JP7610094B2 - 高分子原材料データ解析装置および高分子原材料データ解析方法 - Google Patents

Description

本発明は、高分子原材料のミクロ構造の特定に利用される高分子原材料データ解析装置および高分子原材料データ解析方法に関し、特に、実測された高分子原材料の一次元スペクトル情報を用いて、高分子原材料のミクロ構造を特定する高分子原材料データ解析装置および高分子原材料データ解析方法に関する。

現在、質量分析装置、ガスクロマトグラフ（ＧＣ）、液体クロマトグラフ（ＬＣ）、分光測定装置、蛍光Ｘ線分析装置、核磁気共鳴装置（ＮＭＲ）等の各種分析装置で得られたデータを多変量解析して、分析装置から得られたデータから、特定の物質の組成または構造等の特定することが試みられている。
例えば、特許文献１には、複数のサンプルについてそれぞれ分析装置で取得された、それぞれ異なる複数の次元における信号値を示す多次元の分析データを解析するものであって、複数のサンプルについての分析データである教師データに基づいて機械学習モデルを構築し機械学習モデルを用いて未知のサンプルについての判別分析又は回帰分析を行う分析データ解析装置において、ａ）与えられた教師データについて機械学習を実行して判別分析又は回帰分析のための機械学習モデルを作成するモデル作成部と、ｂ）モデル作成部で作成された機械学習モデルにおける各次元の入力の有用度合いをそれぞれ求める、又はすでに有用度合いが存在する場合には新たに求まった有用度度合いを利用して有用度合いを更新する有用度合い算出部と、ｃ）有用度合い算出部で算出された各次元の有用度合いに応じて確率的に一部の次元の入力を無効化する入力無効化部と、ｄ）入力無効化部により一部の次元の入力が無効化されたあとの教師データを用いてモデル作成部により機械学習を実行し、その結果に基づき各次元の入力の有用度合いを更新するという一連の処理を１回以上繰り返すように、モデル作成部、有用度合い算出部、及び入力無効化部を制御する繰り返し実行制御部と、ｅ）繰り返し実行制御部により一連の処理が１回以上繰り返されたあとの次元毎の有用度合いに基づいて、未知のサンプルについて判別分析する又は回帰分析する際に使用する次元を選択する又は重み付けする次元決定部と、を備える分析データ解析装置が記載されている。

特開２０１８－１５２０００号公報

多変量解析、および特許文献１等に開示されているように、分析装置から得られたデータから特定の物質の組成または構造等を特定することが試みられている。しかしながら、予測精度が十分ではなく、さらなる予測精度の向上が望まれている。

本発明の目的は、高分子原材料の実測された一次元スペクトル情報を用いて、高い予測精度で高分子原材料の構造および組成等を予測できる高分子原材料データ解析装置および高分子原材料データ解析方法を提供することにある。

上述の目的を達成するために、本発明の第１の態様は、複数種類の高分子原材料について、それぞれ実測された一次元スペクトル情報を取得する取得部と、一次元スペクトル情報を、高分子原材料毎に正規化し、複数種類の高分子原材料について、それぞれ組成情報と、少なくとも１つの構造情報とを取得し、複数種類の高分子原材料の構造情報毎に正規化する調整部と、複数の高分子原材料の正規化された一次元スペクトル情報と、複数の高分子原材料の正規化された構造情報とを用い相関分析により相関係数を求める算出部と、を有し、相関係数の算出に用いた一次元スペクトル情報を説明変数とし、高分子原材料の組成情報および構造情報のうち、少なくとも１つを目的変数とした学習モデルを作成する学習モデル作成部と、学習モデルを実行する演算部と、演算部による学習モデルの結果を判定する判定部とを有し、学習モデル作成部は、判定部において所定の判定条件を満たすと判定されるまで、学習モデルを繰り返し作成し、演算部は、判定条件を満たす学習モデルに基づいて、一次元スペクトル情報を用いて、高分子原材料の構造および組成のうち、少なくとも１つを予測する、高分子原材料データ解析装置を提供するものである。

少なくとも一次元スペクトル情報の実測の際の分析条件に合わせてリファレンスを設定する設定部を有し、調整部は、一次元スペクトル情報の最大値と最小値とを統一することが好ましい。
算出部は、相関分析により、複数の相関係数を求め、かつ複数の相関係数のうち、所定の値以上の一次元スペクトル情報を有効とし、学習モデル作成部は、有効な相関係数の算出に用いた一次元スペクトル情報を説明変数とし、学習モデルを作成することが好ましい。
高分子原材料は、ジエン系ゴムであることが好ましい。
ジエン系ゴムは、スチレンブタジエンゴムおよびブタジエンゴムのうち、少なくとも一方を含むことが好ましい。
実測された一次元スペクトル情報は、核磁気共鳴装置を用いて測定されたものであることが好ましい。

本発明の第２の態様は、複数種類の高分子原材料について、それぞれ実測された一次元スペクトル情報を取得する工程と、一次元スペクトル情報を、高分子原材料毎に正規化する工程と、複数種類の高分子原材料について、それぞれ組成情報と、少なくとも１つの構造情報とを取得し、複数種類の高分子原材料の構造情報毎に正規化する工程と、複数の高分子原材料の正規化された一次元スペクトル情報と、複数の高分子原材料の正規化された構造情報とを用い相関分析により相関係数を算出する工程と、相関係数の算出に用いた一次元スペクトル情報を説明変数とし、高分子原材料の組成情報および構造情報のうち、少なくとも１つを目的変数とした学習モデルを作成する工程と、学習モデルを実行し、学習モデルの結果が所定の判定条件を満たすと判定されるまで、学習モデルを繰り返し作成する工程と、判定条件を満たす学習モデルに基づいて、一次元スペクトル情報を用いて、高分子原材料の構造および組成のうち、少なくとも１つを予測する工程と、を有し、高分子原材料データ解析方法を提供するものである。

