらに含む。分析モデル置換モジュール２１６は、分析モデルを最適化された分析モデルに置き換える。

一実施形態では、分析モデル最適化モジュール２１２は、第１のタイプのセンサ１０４の分析モデルを最適化するように分析モデル最適化サーバに要求してもよい。分析モデル最適化サーバは、ターゲット組成推定システム１０６と断続的に通信される。分析モデル最適化サーバは、（ａ）最小二乗最適化手法、（ｂ）非線形最小二乗最適化技術または（ｃ）機械学習技術のいずれかを使用して、異なるサンプルの分子分率を異なるサンプルの規定（既知）の分子分率と比較することで、第１のタイプのセンサ１０４の分析モデルを最適化してもよい。

一実施形態では、様々なモデルの構成要素を表すマトリクス（行列）が生成される。「ｇ」の複数のガスを含むサンプルのセットと、「ｍ」個の異なる積分値に対応する「ｓ」個の異なる質量電荷比ポイント（質量電荷比点）を含む第１のタイプのセンサ１０４の測定結果とを分析する。マトリクスは以下の表の通りである。

ターゲットの組成推定システム１０６は、次のように表すことができる行列を用いて測定対象のサンプルの組成を検出する。

ここで、Ｘは最小二乗解である。

図３は、一実施形態による、図１の第１のタイプのセンサ１０４に対する最適化された分析モデルを生成するためのプロセスを説明するフローダイアグラム（流れ図）であり、標準的な機械学習技法を使用して精度を向上させるためのものである。ステップ３０２において、第１のタイプのセンサ１０４の較正データ（例えば、標準的なキャラクタライゼイションデータ（特徴評価データ））３０１および標準参照データ２０２を使用して、第１のタイプのセンサ１０４の分析モデルが作成される。異なる複数のサンプルの既知の組成が、所定の条件または標準圧力条件下で第１のタイプのセンサ１０４を使用して処理（調査・分析）される（例えば、第１のタイプのセンサ１０４に質量分析計が用いられる場合、異なるサンプルの既知の組成は制御された圧力条件下で分析処理される）。それらの異なるサンプル（異なる試料）の分子分率（モレキュラフラクション、例えば、推定される出力）は、第１のタイプのセンサ１０４の分析モデルを用いた推定方法により推定される。一実施形態では、推定方法は、非負最小二乗推定方法を含む。推定された分子分率は、標準出力と比較され、ステップ３０３において、（ａ）線形最小二乗最適化技法、（ｂ）非線形最小二乗最適化技法、または（ｃ）機械学習技法のうちのいずれかを用いて、第１のタイプのセンサ１０４の分析モデルを最適化してもよい。一実施形態では、第１のタイプのセンサ１０４の分子モデルの最適化３０４は、１つの「Ｂ」マトリクス（行列）、または複数のマトリクス（Ｐ−ピーク形状を表すコンボリューションマトリクス（畳み込み行列）、Ｔ−各質量電荷比（ｍ／ｚ）の積分値に対する伝達効率、Ｒ−各ガスに対する相対イオン化ポテンシャル、Ｃ−ｍ／ｚの積分値における各ガスに対する理想化された応答を表す参照スペクトル）をもたらす。マトリクス「Ｂ」またはマトリクスＰ、Ｔ、Ｃ、Ｒは、元の値から、異なるサンプルの既知の組成の測定結果を最適に表す一組の値に摂動される。一実施形態では、行列「Ｂ」（例えば、Ｐ、Ｃ、ＴおよびＲ行列を含む行列全体）は、線形最適化方法（例えば、非負最小二乗最適化方法）を使用して最適化される。一実施形態では、個々のマトリクス（例えば、マトリクスＰ、Ｃ、Ｔ、およびＲのうちのいずれか）は、非線形オプティマイザを使用する非線形最適化方法（例えば、ガウス−ニュートンの制約付きバージョン、レーベンバーグ−マルカート最適化方法または信頼領域リフレクティブ最適化方法）によって最適化される。

図４は、一実施形態による、第１のタイプのセンサ１０４からの測定対象のサンプルの測定結果に基づく測定対象のサンプルの組成の推定を示すフローダイアグラム（流れ図）である。ステップ４０２において、第１のタイプのセンサ１０４からの測定対象のサンプルの測定結果が得られる。ステップ４０４において、第１のタイプのセンサ１０４のキャリブレーションデータ（較正データ）および標準参照データを用いて、第１のタイプのセンサ１０４の分析モデル（解析モデル）が生成される。ステップ４０６において、第１のタイプのセンサ１０４の分析モデルを用いた推定方法４０５および非負最小二乗最適化法を用い、第１のタイプのセンサ１０４からの測定対象のサンプルの測定結果に基づいて、測定対象のサンプルの組成が推定される。

