JP7014701B2 - 光学分析装置、並びに光学分析装置に用いられる機械学習装置及びその方法 - Google Patents

Description

本発明は、ＦＴＩＲなどの光学分析装置、並びに光学分析装置に用いられる機械学習装置及びその方法に関するものである。

ＦＴＩＲなどの分光分析器は、試料を経た光のスペクトルに基づいて試料成分を分析する。この試料を経た光の強度を検出するには、ＭＣＴ光検出器などの光検出器が用いられるが、当然のことながら、分析に先立ってその出力値と入射光の強度との関係（検量線）を求めておく必要がある。

そこで、従来は、所定の基準光を光検出器に入射してそのときの光検出器の出力値を取得し、検量線を作成する。

例えばＭＣＴ光検出器を例にとった場合、入射光の強度が所定以下では、図１に示すように、その出力値と入射光強度との関係は線形（比例関係）となる。したがって、この領域であれば、検量線は、オフセットとスパンを求めればよいので比較的容易に作成できる。

しかしながら、入射光強度がそれ以上になると、同図に示すように、非線形な関係となり、正確な検量線を求めるためには、異なる強度の多数の基準光を用意し、それぞれの出力値を測定しなければならなくなる。具体的には、１ポイントの測定に１０分程度かかり、これを複数ポイント（例えば１０ポイント以上）に亘って行わなければならないので、検量線の作成だけで数時間という多大な工数（時間）を要する場合があるうえ、それなりの設備も必要になるという問題が生じる。また、前記工数や設備の問題から、メンテナンスや修理時に、製品納入先での検量線の点検や再作成が難しいという問題も生じる。そして、これは、ＭＣＴ光検出器のみならず、他の種類の光検出器にも共通する問題である。

特開２０１７－２６５０６号公報

このような問題を解決すべく、本出願人は、特許文献１に示すように、光路上に光学フィルタを介在させた場合とそうでない場合との双方で、光源から射出された光を光検出器に入射させ、該入射光に含まれる複数の所定波数の光のそれぞれに対する光検出器の出力値である第１出力値及び第２出力値を取得し、所定波数毎の第１出力値及び第２出力値の比と、光学フィルタの光学特性とをパラメータとして、光検出器の出力値から入射光の強度を算出するための演算式（検量線）を求める方法を考えている。

しかしながら、この出力補正方法は、１つの光学フィルタを用いた１点補正であり、光検出器に入射する光量が変わった場合には、それとは異なる光量により得られた演算式から入射光の強度を算出することになってしまい、測定誤差の要因となる。なお、光学特性の異なる複数の光学フィルタを用いて異なる光量毎に演算式を求めることも考えられるが、装置構成が複雑になってしまう。

そこで本発明は、上述した課題を解決すべくなされたものであり、光学分析装置に用いられる光検出器の出力補正を、複数の光量を用いて、かつ、簡単な構成で行うことをその主たる課題とするものである。

すなわち本発明に係る光学分析装置は、光を検出して出力値を得る光検出器の非線形性を補正する光学分析装置であって、前記光を照射する光源と、前記光源から照射された光が入力される測定セルと、前記測定セルから出力される光を検出して出力値を得る前記光検出器と、前記光検出器の補正前の出力値と、前記光検出器の線形領域における出力値又は前記測定セルに導入されたサンプルの既知濃度とを用いて、前記光検出器の出力値を線形補正するための補正用モデルを機械学習する学習部と、前記学習部により得られた補正用モデルを保存する保存部とを備えることを特徴とする。

このようなものであれば、機械学習アルゴリズムにより光検出器の出力値を線形補正するための補正用モデルを学習しているので、従来の補正式演算アルゴリズムを不要とし、光検出器の出力補正を、複数の光量を用いて、かつ、簡単な構成で行うことができる。

