混合物物理特性识别方法、设备及存储介质与流程

1.本文讨论的实施方式涉及混合物物理特性识别方法、混合物物理特性识别设备以及存储混合物物理特性识别程序的非暂态计算机可读存储介质。


背景技术：

2.在相关技术中，针对不具有导电性的绝缘制冷剂，已经使用多种候选物质的混合物，并且已经尝试通过对候选物质的种类和候选物质的组分比的组合进行优化来优化混合物的物理特性(物理特性和属性)。
3.对多种候选物质的混合物的物理特性的有效优化要求对混合物的物理特性的准确预测。预测混合物的物理特性的方法的示例是基于候选物质的种类和候选物质的组分比的组合来计算混合物的物理特性的方法。
4.作为用于使用该方法的相关技术，例如，已经提出了使用能够基于候选物质的物理特性估计混合状态下的物理特性的数学表达式(物理特性估计等式)的方法。在相关技术中，通过使用这样的能够估计混合状态下的物理特性的数学表达式来定义用于预测混合物的物理特性的目标函数表达式，并且通过对该目标函数表达式进行优化来预测并优化混合物的物理特性。
5.然而，在该相关技术中，在对其中不存在能够估计混合状态下的物理特性的数学表达式的物理特性(性能)进行预测的情况下，存在难以构建用于对混合物的物理特性进行优化的目标函数表达式以致于可能无法识别混合物的物理特性的问题。
6.针对诸如硫化橡胶组合物或通过浇铸获得的熔体的混合物，已经提出了如下技术：在所述技术中，为了对混合物的物理特性进行优化，通过使用机器学习来预测混合物的物理特性并且确定混合物中的材料的组合(组分含量)。
7.然而，在该相关技术中，存在混合物的物理特性的预测准确度有时不足以及难以提高混合物的物理特性的预测准确度的问题。
8.如上所述，在相关技术中，存在难以对其中不存在能够估计混合状态下的物理特性的数学表达式(物理特性估计等式)的物理特性(性能)进行预测以及在使用机器学习的情况下难以提高混合物的物理特性的预测准确度的问题。
9.作为相关技术，公开了日本公开特许公报第2020-030680号和第2019-195838号。
10.作为相关技术，还公开了shuzo ohe，physical property estimation method(日语)，data book shuppan-sha。


