预测模型制作方法、预测方法、预测模型制作装置、预测装置、预测模型制作程序、预测程序与流程

本申请主张2021年9月29日向日本特性厅提交的基础申请2021-159474号的优先权，通过参照将其全部内容引用于此。本公开涉及考虑了聚类和权重的预测模型制作方法、预测方法、预测模型制作装置、预测装置、预测模型制作程序、预测程序。

背景技术：

1、以往，材料的设计是通过重复基于材料开发人员的经验的试制来完成的。在这种情况下，需要进行大量实验以获得所希望的特性。因此，近年来，已经尝试在材料设计中应用机器学习。例如，可以收集试制时的设计条件和试制的材料的评价结果(材料的特性值等)，作为学习用数据集进行模型的学习，使用得到的学习完毕模型对在新的设计条件下试制的材料的特性值进行预测。由此可以将获得所希望特性的实验抑制到最小次数。

2、【现有技术文献】

3、【专利文献】

4、【专利文献1】日本特开2020-187417号公报

技术实现思路

1、【发明所要解决的课题】

2、例如，在专利文献1中，公开了一种方法，对训练数据进行聚类，具有：使用位于各聚类中的代表矢量附近的第1规定数的训练数据来预测物性值的基础模型；和使用位于代表矢量附近的第2规定数的训练数据来预测每个基础模型的残差的相反数的修正模型，对于未知输入矢量，对与靠近未知输入矢量的代表矢量相关的基础模型及修正模型进行检索，计算基础模型的预测值及修正模型的预测值，通过基础模型的预测值与对修正模型的预测值乘以给定的常数得到的值之和来计算物性预测值。但是，在专利文献1所公开的物性预测方法的情况下，由于不包含在位于代表矢量附近的第1规定数和第2规定数中的训练数据没有用于模型的学习，因此有可能导致物性预测精度的降低，另外，还存在容易过度学习的问题。

3、本公开是鉴于以上几点而完成的，其目的在于提供一种毫无保留地使用训练数据来提高预测精度的预测模型制作方法。

4、【解决课题的手段】

5、本公开具有以下构成。

6、[1]一种材料特性的预测模型制作方法，具有：

7、取得学习用数据集的步骤；

8、使用所述学习用数据集和聚类模型生成学习完毕聚类模型，并且将所述学习用数据集分类为n个簇的步骤；

9、计算各所述簇的重心间的距离的步骤；

10、使用所述簇的重心间的距离和表示所述学习用数据集的特征的参数，计算所述簇间的权重的步骤；以及

11、对于每个所述簇，使用簇和所述权重生成学习完毕预测模型{mi}1≤i≤n的步骤。

12、[2]一种材料特性的预测方法，接着前项1所述的预测模型制作方法进行，具有：

13、取得预测用数据的步骤；

14、使用所述学习完毕聚类模型，确定所述预测用数据属于被分类为n个的学习用数据集簇中的聚类p的步骤；

15、将所述预测用数据作为输入，使用与所述簇p对应的学习完毕预测模型mp求出预测值的步骤。

16、[3]前项1所述的材料特性的预测模型制作方法，其中，

17、在构建前项1所述的聚类模型的步骤中，使用k-means法、nearest neighbor法、分层聚类法、混合高斯法、dbscan法、t-sne法、自组织映射法中的任意一个或多个聚类方法。

18、[4]前项1所述的材料特性的预测模型制作方法，其中，

19、在计算前项1所述的簇的重心间的距离的步骤中，使用欧几里得距离法、曼哈顿距离法、马哈拉诺比斯距离法、明可夫斯基距离法、余弦距离法、最短距离法、最长距离法、重心法、群平均法、ward法、kullback-leibler散度、jensen-shannon散度、dynamic timewarping、earth mover’s distance中的任意一个或多个的组合来计算距离。