実測された一次元スペクトル情報を取得する工程と、一次元スペクトル情報を、高分子原材料毎に正規化する工程との間に、少なくとも一次元スペクトル情報の実測の際の分析条件に合わせてリファレンスを設定する工程と、一次元スペクトル情報の最大値と最小値とを統一する工程とを有することが好ましい。
高分子原材料は、ジエン系ゴムであることが好ましい。
ジエン系ゴムは、スチレンブタジエンゴムおよびブタジエンゴムのうち、少なくとも一方を含むことが好ましい。
実測された一次元スペクトル情報は、核磁気共鳴装置を用いて測定されたものであることが好ましい。

本発明によれば、高分子原材料の実測された一次元スペクトル情報を用いて、高い予測精度で高分子原材料の構造および組成等を予測できる。

本発明の実施形態の高分子原材料データ解析装置の一例を示す模式図である。 本発明の実施形態の高分子原材料データ解析方法の第１の例を工程順に示すフローチャートである。 本発明の実施形態の高分子原材料データ解析方法の第２の例を工程順に示すフローチャートである。

以下に、添付の図面に示す好適実施形態に基づいて、本発明の高分子原材料データ解析方法および高分子原材料データ解析方法を詳細に説明する。
なお、以下に説明する図は、本発明を説明するための例示的なものであり、以下に示す図に本発明が限定されるものではない。

［高分子原材料データ解析装置］
図１は本発明の実施形態の高分子原材料データ解析装置の一例を示す模式図である。
高分子原材料データ解析装置１０は、コンピューター等のハードウェアを用いて構成される。高分子原材料データ解析方法には、例えば、図１に示す解析装置１０が用いられるが、高分子原材料データ解析方法をコンピューター等のハードウェアおよびソフトウェアを用いて実行することができれば高分子原材料データ解析装置１０に限定されるものではなく、高分子原材料データ解析方法の各工程を手順としてコンピューター等に実行させるためのプログラムでもよい。また、高分子原材料データ解析装置１０は図１に示す構成に限定されるものではない。以下、高分子原材料データ解析装置１０のことを、単に解析装置１０ともいう。

解析装置１０は、処理部１２と、入力部１４と、表示部１６とを有する。処理部１２は、取得部２０、設定部２１、調整部２２、算出部２３、学習モデル作成部２４、演算部２５、判定部２６．表示制御部２７、メモリ２８、および制御部２９を有する。解析装置１０は、この他に図示はしないがＲＯＭ等を有する。
処理部１２は、制御部２９により制御される。また、処理部１２において取得部２０、設定部２１、調整部２２、算出部２３、学習モデル作成部２４、演算部２５、判定部２６．および表示制御部２７はメモリ２８に接続されており、取得部２０、設定部２１、調整部２２、算出部２３、学習モデル作成部２４、演算部２５、判定部２６．表示制御部２７のデータはメモリ２８に記憶することができる。

解析装置１０は、ＲＯＭ等に記憶されたプログラム（コンピュータソフトウェア）を、制御部２９で実行することにより、取得部２０、調整部２２、算出部２３、学習モデル作成部２４、演算部２５、および判定部２６の各部を機能的に形成する。解析装置１０は、上述のように、プログラムが実行されることで各部位が機能するコンピューターによって構成されてもよいし、各部位が専用回路で構成された専用装置であってもよい。

解析装置１０は、高分子原材料の実測された一次元スペクトル情報を用いて、高い予測精度で高分子原材料の構造および組成等を予測することを目的とするものである。解析装置１０は、例えば、新たに合成されたスチレンブタジエンゴムについて、一次元スペクトル情報を実測して求め、実測された一次元スペクトル情報を用いて、新たに合成されたスチレンブタジエンゴムの構造および組成等を高い予測精度で予測できる。
以下、解析装置１０の各部について説明する。

入力部１４は、マウスおよびキーボード等の各種情報をオペレータの指示により入力するための各種の入力デバイスである。表示部１６は、例えば、高分子原材料データ解析方法で得られた結果等を表示するものであり、公知の各種のディスプレイが用いられる。また、表示部１６には各種情報を出力媒体に表示するためのプリンタ等のデバイスも含まれる。

解析装置１０の取得部２０は、複数種類の高分子原材料について、それぞれ実測された一次元スペクトル情報を取得するものである。
取得部２０には、実測された一次元スペクトル情報が複数保持される。例えば、入力部１４により、解析装置１０の外部から、複数種類の高分子原材料の実測された一次元スペクトル情報がメモリ２８に記憶され、メモリ２８から取得部２０に、上述の複数種類の高分子原材料の実測された一次元スペクトル情報が読み出すことにより、取得してもよい。複数種類の高分子原材料の実測された一次元スペクトル情報としては、実測された一次元スペクトル情報のデータベースの情報を用いることもできる。
上述の実測された一次元スペクトル情報は、例えば、核磁気共鳴装置を用いて測定されたものであり、例えば、^１３Ｃ－ＮＭＲスペクトルである。しかし、これに限定されるものではなく、ＧＣ（ガスクロマトグラ）の測定結果、およびＩＲ（赤外線吸収）スペクトルも、実測された一次元スペクトル情報に含まれる。

設定部２１は、少なくとも一次元スペクトル情報の実測の際の分析条件に合わせてリファレンスを設定するものである。一次元スペクトル情報が、例えば、ＮＭＲスペクトルの場合、測定の際にＣＤＣｌ_３溶媒を用いていれば、７７．０ｐｐｍをリファレンスとして設定する。また、上述のリファレンスは、高分子原材料に合わせて設定してもよい。
なお、核磁気共鳴装置の機能として、溶媒等に基づくリファレンスを自動で設定する機能がある。ＮＭＲスペクトルについては、それを設定部２１に利用することもできる。

