Deprecated: The each() function is deprecated. This message will be suppressed on further calls in /home/zhenxiangba/zhenxiangba.com/public_html/phproxy-improved-master/index.php on line 456
JP7103341B2 - 関係性探索システム、情報処理装置、方法およびプログラム - Google Patents
[go: Go Back, main page]

JP7103341B2 - 関係性探索システム、情報処理装置、方法およびプログラム - Google Patents

関係性探索システム、情報処理装置、方法およびプログラム Download PDF

Info

Publication number
JP7103341B2
JP7103341B2 JP2019505909A JP2019505909A JP7103341B2 JP 7103341 B2 JP7103341 B2 JP 7103341B2 JP 2019505909 A JP2019505909 A JP 2019505909A JP 2019505909 A JP2019505909 A JP 2019505909A JP 7103341 B2 JP7103341 B2 JP 7103341B2
Authority
JP
Japan
Prior art keywords
data
group
class
data group
learning
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
JP2019505909A
Other languages
English (en)
Other versions
JPWO2018168580A1 (ja
Inventor
悠真 岩崎
真彦 石田
明宏 桐原
浩一 寺島
浩子 染谷
亮人 澤田
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.)
NEC Corp
Original Assignee
NEC Corp
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 NEC Corp filed Critical NEC Corp
Publication of JPWO2018168580A1 publication Critical patent/JPWO2018168580A1/ja
Application granted granted Critical
Publication of JP7103341B2 publication Critical patent/JP7103341B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24564—Applying rules; Deductive queries
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/258—Data format conversion from or to a database
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/30—Unsupervised data analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • Bioethics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、データの集合からデータが示す所定のパラメータ間の関係性を探索するための関係性探索システム、情報処理装置、関係性探索方法および関係性探索用プログラムに関する。
近年、材料開発の分野において、マテリアルズ・インフォマティクスと呼ばれる技術が注目されている。その背景には、コンビナトリアル手法などの材料実験手法の発達により、短時間で大量の材料実験データを取得することが可能になったことや、コンピュータ技術の発達および効率的な計算手法の出現により、第１原理計算や分子動力学法等を用いて、大量の材料計算データを取得することが可能になったことなどが挙げられる。
マテリアルズ・インフォマティクスは、このような材料に関するビッグデータに対して、機械学習技術やAI（Artificial Intelligence）技術といった計算機の情報処理能力により実現する技術（特に、データマイニング技術）を利用して材料探索を行う技術の総称である。ここで、材料探索の対象とされる物質は、構造が未知の新物質だけでなく、既知の物質であっても現時点で注目されていない特性を有する物質も含む。
上述したように、材料に関するビッグデータを取得することができるようになったが、それを人間が網羅的に把握し解析することは不可能である。このような材料に関する構造や特性などの多くの情報をデータベースとして管理し、機械学習やAI技術を用いることにより、人間では気づくことができない材料間の関係性などを発見できれば、思いがけない材料開発につながる可能性があると考えられている。
このようなマテリアルズ・インフォマティクスに関連して、例えば、特許文献１には、新規材料の構成物質情報を探索する方法が記載されている。特許文献１に記載の方法は、まず、物質に関する複数の物性パラメータを予め記憶しておく。そして、データベースにアクセスして全ての物質に対応する種々の実データを抽出し、複数の物性パラメータに対応させて整理することにより、データベースに蓄積されていないデータの存在を確認する。そして、確認された未蓄積データに対して、実データに基づいて演算を行うことにより仮想データを推定する。そして、推定した仮想データと実データとを用いて探索マップを作成する。
また、非特許文献１には、マテリアルズ・インフォマティクスの例として、実験や計算により得られた化合物の材料機能の定量的データから、予測化合物の材料機能を推定する方法として、機械学習を用いる例が記載されている。さらに、非特許文献１には、予測の精度を上げるために、実験データなどの予測に利用しなかった独立データを用いて、構造・物質予測モデル（予測モデル）の検証を逐次行うことが有効であると記載されている。
また、材料探索に適した学習方法の一例として、非特許文献２には、異種混合学習の方法が記載されている。
特許第４７８０５５４号公報
田中 功、外３名、"マテリアルズ・インフォマティクスに基づいた新材料の探索"、［online］、京都大学工学研究科 材料工学専攻、［平成２９年２月１７日検索］、インターネット<URL:http://cms.mtl.kyoto-u.ac.jp/_downloads/M-Info.pdf> 藤巻 遼平、森永 聡，「ビッグデータ時代の最先端データマイニング」，ＮＥＣ技報 Ｖｏｌ．６５ Ｎｏ．２， ２０１２年９月，ｐ．８１－８５
材料のビッグデータを機械学習やAI解析するシステムに用いる場合、次のような課題がある。すなわち、多くの場合、実験で得られるデータと計算で得られるデータとの間には乖離があり、そのような乖離の存在を無視して解析しても妥当な結果が得られないことである。
乖離の一例として、結晶構造によるものがある。例えば、第一原理計算では結晶構造を一意に定めて計算するのに対して、実際の物質では複数の結晶構造が混在していることが多い。結晶構造が異なっていても構成元素およびその含有比が同一であることから、このような材料実験データと材料計算データを同じ材料のデータとして機械学習に入力しても、妥当な結果を得ることはできない。
なお、特許文献１に記載の方法は、単に、データベース上に存在しない実データを、今ある実データに基づき計算した推定値により補完しようというものである。このように、特許文献１では、データベースに存在する実データが全て正しい特性パラメータの値を示すデータであることを前提としており、データベース上に既に存在する取得方法が異なるデータに対して、一方のデータを他方のデータに適応させるといったことは考慮されていない。
取得方法が異なる２種類のデータ間の乖離を無くすためには、それがどのような方法や条件で得られたものかを知った上で、それらの違いを吸収するようなデータの調整が必要である。しかし、特許文献１には、そのような乖離を小さくするための実データの調整を示唆する記載はない。
また、非特許文献１に記載の方法は、材料実験データおよび材料計算データを用いて、構造・物性の予測モデルを学習するとともに、該予測モデルを材料実験データを用いて検定することで予測精度を上げようというものである。非特許文献１における検証対象はあくまで予測モデル（予測モデルの内部パラメータ等）である。このような検定は、一般にクロスバリデーションの一機能として慣用されているものであり、学習器に入力するデータそのもの（生データ）を変換するものではない。数学的見地から、このような検定は生データの変換には適用できないからである。
なお、上述した課題は、材料探索の用途に限らず、例えば、ある現象やある物といった何らかの事物に関するデータの集合であって取得方法が異なる２種類のデータ群を含むデータ集合に対して、機械学習等の計算処理技術を利用して該データ集合に含まれるデータが対応するパラメータ間の関係性を解析する用途においても同様に発生すると考えられる。
本発明は、上述した課題に鑑みてなされたものであり、取得方法が異なる２種類のデータ群を含むデータ集合であっても、適切に、該データ集合に含まれるデータが対応するパラメータ間の関係性を解析することができる関係性探索システム、関係性探索方法および関係性探索用プログラムを提供することを目的とする。
本発明による関係性探索システムは、取得方法が異なる２種類のデータ群である第１種データ群および第２種データ群を含むデータ集合を記憶する記憶手段と、第１種データ群に属する第１データと、第２種データ群に属するデータであって第１データと対応する第２データとの間に生じる取得方法の違いによる乖離を小さくするように、第１データまたは第２データを補正もしくは再構成するデータ適応手段と、補正または再構成後のデータを含むデータ集合を用いて、機械学習を行う学習手段とを備えたことを特徴とする。