最小二乗解は、「Ｘ＝ａｒｇｍｉｎ（｜｜Ｙ’−Ｙ（Ｘ）｜｜_２）｜」として定義され、すべてのｉに対してＸｉ＞０になる。通常の最小二乗（ＯＬＳ）回帰の線形代数手法は、負の値を持つ最小二乗解が提供される。非負最小二乗推定法は、非負最適解（ＮＮＬＳ）を見つけるために使用されてもよい。推定最小二乗解は、「Ｘｅｓｔ＝ＮＮＬＳ（Ｂ、Ｙ´）」として計算される。ここで、「（Ｙ´）」は、第１のタイプのセンサ１０４からのノイズを含む走査出力（測定出力）である。一実施形態では、非負最小二乗推定方法は以下のように定義される。
入力：

初期化：

メインループ：Ｒ≠かつｍａｘ（ｗ）＞ｔの間、

推定方法は、最小二乗最適性を使用してランダムノイズを最適に抑制することができる。一実施形態では、マトリクス（Ｙ−測定スペクトル、Ｐ−ピーク形状を表すコンボリューションマトリクス（畳み込み行列）、Ｔ−各質量電荷比（ｍ／ｚ）の積分値での伝達効率、Ｒ−各ガスの相対イオン化ポテンシャル、Ｃ−積分ｍ／ｚ値での各ガスの理想的応答を表す参照スペクトル、および、Ｍ−ガス分子分率）は、非負最小二乗推定方法への入力であり、情報をこれらの行列と関連させて、測定対象のサンプルの組成を推定する。

図５は、一実施形態における、図１の第１のタイプのセンサ１０４におけるノイズからのピークの抽出を示すグラフ図である。このグラフは、ノイズからの信号のピーク形状の抽出を示している。グラフ表示は、他のピークと関連（相関）させることにより、ノイズに隠されているピークの分離を示す破線５０２（例えば、第１のタイプのセンサ１０４の分析モデルの出力）を示す。一実施形態では、実線５０４はベクトル「ｙ」を示し、破線５０２は「Ｙ_ｘｈ」を示す。「ｘｈ」は推定方法の出力を示してもよい。

図６は、一実施形態における、図１の、ターゲットの組成推定システム１０６を用いて測定対象のサンプル（例えば、ガス混合物）の組成を定量化する方法を示すフローダイアグラム（流れ図）である。ステップ６０２において、第１のタイプのセンサ１０４の較正データおよび標準参照データを用いて、第１のタイプのセンサ１０４の分析モデル（解析モデル）が生成される。一実施形態では、フラグメント化された測定対象のサンプルに関する情報と、第１のタイプのセンサ１０４を使用して決定された測定対象のサンプルの相対イオン化ポテンシャルとに基づいて、第１のタイプのセンサ１０４の分析モデルを生成してもよい。ステップ６０４において、精度の高い既知の組成を含む異なるサンプルが、所定の条件下または標準的な圧力条件下で、第１のタイプのセンサ１０４を使用して分析処理される。ステップ６０６において、第１のタイプのセンサ１０４の分析モデルおよび推定方法を使用して異なるサンプルの分子分率が推定される。一実施形態では、推定方法は、非負最小二乗推定方法を含む。ステップ６０８において、第１のタイプのセンサ１０４の分析モデルが、（ａ）線形最小二乗最適化手法、（ｂ）非線形最小二乗最適化技術または（ｃ）機械学習技術のいずれかを使用して、異なるサンプルの分子分率を、それらの異なるサンプルの規定（既知、予め定められた）の分子分率（例えば、それらの異なるサンプルの期待される分子分率）と比較することにより、最適化される。ステップ６１０において、第１のタイプのセンサ１０４の分析モデルによる推定方法および最適化方法を用いて、第１のタイプのセンサ１０４から得られた測定対象のサンプルの測定結果に基づいて、測定対象のサンプルの組成が推定される。一実施形態では、最適化方法は、非負最小二乗最適化方法、ガウス−ニュートン最適化方法（Ｇａｕｓｓｉａｎ−Ｎｅｗｔｏｎ最適化法）、レーベンバーグ−マーカート最適化法（Ｌｅｖｅｎｂｅｒｇ−Ｍａｒｑｕａｒｄｔ最適化方法）、または信頼領域リフレクティブ最適化技術（Ｔｒｕｓｔ ｒｅｇｉｏｎ ｒｅｆｌｅｃｔｉｖｅ最適化法）である。非負最小二乗最適化法は、行列（Ｙ−測定スペクトル、Ｐ−ピーク形状を表す畳み込み行列、Ｔ−各質量電荷比（ｍ／ｚ）の積分値での伝達効率、Ｒ−各ガスの相対イオン化ポテンシャル、Ｃ−積分ｍ／ｚ値での各ガスの理想的応答を表す参照スペクトル、Ｍ−ガス分子分率）に基づいて処理されてもよい。

測定対象の組成推定システム１０６は、ガスサンプルの組成を定量化するため、０．５ｍ／ｚ（すなわち、ｓ＝２０およびｍ＝１０）の分解能で、１質量対電荷比（１ｍ／ｚ）から１０ｍ／ｚの範囲で、３つのガスサンプルの測定結果を得る。例えば、３つのガスサンプル（例えば、ｇ＝３）は、以下の相対的フラグメンテーションパターンが考慮されている。