調整部２２は、一次元スペクトル情報を、複数種類ある高分子原材料毎に正規化する。例えば、ＮＭＲスペクトルの場合、高分子原材料毎に、スペクトル強度を正規化する。
調整部２２は、正規化後の一次元スペクトル情報を、取得部２０またはメモリ２８に出力し、正規化後の一次元スペクトル情報を取得部２０またはメモリ２８に記憶させる。
なお、一次元スペクトル情報の正規化の方法は、特に限定されるものではない。例えば、一次元スペクトル情報において、複数のスペクトルの値のうち、１つの値を基準として正規化する。
また、調整部２２は、複数種類の高分子原材料について、それぞれ組成情報と、少なくとも１つの構造情報とを取得し、複数種類の高分子原材料の構造情報毎に正規化する。構造情報としては、高分子原材料がジエン系ゴムの場合、ミクロ構造として、例えば、シス、トランス、ビニル、スチレンの割合がある。これ以外に構造情報としては、ダイアッド連鎖、トリアッド連鎖が挙げられる。スチレンブタジエンゴム場合、組成情報としては、ブタジエンの量とスチレンの量がある、また、組成情報には、質量平均分子量、粘度、分岐度、および分岐数等も含まれる。
上述の複数種類の高分子原材料の組成情報と、少なくとも１つの構造情報は、例えば、高分子原材料の一次元スペクトル情報を取得する際に取得部２０で取得してもよい。

調整部２２は、正規化後の高分子原材料の構造情報を、取得部２０またはメモリ２８に出力し、正規化後の高分子原材料の構造情報を取得部２０またはメモリ２８記憶させる。
なお、高分子原材料の構造情報の正規化の方法は、特に限定されるものではない。例えば、複数種類の高分子原材料のうち、１つの高分子原材料を基準として正規化する。
なお、高分子原材料の構造情報の正規化のタイミングは、特に限定されるものではなく、一次元スペクトル情報の正規化前でもよく、一次元スペクトル情報の正規化後でもよい。

調整部２２は、複数の一次元スペクトル情報のスペクトルの最大値と最小値とを統一する。例えば、複数の一次元スペクトル情報において、各一次元スペクトル情報に含まれるＮＭＲの化学シフトを、特定の範囲に統一することが挙げられる。この場合、化学シフトを、例えば、－２０～２２０ｐｐｍの範囲に統一すること、すなわち、最大値を２２０ｐｐｍ、最小値を－２０ｐｐｍに統一することである。
各一次元スペクトル情報において、例えば、化学シフトを－２０～２２０ｐｐｍの範囲になるように、化学シフトの数値を調整する。数値の調整方法は、特に限定されるものではなく、公知の方法が適宜利用可能である。
なお、スペクトルの最大値と最小値との統一のタイミングは、特に限定されるものではなく、一次元スペクトル情報の正規化前でもよく、一次元スペクトル情報の正規化後でもよい。

算出部２３は、正規化された一次元スペクトル情報と、高分子原材料の正規化された構造情報とを用い相関分析により相関係数を求める。この場合、複数の相関係数を求めることが好ましい。算出部２３で求めた相関係数は、例えば、メモリ２８に記憶される。なお、相関分析、相関係数の求め方は特に限定されるものではなく、公知のものが種々利用可能である。相関係数には、例えば、Pearsonの相関係数が用いられる。
算出部２３において、複数の相関係数を求めることにより、一次元スペクトル情報の、例えば、ＮＭＲスペクトルまたは化学シフトと、高分子原材料の構造情報において、どのＮＭＲスペクトルまたは化学シフトと、どの構造情報との相関が高いか否かを特定できる。すなわち、ＮＭＲスペクトルまたは化学シフトの構造情報に対する影響度の大きさを特定できる。

また、算出部２３は、複数の相関係数のうち、所定の値以上の一次元スペクトル情報を有効にする。これにより、影響度が小さい相関係数を求めることを抑制できる。相関係数は、学習モデルに利用されるものである。相関係数を適切に利用することにより、学習モデルの予測精度を向上させることができる。
また、上述のように、複数の相関係数のうち、所定の値以上の一次元スペクトル情報を有効にすることにより、学習モデルの学習に利用するデータから、相関係数が小さいものを排除できることから、学習モデルの学習に利用するデータ数を少なくでき、学習時間を短くできる。これにより、より短時間で、高分子原材料の構造および組成のうち、少なくとも１つを、高い予測精度で予測できる。
算出部２３では、例えば、相関係数が０．２を超える化学シフト（ｐｐｍ）を有効にする。すなわち、相関係数が０．２以下の化学シフト（ｐｐｍ）を無効化する。この場合、化学シフト（ｐｐｍ）のうち、例えば、１５～５０ｐｐｍ、および１１０～１４５ｐｐｍ以外を無効化する。

学習モデル作成部２４は、相関係数の算出に用いた一次元スペクトル情報を説明変数とし、高分子原材料の組成情報および構造情報のうち、少なくとも１つを目的変数とした学習モデルを作成するものである。相関係数が複数ある場合、全ての相関係数を用いてもよい。また、上述のように複数の相関係数のうち、所定の値以上の相関係数を有効にし、有効な相関係数だけを目的変数として用いてもよい。
学習モデル作成部２４は、後述の判定部２６の判定結果に基づいて、判定部２６において所定の判定条件を満たすと判定されるまで、学習モデルを繰り返し作成する。学習モデルを繰り返し作成する場合、外れ値等の不要なデータを削除する。また、説明変数を変更する。説明変数を変更する場合、例えば、説明変数自体を変更すること、複数の説明変数がある場合、説明変数の組み合わせを変更すること、説明変数として、相関係数の閾値を変更し、数値高い相関係数を利用することが挙げられる。