前記光学分析装置が、前記光検出器が検出する前の光の強度を変動させる変動部をさらに備えている場合には、前記学習部は、前記光検出器の補正前の出力値に含まれる前記変動部による変動成分と、前記光検出器の線形領域における出力値とに基づいて、前記光検出器の出力値を線形補正するための補正用モデルを学習することが望ましい。

前記光学分析装置は、前記測定セルを複数の温度に温調する温調部をさらに備えている場合には、前記測定セルから出力される光は、温調された前記測定セルから発生し、その温度によって光量が変化する光と、前記光源から照射されて前記測定セルを通過した光とを含むものとなる。この場合、前記学習部は、前記測定セルを複数の温度に温調させたときのそれぞれにおいて前記光検出器により検出された複数の補正前の出力値を用いて、前記補正用モデルを学習することが望ましい。
この構成であれば、従来のように１点補正では無く多点補正することになり、頑健な補正用モデルを作成することができる。

測定セルの赤外輻射はその温度変化に伴って変化し、これによって、光検出器に入射する光量が変化することになる。図２には、測定セルが２５．９℃の場合と、測定セルが１６４．１℃の場合とにおける光検出器からの出力値を示している。なお、この出力値は、光源と測定セルとの間に干渉器、又は、光学チョッパや分光器等の入射光強度を変調させる光変調器を設けた構成により得られたものであり、図２は干渉計の移動鏡位置にしたがって光検出器の出力値が変化する様子を示している。また、両温度において、測定セル内のサンプルは同じであり、温度以外は同条件である。図２から分かるように、測定セルが２５．９℃の場合と、測定セルが１６４．１℃の場合とで、光検出器の出力において測定セルからの赤外輻射に依存する直流オフセット成分（ＤＣ成分）が変化してしまう。一方、光検出器の出力特性が線形の場合には、干渉計による変動成分（非ＤＣ成分）は、いずれの温度の場合であっても等しくなるはずであるが、実際は１６４．１℃の場合では非ＤＣ成分の振幅が小さくなっている。これは、光検出器の出力特性が非線形であることに起因する。

補正用モデルの頑健性を向上させるためには、前記学習部は、さらに、前記光の強度をゼロとしたときの前記光検出器の出力値、前記光検出器の出力値に含まれる前記測定セルの赤外輻射によるオフセット成分、又は、前記測定セルの温度の少なくとも１つを取得して、前記補正用モデルを学習することが望ましい。

変動部の具体的な実施の態様としては、前記光源及び前記測定セルの間に設けられ、前記光源から照射された光を反射させる固定ミラーと、前記光源から照射された光を往復移動しながら反射する移動ミラーとを備えた干渉計であるか、又は光を通過又は遮断させて前記光の強度を変動させる光変調器であることが考えられる。

また、変動部としては、前記測定セルに導入するサンプルの濃度を変動させ、前記光検出器が検出する前の光の強度を変動させる構成としても良い。

具体的に前記学習部は、強化学習アルゴリズムを用いて補正用モデルを学習するものであり、前記光検出器の補正前の出力値が入力されて、前記補正前の出力値を線形補正するための補正用モデルを演算する強化学習部と、前記補正用モデルを、前記光検出器の線形領域における出力値又は前記測定セルに導入されたサンプルの既知濃度を用いて評価するモデル評価部とを備え、前記強化学習部は、前記モデル評価部の評価結果に基づく報酬を用いて前記補正用モデルを更新することが望ましい。

前記モデル評価部は、前記補正用モデルを用いて補正された補正後の出力値と前記線形領域における出力値との間の時間成分の一致度、周波数成分の一致度又は分光特性の一致度の少なくとも１つにより評価することが望ましい。

学習部は、強化学習アルゴリズムの他に、教師あり学習アルゴリズムを用いたものであっても良い。この場合、前記学習部は、教師データとして前記検出器の線形領域における出力値又はサンプルの既知濃度を用いて前記補正用モデルを学習することが望ましい。