フラグメンテーションパターンに対応するＣマトリクス（すなわち、各ｍ／ｚ値における各ガスの理想的な応答を表す参照スペクトル）は次の通りである。

一実施形態では、同じ質量電荷比における３つのガスサンプルのフラグメンテーションパターンの重なりが識別される。マトリクスＲ（すなわち、３つのガスサンプルの相対イオン化ポテンシャル）は、それぞれ１、１．５、２であるとすると、次が導かれる。

各質量電荷比における３つのガスサンプルの伝達効率（Ｔ）は、次のように仮定される。

単純な定幅ピークモデル（単純な幅が一定のピークモデル）を使用して、３つのガスサンプルのそれぞれの質量電荷比ピークを、２つの隣接する非整形の質量電荷比に展開する。行列Ｐは次のように与えられる。

分析モデルは、行列「Ｂ」によって提供される。ここで、

例示的な実施形態では、２０％のｇ１、５０％のｇ２、および３０％のｇ３の仮想ガス組成についての予想測定結果／ベクトル（ｙ）は、以下の通りである。

実質的なランダムノイズ（例えば、最小信号ピーク高さの約２０％）が、測定対象の組成推定システム１０６のノイズに加えられる（すなわち、システムに現れるノイズがランダムノイズを加えることによってシミュレートされる）ことにより、次の、調整された測定結果／ベクトル（ｙｎ）を得る。

調整されたスキャン出力は、以下に示すように、上記分析モデルによる推定方法を用いて処理され、仮想ガスの分子分率（例えば、２０％のノイズの追加に対する分子分率の計算における３％の誤差）が得られる。

本明細書の実施形態によって提供される技法は、集積回路チップ（図示せず）上に実装することができる。チップ設計は、グラフィカルコンピュータプログラミング言語で作成され、コンピュータ記憶媒体（ディスク、テープ、物理ハードドライブ、またはストレージアクセスネットワークなどの仮想ハードドライブなど）に格納される。設計者がチップ、またはチップを製造するために使用されるフォトリソグラフィマスクを製造しない場合、設計者は、得られる設計を物理的手段によって（例えば、設計を記憶する記憶媒体のコピーを提供することによって）、または電子的に（例えばインターネットを通じて）、直接的または間接的に、そのようなエンティティに送信する。

格納された設計は次に、フォトリソグラフィマスクの製造に適したフォーマット（例えば、ＧＤＳＩＩ）に変換され、それは通常、ウェハ上に形成されるべき対象のチップ設計の複数のコピーを含む。フォトリソグラフィマスクは、エッチングまたは他の方法で処理されるウェハ（および／またはその上の層）の領域を画定するために利用される。

結果として得られる集積回路チップは、ウェハのままの形態（すなわち、複数のパッケージされていないチップを有する単一のウェハ）として、ベアダイとして、またはパッケージ形態で製造業者によって流通され得る。後者の場合、チップは単一チップパッケージ（マザーボードまたは他のより高いレベルのキャリアに固定されたリードを有するプラスチックキャリアなど）またはマルチチップパッケージ（表面相互接続または埋込み相互接続のいずれかまたは両方を有するセラミックキャリアなど）の中にマウントされる。いずれにせよ、チップは次に、（ａ）マザーボードなどの中間製品、または（ｂ）最終製品の一部として、他のチップ、個別の回路素子、および／または他の信号処理装置と一体化される。最終製品は、玩具および他のローエンド用途から、ディスプレイ、キーボードまたは他の入力装置、および中央プロセッサを有する高度なコンピュータ製品までの範囲にわたる集積回路チップを含む任意の製品とすることができる。

本明細書の実施形態は、完全にハードウェアの実施形態、完全にソフトウェアの実施形態、またはハードウェア要素とソフトウェア要素の両方を含む実施形態の形をとることができる。ソフトウェアで実施される実施形態は、ファームウェア、常駐ソフトウェア、マイクロコードなどを含むがこれらに限定されない。さらに、本明細書の実施形態は、コンピュータまたは任意の命令実行システムによって使用される、またはそれに関連して使用されるプログラムコードを提供する、コンピュータ使用可能またはコンピュータ可読媒体からアクセス可能なコンピュータプログラム製品の形態を取り得る。この説明の目的のために、コンピュータ使用可能またはコンピュータ可読媒体は、命令実行システム、装置、またはデバイスによって使用される、またはそれに関連して使用されるためのプログラムを含む、格納する、通信する、伝播する、または輸送することができる任意の装置とすることができる。

媒体は、電子的、磁気的、光学的、電磁気的、赤外線、または半導体のシステム（あるいは装置またはデバイス）または伝搬媒体とすることができる。コンピュータ可読媒体の例には、半導体または固体メモリ、磁気テープ、取り外し可能コンピュータディスケット、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、硬質磁気ディスクおよび光ディスクが含まれる。光ディスクの現在の例には、コンパクトディスク−読み取り専用メモリ（ＣＤ−ＲＯＭ）、コンパクトディスク−読み取り／書き込み（ＣＤ−Ｒ／Ｗ）およびＤＶＤが含まれる。