なお、学習モデルは、特に限定されるものではなく、機械学習の手法として、例えば、ニューラルネットワークを用いることができる。これ以外に各種の手法を用いることができる。例えば、畳み込みニューラルネットワーク（ＣＮＮ）、サポートベクターマシン、ランダムフォレスト、および非線形判別法等を用いてもよい。
学習モデルとして、どのような手法を用いるのが適当であるかは、解析対象である高分子原材料の分析データの性質等により異なるため、予め複数の機械学習手法を用意しておき、ユーザーが任意に選択できるようしてもよい。また、機械学習による判別分析または回帰分析は同じ種類のものを複数組み合わせたり、異なる種類のものを複数組み合わせたりすることができることがよく知られていることから、そうした組み合わせを利用してもよい。
学習モデル作成部２４で用いられる学習モデルは、例えば、メモリ２８に記憶させておき、学習モデル作成部２４がメモリ２８から学習モデルを読み出すようにしてもよい。

演算部２５は、学習モデル作成部で作成された学習モデルの学習を実行し、学習モデルによる結果を得るものである。演算部２５は、学習モデルの結果を、メモリ２８に記憶させるか、または判定部２６に出力する。
学習モデルの学習には、例えば、説明変数（入力データ）と、目的変数（出力データ）とがセットになった教師ありデータを用いる。教師ありデータを用いる場合、利用可能なデータを全て教師ありデータに利用するのではなく、利用可能なデータを教師ありデータと検証データに分ける。教師ありデータを用いて学習モデルを学習させる。検証データを用いて、教師ありデータを用いて学習させた学習モデルの予測性能を評価する。
例えば、スチレンブタジエンゴムが１００種類あった場合、１００種類のうち、８０種類のスチレンブタジエンゴムを教師ありデータとして用い、残りの２０種類のスチレンブタジエンゴムを検証データに用いるようにすることができる。この場合、利用可能なデータ（１００種類のデータ）のうち、８０％（８０種類のデータ）を教師ありデータとして用い、残りの２０％（２０種類のデータ）を検証データとして用いる。
教師ありデータと検証データに分ける方法としては、例えば、ホールドアウト検証、およびｋ－分割交差検証等を用いることができる。
なお、学習モデルの学習には、教師ありデータを用いることに限定されるものではなく、説明変数（入力データ）と、目的変数（出力データ）とがセットになっていない、教師なしデータを用いることもできる。

判定部２６は．演算部２５による学習モデルの結果を判定するものである。
例えば、検証データを用いて、説明変数に用いた高分子原材料のＮＭＲの化学シフトを入力して、目的変数とした、高分子原材料の組成情報または構造情報を得る。得られた高分子原材料の組成情報または構造情報に基づき、学習モデルの結果を判定する。
学習モデルの結果の判定方法は、特に限定されるものではない。例えば、Ｒ^２（決定係数）、ＲＭＳＥ（平方平均二乗誤差）、およびＭＡＥ（平均絶対誤差）等を用いることができる。

判定部２６では、上述のそれぞれの判定方法に応じた判定条件として、例えば、予め閾値が設定されている。判定条件は、メモリ２８に記憶されていてもよい。判定部２６は、メモリ２８から判定条件を読み出し、判定条件に基づき、学習モデルを評価する。
判定条件を満たす場合には、最終的な学習モデルとし、高分子原材料の組成情報または構造情報を予測する学習モデルとして利用する。最終的な学習モデルは、演算部２５またはメモリ２８に記憶させる。演算部２５において、最終的な学習モデルに基づいて、一次元スペクトル情報を用いて、高分子原材料の構造および組成のうち、少なくとも１つを予測する。予測した結果を、例えば、メモリ２８に記憶し、データベース化する。
例えば、高分子原材料がスチレンブタジエンゴムで、一次元スペクトル情報が^１３Ｃ－ＮＭＲスペクトルの化学シフトの場合、演算部２５は、最終的な学習モデルに基づいて、例えば、新たに合成されたスチレンブタジエンゴムの^１３Ｃ－ＮＭＲスペクトルの化学シフトを用いて、シス、トランス、ビニル、スチレンの割合を予測することができる。最終的な学習モデルを用いて予測したシス、トランス、ビニル、スチレンの割合をメモリ２８に記憶させる。
判定条件を満たさない場合には、学習モデル作成部２４に再度学習モデルを作成させる。学習モデル作成部３２による学習モデルの再作成は、上述の通りである。

表示制御部２７は、取得部２０で取得される、複数種類の高分子原材料について、それぞれ実測された一次元スペクトル情報、算出部２３で求められた相関係数、学習モデル作成部２４で設定される説明変数の情報および目的変数の情報を表示部１６に表示させるものである。
また、演算部２５で予測された、高分子原材料の構造および組成のうち、少なくとも１つを表示部１６に表示させるものである。
表示制御部２７において、表示部１６に表示させる場合、メモリ２８から各種の情報を読み出して表示してもよい。また、表示制御部２７は、入力部１４を介して入力される各種の情報等も表示部１６に表示させることもできる。

［高分子原材料データ解析方法の第１の例］
図２は本発明の実施形態の高分子原材料データ解析方法の第１の例を工程順に示すフローチャートである。上述のように、高分子原材料データ解析方法は、例えば、解析装置１０が用いられる。
以下に説明する高分子原材料データ解析装置方法の第１の例において、特に説明しないが解析装置１０の処理部１２の各部で種々の処理がなされる。また、以下の説明では制御部２９により処理部１２の各部で種々の処理がなされることの説明を省略しているが、各部の一連の処理は制御部２９により制御される。
高分子原材料データ解析方法では、例えば、高分子原材料として、ブタジエンの量とスチレンの量、ならびにシス、トランス、ビニル、およびスチレンの割合等が異なる、複数種類のスチレンブタジエンゴムを用いる。一次元スペクトル情報として、複数種類のそれぞれのスチレンブタジエンゴムの^１３Ｃ－ＮＭＲスペクトルを用いることを例にして説明する。