本発明による情報処理装置は、取得方法が異なる２種類のデータ群である第１種データ群および第２種データ群を含むデータ集合に対し、第１種データ群に属する第１データと、第２種データ群に属するデータであって第１データと対応する第２データとの間に生じる取得方法の違いによる乖離を小さくするように、第１データまたは第２データを補正もしくは再構成するデータ適応手段と、補正または再構成後のデータを含むデータ集合を用いて、機械学習を行う学習手段とを備えたことを特徴とする。
本発明による関係性探索方法は、情報処理装置が、取得方法が異なる２種類のデータ群である第１種データ群および第２種データ群を含むデータ集合に対し、第１種データ群に属する第１データと、第２種データ群に属するデータであって第１データと対応する第２データとの間に生じる取得方法の違いによる乖離を小さくするように、第１データまたは第２データを補正もしくは再構成し、補正または再構成後のデータを含むデータ集合を用いて、機械学習を行うことを特徴とする。
本発明による関係性探索用プログラムは、コンピュータに、取得方法が異なる２種類のデータ群である第１種データ群および第２種データ群を含むデータ集合に対し、第１種データ群に属する第１データと、第２種データ群に属するデータであって第１データと対応する第２データとの間に生じる取得方法の違いによる乖離を小さくするように、第１データまたは第２データを補正もしくは再構成する処理、および補正または再構成後のデータを含むデータ集合を用いて、機械学習を行う処理を実行させることを特徴とする。
本発明によれば、取得方法が異なる２種類のデータ群を含むデータ集合であっても、適切に、該データ集合に含まれるデータが対応するパラメータ間の関係性を解析することができる。
第１の実施形態にかかる関係性探索システムの例を示すブロック図である。 第１の実施形態の関係性探索システムの動作の一例を示すフローチャートである。 学習データの例を示す説明図である。 データ適応部２によるデータの適応処理の一例を示すフローチャートである。 第２の実施形態の材料開発システムの構成例を示すブロック図である。 情報処理装置２１の構成例を示すブロック図である。 第２の実施形態の情報処理装置２１の動作例を示すフローチャートである。 実験で作成したFePt, CoPt, NiPt薄膜のXRDデータを示すグラフである。 実施例１のXRDデータを用いた結晶構造の解析結果を示すグラフである。 実施例１の材料計算データの対応パラメータの一覧を示す説明図である。 実施例１の学習済みのニューラルネットワークモデルを示す説明図である。 試作材料のDFT計算の結果を示すグラフである。 試作材料（Co2Pt2Nx）の異常ネルンスト効果を用いた熱電効率の測定結果を示すグラフである。 実施例１の異種混合学習による学習結果を示す説明図である。 本発明の実施形態にかかるコンピュータの構成例を示す概略ブロック図である。
［実施形態１］
以下、図面を参照して本発明の実施形態について説明する。図１は、本実施形態にかかる関係性探索システムの例を示すブロック図である。図１に示すように、関係性探索システム１０は、データ記憶部１と、データ適応部２と、学習部３とを備える。
データ記憶部１は、関係性の探索対象とされるパラメータに対応するデータを含むデータ集合を記憶する。本実施形態では、データ記憶部１は、材料実験データ群と材料計算データ群といったように、取得方法が異なる２種類のデータ群（data group）を含むデータ集合を記憶する。
以下、データ集合に含まれる上記の２種類のデータ群のうち一方を「第１種データ群」といい、他方を「第２種データ群」という場合がある。なお、第１種データ群および第２種データ群はいずれも、１つ以上のデータを有していればよい。また、データ記憶部１において、データ集合に含まれる各データ（第１種データ群に属する各データおよび第２種データ群に属する各データ）は、データの対象（何に関するデータなのか）や、対象の分類や、データ形式や、取得方法や、取得の際の条件や、取得日時（データ作成日時）や、対応するパラメータ（何を示すデータなのか）の情報等が属性情報として付されるなどにより、これらの情報を特定可能なように記憶されているものとする。
第１種データ群は、例えば、実験など、実際の対象（現象、事柄、物質等）を直接または間接的に観察または計測することが可能な環境において得られるデータからなるデータ群であってもよい。また、第２種データ群は、例えば、実際の対象を要せず、計算によって得られるデータからなるデータ群であってもよい。
なお、第１種データ群および第２種データ群はこれらに限定されず、例えば、第１種データ群と第２種データ群ともに、実験か計算のいずれか一方によって得られるデータ群であってもよい。例えば、データ集合が、第１の実験方法によって得られたデータからなる第１種データ群と、第２の実験方法によって得られたデータからなる第２種データ群とを含んでいてもよい。また、例えば、データ集合は、第１の計算方法によって得られたデータからなる第１種データ群と、第２の計算方法によって得られたデータからなる第２種データ群とを含んでいてもよい。このような場合も、取得方法が異なる２種類のデータ群を含むデータ集合に相当する。
以下では、データ集合に含まれるデータの各々が、材料に関するデータである場合を例に説明するが、データ記憶部１が記憶するデータ集合はこれらに限定されない。例えば、データ集合は、１つ以上の現象に関するデータの集合であってもよいし、１つ以上の事柄に関するデータであってもよいし、１つ以上の物質に関するデータであってもよい。
データ集合が１つ以上の材料に関するデータの集合である場合、該データ集合は、例えば、対象とされる材料（以下、対象材料という）の所定の第１特性を示すデータと、該対象材料の該第１特性と異なる所定の２以上の第２特性を示すデータとを含んでいてもよい。なお、これらは、各データの内容に着目した場合のデータ集合の例である。したがって、これらの特性を示すデータは、第１種データ群および第２種データ群のいずれにも含まれうる。
本実施形態では、材料に関するデータのうち、該材料に対する実験によって得られたデータを材料実験データといい、計算によって得られたデータを材料計算データという。材料実験データは、例えば、実際の材料に対して実験を行い、その際に観察または計測された該材料の特性や構造や組成に関するデータであってもよい。また、材料計算データは、例えば、所定の原理に従って計算された仮想の材料の特性に関するデータであってもよい。なお、材料に関するデータは、既存の材料データベースや公知論文に記載されているデータでもよい。また、データの形式としてはスカラー、ベクトル、テンソルなどの数値の形式でもよく、画像、動画、文字列、文章などでもよい。
データ適応部２は、第１種データ群に属する、あるデータ（以下、第１データという）、または、第２種データ群に属する、当該第１データと対応するデータ（以下、第２データ）を変換（補正または再構成）する。
ここで、第１データと第２データとの関係は、例えば、互いに対象材料が同一または所定の規則に基づく類似関係（例えば、組成が所定比率以上で一致する、原材料同士が元素周期表に基づく一定の規則を満たすなど）にあるものであってもよい。ここで、材料の同一性は、組成の同一性としてもよい。なお、第１データと第２データとの関係には、１つの第１データに対して１つの第２データが対応する場合以外にも、１つの第１データに対して複数の第２データが対応する場合、複数の第１データに対して１つの第２データが対応する場合、複数の第１データに対して複数の第２データが対応する場合が考えられる。いずれの場合も、データ適応部２は、１つ以上の第１データのうちの少なくとも１つ、または１つ以上の第２データのうちの少なくとも１つを変換する。
データ適応部２は、より具体的には、第１データと第２データとの間に生じる、各々の取得方法の違いによる乖離を小さくするように、第１データまたは第２データを変換する。
乖離の例としては、取得方法において用いられるパラメータ（計算式に用いられる変数、係数、前提条件や、実験時の前提条件等）のうち、いずれか一方の取得方法において固定化されているパラメータまたは考慮されないパラメータにより生じる乖離が挙げられる。その場合、例えば、データ適応部２は、第１データと第２データ間でそのようなパラメータの有無を判定して、そのようなパラメータが存在した場合に、双方のデータにおける当該パラメータの違いに基づいて第１データまたは第２データを変換する。なお、以下、各データが対応するパラメータ（特性パラメータなど、関係性を解析したいパラメータ）と区別するために、取得方法において用いられるパラメータを、取得パラメータという場合がある。
また、乖離の他の例としては、対象材料の構成の違いおよび／または周囲環境条件の違いにより生じる乖離が挙げられる。その場合、例えば、データ適応部２は、第１データと第２データの各々について、対象材料の構成や各データを取得または計算したときの周囲環境条件を確認し、構成や条件が異なっていた場合に、双方のデータにおける当該構成や条件の違いに基づいて第１データまたは第２データを変換する。
ここで、材料の構成には、当該材料の組成または構造が含まれる。ここで、「組成」は、原材料の種類およびその比率で表されるものであってもよい。また、材料の構造には、当該材料の結晶構造または形状（例えば、厚さや長さなど）が含まれる。ここで、「結晶構造」は、例えば、長距離秩序の種類およびその比率で表されるものであってもよい。なお、「長距離秩序の種類」は、特に限定されないが、例えば、ブラべ格子の分類によるもの、Prototype法によるもの、ST（strukturbericht）分類によるもの、Pearson symbol等の命名法によるもの、空間群等の古典幾何学的な分類法によるもの、またはそれらの組み合わせなどが挙げられる。なお、長距離秩序の種類は、上記のもの以外に、独自の分類によるものであってもよく、例えば、アモルファスなどの長距離秩序がないことを示す種類を含んでいてもよい。