プログラムコードを記憶および／または実行するのに適したデータ処理システムは、システムバスを介してメモリ要素に直接または間接的に結合された少なくとも１つのプロセッサを含む。メモリ要素は、プログラムコードの実際の実行中に使用されるローカルメモリ、大容量記憶装置、および実行中にコードが大容量記憶装置から検索されなければならない回数を減らすために、少なくともいくつかのプログラムコードの一時記憶を提供するキャッシュメモリを含み得る。

入出力（Ｉ／Ｏ）装置（キーボード、ディスプレイ、ポインティングデバイス、リモートコントロールなどを含むがこれらに限定されない）は、直接または介在するＩ／Ｏコントローラを介してシステムに結合することができる。ネットワークアダプタをシステムに結合して、介在するプライベートネットワークまたはパブリックネットワークを介してデータ処理システムを他のデータ処理システムまたはリモートプリンタまたは記憶装置に結合することも可能になる。モデム、ケーブルモデム、およびイーサネット（登録商標）カードは、現在利用可能なネットワークアダプタのほんの一部である。

図７は、一実施形態による、第１のタイプのセンサ１０４（質量分析計）の概要を示す。第１のタイプのセンサ１０４は、測定対象のサンプル７０２、電子銃７０４、電磁石７０６、イオンビーム７０８、およびイオン検出器７１０を含む。イオン化される測定対象のサンプル７０２は、供給源１０２から得られる。電子銃７０４は、イオン化粒子から電子を追加または除去することによって測定対象のサンプル７０２内の粒子をイオン化する。電子銃７０４は、電子イオン化プロセスを使用して気化または気体粒子をイオン化する。第１のタイプのセンサ１０４内の電磁石７０６は、荷電粒子の質量（すなわち、重量）を測定するために電界または磁界を発生させる。磁場は、それらの運動量に従ってイオンを分離する（すなわち、磁場によって及ぼされる力を、それらの質量に従ってイオンを分離するためにどのくらい使用できるかによる）。分離されたイオンは質量分析器を通ってイオン検出器７１０上に向けられる。一実施形態では、フラグメントの質量の違いにより、質量分析器はそれらの質量電荷比を用いてイオンを分類することができる。イオン検出器７１０は、量を示す値を測定し、測定対象のサンプル７０２中に存在する各イオンの存在量を計算するためのデータを提供する。イオン検出器７１０は、イオンが表面を通過するとき、または表面に衝突するときに誘導される電荷または生成される電流のいずれかを記録する。一実施形態では、質量スペクトルは測定対象の組成推定システム１０６に含まれるものとして表示される。

実施形態を実現するための代表的なハードウェア環境を図８に示す。この概略図は、本明細書の実施形態における、測定対象の組成推定システム１０６のハードウェア構成を示す。組成推定システム１０６は、少なくとも１つのプロセッサまたは中央処理装置（ＣＰＵ）１０を含む。ＣＰＵ１０はシステムバス１２を介してランダムアクセスメモリ（ＲＡＭ）１４、読み出し専用メモリ（ＲＯＭ）１６、および入出力（Ｉ／Ｏ）アダプタ１８のような種々の装置に相互接続されている。Ｉ／Ｏアダプタ１８は、ディスク装置１１およびテープドライブ１３などの周辺装置、あるいはシステムによって読み取り可能な他のプログラム記憶装置に接続することができる。測定対象の組成推定システム１０６は、プログラム記憶装置上で、本発明に関わる命令を読み取り、これらの命令に従って、実施形態の方法を実行することができる。

対象の組成推定システム１０６は、キーボード１５、マウス１７、スピーカ２４、マイクロフォン２２、および／またはタッチスクリーン装置（図示せず）またはリモコンなどの他のユーザインタフェース装置を、ユーザ入力を集めるためのバス１２に接続する、ユーザインタフェースアダプタ１９をさらに含む。さらに、通信アダプタ２０はバス１２をデータ処理ネットワーク２５に接続し、ディスプレイアダプタ２１はバス１２を、例えばディスプレイ、モニタ、プリンタまたは送信機のような出力装置として具体化され得るディスプレイ装置２３に接続する。