まず、複数種類のスチレンブタジエンゴム（高分子原材料）について、それぞれ実測された一次元スペクトル情報を取得する（ステップＳ１０）。ステップＳ１０において、具体的には、上述のように複数種類のスチレンブタジエンゴムの^１３Ｃ－ＮＭＲスペクトルを取得する。また、このとき、複数種類のそれぞれのスチレンブタジエンゴムについて、ブタジエンの量とスチレンの量、ならびにシス、トランス、ビニル、およびスチレンの割合の情報を取得してもよい。
次に、一次元スペクトル情報を、高分子原材料毎に正規化する（ステップＳ１２）。ステップＳ１２において、具体的には、複数種類のスチレンブタジエンゴムの^１３Ｃ－ＮＭＲスペクトルに対して、スチレンブタジエンゴム毎に、^１３Ｃ－ＮＭＲスペクトルのスペクトル強度または化学シフト（ｐｐｍ）を正規化する。

次に、複数種類の高分子原材料について、それぞれ組成情報と、少なくとも１つの構造情報とを取得し、複数種類の高分子原材料の構造情報毎に正規化する（ステップＳ１４）。ステップＳ１４において、具体的には、スチレンブタジエンゴムの組成情報と、少なくとも１つの構造情報を取得する。スチレンブタジエンゴムの組成情報としては、例えば、ブタジエンの量とスチレンの量であり、スチレンブタジエンゴムの構造情報としては、シス、トランス、ビニル、スチレンの割合である。例えば、シス、トランス、ビニル、スチレン毎に、それぞれ複数種類のスチレンブタジエンゴムのシス、トランス、ビニル、スチレンのそれぞれの割合を正規化する。
なお、ステップＳ１２の実施とステップＳ１４の実施の順序は、特に限定されるものではなく、逆でもよく、また、ステップＳ１２とステップＳ１４とを同じタイミングで実施してもよい。

複数の高分子原材料の正規化された一次元スペクトル情報と、複数の高分子原材料の正規化された構造情報とを用い相関分析により相関係数を算出する（ステップＳ１６）。ステップＳ１６において、具体的には、スチレンブタジエンゴムの正規化された^１３Ｃ－ＮＭＲスペクトルまたは化学シフトと、複数種類のスチレンブタジエンゴムの正規化されたシス、トランス、ビニル、スチレンの割合とを用いて、相関分析により、相関係数を算出する。算出する相関係数は、１つでもよく、複数でもよいが、複数であることが好ましい。上述のように、複数の相関係数を算出することにより、^１３Ｃ－ＮＭＲスペクトルまたは化学シフトの、スチレンブタジエンゴム（高分子原材料）の構造情報に対する影響度の大きさを特定できる。

次に、相関係数の算出に用いた一次元スペクトル情報を説明変数とし、高分子原材料の組成情報および構造情報のうち、少なくとも１つを目的変数とした学習モデルを作成する（ステップＳ１８）。ステップＳ１８において、相関係数の算出に用いた化学シフトを説明変数とし、スチレンブタジエンゴムの正規化されたシス、トランス、ビニル、スチレンの割合のうち、少なくとも１つを目的変数とする学習モデルを作成する。
学習モデルは、上述のように、特に限定されるものではなく、上述のように、ニューラルネットワークを用いることができる。学習モデルによる学習を実行する。
学習モデルの学習には、例えば、説明変数（入力データ）と、目的変数（出力データ）とがセットになった教師ありデータを用いる。より具体的には、化学シフトのデータにおいて、化学シフトに対する、シス、トランス、ビニル、スチレンの割合がわかっているデータを用いる。教師ありデータを用いる場合、上述のように化学シフトのデータを全て利用するのではなく、一部を教師ありデータに利用し、残りを検証データとして利用する。上述のように、例えば、利用可能なデータ（１００種類のデータ）のうち、８０％（８０種類のデータ）を教師ありデータとして用い、残りの２０％（２０種類のデータ）を検証データとして用いる。検証データを用いて学習モデルの予測性能を判定する。
なお、上述のように、教師ありデータと検証データに分ける方法としては、例えば、ホールドアウト検証、およびｋ－分割交差検証等を用いることができる。

次に、学習モデルを実行し、学習モデルの結果を判定する（ステップＳ２０）。ステップＳ２０では、上述のように、検証データを、学習モデルに入力し、その結果として、例えば、シス、トランス、ビニル、スチレンの割合を得る。
この結果をもとに、学習モデルの予測性能、例えば、予測精度を評価するために、学習モデルの結果を判定する。学習モデルの結果の判定方法は、上述の各種の方法を用いることができる。
なお、予測精度について、判定条件として、予め閾値を設定しておき、予測精度が閾値を超える場合、判定条件を満たす学習モデルと判定する（ステップＳ２０）。
ステップＳ２０において、判定条件を満たす場合、ステップＳ１８で作成された学習モデルを最終的な学習モデルとする。
次に、最終的な学習モデルに基づいて、一次元スペクトル情報を用いて、高分子原材料の構造および組成のうち、少なくとも１つを予測する（ステップＳ２２）。具体的には、ステップＳ２２では、例えば、新たに合成されたスチレンブタジエンゴムの^１３Ｃ－ＮＭＲスペクトルの化学シフトを用いて、シス、トランス、ビニル、スチレンの割合を予測する。この場合、高い予測精度でシス、トランス、ビニル、スチレンの割合を予測できる。ステップＳ２２において、最終的な学習モデルを用いて予測されたシス、トランス、ビニル、スチレンの割合を、例えば、メモリ２８に記憶させる。