データ適応部２は、例えば、第１データが材料実験データであり、第２データが材料計算データであれば、第１データの対象材料の構成と、第２データの対象材料の構成とを比較し、構成の違いの有無を確認する。そして、データ適応部２は、構成の違いが存在した場合には、別の実験や計算により得られたデータや計算式等を用いて、第１データまたは第２データを補正もしくは再構成してもよい。
より具体的な例として、データ適応部２は、第１データと第２データ間で材料の結晶構造が異なっていた場合、一方のデータの結晶構造（長距離秩序の種類と比率）と同じになるように、他方のデータを再構成してもよい。ここで、データの再構成には、複数のデータを１つに纏める、すなわち複数のデータから新たな１つのデータを生成することや、１つのデータを分解する、すなわち１つのデータから新たな２以上のデータを作成することが含まれる。さらに、データの再構成は、複数のデータを１つに纏めた上で、さらに分解すること、すなわち複数のデータから異なる２以上のデータを作成することも含む。このとき、作成元となったデータは、データ集合に含まれたままであってもよいし、データ集合から削除されてもよい。いずれの場合も、データの変換が行われると、変換元となったデータを含んでいたデータ群には、変換元となったデータと同じパラメータ（特性等）に関して異なる内容を示す１つ以上の新たなデータが追加される。
また、乖離の例に関して、上記の周囲環境条件の違いには、温度、磁場もしくは圧力に関する条件の違い、または真空か否かが含まれる。
データ適応部２は、例えば、第１データが材料実験データであり、第２データが材料計算データであれば、第１データの取得条件とされた物質作成時や実験中における温度・磁場・圧力等と、第２データが取得された際に仮定された温度・磁場・圧力等とを比較し、これらの違いの有無を確認する。そして、データ適応部２は、これらに違いが存在した場合には、別の実験や計算により得られたデータや計算式等を用いて、第１データまたは第２データを補正してもよい。
データを補正する方法としては、別の実験や別の計算により得られたデータを基に、回帰（教師あり学習や理論計算）により予測した値を、補正値として用いる方法が挙げられる。例えば、第１データを取得した実験での温度条件が３０℃であり、第２データを取得した計算での温度条件が２０℃であった場合であって、該計算では温度３０℃を仮定して所望のパラメータの値を出すことが困難である場合を考える。このような場合、データ適応部２は、似た材料等を用いた同じ実験や同じ材料を用いた別の実験等によって得られたデータを用いた教師あり学習の結果や別の理論計算を用いて、一方のデータの温度条件での当該パラメータの値を予測して、その予測値を他方のデータの補正値として用いてもよい。なお、上記の方法は温度を例に説明したが、他の周囲環境条件についても同様の方法を適用可能である。
また、データ適応部２は、例えば、対象材料の構成が属性情報から特定できない場合に、対象材料またはそれに類似する材料に関する他のデータ（例えば、他の特性を示すデータ）を用いて、対象材料の構成を推定してもよい。
例えば、材料実験データの対象材料の結晶構造（長距離秩序の種類とその比率）を特定したい場合、該対象材料を含む複数の材料のＸ線回折パターンを示すXRD（X-ray diffraction）データを用いて特定できる。例えば、データ適応部２は、対象材料のXRDデータを任意の曲線でフィッティングして、各構造ピーク面積やピーク高さの比から対象材料の結晶構造を求めてもよい。また、例えば、データ適応部２は、対象材料を含む複数の材料のXRDデータに対して、ハードクラスタリングやソフトクラスタリングなどの教師なし学習を行って、その結果から各材料の結晶構造を求めてもよい。
データ適応部２は、例えば、対象材料が、その取得方法により、単一の結晶構造であることが予め解っている場合には、分類するデータと分類先とが１対１に対応するハードクラスタリングを用いて、対象材料が有する結晶構造の種類を特定してもよい。一方、データ適応部２は、対象材料が単一の結晶構造でない可能性がある場合には、ソフトクラスタリングを用いて、対象材料に含まれる結晶構造の種類とその構造比を一緒に特定してもよい。
学習部３は、データ適応部２による変換後のデータを含むデータ集合を用いて、機械学習を行う。学習部３が行う機械学習は、データ集合に含まれる各データが対応するパラメータ間の関係性を構築できるアルゴリズムであれば、具体的な学習方法は問わない。学習方法としては、教師あり学習、教師なし学習、半教師あり学習、強化学習など様々考えられる。一例として、一般的な教師あり学習の一つであるニューラルネットワークが挙げられる。さらに、他の例として、サポートベクターマシン、ディープラーニング、ガウシアンプロセス、決定木、ランダムフォレストなどが挙げられる。なお、機械学習における学習方法は、さらに、非特許文献２に示される異種混合学習のような、非線形でかつスパースな問題を高精度にホワイトボックスで解けるアルゴリズムであることより好ましい。
また、学習部３は、データ集合の学習方法として、例えば、上記の第１特性を出力パラメータに用い、上記の第２特性を入力パラメータに用いて機械学習を行ってもよい。
このとき、出力パラメータに対応するデータ群である出力データ群は、１つ以上の化合物や複合体についての熱電効率といった材料探索において所望とする特性（上記の第１特性に相当）を示すデータ群であってもよい。また、そのような場合において、入力パラメータに対応するデータ群である入力データ群は、それら化合物や複合体を構成する各成分について該第１特性または該第１特性以外の特性（上記の第２特性に相当）を示すデータ群であってもよい。ここで、第１特性以外の特性は、第１特性の記述子の候補となるような、よりプリミティブな特性であってもよい。なお、機械学習を用いて広く材料探索を行う観点でいえば、第１特性以外の特性を特に限定せずに、できるだけ多くの特性を学習パラメータに用いることも考えられる。または、人によるパラメータ間の関係性の把握をより容易にするために、例えば、統計処理を行うなどして学習パラメータをあえて限定することも考えられる。
また、学習部３は、機械学習によって得られた情報を出力する。例えば、学習部３は、上記で示した学習の結果得られる、入力パラメータ（２以上の第２特性）と、出力パラメータ（第１特性）との間の関係性の強弱を示す情報を出力してもよい。ここで、入力パラメータと出力パラメータとの間の関係性には、入力パラメータの各々と出力パラメータとの間の関係性に限らず、２以上の入力パラメータが取り得る任意の組み合わせと出力パラメータとの間の関係性も含まれうる。すなわち、学習部３は、第１特性と２以上の第２特性の各々またはそれらの組み合わせとの間の関係性の強弱を示す情報を出力してもよい。
本実施形態において、データ記憶部１は、例えば、記憶装置により実現される。また、データ適応部２は、例えば、情報処理装置により実現される。また、学習部３は、例えば、情報処理装置や、所定の学習器を実装したハードウェアおよびネットワークにより実現される。
次に、本実施形態の動作について説明する。図２は、本実施形態の関係性探索システムの動作の一例を示すフローチャートである。図２に示す例では、まず、データ適応部２が、前処理を行う（ステップＳ１１）。データ適応部２は、例えば、前処理として、データ記憶部１に記憶されているデータ集合に含まれる学習データに対して、データの分類や整理などを行う。なお、これらの処理が、例えばユーザによって予め行われている場合には、当該ステップＳ１１は省略可能である。ここで、学習データは、学習部３の学習に用いられるデータである。データ集合に含まれるデータの全てを学習データとしてもよいし、データ集合に含まれるデータの中からユーザが指定されたものや所定の条件を満たすものを学習データとしてもよい。
データ適応部２は、例えば、データの分類処理として、学習データを、その取得方法に応じて大別（分類）する。これにより、学習データが、第１種データ群または第２種データ群のいずれに属するかが特定される。
また、データ適応部２は、例えば、データの整理処理として、第１種データ群および第２種データ群の各々において、当該データ群に属する学習データを、その対象に応じて分類する。これにより、各データ群において、各学習データの対象材料が特定される。
図３は、上述したデータ整理後の学習データの例を示す説明図である。なお、図３（ａ）は、第１種データ群に属する学習データの例を示す説明図であり、図３（ｂ）は、第２種データ群に属する学習データの例を示す説明図である。本例では、学習データの各々は、当該学習データが対応するパラメータの値の他に、識別子（図中の「Ｎｏ」）と、対象を示す情報と、対象パラメータを示す情報と、その他の属性情報として構成および周囲環境条件を示す情報とを有する。
例えば、図３（ａ）には、第１種データ群に属する学習データの一例として、対象が“M1”、対応パラメータが“P1”、値が“A11”、構成が“構成a1”、周囲環境条件が“条件a1”である学習データ“a1”が示されている。ここで、対応パラメータは、当該データが対応しているパラメータ（特性パラメータ）である。また、例えば、図３（ｂ）には、第２種データ群に属する学習データの一例として、対象が“M1”、対応パラメータが“P2”、値が“B121”、構成が“構成b1”、周囲環境条件が“条件b1”である学習データ“b1”が示されている。なお、図３（ｂ）には、学習データ“b1”と対象および対応パラメータが同じ学習データ“b2”も示されているが、両データは構成および／または条件が異なる例である。
次いで、データ適応部２は、データの適応処理を行う（ステップＳ１２）。ステップＳ１２で、データ適応部２は、上述したような第１データと第２データとの間の乖離を小さくするようなデータの補正または再構成を行う。
次いで、学習部３が、機械学習による解析を行う（ステップＳ１３）。ステップＳ１３で、学習部３は、データ適応部２による補正または再構成後のデータを含むデータ集合を用いて機械学習を行い、機械学習によって得られた情報を出力する。