上記の態様のうちの１つは、第１のタイプのセンサ１０４を含む、ターゲット（測定対象物、検査対象物）の組成推定システム１０６を使用して、ターゲット（測定対象）のサンプル７０２の組成を定量化するためのコンピュータに実装された方法である。この方法は以下のステップを含む。
（ａ）分析モデル生成モジュール２０６を使用して、第１のタイプのセンサ１０４の較正データおよび標準参照データを用いて、第１のタイプのセンサ１０４の分析モデルを作成する（６０２）。
（ｂ）サンプル処理モジュール２０８を使用して、標準圧力条件下で、第１のタイプのセンサ１０４を用いて、精度の高い既知の組成を含む複数のサンプルを分析処理する（６０４）。
（ｃ）分子分率推定モジュール２１０を使用して、第１のタイプのセンサ１０４の分析モデルおよび推定方法を用いて、上記の複数のサンプルの分子分率を推定する（６０６）。
（ｄ）分析モデル最適化モジュール２１２を使用して、（ｉ）線形最小二乗最適化技法、（ｉｉ）非線形最小二乗最適化技法、または（ｉｉｉ）機械学習技法のうちのいずれかを用いて、上記の複数のサンプルの分子分率を、それら複数のサンプルの予め判明している分子分率と比較することにより、第１のタイプのセンサ１０４の分析モデルを最適化する（６０８）。
（ｅ）測定対象の組成推定モジュール２１４を用いて、第１のタイプのセンサ１０４から得られた測定対象のサンプル７０２の測定結果に基づいて、測定対象のサンプル７０２の分析モデルを用いた推定方法および最適化法を用いて、ターゲットのサンプル７０２の組成を推定する（６１０）。ここで、測定結果は、測定対象のサンプル７０２に対応する質量電荷比の関数としての検出イオンのスペクトルを含む。分析モデルは、（ａ）測定対象のサンプル７０２をイオン化し、（ｂ）それらの質量電荷比（ｍ／ｚ）に基づいてイオンを分類する第１のタイプのセンサ１０４の数学的モデルである。較正データは、標準参照データに対して較正された分析モデルに関するデータを含む。推定方法は、非負最小二乗推定方法を含む。

第１のタイプのセンサ１０４の分析モデルを作成するステップは、以下のステップを含む。
（ａ）フラグメンテーションモジュール２０６Ａを用いて、測定対象のサンプル７０２のスペクトルパターンをフラグメント化する（フラグメントのスペクトルパターンを取得する）。
（ｂ）イオン化判定モジュール２０６Ｂを用いて、測定対象のサンプル７０２の相対イオン化ポテンシャルを決定する。
（ｃ）伝達判定モジュール２０６Ｃを用いて、測定対象のサンプル７０２の各質量電荷比（ｍ／ｚ）における伝達効率を計算する。
（ｄ）ピーク形状分析モジュール２０６Ｄを用いて、信号を展開し、信号の理想的でないピーク形状を解析する。ここで、あるイオンのピークが、質量電荷比（ｍ／ｚ）の異なる他のイオンのピークと重なるときには、信号中に分解能（解像度）を低下させる効果（低下させるようにする処理）が展開される。

上記とは異なる態様は、測定対象のサンプル７０２の組成を定量化するためのシステムである。このシステムは、第１のタイプのセンサ１０４と、測定対象の組成推定システム１０６とを含む。第１のタイプのセンサ１０４は、測定対象のサンプル７０２に対する測定結果（走査結果、スキャンアウトプット）を生成する。測定結果は、測定対象のサンプル７０２に対応する質量電荷比の関数としての検出イオンのスペクトルを含む。測定対象の組成推定システム１０６は、第１のタイプのセンサ１０４に電気的に接続される。測定対象の組成推定システム１０６は、参照データベース２０２、カスタムデータベース２０４、およびモジュールのセットを格納するメモリと、モジュールのセットを実行する専用の組成推定プロセッサとを含む。参照データベース２０２は、測定対象のサンプル７０２の標準的なフラグメンテーションおよびイオン化ポテンシャルに関するデータを格納する。カスタムデータベース２０４は、第１のタイプのセンサ１０４を用いて求められた測定対象のサンプル７０２のフラグメンテーション情報およびイオン化ポテンシャルを格納する。モジュールのセットは、（ａ）第１のタイプのセンサ１０４の較正データおよび標準参照データを使用して、第１のタイプのセンサ１０４の分析モデルを作成するように構成され、分析モデルは第１のタイプのセンサ１０４の数学的モデルである、分析モデル生成モジュール２０６と、（ｂ）標準圧力条件下で、第１のタイプのセンサ１０４を使用して、精度の高い既知の組成物を含む複数のサンプルを分析処理（測定処理、検証処理）するように構成されたサンプル処理モジュール２０８と、（ｃ）第１のタイプのセンサ１０４の分析モデルおよび推定方法を用いて、上記の複数のサンプルの分子分率を推定するように構成され、推定方法は非負最小二乗推定方法を含む、分子分率推定モジュール２１０と、（ｄ）上記の複数のサンプルの分子分率を、（ｉ）線形最小二乗最適化技法、（ｉｉ）非線形最小二乗最適化技法、または（ｉｉｉ）機械学習技法のいずれかを用いて、それら複数のサンプルの規定の（予め判明している）分子分率（モレキュラフラクション）と比較することにより、第１のタイプのセンサ１０４の分析モデルを最適化するように構成された分析モデル最適化モジュール２１２と、（ｅ）第１のタイプのセンサ１０４の最適化された分析モデルを用いた推定方法と最適化方法とを使用して、第１のタイプのセンサ１０４から得られた測定対象のサンプル７０２の測定結果に基づいて、測定対象のサンプル７０２の組成を推定するように構成された、測定対象の組成推定モジュール２１４とを含む。