一方、ステップＳ２０において、判定条件を満たさない場合、ステップＳ１８で作成された学習モデルを再作成し、判定条件を満たすまで繰り返し学習モデルを作成する。この場合、学習モデルを再設定する（ステップＳ２４）。ステップＳ２４では、例えば、上述のように、外れ値等の不要なデータを削除する。また、説明変数を変更する。説明変数を変更する場合、例えば、説明変数自体を変更すること、複数の説明変数がある場合、説明変数の組み合わせを変更すること、説明変数として、相関係数の閾値を変更し、数値高い相関係数を利用することが挙げられる。
学習モデルを再作成し、ステップＳ２０において、判定条件を満たす場合、再作成された学習モデルを最終的な学習モデルとする。上述のように、最終的な学習モデルに基づいて、例えば、新たに合成されたスチレンブタジエンゴムの^１３Ｃ－ＮＭＲスペクトルの化学シフトを用いて、シス、トランス、ビニル、スチレンの割合を予測する（ステップＳ２２）。この場合でも、高い予測精度でシス、トランス、ビニル、スチレンの割合を予測できる。

［高分子原材料データ解析方法の第２の例］
図３は本発明の実施形態の高分子原材料データ解析方法の第２の例を工程順に示すフローチャートである。高分子原材料データ解析方法の第２の例は、例えば、解析装置１０が用いられる。
高分子原材料データ解析方法の第２の例は、高分子原材料データ解析方法の第１の例に比して、ステップＳ１０とステップＳ１２との間に、リファレンスを設定する工程（ステップＳ３０）と、一次元スペクトル情報の最大値と最小値を統一する工程（ステップＳ３２）とを有する点、および説明変数の設定（ステップＳ３４）を有する点以外は、高分子原材料データ解析方法の第１の例と同様の工程である。

リファレンスを設定する工程（ステップＳ３０）は、少なくとも実測の際の分析条件に合わせて設定するものである。ステップＳ３０において、上述のように一次元スペクトル情報が、例えば、ＮＭＲスペクトルの場合、溶媒として、ＣＤＣｌ_３溶媒を用いていれば、７７．０ｐｐｍをリファレンスとして設定する。また、ステップＳ３０において、上述のリファレンスは、高分子原材料に合わせて設定してもよい。
一次元スペクトル情報の最大値と最小値を統一する工程（ステップＳ３２）は、複数の一次元スペクトル情報のスペクトルの最大値と最小値とを統一する。例えば、上述のように、各一次元スペクトル情報に含まれるＮＭＲの化学シフトを、－２０～２２０ｐｐｍの範囲に統一する。この場合、上述のように、公知の方法が適宜利用可能である。

説明変数の設定（ステップＳ３４）は、ステップＳ３２において、複数の相関係数が求められた場合、複数の相関係数のうち、所定の値以上の一次元スペクトル情報を有効とする工程を有する。さらに、ステップＳ３４の次工程である学習モデルの作成工程（ステップＳ１８）では、有効な相関係数の算出に用いた一次元スペクトル情報を説明変数とし、学習モデルを作成する。ステップＳ１８以降は、上述の高分子原材料データ解析方法の第１の例と同様に、学習モデルの判定（ステップＳ２０）を実施し、判定条件を満たす場合には、最終的な学習モデルとして、例えば、新たに合成されたスチレンブタジエンゴムの^１３Ｃ－ＮＭＲスペクトルの化学シフトを用いて、シス、トランス、ビニル、スチレンの割合を予測する（ステップＳ２２）。

学習モデルが判定条件を満たさない場合、上述のように、学習モデルを再設定し（ステップＳ２４）、判定条件を満たすまで、学習モデルを繰り返し作成する。
学習モデルを再作成し、ステップＳ２０において、判定条件を満たす場合、再作成された学習モデルを最終的な学習モデルとする。上述のように、最終的な学習モデルに基づいて、例えば、新たに合成されたスチレンブタジエンゴムの^１３Ｃ－ＮＭＲスペクトルの化学シフトを用いて、シス、トランス、ビニル、スチレンの割合を予測する（ステップＳ２２）。
高分子原材料データ解析方法の第２の例では、説明変数の設定（ステップＳ３４）することにより、学習モデルの学習に利用するデータから、相関係数が小さいものを排除する。このため、高分子原材料データ解析方法の第１の例に比して、学習モデルの学習に利用するデータ数を少なくでき、学習時間を短くできる。これにより、より短時間で、高分子原材料の構造および組成のうち、少なくとも１つを、高い予測精度で予測できる。

なお、高分子原材料データ解析方法の第２の例においては、上述のリファレンスを設定する工程（ステップＳ３０）と、一次元スペクトル情報の最大値と最小値を統一する工程（ステップＳ３２）と、説明変数の設定（ステップＳ３４）とのうち、説明変数の設定（ステップＳ３４）だけあってもよい。また、説明変数の設定（ステップＳ３４）がなく、上述のリファレンスを設定する工程（ステップＳ３０）と、一次元スペクトル情報の最大値と最小値を統一する工程（ステップＳ３２）とがある構成でもよい。

［高分子原材料］
高分子原材料としては、特に限定されるものではないが、上述のように実測された一次元スペクトル情報がある必要がある。実測された一次元スペクトル情報としては、例えば、上述のように、核磁気共鳴装置を用いて測定されたＮＭＲスペクトル、ＧＣ（ガスクロマトグラ）の測定結果、およびＩＲ（赤外線吸収）スペクトルである。
高分子原材料としては、例えば、ジエン系ゴムである。ジエン系ゴムとしては、スチレンブタジエンゴムおよびブタジエンゴムのうち、少なくとも一方を含むことが好ましい。