また本発明に係る機械学習装置は、光を検出して出力値を得る光検出器の非線形性を補正する光学分析装置に用いられる機械学習装置であって、前記光検出器の補正前の出力値と、前記光検出器の線形領域における出力値又は前記光学分析装置に導入されたサンプルの既知濃度とを用いて、前記光検出器の出力値を線形補正するための補正用モデルを学習する学習部と、前記学習部により得られた補正用モデルを保存する保存部とを備えることを特徴とする。

さらに本発明に係る機械学習方法は、光を検出して出力値を得る光検出器の非線形性を補正する光検出器を備える光学分析装置に用いられる機械学習方法であって、前記光検出器の補正前の出力値と、前記光検出器の線形領域における出力値又は前記測定セルに導入されたサンプルの既知濃度とを用いて、前記光検出器の出力値を線形補正するための補正用モデルを学習することを特徴とする。

その上本発明に係る光学分析装置は、光を検出して出力値を得る光検出器の非線形性を補正する光学分析装置であって、前記学習部により生成された補正用モデルを用いて、前記光検出器の出力値を線形補正する補正部と、前記補正部により補正された補正後の出力値を用いて測定対象成分の濃度を算出する演算部とを備えることを特徴とする。

このように構成した本発明によれば、光学分析装置に用いられる検出器の出力補正を、複数の光量を用いて、かつ、簡単な構成で行うことができる。

ＭＣＴ光検出器の入射光強度と出力値との関係を示す特性図である。 セル温度２５．９℃、１６４．１℃におけるＭＣＴ光検出器の出力値を示す図である。 本発明の一実施形態における光学分析装置の全体を示す模式図である。 同実施形態の学習部を示す機能ブロック図である。 変形実施形態の機械学習方法の一例を示す図である。

以下、本発明に係る光学分析装置の一実施形態について図面を参照して説明する。

＜装置構成＞
本実施形態の光学分析装置１００は、いわゆるＦＴＩＲと称されるフーリエ変換型赤外分光分析器１００であり、図３に示すように、光源１、干渉計２、測定セル３、光検出器４及び演算処理装置５を具備したものである。

光源１は、ブロードなスペクトルを有する光（多数の波数の光を含む連続光）を射出するものであり、例えばタングステン・ヨウ素ランプや、高輝度セラミック光源が用いられる。

干渉計２は、光検出器４が検出する前の光の強度を変動させる変動部であり、同図に示すように、１枚のハーフミラー（ビームスプリッタ）２１、固定鏡２２及び移動鏡２３を具備した、いわゆるマイケルソン干渉計を利用したものである。この干渉計２に入射した光源１からの光は、ハーフミラー２１によって反射光と透過光に分割される。一方の光は固定鏡２２で反射され、もう一方は移動鏡２３で反射されて、再びハーフミラー２１に戻り、合成されて、この干渉計２から射出される。

測定セル３は、測定対象となるガス（以下、サンプルガスともいう。）が導入されるものであり、干渉計２から出た光が、測定セル３内のサンプルガスを透過して光検出器４に導かれるようにしてある。この測定セル３は、例えばアルミニウムなどの金属製の筒状をなすセル本体と、セル本体の両端壁に設けられた石英ガラス等の透光性材料からなる窓部材とから構成されている。

光検出器４は、測定セル３から出力される光を検出するものであり、入射光強度が所定範囲内においてその出力値と線形となり、その他の範囲で非線形となるような光検出器である。ここでは、いわゆるＭＣＴ光検出器４と称されるものである。

演算処理装置５は、バッファ、増幅器などを有したアナログ電気回路と、ＣＰＵ、メモリ、ＤＳＰなどを有したデジタル電気回路と、それらの間に介在するＡ／Ｄコンバータ等を有したものである。この演算処理装置５は、前記メモリに格納した所定プログラムにしたがってＣＰＵやその周辺機器が協働することにより、サンプルガスを透過した光のスペクトルを光検出器４の出力値から算出するとともに、この光スペクトルから各波数の光の吸光度を求めてサンプルガスを分析する分析部５１としての機能を発揮する。