第１のタイプのセンサ１０４は、分光型（スペクトル特性型）センサを含んでもよい。第１のタイプのセンサ１０４は質量分析計を含んでもよい。分析モデル生成モジュール２０６は、（ａ）測定対象のサンプル７０２のスペクトルパターンをフラグメント化するように構成されているフラグメンテーションモジュールと、（ｂ）測定対象のサンプル７０２の相対イオン化ポテンシャルを決定するように構成されたイオン化判定モジュール２０６Ｂと、（ｃ）測定対象のサンプル７０２の各質量電荷比（ｍ／ｚ）における伝達効率を計算するように構成された伝達判定モジュール２０６Ｃと、（ｄ）信号を展開し、信号の理想的ではないピーク形状を分析するように構成され、イオンのピークが、質量電荷比（ｍ／ｚ）が異なる他のイオンのピークと重なっている場合には、信号中に分解能が低下する効果が展開される、ピーク形状分析モジュール２０６Ｄとを含んでもよい。

上記とはさらに異なる態様は、測定対象のサンプル７０２の組成を定量化するためのシステム７０２である。このシステムは、測定対象のサンプル７０２の測定結果を生成する第１のタイプのセンサ１０４と、第１のタイプのセンサ１０４に接続された、測定対象の組成推定システム１０６とを含む。組成推定システム１０６は、参照データベース２０２、カスタムデータベース２０４、およびモジュールのセットを格納するメモリと、モジュールのセットを実行する専用の組成推定プロセッサとを含む。モジュールのセットは、（ａ）第１のタイプのセンサ１０４から得られた測定対象のサンプル７０２の測定結果に基づいて、第１のタイプのセンサ１０４の分析モデルを用いた推定方法および非負最小二乗推定方法を使用して、測定対象のサンプル７０２の組成を推定するように構成された、測定対象の組成推定モジュール２１４と、（ｂ）分析モデルの精度を高めるために分析モデルを断続的に最適化するように構成された分析モデル最適化モジュール２１２とを含む。分析モデル最適化モジュール２１２は、（ｉ）分析モデル生成モジュール２０６を用いて、第１のタイプのセンサ１０４の較正データおよび標準参照データを使用して、第１のタイプのセンサ１０４の数学的モデルである、第１のタイプのセンサ１０４の分析モデルを作成し（６０２）、（ｉｉ）サンプル処理モジュール２０８を用いて、標準圧力条件下で、第１のタイプのセンサ１０４を使用して正確な既知の組成物を含む複数のサンプルを処理し（６０４）、（ｉｉｉ）分子分率推定モジュール２１０を用いて、第１のタイプのセンサ１０４の既存の分析モデルおよび推定方法を使用して、複数のサンプルの分子分率を推定し（６０６）、（ｉｖ）分析モデル最適化モジュール２１２を使用して、任意の最適化手法を使用して、上記の複数のサンプルの分子分率を、それら複数のサンプルの既知の分子分率と比較することにより、第１のタイプのセンサ１０４の既存の分析モデルを最適化し（６０８）、（ｖ）分析モデル置換モジュール２１６を用いて、既存の分析モデルを最適化された分析モデルに置換することにより、分析モデルの精度を向上させる。

上記のさらに異なる態様は、分析モデル最適化サーバに基づいて、測定対象のサンプル７０２の組成を定量化するためのシステムである。このシステムは、第１のタイプのセンサ１０４と、第１のタイプのセンサ１０４に接続された、測定対象の組成を推定するシステムとを含む。組成推定システム１０６は、参照データベース２０２、カスタムデータベース２０４、およびモジュールのセットを格納するメモリと、モジュールのセットを実行する専用の組成推定プロセッサとを含む。モジュールのセットは、（ａ）第１のタイプのセンサ１０４の較正データおよび標準参照データを使用して、第１のタイプのセンサ１０４の数学的モデルである、第１のタイプのセンサ１０４の分析モデルを作成するように構成された分析モデル生成モジュール２０６と、（ｂ）標準圧力条件下で、第１のタイプのセンサ１０４を使用して、精度の高い既知の組成物を含む複数のサンプルを処理するように構成されたサンプル処理モジュール２０８と、（ｃ）第１のタイプのセンサ１０４の分析モデルおよび推定方法を用いて、複数のサンプルの分子分率を推定するように構成された分子分率推定モジュール２１０と、（ｄ）分析モデル最適化サーバに、第１のタイプのセンサ１０４の分析モデルの最適化を要求するように構成された分析モデル最適化モジュール２１２と、（ｅ）第１のタイプのセンサ１０４の最適化された分析モデルによる推定方法と最適化方法とを使用して、第１のタイプのセンサ１０４から得られた測定対象のサンプル７０２の測定結果に基づいて、測定対象のサンプル７０２の組成を推定するように構成された、測定対象の組成推定モジュール２１４とを含む。最適化方法は、非負最小二乗最適化方法を含む。分析モデル最適化サーバは、専用の組成推定プロセッサと断続的に通信される。分析モデル最適化サーバは、（ａ）最小二乗最適化手法、（ｂ）非線形最小二乗最適化技術または（ｃ）機械学習技術のいずれかを使用して、複数のサンプルの分子分率を、それら複数のサンプルの規定の分子分率と比較することで、第１のタイプのセンサ１０４の分析モデルを最適化する。