〔ジエン系ゴム〕
上記ジエン系ゴムの具体例としては、天然ゴム（ＮＲ）、イソプレンゴム（ＩＲ）、ブタジエンゴム（ＢＲ）、スチレンブタジエンゴム（ＳＢＲ）、アクリロニトリル－ブタジエン共重合ゴム（ＮＢＲ）、ブチルゴム（ＩＩＲ）、ハロゲン化ブチルゴム（Ｂｒ－ＩＩＲ、Ｃｌ－ＩＩＲ）及びクロロプレンゴム（ＣＲ）等が挙げられる。
上記ジエン系ゴムは、本発明の効果がより優れる理由から、スチレンブタジエンゴム（ＳＢＲ）又はブタジエンゴム（ＢＲ）を含むのが好ましく、スチレンブタジエンゴム（ＳＢＲ）及びブタジエンゴム（ＢＲ）を含むのがより好ましい。

本発明は、基本的に以上のように構成されるものである。以上、本発明の高分子原材料データ解析装置および高分子原材料データ解析方法について詳細に説明したが、本発明は上述の実施形態に限定されず、本発明の主旨を逸脱しない範囲において、種々の改良または変更をしてもよいのはもちろんである。

以下、本発明の高分子原材料データ解析方法の実施例について具体的に説明する。
本実施例では、以下に示す例１～７の学習モデルを作成し、作成した学習モデルを用いて、本発明の高分子原材料データ解析方法の効果について確認した。
高分子原材料に、１００種類のスチレンブタジエンゴムを用いた。一次元スペクトル情報には、^１３Ｃ－ＮＭＲスペクトルの化学シフトを用いた。一次元スペクトル情報の^１３Ｃ－ＮＭＲスペクトルの化学シフトのデータ数は３２７６８である。このうち、相関係数が高い化学シフト領域のデータ数は９５５５である。上述の相関係数が高い化学シフト領域とは、１５～５０ｐｐｍと１１０～１４５ｐｐｍの合計７０ｐｐｍの領域のことである。
１００種類のスチレンブタジエンゴムのうち、８０％を学習モデルの教師ありデータとして用い、残りの２０％を検証データとして用いた。すなわち、１００種類のスチレンブタジエンゴムのうち、８０種類のスチレンブタジエンゴムの化学シフトのデータを教師ありデータとして用い、残りの２０種類のスチレンブタジエンゴムの化学シフトのデータを検証データとして用いた。

（例１）
例１は、上述の高分子原材料、および一次元スペクトル情報（化学シフトのデータ数３２７６８）を用いて、上述のデータ解析方法の第１の例に基づき、学習モデルにニューラルネットワークを用いて、最終的な学習モデルを作成した。例１の学習モデルの予測精度は０．８であった。予測精度は、Ｒ^２（決定係数）を用いて求めた値である。

（例２）
例２は、例１に比して、高い相関係数を有効化した点が異なる以外は、例１と同じとした。高い相関係数の有効化は、上述のデータ解析方法の第２の例の説明変数の設定（ステップＳ３４）を用いて実施した。例２の学習モデルの予測精度は０．８であった。
（例３）
例３は、例１に比して、上述のデータ解析方法の第２の例に基づき、学習モデルにニューラルネットワークを用いて、最終的な学習モデルを作成した点が異なり、それ以外は例１と同じとした。例３の学習モデルの予測精度は０．９９であった。
（例４）
例４は、例３に比して、学習モデルにランダムフォレストを用いた点が異なり、それ以外は例３と同じとした。例４の学習モデルの予測精度は０．９５であった。

（例５）
例５は、例１に比して、ＮＭＲスペクトルの化学シフトだけを正規化して、学習モデルにニューラルネットワークを用いて、最終的な学習モデルを作成した。例５の学習モデルの予測精度は０．７であった。
（例６）
例６は、例１に比して、ＮＭＲスペクトルの化学シフトにリファレンスを設定して、学習モデルにニューラルネットワークを用いて、最終的な学習モデルを作成した。例６の学習モデルの予測精度は０．５であった。
（例７）
例７は、例１に比して、ＮＭＲスペクトルの化学シフトの最大値と最小値を統一して、学習モデルにニューラルネットワークを用いて、最終的な学習モデルを作成した。例７の学習モデルの予測精度は０．５であった。

表１に示すように、実施例に相当する例１～例４は、高い予測精度が得られた。例１～例４において、高い相関係数を有効化した例２～例４は、高い予測精度を維持した上で学習時間を短縮できた。例１～例４から、ランダムフォレストの方が、ニューラルネットワークよりも学習時間を短縮できた。
一方、比較例に該当する例５～例７は、予測精度が低かった。
例５は、ＮＭＲスペクトルの化学シフトだけを正規化して、ニューラルネットワークを用いて学習モデルを作成したものであり、予測精度が低かった。
例６は、ＮＭＲスペクトルの化学シフトにリファレンスセットを設定して、ニューラルネットワークを用いて学習モデルを作成したものであり、予測精度が低かった。
例７は、ＮＭＲスペクトルの化学シフトの最大値と最小値を統一して、ニューラルネットワークを用いて学習モデルを作成したものであり、予測精度が低かった。

１０ 高分子原材料データ解析装置（解析装置）
１２ 処理部
１４ 入力部
１６ 表示部
２０ 取得部
２１ 設定部
２２ 調整部
２３ 算出部
２４ 学習モデル作成部
２５ 演算部
２６ 判定部
２７ 表示制御部
２８ メモリ
２９ 制御部
３２ 学習モデル作成部

Claims (12)