次に、ステップＳ１２でのデータの適応処理について、より詳細に説明する。図４は、データ適応部２によるデータの適応処理の一例を示すフローチャートである。図４に示すように、まず、データ適応部２は、第１データと第２データの組を特定する（ステップＳ２０１）。データ適応部２は、例えば、第１種データ群から学習データを１つ取り出し、第１データとし、第２種データ群から該第１データと対応する学習データを取り出し、第２データとする。データ適応部２は、例えば、第１データとして図３に示す例における学習データ“a1”を選択した場合、第２データとして、第２種データ群から同じ対象“M1”の学習データ（例えば、学習データ“b1”，“b2”等）を選択してもよい。このようにして適応対象とする第１データと第２データの組み合わせを特定する。
次いで、データ適応部２は、特定した組み合わせにおける第１データおよび第２データについて、各々のデータの取得パラメータに関する情報であるパラメータ情報を収集する（ステップＳ２０２）。ステップＳ２０２では、各々のデータの取得（観測、測定、計算等）の際に用いたパラメータ（取得パラメータ）の種別およびその値や、固定化されたパラメータの有無等を取得する。なお、パラメータ情報は、ユーザが指定してもよいし、予め取得方法の識別子等と対応づけて所定の記憶装置に記憶しておいてもよい。
次いで、データ適応部２は、収集した各々のデータのパラメータ情報に基づいて、第１データと第２データとの間で取得パラメータに違いがあるか否かを判定する（ステップＳ２０３）。データ適応部２は、例えば、取得パラメータの数や種類や内容等で違いを判別してもよい。取得パラメータに違いがあれば（ステップＳ２０３のＹｅｓ）、当該違いに基づいて、第１データまたは第２データを補正もしくは再構成する（ステップＳ２０４）。パラメータ情報が収集できなかった場合や、パラメータに違いがないもしくは違いがあっても他に一致するデータが存在する場合には、そのままステップＳ２０５に進む。なお、ステップＳ２０４で、補正方法や再構成方法が特定できない場合も、そのままステップＳ２０５に進んでもよい。
ステップＳ２０５では、データ適応部２は、特定した組み合わせにおける第１データおよび第２データについて、周囲環境条件を収集する。周囲環境条件は、ユーザが指定してもよいし、予めデータの識別子等と対応づけて所定の記憶装置に記憶しておいてもよい。
次いで、データ適応部２は、収集した各々のデータの周囲環境条件に基づいて、第１データと第２データとの間で周囲環境条件に違いがあるか否かを判定する（ステップＳ２０６）。違いがあれば（ステップＳ２０６のＹｅｓ）、当該違いに基づいて、第１データまたは第２データを補正もしくは再構成する（ステップＳ２０７）。周囲環境条件が収集できなかった場合や、周囲環境条件に違いがないもしくは違いがあっても他に一致するデータが存在する場合には、そのままステップＳ２０８に進む。なお、ステップＳ２０７で、補正方法や再構成方法が特定できない場合も、そのままステップＳ２０５に進んでもよい。
ステップＳ２０８では、データ適応部２は、特定した組み合わせにおける第１データおよび第２データについて、対象の組成や構造や形状等を示す構成情報を収集する。構成情報の収集は、ユーザが指定してもよいし、予めデータの識別子等と対応づけて所定の記憶装置に記憶しておいたものを読み出してもよい。
次いで、データ適応部２は、収集した各々のデータの構成情報に基づいて、第１データと第２データとの間で構成に違いがあるか否かを判定する（ステップＳ２０９）。違いがあれば（ステップＳ２０９のＹｅｓ）、当該違いに基づいて、第１データまたは第２データを補正もしくは再構成する（ステップＳ２１０）。構成情報が収集できなかった場合や、構成に違いがないもしくは違いがあっても他に一致するデータが存在する場合には、そのままステップＳ２１１に進む。なお、ステップＳ２１０で、補正方法や再構成方法が特定できない場合も、そのままステップＳ２１１に進んでもよい。
ステップＳ２１１では、学習用データにおける第１データと第２データの全ての組み合わせについて、上記の動作（ステップＳ２０２～ステップＳ２１０）が完了したかを判定する。全ての組み合わせについて動作が完了していれば（ステップＳ２１１のＹｅｓ）、処理を終了する。完了していなければ（ステップＳ１１１のＮｏ）、ステップＳ２０１に戻り、動作が完了していない組み合わせに対して同様の動作を行う。
なお、上記では、データ適応部２が、パラメータの違いに基づくデータの適応処理（ステップＳ２０２～ステップＳ２０４）、周囲環境条件に基づくデータの適応処理（ステップＳ２０５～ステップＳ２０７）および構成に基づくデータの適応処理（ステップＳ２０８～ステップＳ２１０）を全て行う例を示したが、データ適応部２はこれらのうち少なくとも１つを行えばよい。なお、どの適応処理を行うかをユーザが指定してもよい。
以上のように、本実施形態によれば、機械学習を行う前に、取得方法の違いにより生じる乖離を低減させることができるので、その後の機械学習で妥当な結果を得ることができる。したがって、取得方法が異なる２種類のデータ群を含むデータ集合であっても、適切に、該データ集合に含まれるデータが対応するパラメータ間の関係性を解析することができる。
［実施形態２］
次に、本発明の第２の実施形態について説明する。図５は、第２の実施形態の材料開発システムの構成例を示すブロック図である。なお、図５に示す材料開発システムは、材料に関するビックデータを機械学習やAIを用いて解析するシステムであり、第１の実施形態の関係性探索システムを、材料開発分野に適用した例である。
図５に示すように、材料開発システム２０は、情報処理装置２１と、記憶装置２２と、入力装置２３と、表示装置２４と、外部と通信をする通信装置２５とを備える。なお、各装置は、相互に接続される。
ここで、情報処理装置２１が第１の実施形態のデータ適応部２および学習部３に対応する。また、記憶装置２２が第１の実施形態のデータ記憶部１に対応する。
記憶装置２２は、例えば、不揮発性メモリなどの記憶媒体であり、本実施形態で用いる各種データを記憶する。本実施形態の記憶装置２２は、例えば、次に示すデータを記憶する。
・情報処理装置２１などによる処理動作のためのプログラム
・教師あり学習、教師なし学習、半教師あり学習、強化学習等の機械学習プログラム
・第一原理計算、分子動力学等の計算プログラム、コンビナトリアル法などによって得られた複数の材料実験データ
・第一原理計算や分子動力学法などによって得られた複数の材料計算データ
・機械学習によって解析されたデータ
なお、記憶装置２２に記憶される材料計算データは、機械学習機能を備えた当該材料開発システム２０内で計算されたものでもよいし、外部のデータベースから取得されたものでもよい。通信装置２５は、外部の材料データベースや実験装置等とつながっており、本システムからこれら材料データベースや実験装置にアクセスし、制御してもよい。
入力装置２３は、マウスやキーボードなどの入力デバイスであり、ユーザからの指示を受け付ける。表示装置２４は、ディスプレイなどの出力デバイスであり、本システムで得られた情報を表示する。
図６は、情報処理装置２１のより詳細な構成例を示すブロック図である。図６に示すように、情報処理装置２１は、結晶構造決定手段２１１と、計算データ変換手段２１２と、解析手段２１３とを含んでいてもよい。なお、結晶構造決定手段２１１および計算データ変換手段２１２が第１の実施形態のデータ適応部２に対応する。また、解析手段２１３が第１の実施形態の学習部３に対応する。
結晶構造決定手段２１１は、XRDデータなどの結晶構造情報から、指定されたデータの対象材料の結晶構造（特に比率）を決定する。
計算データ変換手段２１２は、結晶構造決定手段２１１により決定された結晶構造を基に、その対象材料に関し、材料計算データと材料実験データとの間の乖離を小さくするように、材料計算データを変換（補正または再構成）する。
解析手段２１３は、材料実験データ群と、計算データ変換手段２１２による変換後の材料計算データを含む材料計算データ群とを用いて、機械学習やAIによる解析を行う。
次に、本実施形態の動作を説明する。図７は、本実施形態の情報処理装置２１の動作例を示すフローチャートである。
図７に示す例では、まず結晶構造決定手段２１１が、材料実験データの対象材料とされた各材料の結晶構造（長距離秩序の種類およびその比率）を決定する（ステップＳ２１）。結晶構造決定手段２１１は、上述したように、XRDデータを任意の曲線でフィッティングし、各構造ピーク面積やピーク高さの比から求めてもよいし、ハードクラスタリングやソフトクラスタリングなどの教師なし学習を利用して求めてもよい。
次いで、計算データ変換手段２１２が、ステップＳ２１で得られた結晶構造に基づいて、材料計算データを変換する（ステップＳ２２）。
今、材料実験データの対象材料“M1”の結晶構造が、fcc（面心立方格子）と、bcc（体心立方格子）と、hcp（六方晶最密充填格子）とからなり、それぞれの比率がAfcc、Abcc、Ahcpであると決定されたとする。ただし、Afcc＋Abcc＋Ahcp＝１とする。また、材料計算データは、単一の結晶構造を前提に計算されているとする。さらにその対象材料“M1”の単一結晶構造のデータとして、各種類に応じた第一原理計算により得られた磁気モーメントの値を示す材料計算データがあり、それぞれの値がMfcc、Mbcc、Mhcpであったとする。
このような場合に、計算データ変換手段２１２は、同一組成の材料計算データと材料実験データとの間の結晶構造の違いによる乖離を小さくするように、材料計算データを再構成する。本例では、計算データ変換手段２１２は、単一結晶構造を条件として取得された材料計算データのある特性（より具体的には磁気モーメント）の値を、材料実験データの結晶構造における当該特性の値に近づけるべく、次のような変換を行う。すなわち、比率を重みにして、材料実験データの結晶構造に含まれる結晶格子の各々に対応する単一結晶構造の材料計算データを足し合わせて、複合体の結晶構造に対応した特性値を示す新たな材料計算データを生成（再構成）する。上記の場合、再構成後の磁気モーメントMcは、例えば以下の式で表される。
Mc＝AfccMfcc＋AbccMbcc＋AhcpMhcp ・・・（１）
ただし、上記の方法は単なる一例であって、計算データ変換手段２１２による変換処理（データ適応処理）の方法はこの限りではない。