第１のタイプのセンサ１０４の分析モデルは、（ａ）測定対象のサンプル７０２のフラグメントのスペクトルパターンと、（ｂ）測定対象のサンプル７０２の相対イオン化ポテンシャルと、（ｃ）測定対象のサンプル７０２の伝達効率と、（ｄ）第１のタイプのセンサ１０４における信号の理想的ではないピーク形状とを含んでいてもよい。測定対象のサンプル７０２は、気体混合物、液体、固体および生体（生物学的対象物）を含んでもよい。

特定の実施形態についての前述の説明は、現在の知識を適用することによって、一般的な概念から逸脱することなく特定の実施形態などの様々な用途に容易に改変および／または適応することができるように、実施形態の一般的な性質を完全に明らかにする。そのような適応および改変は、開示された実施形態の同等物の意味および範囲内であるとして包含されるべきであり、包含されることを意図している。本明細書で使用されている表現または用語は説明を目的としており、限定することを目的としていないと解されるべきである。したがって、本明細書の実施形態は好ましい実施形態に関して説明されているが、当業者は、本明細書の実施形態が添付の特許請求の範囲の精神および範囲内で改変を加えて実施できることを認識するであろう。

Claims (20)

1. 測定対象のサンプルに対する第１のタイプのセンサの測定結果に基づいて前記測定対象のサンプルの組成を定量化するためのシステムであって、前記測定結果は、前記測定対象のサンプルに対し、質量電荷比の関数として検出されたイオンのスペクトルを含み、前記システムは、
   前記測定対象のサンプルの標準的なフラグメンテーションおよびイオン化ポテンシャルに関連する標準参照データを格納するための参照データベースと、
   前記第１のタイプのセンサを使用して求められた、前記測定対象のサンプルのフラグメンテーション情報およびイオン化ポテンシャルを格納するためのカスタムデータベースと、
   モジュールのセットとを有し、
   前記モジュールのセットは、
   前記第１のタイプのセンサの較正データおよび前記標準参照データを用いて、前記第１のタイプのセンサの分析モデルを作成するように構成された分析モデル生成モジュールであって、前記分析モデルは、前記第１のタイプのセンサの数学的モデルであり、前記較正データは、前記標準参照データに対して較正された前記分析モデルに関連するデータを含む、分析モデル生成モジュールと、
   標準圧力条件下で、前記第１のタイプのセンサを用いて、精度の高い既知の組成物を含む複数のサンプルを分析処理するように構成されたサンプル処理モジュールと、
   前記第１のタイプのセンサの前記分析モデルおよび推定方法を用いて、前記複数のサンプルの分子分率を推定するように構成された分子分率推定モジュールと、
   前記複数のサンプルの分子分率を、前記複数のサンプルの規定の分子分率と比較することにより、前記第１のタイプのセンサの前記分析モデルを最適化するように構成された分析モデル最適化モジュールと、
   前記第１のタイプのセンサの前記最適化された分析モデルによる前記推定方法を用い、前記第１のタイプのセンサから得られた前記測定対象のサンプルの前記測定結果に基づいて、前記測定対象のサンプルの組成を推定するように構成された測定対象の組成推定モジュールとを含む、システム。
2. 請求項１に記載のシステムであって、
   前記分析モデル最適化モジュールは、複数のサンプルを処理する前記サンプル処理モジュールを使用し、前記複数のサンプルの分子分率を、前記複数のサンプルの規定の分子分率と断続的に比較することにより、前記第１のタイプのセンサの既存の分析モデルの精度を高めるために断続的に最適化するように構成されたユニットを含む、システム。
3. 請求項１または２において、
   前記分析モデル最適化モジュールは、分析モデル最適化サーバに対し、前記第１のタイプのセンサの前記分析モデルを最適化する要求を行うように構成されている、システム。
4. 請求項１ないし３のいずれかおいて、
   前記第１のタイプのセンサは、前記測定対象のサンプルをイオン化するためのユニットと、それらの質量電荷比に基づいてイオンを分類するためのユニットとを含む、システム。
5. 請求項１ないし４のいずれかにおいて、
   前記第１のタイプのセンサは、スペクトル特性型のセンサを含む、システム。
6. 請求項１ないし５のいずれかにおいて、
   前記第１のタイプのセンサは、質量分析計を含む、システム。
7. 請求項１ないし６のいずれかにおいて、
   前記システムは、前記第１のタイプのセンサを含む、システム。
8. 請求項１ないし７のいずれかにおいて、
   前記分子分率推定モジュールは、非負最小二乗推定方法を含む推定方法を用いて、前記複数のサンプルの分子分率を推定するように構成されたユニットを含む、システム。
9. 請求項１ないし８のいずれかにおいて、
   前記分析モデル最適化モジュールは、（ａ）線形最小二乗最適化技法、（ｂ）非線形最小二乗最適化技法、または（ｃ）機械学習技法のうちのいずれかの最適化方法を用いて、前記第１のタイプのセンサの前記分析モデルを作成するように構成されている、システム。