この分析部５１は、光スペクトルを以下のようにして算出する。

移動鏡２３を進退させ、サンプルガスを透過した光強度を移動鏡２３の位置を横軸にとって観測すると、単波数の光の場合、干渉によって光強度はサインカーブを描く。一方、サンプルガスを透過した実際の光は多数の波数を有する光であり、前記サインカーブは波数毎に異なるから、実際の光強度は、各波数の描くサインカーブの重ね合わせとなり、干渉パターン（インターフェログラム）は波束の形となる。

分析部５１は、移動鏡２３の位置を例えば図示しないＨｅＮｅレーザなどの測距計（図示しない）によって求めるとともに、移動鏡２３の各位置における光強度を光検出器４によって求め、これらから得られる干渉パターンを高速フーリエ変換（ＦＦＴ）することによって、各波数成分を横軸とし、光強度信号を縦軸とした光スペクトルに変換する。

このとき、サンプルガスを透過した光、つまり光検出器４に入射した光の強度は、光検出器４の出力値に基づいて算出されるが、そのためには、光検出器４の出力値と入射光強度との関係（検量線）を予め求めて、メモリに記憶させておく必要がある。なお、この実施形態における検量線とは、光検出器４の出力値を入射光強度に変換するための演算式であるが、テーブルやマップでも構わない。

本実施形態では、測定セル３を多段階に温調できるように構成されており、光学分析装置１００は、測定セル３を温調するための温調機構６と、当該温調機構６を制御する温調機構制御部５２とを有している。これら温調機構６及び温調機構制御部５２により温調部が構成される。

温調機構６は、測定セル３の周囲に設けられた例えば電熱線などのヒータである。また、温調機構制御部５２は、ヒータ６に電力を供給する電源回路を制御することによって、ヒータ６による測定セル３の加熱温度を制御するものである。例えば、温調機構制御部５２は、測定セル３の温度が２５．９℃（低温時）と１６４．１℃（高温時）となるように制御する。

＜機械学習機能について＞
しかして本実施形態の演算処理装置５は、光検出器４の出力値を線形補正するための補正用モデルを機械学習する機能を有している。具体的に演算処理装置５は、同一の試料を測定した場合に、インターフェログラムにおける直流オフセット成分（ＤＣ成分）の大きさに関わらず、干渉計２による変動成分（ＡＣ成分）を等しくなるように補正する補正用モデルを機械学習する機能を有する。

具体的に演算処理装置５の分析部５１は、図３に示すように、測定対象成分の濃度を算出する演算部５１ａの他に、光検出器４の出力値を線形補正する補正用モデルを学習する学習部５１ｂと、学習部５１ｂにより得られた補正用モデルを保存する保存部５１ｃと、補正用モデルを用いて、光検出器４の出力値を線形補正する補正部５１ｄとを有している。

学習部５１ｂは、強化学習アルゴリズムを用いて補正用モデルを機械学習するものであり、光検出器４の補正前の出力値（例えばインターフェログラム）が入力されて、補正前の出力値を線形補正するための補正用モデルを演算する強化学習部５３と、補正用モデルを、光検出器４の線形領域における出力値を用いて評価するモデル評価部５４と、モデル評価部５４の評価結果に応じて予め定められた報酬を算出する報酬算出部５５とを備えている。

強化学習部５３は、測定セル３を複数の温度に変化させたときのそれぞれの出力値を取得して、補正用モデルを学習するものである。

また、強化学習部５３は、モデル評価部５４の評価結果に基づいて報酬算出部５５により得られた報酬を用いて、補正用モデルを更新する。ここで、補正用モデルを更新することには、補正用モデルに含まれる各種パラメータを変更することを含む。