次に、解析手段２１３が、材料計算データと材料実験データとを用いて機械学習を行い、各データのパラメータ間の関係性を解析する（ステップＳ２３）。このとき、解析手段２１３は、ステップＳ２３で変換元となった材料計算データに代えて、変換後の材料計算データを用いる。機械学習の手法としては教師あり学習、教師なし学習、半教師あり学習、強化学習など様々考えられるが、本実施形態では、特に限定されない。
以上のように、本実施形態によれば、計算では得ることが難しい化合物や複合体などの材料に関する材料実験データと、組成や結晶構造や形状等など比較的簡易な構成を前提とした材料計算データとの間の乖離を小さくした上で、機械学習を行うことができる。その結果、より妥当な学習結果を得ることができる。したがって、本システムを利用して、例えば、膨大なデータを解析することにより、人間では気付くことのできない材料のパラメータ間の関係等の新たな情報を得ることができるなど、より高機能な材料開発に活用できる情報を得ることが可能となる。
なお、上記の例では、材料実験データの対象材料の結晶構造を解析して、材料計算データを変換する例を示したが、解析対象は結晶構造に限定されない。例えば、組成（添加材等を含む原材料の種類や比率）や形状（厚さや幅の条件）や周囲環境条件（例えば、温度、磁場、圧力、真空条件等）であってもよい。また、上記では、材料実験データの対象材料と同じ材料の材料計算データを基に、当該対象材料の材料計算データを再構成する例を示したが、例えば、添加材など一部の原材料が異なる材料データ（計算データでも実験データでも可）を用いて、材料実験データの対象材料と同じ材料を対象材料とする材料計算データを再構成することも可能である。
［実施例１］
次に、第２の実施形態の材料開発システムを、熱電材料の開発に用いた例を示す。ここでは、異常ネルンスト現象を用いて熱電発電を行う異常ネルンスト材料の開発について説明する。異常ネルンスト現象とは、x方向に磁化した材料のy方向に熱勾配を印加すると、z方向に電圧が生じる現象である。
今、記憶装置２２には、Si基板上に作成したFe1-xPtx、Co1-xPtx、Ni1-xPtxの組成を持つ３種の合金薄膜に関して、異なる組成比でのXRDデータ、異なる組成比での異常ネルンスト効果による熱電効率データ、異なる組成比での第一原理計算から得られた各データが記憶されている。ここで、ｘはプラチナPtの含有比を表し、０～９９までの任意の整数である。
図８に、構成元素および組成比の組で示される各組成のXRDデータを示す。ステップＳ２１では、このXRDデータから結晶構造を決定する。本例では、教師なし学習の一つであるNon-Negative Matrix Factorization (NMF)を用いる。各XRDデータをNMFで解析することによって、Fe1-xPtx, Co1-xPtx, Ni1-xPtxは各々３構造に分けられていること、および構造（結晶構造）の種類としては（fcc, bcc, hcp, L10）の合計４種が存在することがわかった。図９は、XRDデータを用いた各組成に対する結晶構造の解析結果を示すグラフである。このような解析結果から、例えば実験で作成したCo81Pt19の材料は、結晶構造として、L10構造が約55％、hcp構造が約40％、fcc構造が約5％含まれる材料であることが分かる。
また、ステップＳ２２では、このようにして得られた各組成の結晶構造における構造の種類および比率を示す構造比率データに基づいて、各組成の材料計算データを変換する。
本例の材料計算データの対応パラメータおよびその略式表示の一覧を図１０に示す。なお、本例の材料計算データは全て第一原理計算から得た。各々の項目（対応パラメータ）は、各組成の結晶構造をなしている各構造（fcc, bcc, hcp, L10）ごとに計算されている。
本例では、このような各組成の各構造ごとの材料計算データを式（１）に代入して、各組成の複合体としての材料計算データを再構成する。例えば、材料実験データの対象材料であるCo81Pt19の構造比は、図９からfcc、bcc、hcp、L10がそれぞれ、５％、０％、４０％、５５％あることがわかったとする。また、材料計算データ群に含まれるTotal Energy （TE）を示す、Co81Pt19の各構造における材料計算データの値がTEfcc, TEbcc, TEL10, TEhcpであったとする。その場合、再構成後の材料計算データ（材料実験データと同組成の複合体における材料計算データ）の値であるTotal Energy TECは、式（２）のように計算される。
TEC = 0.05 * TEfcc + 0 * TEbcc +0.4 * TEhcp + 0.55 * TEL10 ・・・（２）
そのほかの第一原理計算から得られたデータも同様に変換する。
また、ステップＳ２３では、このようにして得られた再構成後の材料計算データと、材料実験データ（実験で得られた異常ネルンスト効果による熱電効率データ）とを機械学習により解析する。ここでは、簡単な教師あり学習の一つであるニューラルネットによる回帰を行う。本例では、図１１に示すように、材料計算データを入力ユニット、材料実験データを出力ユニットにセットし、ニューラルネットに学習させる。
なお、ステップＳ２２、Ｓ２３なしで解析を行うと、材料実験データと材料計算データとで対象材料の結晶構造が異なるため、妥当なニューラルネットモデルは作成されなかった。しかし、本例では、次に示すように、妥当な結果が得られた。
本例における学習済みのニューラルネットモデルを可視化したものが図１１である。図１１において、丸はノードを表す。なお、ノード“I1”～ノード““I11”はそれぞれ入力ユニットを表す。また、ノード“H1”～ノード“H5”は隠れユニットを表す。また、ノード“B1”～ノード“B2”はバイアスユニットを表す。また、ノード“O1”は出力ユニットを表す。また、各ノードを繋ぐパスはそれぞれ、各ノードの結合を表す。これら各ノードおよびその接続関係は、脳の神経細胞の発火を模擬している。なお、パスの線の太さが結合の強さに対応し、線種が結合の符号（実線が正、破線が負）に対応している。
図１１に示される学習結果における、各材料計算データの対応パラメータ（入力パラメータ）から異常ネルンスト効果による熱電効率（出力パラメータ）へとつながるパスの強弱から、関係性の強弱がわかる。すなわち、これらのパスのうち最も強いものはノード“I11”からノード“H1”を経由してノード“O1”につながるものであり、その符号は正（実線）である。これは、Pt原子のスピン偏極（Spin Polarization：PtSP）と異常ネルンスト効果による熱電効率に強い正の相関があるということを示している。
この『Pt原子のスピン偏極と異常ネルンスト効果による熱電効率とに正の相関がある』ということは、現状の物性物理学で説明することはできていない。しかし、本システムによる学習結果により得られたこの相関関係を使用して、より高効率な異常ネルンスト効果による熱電材料を作成することができた。
図１２に、Ptを含む２種の材料のDFT（Density Function Theory：密度汎関数理論）によるDOS（Density of State：状態密度）の計算結果を示す。なお、２種の材料は、Co2Pt2（以下、材料１という）と、それに窒素Nを挿入したCo2Pt2N（以下、材料２という）である。この結果から、材料１に窒素を挿入することによって、Pt原子のスピン偏極が向上することが分かる（図中の白抜き矢印参照）。
『Pt原子のスピン偏極と異常ネルンスト効果による熱電効率に正の相関がある』ということが、本システムによる機械学習の結果からわかっているため、材料１に比べ材料２の方が異常ネルンスト効果による熱電効率熱が大きいことが期待できる。
実際に材料２（Co2Pt2Nx）を作成し、異常ネルンスト効果による熱電効率を評価した。その結果を図１３に示す。なお、当該材料はスパッタ法で作成し、その際、窒素Nの分圧を変化させた。図１３に示すように、窒素Nの分圧が大きいほど異常ネルンスト効果による熱電効率が向上することがわかる。
なお、上記では、学習方法としてニューラルネットワークを用いる例を示したが、学習方法はニューラルネットワークに限定されない。図１４に、ステップＳ２３における学習方法を、異種混合学習に変えたときの学習結果を示す。
異種混合学習は、スパースで非線形な問題をホワイトボックスで解くことができる学習方法の１つである。ここで、スパースは、より具体的には、パラメータ（説明変数。上記の例でいうTE、KI、Cvなど）の数に比べてデータのサンプル数（上記の例でいう材料のデータ数）が少ない状況を表す。また、ホワイトボックスは、学習器の中の関係性を人間が見て分かるようになっていることを表す。材料探索で解くべき問題の多くはスパースでかつ非線形である。このような問題を、ホワイトボックスで解くことができる学習方法を用いることにより、入力パラメータおよびそれらの組み合わせ（ニューラルネットワークでいう隠れユニット相当）と出力パラメータとの関係性の強弱を知ることができる。すると、人が、例えば、どのパラメータに着目すればよいか、次に何をすればよいか（どのような材料を作ればよいか）がわかる。このため、このような学習方法が材料探索には好適である。
図１４は、上記の例においてニューラルネットを使用した部分を異種混合学習に置き換えたときに得られた学習器の内部を可視化したものである。異種混合学習では、図中の四角の部分で“場合分け”を行い、その枝の先（楕円の部分）に“回帰式”を作成する。図１４によれば、破線の丸で囲こんだ部分に示されているように、PtSPが、“場合分け”にも“回帰式”にもよく登場していることが分かる。これにより、熱電効率（VANE）に対してPtSPが重要な役割を果たしていることがわかる。このように、本システムによれば、計算データを実験データに適応させることにより、異種混合学習においても妥当な学習結果が得られることがわかる。
また、上記では、本発明による材料開発システムによって、異常ネルンスト効果を用いた熱電効率が向上した例を示したが、本例の方法は、当然、他の特性や固体以外の物質の開発や物質以外の対象（現象等）の解明にも応用可能である。