1. 複数種類の高分子原材料について、それぞれ実測された一次元スペクトル情報を取得する取得部と、
   前記高分子原材料毎に、前記実測された一次元スペクトル情報のスペクトルのスペクトル強度又は化学シフトを正規化し、前記複数種類の高分子原材料について、それぞれ組成情報と、少なくとも１つの構造情報とを取得し、前記複数種類の高分子原材料のうち、１つの高分子原材料を基準として前記構造情報毎に正規化する調整部と、
   複数の前記高分子原材料の正規化された前記一次元スペクトル情報と、複数の前記高分子原材料の正規化された前記構造情報とを用い相関分析により相関係数を求める算出部と、を有し、
   前記相関係数の算出に用いた前記正規化された一次元スペクトル情報を説明変数とし、前記高分子原材料の前記組成情報および前記構造情報のうち、少なくとも１つを目的変数とした学習モデルを作成する学習モデル作成部と、
   前記学習モデルを実行する演算部と、
   前記演算部による前記学習モデルの結果を判定する判定部とを有し、
   前記構造情報は、前記高分子原材料のミクロ構造であり、
   前記学習モデル作成部は、前記判定部において所定の判定条件を満たすと判定されるまで、学習モデルを繰り返し作成し、
   前記演算部は、前記判定条件を満たす学習モデルに基づいて、一次元スペクトル情報を用いて、高分子原材料の構造および組成のうち、少なくとも１つを予測する、高分子原材料データ解析装置。
2. 少なくとも前記一次元スペクトル情報の前記実測の際の分析条件に合わせてリファレンスを設定する設定部を有し、
   前記調整部は、一次元スペクトル情報の前記スペクトルの最大値と最小値とを統一する、請求項１に記載の高分子原材料データ解析装置。
3. 前記算出部は、前記相関分析により、複数の前記相関係数を求め、かつ前記複数の相関係数のうち、所定の値以上の前記一次元スペクトル情報を有効とし、
   前記学習モデル作成部は、前記有効な前記相関係数の算出に用いた前記正規化された一次元スペクトル情報を説明変数とし、前記学習モデルを作成する、請求項１または２に記載の高分子原材料データ解析装置。
4. 前記高分子原材料は、ジエン系ゴムであり、前記構造情報は、シス、トランス、ビニル、スチレンの割合である、請求項１～３のいずれか１項に記載の高分子原材料データ解析装置。
5. 前記ジエン系ゴムは、スチレンブタジエンゴムおよびブタジエンゴムのうち、少なくとも一方を含む、請求項４に記載の高分子原材料データ解析装置。
6. 前記実測された一次元スペクトル情報は、核磁気共鳴装置を用いて測定されたＮＭＲスペクトル、ガスクロマトグラフの測定結果、又は赤外線吸収スペクトルである、請求項１～５のいずれか１項に記載の高分子原材料データ解析装置。
7. 複数種類の高分子原材料について、それぞれ実測された一次元スペクトル情報を取得する工程と、
   前記高分子原材料毎に、前記実測された一次元スペクトル情報のスペクトルのスペクトル強度又は化学シフトを正規化する工程と、
   前記複数種類の高分子原材料について、それぞれ組成情報と、少なくとも１つの構造情報とを取得し、前記複数種類の高分子原材料のうち、１つの高分子原材料を基準として前記構造情報毎に正規化する工程と、
   複数の前記高分子原材料の正規化された前記一次元スペクトル情報と、複数の前記高分子原材料の正規化された前記構造情報とを用い相関分析により相関係数を算出する工程と、
   前記相関係数の算出に用いた前記正規化された一次元スペクトル情報を説明変数とし、前記高分子原材料の前記組成情報および前記構造情報のうち、少なくとも１つを目的変数とした学習モデルを作成する工程と、
   前記学習モデルを実行し、前記学習モデルの結果が所定の判定条件を満たすと判定されるまで、学習モデルを繰り返し作成する工程と、
   前記判定条件を満たす学習モデルに基づいて、一次元スペクトル情報を用いて、高分子原材料の構造および組成のうち、少なくとも１つを予測する工程と、を有し、前記構造情報は、前記高分子原材料のミクロ構造である、高分子原材料データ解析方法。
8. 実測された一次元スペクトル情報を取得する工程と、前記一次元スペクトル情報を、前記高分子原材料毎に正規化する工程との間に、
   少なくとも前記一次元スペクトル情報の前記実測の際の分析条件に合わせてリファレンスを設定する工程と、
   前記一次元スペクトル情報の前記スペクトルの最大値と最小値とを統一する工程とを有する、請求項７に記載の高分子原材料データ解析方法。
9. 前記相関係数を求める工程は、前記相関分析により、複数の相関係数を求める工程であり、
   前記複数の相関係数のうち、所定の値以上の前記一次元スペクトル情報を有効とする工程を有し、
   前記学習モデルを作成する工程は、前記有効な前記相関係数の算出に用いた前記正規化された一次元スペクトル情報を説明変数とし、前記学習モデルを作成する工程である、請求項７または８に記載の高分子原材料データ解析方法。
10. 前記高分子原材料は、ジエン系ゴムであり、前記構造情報は、シス、トランス、ビニル、スチレンの割合である、請求項７～９のいずれか１項に記載の高分子原材料データ解析方法。
11. 前記ジエン系ゴムは、スチレンブタジエンゴムおよびブタジエンゴムのうち、少なくとも一方を含む、請求項１０に記載の高分子原材料データ解析方法。
12. 前記実測された一次元スペクトル情報は、核磁気共鳴装置を用いて測定されたＮＭＲスペクトル、ガスクロマトグラフの測定結果、又は赤外線吸収スペクトルである、請求項７～１１のいずれか１項に記載の高分子原材料データ解析方法。