モデル評価部５４は、「補正用モデルを用いて補正された補正後の出力値」と「光検出器４の線形領域における出力値」との間の時間成分の一致度、周波数成分の一致度又は分光特性の一致度の少なくとも１つにより評価する。時間成分の一致度とは、例えば、時間を横軸とし、光強度信号を縦軸としたグラフ波形の一致度である。周波数成分の一致度とは、例えば、光強度信号をフーリエ変換して得られた周波数成分を用いたものであり、波数成分を横軸とし、光強度信号を縦軸としたグラフ波形の一致度である。分光特性の一致度とは、例えば、波長成分を横軸とし、光強度信号を縦軸としたグラフ波形の一致度である。

なお、光検出器４の線形領域における出力値は、光源１からの入射光強度が弱く、入射光強度と出力値との関係が線形となる所定範囲内のものを用いてもよいし、光源１と測定セル３との間にフィルタ（図示せず）を設置して、光源１から入射光強度を弱めて、入射光強度と出力値との関係が線形となるものを用いてもよい。

報酬算出部５５は、モデル評価部５４により得られた「補正用モデルを用いて補正された補正後の出力値」と「光検出器４の線形領域における出力値」との一致度に応じた報酬を算出するものである。ここで、一致度に応じた報酬は予め定められて記憶されている。

＜強化学習方法の一例＞
次に、強化学習における補正用モデルの算出方法の一例について説明する。

本実施形態のＦＴＩＲのように変動部として干渉計２を有する光学分析装置１００の場合には、干渉計２を通して光源１の光を測定セル３に照射する。これにより、光検出器４の出力値（インターフェログラム）がＤＣ成分及びＡＣ成分の両方を含むことになる。

一方、干渉計２を有さない例えばＮＤＩＲ（非分散形赤外分光分析器）等の分析装置の場合には、図５に示すように、光源１と測定セル３との間に変動部として光学チョッパ等の光変調器７を配置し、当該光変調器７により、光検出器４の出力値（インターフェログラム）がＤＣ成分及びＡＣ成分の両方を含むようにする。ここで、光学チョッパ７に形成された複数の光通過孔はそれぞれ開口径が異なり、光通過孔によって通過する光量が異なるように構成されていてもよい。なお、上記何れの場合であっても、測定セル３にサンプルガスや基準ガスを封入してもよいし、封入していなくても良い。

この状態で、温調機構制御部５２により温調機構６の温度を例えば、２５．９℃（低温時）から１６４．１℃（高温時）となるように制御する。この間の各温度において光検出器４は出力値を出力する。このように測定セル３の温度を変更させることによって、光検出器４の出力値に含まれるＤＣ成分の大きさを変化させる。

各温度における補正前の出力値（測定セル３からの赤外輻射によってＤＣ成分が変化している。）を強化学習部５３に入力する。そうすると、強化学習部５３が補正用モデルを算出して、モデル評価部５４が補正用モデルを評価して、報酬算出部５５が報酬を算出する。そして、強化学習部５３は、報酬算出部５５の報酬が最大化するように補正用モデルを更新する。

上記により得られた補正用モデルは、保存部５１ｃに保存される。そして、補正部は、保存部５１ｃに保存された補正用モデルを用いて、光検出器４の補正前の出力値を線形補正する。この線形補正された出力値が演算部５１ａに入力され、演算部５１ａは、線形補正された出力値を用いて測定対象成分の濃度を算出する。

＜本実施形態の効果＞
このように構成した本実施形態によれば、機械学習アルゴリズムにより光検出器４の出力値を線形補正するための補正用モデルを学習しているので、従来の補正式演算アルゴリズムを不要とし、光検出器４の出力補正を、複数の光量を用いて、かつ、簡単な構成で行うことができる。

＜その他の変形実施形態＞
なお、本発明は前記実施形態に限られるものではない。

例えば、強化学習部５３への入力信号として、光検出器４の補正前の出力値の他に、入射光強度をゼロ（光検出器への入射光量をゼロ）としたときの光検出器４の出力値、光検出器４の出力値（インターフェログラム）から分離された直流オフセット成分の値、又は、測定セル３の温度の少なくとも１つを用いても良い。この場合、強化学習部５３は、光検出器４の補正前の出力値とともに、それらの値を用いて、補正用モデルを学習する。