次に、本発明の実施形態にかかるコンピュータの構成例を示す。図１５は、本発明の実施形態にかかるコンピュータの構成例を示す概略ブロック図である。コンピュータ１０００は、ＣＰＵ１００１と、主記憶装置１００２と、補助記憶装置１００３と、インタフェース１００４と、ディスプレイ装置１００５と、入力デバイス１００６とを備える。
上述の関係性探索システムおよび材料開発システムの各装置は、例えば、コンピュータ１０００に実装されてもよい。その場合、各装置の動作は、プログラムの形式で補助記憶装置１００３に記憶されていてもよい。ＣＰＵ１００１は、プログラムを補助記憶装置１００３から読み出して主記憶装置１００２に展開し、そのプログラムに従って上記の実施形態における所定の処理を実施する。
補助記憶装置１００３は、一時的でない有形の媒体の一例である。一時的でない有形の媒体の他の例として、インタフェース１００４を介して接続される磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリ等が挙げられる。また、このプログラムが通信回線によってコンピュータ１０００に配信される場合、配信を受けたコンピュータは１０００がそのプログラムを主記憶装置１００２に展開し、上記の実施形態における所定の処理を実行してもよい。
また、プログラムは、各実施形態における所定の処理の一部を実現するためのものであってもよい。さらに、プログラムは、補助記憶装置１００３に既に記憶されている他のプログラムとの組み合わせで上記の実施形態における所定の処理を実現する差分プログラムであってもよい。
インタフェース１００４は、他の装置との間で情報の送受信を行う。また、ディスプレイ装置１００５は、ユーザに情報を提示する。また、入力デバイス１００６は、ユーザからの情報の入力を受け付ける。
また、実施形態における処理内容によっては、コンピュータ１０００の一部の要素は省略可能である。例えば、装置がユーザに情報を提示しないのであれば、ディスプレイ装置１００５は省略可能である。
また、各装置の各構成要素の一部または全部は、汎用または専用の回路（Circuitry）、プロセッサ等やこれらの組み合わせによって実施される。これらは単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。また、各装置の各構成要素の一部又は全部は、上述した回路等とプログラムとの組み合わせによって実現されてもよい。
各装置の各構成要素の一部又は全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントアンドサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。
なお、上記の実施形態は以下の付記のようにも記載できる。
(付記１)
取得方法が異なる２種類のデータ群である第１種データ群および第２種データ群を含むデータ集合を記憶する記憶手段と、
前記第１種データ群に属する第１データと、前記第２種データ群に属するデータであって前記第１データと対応する第２データとの間に生じる前記取得方法の違いによる乖離を小さくするように、前記第１データまたは前記第２データを補正もしくは再構成するデータ適応手段と、
前記補正または再構成後のデータを含む前記データ集合を用いて、機械学習を行う学習手段とを備えた
ことを特徴とする関係性探索システム。
(付記２)
前記第１種データ群は、実際の対象に対する観察または計測によって得られるデータからなるデータ群であり、
前記第２種データ群は、計算によって得られるデータからなるデータ群である
付記１記載の関係性探索システム。
（付記３）
前記データ適応手段は、いずれか一方の取得方法において固定化されているパラメータまたは考慮されないパラメータにより生じる前記第１データと前記第２データとの間の乖離を小さくするように、前記第１データまたは前記第２データを補正もしくは再構成する
付記１または付記２記載の関係性探索システム。
（付記４）
前記第１種データ群および前記第２種データ群はいずれも、材料に関するデータからなるデータ群である
付記１から付記３のうちのいずれかに記載の関係性探索システム。
（付記５）
前記データ集合は、１つ以上の材料の所定の第１特性を示すデータと、１つ以上の材料の前記第１特性と異なる所定の２以上の第２特性を示すデータとを少なくとも含み、
前記学習手段は、前記第１特性を出力パラメータとし、前記２以上の第２特性を入力パラメータとして機械学習を行い、前記第１特性と前記２以上の第２特性との間の関係性の強弱を示す情報を出力する
付記４記載の関係性探索システム。
（付記６）
前記第２データは、前記第１データが対象とする材料と同一または所定の規則に基づく類似関係にある材料に関するデータである
付記４または付記５記載の関係性探索システム。
（付記７）
前記データ適応手段は、前記第１データと前記第２データとの間の対象とされた材料の構成の違いおよび周囲環境条件の違いの少なくともいずれかに基づいて、前記第１データまたは前記第２データを補正もしくは再構成する
付記４から付記６のうちのいずれかに記載の関係性探索システム。
（付記８）
前記構成の違いには、組成または構造の違いが含まれる
付記７記載の関係性探索システム。
（付記９）
前記構造の違いには、結晶構造または形状の違いが含まれる
付記８記載の関係性探索システム。
（付記１０）
前記データ適応手段は、組成が同一の第１データと第２データとの間の結晶構造の違いに基づいて、前記第１データの結晶構造と一致するように前記第２データを再構成する
付記４から付記９のうちのいずれかに記載の関係性探索システム。
（付記１１）
前記データ適応手段は、第１データの結晶構造を、前記第１データと組成および結晶構造が一致する所定の第３特性を示すデータに対するクラスタリング処理の結果に基づいて特定する
付記１０記載の関係性探索システム。
（付記１２）
前記第３特性が、Ｘ線回折パターンである
付記１１記載の関係性探索システム。
（付記１３）
前記周囲環境条件の違いには、温度、磁場もしくは圧力に関する条件の違い、または真空か否かが含まれる
付記４から付記１２のうちのいずれかに記載の関係性探索システム。
（付記１４）
取得方法が異なる２種類のデータ群である第１種データ群および第２種データ群を含むデータ集合に対し、前記第１種データ群に属する第１データと、前記第２種データ群に属するデータであって前記第１データと対応する第２データとの間に生じる前記取得方法の違いによる乖離を小さくするように、前記第１データまたは前記第２データを補正もしくは再構成するデータ適応手段を備えた
ことを特徴とする情報処理装置。
（付記１５）
前記第１種データ群は、実際の対象に対する観察または計測によって得られる材料に関するデータからなるデータ群であり、
前記第２種データ群は、計算によって得られる材料に関するデータからなるデータ群であり、
前記データ適応手段は、前記補正または再構成の際、前記第１データと前記第２データとの間の対象とされた材料の構成の違いおよび周囲環境条件の違いの少なくともいずれかに基づいて、前記第１データまたは前記第２データを補正もしくは再構成する
付記１４記載の情報処理装置。
（付記１６）
情報処理装置が、
取得方法が異なる２種類のデータ群である第１種データ群および第２種データ群を含むデータ集合に対し、前記第１種データ群に属する第１データと、前記第２種データ群に属するデータであって前記第１データと対応する第２データとの間の前記取得方法の違いにより生じる乖離を小さくするように、前記第１データもしくは前記第２データを補正または再構成し、
前記補正または再構成後のデータを含む前記データ集合を用いて、機械学習を行う
ことを特徴とする関係性探索方法。
（付記１７）
前記第１種データ群は、実際の対象に対する観察または計測によって得られる材料に関するデータからなるデータ群であり、
前記第２種データ群は、計算によって得られる材料に関するデータからなるデータ群であり、
前記情報処理装置が、
前記補正または再構成の際、前記第１データと前記第２データとの間の対象とされた材料の構成の違いおよび周囲環境条件の違いの少なくともいずれかに基づいて、前記第１データまたは前記第２データを補正もしくは再構成する
付記１６記載の関係性探索方法。
（付記１８）
コンピュータに、
取得方法が異なる２種類のデータ群である第１種データ群および第２種データ群を含むデータ集合に対し、前記第１種データ群に属する第１データと、前記第２種データ群に属するデータであって前記第１データと対応する第２データとの間の前記取得方法の違いにより生じる乖離を小さくするように、前記第１データまたは前記第２データを補正もしくは再構成する処理
を実行させるための関係性探索用プログラム。
（付記１９）
前記第１種データ群は、実際の対象に対する観察または計測によって得られる材料に関するデータからなるデータ群であり、
前記第２種データ群は、計算によって得られる材料に関するデータからなるデータ群であり、
前記コンピュータに、
前記補正または再構成の際、前記第１データと前記第２データとの間の対象とされた材料の構成の違いおよび周囲環境条件の違いの少なくともいずれかに基づいて、前記第１データまたは前記第２データを補正もしくは再構成させる
付記１８記載の関係性探索用プログラム。
以上、本実施形態および実施例を参照して本願発明を説明したが、本願発明は上記実施形態および実施例に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
この出願は、２０１７年３月１３日に出願された日本特許出願２０１７－０４７３５０を基礎とする優先権を主張し、その開示の全てをここに取り込む。
本発明は、取得方法が異なる２種類のデータ群を含むデータ集合に対して機械学習といった情報処理技術を適用して各データを解析する用途であれば、好適に適用可能である。
１０ 関係性探索システム
１ データ記憶部
２ データ適応部
３ 学習部
２０ 材料開発システム
２１ 情報処理装置
２１１ 結晶構造決定手段
２１２ 計算データ変換手段
２１３ 解析手段
２２ 記憶装置
２３ 入力装置
２４ 表示装置
２５ 通信装置
１０００ コンピュータ
１００１ ＣＰＵ
１００２ 主記憶装置
１００３ 補助記憶装置
１００４ インタフェース
１００５ ディスプレイ装置
１００６ 入力デバイス