10. 請求項１ないし９のいずれかにおいて、
    前記分析モデル生成モジュールは、
    前記測定対象のサンプルのフラグメントのスペクトルパターンを取得するように構成されたフラグメンテーションモジュールと、
    前記測定対象のサンプルの相対イオン化ポテンシャルを求めるように構成されたイオン化判定モジュールと、
    前記測定対象のサンプルの各質量電荷比における伝達効率を計算するように構成された伝達判定モジュールと、
    信号を展開し、前記信号の理想的ではないピーク形状を分析し、あるイオンのピークが、質量電荷比が異なる他のイオンのピークと重なっている場合は、前記信号中に分解能を低下させる効果が展開されるように構成されたピーク形状分析モジュールとを含む、システム。
11. 請求項１ないし１０のいずれかにおいて、
    前記第１のタイプのセンサの前記分析モデルは、（ａ）前記測定対象のサンプルのフラグメントのスペクトルパターン、（ｂ）前記測定対象のサンプルの相対イオン化ポテンシャル、（ｃ）前記測定対象のサンプルの伝達率、および（ｄ）前記第１のタイプのセンサにおける信号の理想的ではないピーク形状を含む、システム。
12. 請求項１ないし１１のいずれかにおいて、
    前記測定対象のサンプルが、ガス混合物、液体、固体および生体を含む、システム。
13. 請求項１ないし１２のいずれかにおいて、
    前記参照データベース、前記カスタムデータベース、および前記モジュールのセットを格納するメモリと、
    前記モジュールのセットを実行するプロセッサとをさらに有する、システム。
14. 測定対象のサンプルに対する第１のタイプのセンサの測定結果に基づき、システムにより、前記測定対象のサンプルの組成を定量化することを含む方法であって、前記測定結果は前記測定対象のサンプルに対応する質量電荷比の関数として検出されたイオンのスペクトルを含み、
    前記システムは参照データベースとカスタムデータベースとを含み、前記参照データベースは、前記測定対象のサンプルの標準的なフラグメンテーションおよびイオン化ポテンシャルに関する標準参照データを格納し、前記カスタムデータベースは、前記第１のタイプのセンサを用いて求められた前記測定対象のサンプルのフラグメンテーション情報およびイオン化ポテンシャルを格納し、
    前記定量化することは、
    前記第１のタイプのセンサの較正データおよび前記標準参照データを用い、前記第１のタイプのセンサの分析モデルであって、前記第１のタイプのセンサの数学的モデルであり、前記較正データは前記標準参照データに対して較正された前記分析モデルに関連するデータを含む、分析モデルを生成することと、
    前記第１のタイプのセンサを用いて標準圧力条件下で、高精度の既知の組成物を含む複数のサンプルを分析処理することと、
    前記第１のタイプのセンサの前記分析モデルおよび推定方法を用いて、前記複数のサンプルの分子分率を推定することと、
    前記複数のサンプルの分子分率を、前記複数のサンプルの規定の分子分率と比較することにより、前記第１のタイプのセンサの前記分析モデルを最適化することと、
    前記第１のタイプのセンサの前記最適化された分析モデルを用いた前記推定方法により、前記第１のタイプのセンサにより得られた前記測定対象のサンプルの前記測定結果に基づいて前記測定対象のサンプルの組成を推定することとを含む、方法。
15. 請求項１４において、
    前記最適化することは、前記分析処理すること、および前記複数のサンプルの前記分子分率を前記複数のサンプルの規定の分子分率と断続的に比較することにより、精度を高めるために断続的に前記第１のタイプのセンサの既存の分析モデルを最適化することを含む、方法。
16. 請求項１４または１５において、
    前記最適化することは、分析モデル最適化サーバに、前記第１のタイプのセンサの前記分析モデルの最適化を要求することを含む、方法。
17. 請求項１４ないし１６のいずれかにおいて、
    前記推定方法は、非負最小二乗推定方法を含む、方法。
18. 請求項１４ないし１７のいずれかにおいて、
    前記最適化することは、（ａ）線形最小二乗最適化技法、（ｂ）非線形最小二乗最適化技法、または（ｃ）機械学習技法のうちのいずれかを用いて、前記第１のタイプのセンサの前記分析モデルを最適化することを含む、方法。
19. 請求項１４ないし１８のいずれかにおいて、
    前記生成することは、
    前記測定対象のサンプルのスペクトルパターンをフラグメントすることと、
    前記測定対象のサンプルの相対イオン化ポテンシャルを求めることと、
    前記測定対象のサンプルの各質量電荷比における伝達効率を計算することと、
    信号を展開し、前記信号の理想的ではないピーク形状を分析し、イオンのピークが、質量電荷比が異なる他のイオンのピークと重なっている場合には、前記信号中に分解能を低下させる効果が展開されることとを有する、方法。
20. コンピュータを、請求項１に記載のシステムとして動作させるための命令を含むコンピュータプログラム。

Images