モデル評価部５４は、光検出器４の線形領域における出力値を用いる他に、補正用モデルを評価するためのサンプルの既知濃度を用いて補正用モデルを評価するようにしても良い。例えば、補正用モデルを用いて補正された補正後の出力値により得られた算出濃度と評価用の正しい濃度（既知濃度）とを比較することによって補正用モデルを評価しても良い。

前記実施形態では、光学分析装置１００が機械学習機能を有する構成であったが、光学分析装置１００とは別体に機械学習装置を設けて、当該機械学習装置により補正用モデルを強化学習し、当該補正用モデルを光学分析装置１００に記憶させても良い。この場合、機械学習装置には、学習部５１ｂ及び保存部５１ｃが設けられる。一方、光学分析装置１００には、保存部５１ｃ及び補正部５１ｄが設けられることになる。

前記実施形態では、光検出器の出力値におけるＡＣ成分を形成する変動部として干渉計２又は光学チョッパ等の光変調器７を用いていたが、干渉計２や光変調器７を用いること無く、変動部は、測定セル３に導入するサンプルの濃度を変化させて光検出器４が検出する前の光の強度を変動させることによって、光検出器４の出力値におけるＡＣ成分を形成するものであっても良い。

前記実施形態の学習部５１ｂは、強化学習アルゴリズムにより機械学習を行うものであったが、教師あり学習アルゴリズムにより機械学習を行うものであっても良い。

この場合、学習部５１ｂは、教師データ（学習データセット）として、光検出器４の線形領域における出力値又は測定セル３に導入されたサンプルの既知濃度を用いて、補正用モデルを学習する。具体的には、教師データとして、補正前の出力値と、光検出器４の線形領域における出力値の時間成分、周波数成分又は分光特性の少なくとも１つとからなるデータセットが入力される。このデータセットにより、学習部５１ｂは、補正用モデルを学習する。

光検出器４は、ＭＣＴ光検出器に限られない。入射光強度が所定範囲内においてその出力値と線形となり、その他の範囲で非線形となるような光検出器に本発明を適用することができる。

また、本発明は、フーリエ変換型赤外分光分析器に限られず、他のタイプの分光分析器や分光器（前記実施形態で言えば光スペクトルを求めるまでの構成のもの）に適用して同様の効果を奏し得るものである。

その他、本発明は前記実施形態に限られること無く、その趣旨を逸脱しない範囲で種々の変形が可能である。

１００・・・光学分析装置
１ ・・・光源
３ ・・・測定セル
４ ・・・光検出器
５ ・・・演算処理装置
５１ ・・・分析部
５２ ・・・温調機構制御部（温調部）
５１ａ・・・演算部
５１ｂ・・・学習部
５１ｃ・・・保存部
５１ｄ・・・補正部
７ ・・・温調機構（温調部）

Claims (10)