Claims (9)

  1. 取得方法が異なる２種類のデータ群である第１種データ群および第２種データ群を含むデータ集合を記憶する記憶手段と、
    前記第１種データ群に属する第１データと、前記第２種データ群に属するデータであって前記第１データと対応する第２データとの間に生じる前記取得方法の違いによる乖離を小さくするように、前記第１データまたは前記第２データを補正もしくは再構成するデータ適応手段と、
    前記補正または再構成後のデータを含む前記データ集合を用いて、機械学習を行う学習手段とを備えた
    ことを特徴とする関係性探索システム。
  2. 前記第１種データ群は、実際の対象に対する観察または計測によって得られるデータからなるデータ群であり、
    前記第２種データ群は、計算によって得られるデータからなるデータ群である
    請求項１記載の関係性探索システム。
  3. 前記データ適応手段は、いずれか一方の取得方法において固定化されているパラメータまたは考慮されないパラメータにより生じる前記第１データと前記第２データとの間の乖離を小さくするように、前記第１データまたは前記第２データを補正もしくは再構成する
    請求項１または請求項２記載の関係性探索システム。
  4. 前記第１種データ群および前記第２種データ群はいずれも、材料に関するデータからなるデータ群である
    請求項１から請求項３のうちのいずれか１項に記載の関係性探索システム。
  5. 前記第２データは、前記第１データが対象とする材料と同一または所定の規則に基づく類似関係にある材料に関するデータである
    請求項４記載の関係性探索システム。
  6. 前記データ適応手段は、前記第１データと前記第２データとの間の対象とされた材料の構成の違いおよび周囲環境条件の違いの少なくともいずれかに基づいて、前記第１データまたは前記第２データを補正もしくは再構成する
    請求項４または請求項５記載の関係性探索システム。
  7. 取得方法が異なる２種類のデータ群である第１種データ群および第２種データ群を含むデータ集合に対し、前記第１種データ群に属する第１データと、前記第２種データ群に属するデータであって前記第１データと対応する第２データとの間に生じる前記取得方法の違いによる乖離を小さくするように、前記第１データまたは前記第２データを補正もしくは再構成するデータ適応手段と、
    前記補正または再構成後のデータを含む前記データ集合を用いて、機械学習を行う学習手段とを備えた
    ことを特徴とする情報処理装置。
  8. 情報処理装置が、
    取得方法が異なる２種類のデータ群である第１種データ群および第２種データ群を含むデータ集合に対し、前記第１種データ群に属する第１データと、前記第２種データ群に属するデータであって前記第１データと対応する第２データとの間に生じる前記取得方法の違いによる乖離を小さくするように、前記第１データまたは前記第２データを補正もしくは再構成し、
    前記補正または再構成後のデータを含む前記データ集合を用いて、機械学習を行う
    ことを特徴とする関係性探索方法。
  9. コンピュータに、
    取得方法が異なる２種類のデータ群である第１種データ群および第２種データ群を含むデータ集合に対し、前記第１種データ群に属する第１データと、前記第２種データ群に属するデータであって前記第１データと対応する第２データとの間に生じる前記取得方法の違いによる乖離を小さくするように、前記第１データまたは前記第２データを補正もしくは再構成する処理、および
    前記補正または再構成後のデータを含む前記データ集合を用いて、機械学習を行う処理
    を実行させるための関係性探索用プログラム。
JP2019505909A 2017-03-13 2018-03-06 関係性探索システム、情報処理装置、方法およびプログラム Active JP7103341B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2017047350 2017-03-13
JP2017047350 2017-03-13
PCT/JP2018/008612 WO2018168580A1 (ja) 2017-03-13 2018-03-06 関係性探索システム、情報処理装置、方法およびプログラム