20、[5]前项1所述的材料特性的预测模型制作方法，其中，

21、作为表示所述学习用数据集的特征的参数，使用与所述学习用数据集的特性值相关的系统误差、标准偏差、方差、变动系数、分位数、峰度、畸变度中的任意一个或多个参数。

22、[6]前项1所述的材料特性的预测模型制作方法，其中，

23、在计算所述权重的步骤中，使用指数函数型、倒数型、倒数的幂型中的任意一个或多个权重函数。

24、[7]一种材料特性的预测模型制作装置，具有：

25、聚类模型，通过输入学习用数据集，生成学习完毕聚类模型，并且将所述学习用数据集分类为n个簇；

26、权重定义部，计算被分类的各所述簇的重心间的距离，使用计算出的各簇的重心间的距离和表示所述学习用数据集的特征的参数，计算所述各簇间的权重；以及

27、预测模型{mi}1≤i≤n,其对每个所述簇使用簇和所述权重生成学习完毕预测模型。

28、[8]一种材料特性的预测装置，具有：

29、通过前项7所述的预测模型制作装置制作的学习完毕聚类模型，其通过输入预测用数据，确定所述预测用数据属于被分类为n个的聚类中的聚类p；

30、通过前项7所述的预测模型制作装置制作的学习完毕预测模型mp，其与所确定的所述簇p对应，将预测用数据作为输入而求出预测值；以及

31、输出部，输出所求出的预测值。

32、[9]一种材料特性的预测模型制作程序，用于使计算机执行如下工序：

33、取得学习用数据集的工序；

34、使用所述学习用数据集和聚类模型生成学习完毕聚类模型，并且将所述学习用数据集分类为n个簇的工序；

35、计算各所述簇的重心间的距离的工序；

36、使用所述簇的重心间的距离和表示所述学习用数据集的特征的参数，计算所述簇间的权重的工序；以及

37、对于每个所述簇，使用簇和所述权重生成学习完毕预测模型{mi}1≤i≤n的工序。

38、[10]一种材料特性的预测程序，用于使计算机执行如下工序：

39、取得预测用数据的工序；

40、使用由前项9所述的预测模型制作程序制作的学习完毕聚类模型，确定所述预测用数据属于被分类为n个的学习用数据集簇中的聚类p的工序；以及

41、将所述预测用数据作为输入，对应于确定的所述簇p，使用前项9所述的预测模型mp求出预测值的工序。

42、【发明的效果】

43、使用本公开的预测模型制作方法制作的预测模型，通过毫无保留地使用训练数据来抑制因数据数不足而导致的过度学习，并且通过导入反映数据的倾向的权重，能够提高预测精度。

技术特征：

1.一种材料特性的预测模型制作方法，具有：

2.一种材料特性的预测方法，接着权利要求1所述的预测模型制作方法进行，具有：

3.根据权利要求1所述的材料特性的预测模型制作方法，其中，

4.根据权利要求1所述的材料特性的预测模型制作方法，其中，

5.根据权利要求1所述的材料特性的预测模型制作方法，其中，

6.根据权利要求1所述的材料特性的预测模型制作方法，其中，

7.一种材料特性的预测模型制作装置，具有：

8.一种材料特性的预测装置，具有：

9.一种材料特性的预测模型制作程序，用于使计算机执行如下工序：

10.一种材料特性的预测程序，用于使计算机执行如下工序：

技术总结
通过使用被分类为学习完毕的聚类模型的簇来设定适当的权重，提高学习完毕的预测模型的预测精度。材料特性的预测模型制作方法，具有：取得学习用数据集的步骤；使用所述学习用数据集和聚类模型生成学习完毕聚类模型，并且将所述学习用数据集分类为N个簇的步骤；计算各所述簇的重心间的距离的步骤；使用所述簇的重心间的距离和表示所述学习用数据集的特征的参数，计算所述簇间的权重的步骤；以及对于每个所述簇，使用簇和所述权重生成学习完毕预测模型{M<subgt;i</subgt;}<subgt;1≤i≤N</subgt;的步骤。

技术研发人员：角田皓亮,竹本真平,高仁子,奥野好成
受保护的技术使用者：株式会社力森诺科
技术研发日：
技术公布日：2024/5/16