1. 光を検出して出力値を得る光検出器の非線形性を補正する光学分析装置であって、
   前記光を照射する光源と、
   前記光源から照射された光が入力される測定セルと、
   前記測定セルから出力される光を検出して出力値を得る前記光検出器と、
   前記光検出器が検出する前の光の強度を変動させる変動部と、
   前記光検出器の補正前の出力値となるインターフェログラムと、前記光検出器の線形領域における出力値となるインターフェロフラム又は前記測定セルに導入されたサンプルの既知濃度とを用いて、前記光検出器の出力値となるインターフェログラムに含まれる変動成分を補正して前記光検出器の出力値を線形補正するための補正用モデルを機械学習する学習部と、
   前記学習部により得られた補正用モデルを保存する保存部とを備える、光学分析装置。
2. 前記光学分析装置は、前記測定セルを複数の温度に温調する温調部をさらに備え、
   前記測定セルから出力される光は、温調された前記測定セルから発生し、その温度によって光量が変化する光と、前記光源から照射されて前記測定セルを通過した光とを含むものであり、
   前記学習部は、前記測定セルを複数の温度に温調させたときのそれぞれにおいて前記光検出器により検出された複数の補正前の出力値となるインターフェログラムを用いて、前記補正用モデルを学習する、請求項１記載の光学分析装置。
3. 前記学習部は、さらに、前記光の強度をゼロとしたときの前記光検出器の出力値となるインターフェログラム、前記光検出器の出力値に含まれる前記測定セルの赤外輻射によるオフセット成分、又は、前記測定セルの温度の少なくとも１つを取得して、前記補正用モデルを学習する、請求項１又は２に記載の光学分析装置。
4. 前記変動部は、前記光源及び前記測定セルの間に設けられ、前記光源から照射された光を反射させる固定ミラーと、前記光源から照射された光を往復移動しながら反射する移動ミラーとを備えた干渉計であるか、又は光を通過又は遮断させて前記光の強度を変動させる光変調器である、請求項１乃至３の何れか一項に記載の光学分析装置。
5. 前記学習部は、
   前記光検出器の補正前の出力値となるインターフェログラムが入力されて、前記補正前の出力値となるインターフェログラムに含まれる変動成分を補正して前記光検出器の出力値を線形補正を線形補正するための補正用モデルを演算する強化学習部と、
   前記補正用モデルを、前記光検出器の線形領域における出力値となるインターフェログラム又は前記測定セルに導入されたサンプルの既知濃度を用いて評価するモデル評価部とを備え、
   前記強化学習部は、前記モデル評価部の評価結果に基づく報酬を用いて前記補正用モデルを更新する、請求項１乃至４の何れか一項に記載の光学分析装置。
6. 前記モデル評価部は、前記補正用モデルを用いて補正された補正後の出力値となるインターフェログラムと前記線形領域における出力値となるインターフェログラムとの間の時間成分の信号波形の一致度、周波数成分の信号波形の一致度又は分光特性の信号波形の一致度の少なくとも１つにより評価する、請求項５記載の光学分析装置。
7. 前記光学分析装置は、前記光源からの光をインターフェログラムに変調する干渉計と、前記光検出器の出力値となるインターフェログラムをフーリエ変換し、このフーリエ変換によって得られるスペクトルに基づいて測定対象成分の濃度を算出する演算部とをさらに備え、フーリエ変換型分光分析を行うものである、請求項１乃至６の何れか一項に記載の光学分析装置。
8. 光を検出して出力値を得る光検出器の非線形性を補正する光学分析装置に用いられる補正用モデルを生成する機械学習装置であって、
   前記光検出器の補正前の出力値となるインターフェログラムと、前記光検出器の線形領域における出力値となるインターフェログラム又は前記光学分析装置に導入されたサンプルの既知濃度とを用いて、前記光検出器の出力値となるインターフェログラムに含まれる変動成分を補正して前記光検出器の出力値を線形補正するための補正用モデルを学習する学習部と、
   前記学習部により得られた補正用モデルを保存する保存部とを備える、機械学習装置。
9. 光を検出して出力値を得る光検出器の非線形性を補正する光検出器を備える光学分析装置に用いられる補正用モデルを生成する機械学習方法であって、
   前記光検出器の補正前の出力値となるインターフェログラムと、前記光検出器の線形領域における出力値となるインターフェログラム又は測定セルに導入されたサンプルの既知濃度とを用いて、前記光検出器の出力値となるインターフェログラムに含まれる変動成分を補正して前記光検出器の出力値を線形補正するための補正用モデルを学習する、機械学習方法。
10. 光を検出して出力値を得る光検出器の非線形性を補正する光学分析装置であって、
    請求項８に記載の機械学習装置により生成された補正用モデルを用いて、前記光検出器の出力値を線形補正する補正部と、
    前記補正部により補正された補正後の出力値を用いて測定対象成分の濃度を算出する演算部とを備える光学分析装置。
    

Images