Publications (2)

Publication Number Publication Date
JPWO2018168580A1 JPWO2018168580A1 (ja) 2020-01-23
JP7103341B2 true JP7103341B2 (ja) 2022-07-20

Family

ID=63522968

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019505909A Active JP7103341B2 (ja) 2017-03-13 2018-03-06 関係性探索システム、情報処理装置、方法およびプログラム

Country Status (3)

Country Link
US (1) US20200034367A1 (ja)
JP (1) JP7103341B2 (ja)
WO (1) WO2018168580A1 (ja)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7003435B2 (ja) * 2017-04-20 2022-01-20 富士通株式会社 情報処理装置、プログラム、情報処理方法及びデータ構造
JP7073842B2 (ja) * 2018-03-28 2022-05-24 住友金属鉱山株式会社 組成判定方法、組成判定装置
JP7125322B2 (ja) * 2018-10-18 2022-08-24 株式会社日立製作所 属性抽出装置および属性抽出方法
JP7330712B2 (ja) * 2019-02-12 2023-08-22 株式会社日立製作所 材料特性予測装置および材料特性予測方法
JP2020166706A (ja) * 2019-03-29 2020-10-08 株式会社クロスアビリティ 結晶形予測装置、結晶形予測方法、ニューラルネットワークの製造方法、及びプログラム
JP7232122B2 (ja) * 2019-05-10 2023-03-02 株式会社日立製作所 物性予測装置及び物性予測方法
JP7395974B2 (ja) * 2019-11-12 2023-12-12 株式会社レゾナック 入力データ生成システム、入力データ生成方法、及び入力データ生成プログラム
US11004037B1 (en) * 2019-12-02 2021-05-11 Citrine Informatics, Inc. Product design and materials development integration using a machine learning generated capability map
JP2023509755A (ja) * 2020-01-14 2023-03-09 フラッグシップ パイオニアリング イノベーションズ シックス，エルエルシー 分子設計
JP2023512307A (ja) * 2020-01-30 2023-03-24 ９９アンドビヨンド インコーポレイテッド 所望の特性を有する化学化合物を生成するように学習するためのシステムおよび方法
WO2022123781A1 (ja) * 2020-12-11 2022-06-16 日本電気株式会社 ニューラルネットワーク装置、生成装置、情報処理方法、生成方法および記録媒体
CN113011484B (zh) * 2021-03-12 2023-12-26 大商所飞泰测试技术有限公司 基于分类树和判定树的图形化的需求分析及测试用例生成方法
WO2023152897A1 (ja) * 2022-02-10 2023-08-17 富士通株式会社 情報処理プログラム、情報処理装置及び情報処理方法
DE112023000100T5 (de) * 2022-06-10 2024-05-02 Ngk Insulators, Ltd. System zum vorschlagen von probeherstellungsbedingungen und verfahren zum vorschlagen von probeherstellungsbedingungen
JPWO2024014143A1 (ja) * 2022-07-14 2024-01-18
WO2025069920A1 (ja) * 2023-09-29 2025-04-03 日本電気株式会社 機械学習装置、機械学習方法、及びプログラム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003028862A (ja) 2001-07-12 2003-01-29 Pharma Design Inc Ｄｎａマイクロアレイデータの補正方法
JP2004507807A (ja) 2000-07-07 2004-03-11 フィジオム・サイエンスィズ・インコーポレーテッド 生物システムをモデル化する方法およびシステム
JP4780554B2 (ja) 2005-07-11 2011-09-28 大和 寛 新規材料の構成物質情報探索方法、及び新規材料の構成物質情報探索システム
JP2015525413A (ja) 2012-06-21 2015-09-03 フィリップ モリス プロダクツ エス アー 統合バイアス補正およびクラス予測を用いてバイオマーカシグネチャを生成するためのシステムおよび方法
JP2017041253A (ja) 2015-08-21 2017-02-23 アンサルド エネルジア アイ・ピー ユー・ケイ リミテッドＡｎｓａｌｄｏ Ｅｎｅｒｇｉａ Ｉｐ Ｕｋ Ｌｉｍｉｔｅｄ 発電プラントの動作方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004507807A (ja) 2000-07-07 2004-03-11 フィジオム・サイエンスィズ・インコーポレーテッド 生物システムをモデル化する方法およびシステム
JP2003028862A (ja) 2001-07-12 2003-01-29 Pharma Design Inc Ｄｎａマイクロアレイデータの補正方法
JP4780554B2 (ja) 2005-07-11 2011-09-28 大和 寛 新規材料の構成物質情報探索方法、及び新規材料の構成物質情報探索システム
JP2015525413A (ja) 2012-06-21 2015-09-03 フィリップ モリス プロダクツ エス アー 統合バイアス補正およびクラス予測を用いてバイオマーカシグネチャを生成するためのシステムおよび方法
JP2017041253A (ja) 2015-08-21 2017-02-23 アンサルド エネルジア アイ・ピー ユー・ケイ リミテッドＡｎｓａｌｄｏ Ｅｎｅｒｇｉａ Ｉｐ Ｕｋ Ｌｉｍｉｔｅｄ 発電プラントの動作方法

Also Published As

Publication number Publication date
US20200034367A1 (en) 2020-01-30
WO2018168580A1 (ja) 2018-09-20
JPWO2018168580A1 (ja) 2020-01-23

Similar Documents

Publication Publication Date Title
JP7103341B2 (ja) 関係性探索システム、情報処理装置、方法およびプログラム
Sehayek et al. Learnability scaling of quantum states: Restricted Boltzmann machines
Bachtis et al. Mapping distinct phase transitions to a neural network
Fock Global sensitivity analysis approach for input selection and system identification purposes—A new framework for feedforward neural networks
CN111027629A (zh) 基于改进随机森林的配电网故障停电率预测方法及系统
Behera et al. Software reliability assessment using machine learning technique
Wang et al. ThermoEPred-EL: Robust bandgap predictions of chalcogenides with diamond-like structure via feature cross-based stacked ensemble learning
JP7339924B2 (ja) 材料の特性値を推定するシステム
Asvapoositkul et al. Decision tree-based prediction model for small signal stability and generation-rescheduling preventive control
Cruz et al. Selection of characteristics by hybrid method: RFE, ridge, lasso, and Bayesian for the power forecast for a photovoltaic system
Aquistapace et al. Multisom: Multi-layer self organizing maps for local structure identification in crystalline structures
Iquebal et al. Emulating the evolution of phase separating microstructures using low-dimensional tensor decomposition and nonlinear regression: Emulating the evolution of phase separating microstructures
CN119168078A (zh) 量子系统本征态获取方法、装置、计算机设备和存储介质
Kuo et al. Decoding conformal field theories: From supervised to unsupervised learning
Shen et al. Least squares kernel ensemble regression in reproducing kernel hilbert space
Maravilha et al. A new algorithm based on differential evolution for combinatorial optimization
Thinh Qos prediction for web services based on Restricted Boltzmann Machines
Rehman et al. [Retracted] Embedded Estimation Sequential Bayes Parameter Inference for the Ricker Dynamical System
Urbanek et al. Using analytical programming for software effort estimation
Yang et al. Heterogeneous feature fusion based machine learning on shallow-wide and heterogeneous-sparse industrial datasets
Touat et al. Gran is superior to graphrnn: node orderings, kernel-and graph embeddings-based metrics for graph generators
Terin et al. Identifying Phase Transitions in the Classical Ising Model with Neural Networks: A Neural Architecture Search Perspective
Bunimovich et al. Intrinsic Stability, Time Delays and Transformations of Dynamical Networks
Nicholson et al. Deciphering interactions of complex systems that do not satisfy detailed balance
Dash et al. application of principal component analysis in software quality improvement

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210205

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220322

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220510

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: 20220607

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220620

R151 Written notification of patent or utility model registration

Ref document number: 7103341

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151