技术实现要素：

11.[技术问题]
[0012]
然而，利用上述技术，难以指明模型准确度劣化的原因。例如，所述技术不能针对错误数据的呈现指明错误的情况，并且不能指明与域偏移的呈现中的准确度劣化相关的原因。
[0013]
在一方面，旨在提供一种能够指明模型准确度劣化的原因的数据生成程序、数据生成方法及信息处理装置。
[0014]
[问题的解决方案]
[0015]
在一方面，本公开内容的目的是提供即使在对其中不存在能够估计混合状态下的物理特性的数学表达式(物理特性估计等式)的物理特性进行预测的情况下也能够以高准确度预测和识别混合物的物理特性的混合物物理特性识别方法等。
[0016]
在一方面，本公开内容可以提供即使在对其中不存在能够估计混合状态下的物理特性的数学表达式(物理特性估计等式)的物理特性进行预测的情况下也能够以高准确度预测和识别混合物的物理特性的混合物物理特性识别方法等。
[0017]
[发明的有益效果]
[0018]
根据一个实施方式，可以指明模型准确度恶化的原因。
附图说明
[0019]
图1是示出在混合多种候选物质以产生混合物时如何选择候选物质的组合的示例的图；
[0020]
图2示出了通过使用利用物理特性估计等式的技术来优化混合物的物理特性(性能)的流程图的示例；
[0021]
图3a是示出基于关于物理特性的数据集(物理特性值数据集)的分布的多种混合物的逐组成(composition-by-composition)预测模型的示例的图；
[0022]
图3b是示出图3a中的a、b和c的混合物的物理特性值、a的百分比以及b的百分比之间的关系的示例的图；
[0023]
图3c是示出图3a中的c、d和e的混合物的物理特性值、c的百分比以及d的百分比之间的关系的示例的图；
[0024]
图3d是示出将图3a中示出的多种混合物的逐组成预测模型进行整合并组合在一起的高斯混合模型的示例的图；
[0025]
图4是示出本文公开的混合物理特性识别设备的硬件配置示例的图；
[0026]
图5是示出本文公开的混合物物理特性识别设备的另一硬件配置示例的图；
[0027]
图6是示出本文公开的混合物物理特性识别设备的功能配置示例的图；
[0028]
图7a和图7b示出了通过使用本文公开的技术的示例来识别和优化混合物的物理特性的流程图的示例；
[0029]
图8是示出退火方法中使用的退火机的功能配置的示例的图；
[0030]
图9是示出转变控制单元的操作流程的示例的图；
[0031]
图10是示出通过非平衡分子动力学模拟获得的40种混合物的热导率的分布的示例的图；
[0032]
图11是示出根据通过使用32个学习数据集构建的预测模型计算的预测值与实际值(学习数据集)之间的关系的示例的图；
[0033]
图12是示出所生成的虚拟数据集的数量与通过将所生成的虚拟数据集的80％用作学习数据集而构建的热导率预测模型(第二预测模型)中的rmse/mae之间的关系的示例的图；以及
[0034]
图13是示出利用通过将2000个虚拟数据集中的1600个虚拟数据集用作学习数据集而构建的预测模型计算的预测值和与这些预测值对应的实际值(学习数据集)之间的关系的示例的图。
具体实施方式
[0035]
(混合物物理特性识别设备)
[0036]
本文公开的技术基于发明人的以下发现，即在相关技术中，难以对其中不存在能够估计混合状态下的物理特性的数学表达式(物理特性估计等式)的物理特性(性能)进行预测，并且难以在使用机器学习的情况下提高混合物的物理特性的预测准确度。因此，在描述本文公开的技术的细节之前，将更详细地描述相关技术的问题及其他。
[0037]
首先，可以例如基于构成混合物的候选物质的种类和候选物质的组分比的组合来确定混合物例如混合制冷剂的物理特性。
[0038]
此处，例如，考虑如下情况：如图1所示，从包括作为候选物质的材料1、材料2、材料3、材料4、
……
和材料n的n种材料中选择预定数量的材料并将其混合，并且对混合物的多种物理特性(取决于预期用途的性能)进行优化。在图1所示的示例中，在从n种材料中选择三种材料时，执行针对材料的种类及其组分比(混合比)的组合的搜索，使得混合物的期望物理特性变高。如图1所示，混合物的物理特性(性能)的示例包括沸点、熔点、密度、热导率、压力、比热、粘度、电导率等，并且混合物中期望被优化的一些物理特性是从这些物理特性中选择并且然后被优化。
[0039]
为了执行这样的优化，可以使用例如其中混合物的物理特性被定义为参数的目标函数(成本函数或能量函数)，并且通过优化(最小化或最大化)该目标函数来对混合物的物理特性(性能)进行优化。例如，以表达式的形式表示用于对混合物的物理特性进行优化的目标函数的目标函数表达式如下：
[0040]
e＝α
·
[物理特性1] β
·
[物理特性2] γ
·
[物理特性3]
……
约束项，
[0041]
其中，e是目标函数表达式，并且α、β和γ是相应物理特性的加权系数。约束项是表示约束的项，例如表示目标函数表达式中的所选材料(物质)的数量的项。
[0042]
在以上目标函数表达式中，[物理特性1]至[物理特性n]是作为混合物的设计目标的物理特性值，其代表取决于混合物的预期用途而期望被优化以使物理特性最大化的特定物理特性(性能的个体规格)，并且可以是诸如热导率和比热的物理特性值。向以上目标函数表达式中的每个物理特性值分配加权系数，并且可以通过改变物理特性的权重(系数α、β、γ、
……
)来设置向哪个物理特性值赋予较大重要性(较大权重)。因此，认为通过适当地设置加权系数来优化目标函数表达式使得可以根据混合物的预期用途来优化物理特性，并且因此使得可以搜索混合物中的材料的种类及其组分比(混合比)。
[0043]
在以上目标函数表达式的优化中，搜索材料的种类及其组分比的组合以例如使目标函数表达式e的值最小化可以被认为是组合优化问题。组合优化问题是在考虑各种条件和约束的情况下从大量组合中获得最优组合的问题。
[0044]
因此，作为能够高速求解组合优化问题的技术，提出了使用退火机等通过退火方法(退火)执行计算的技术。该方法能够通过例如使用退火机等搜索使目标函数表达式的值最小的变量(参数)的组合来在短时间内搜索组合优化问题的解。
[0045]
如上所述，例如，如果适当地定义将混合物的物理特性包含为参数的目标函数表达式，则可以有效地优化取决于混合物的预期用途的物理特性。
[0046]
此处，以上目标函数表达式中表示物理特性值例如[物理特性1]的项是指示如上所述的混合物的物理特性(混合物物理特性)的项，并且在相关技术中通过使用能够基于相应材料的物理特性的值估计混合状态下的物理特性的数学表达式(物理特性估计等式)来获得所述项。作为物理特性估计等式，例如，可以使用通过使用针对要估计的特定物理特性值的相应材料的物理特性值以及混合物中的材料的摩尔比(混合摩尔比)来估计该特定物理特性值的等式。
[0047]
例如，可以通过使用在shuzo ohe，physical property estimation method(日语)，data book shuppan-sha等中描述的以下物理特性估计等式来估计混合物的热导率和粘度。
[0048]
首先，混合制冷剂的热导率(λ
lm
)可以由以下等式表示。
[0049][0050]
此处，以上等式(1)中的“λ
lij”和由以下两个等式表示。
[0051][0052][0053]
在以上等式中，“x
i”表示第i组分的摩尔分数，表示第i组分的体积分数，并且“v
i”表示第i组分的分子体积。例如，当n＝2时，以上等式(1)使得能够如以下等式所示估计两种组分的混合物的热导率。
[0054][0055]
作为两种组分的液态混合物的粘度的运动粘度(vm)可以通过以下等式估计。
[0056][0057]
在以上等式中，“v
i”表示第i组分的运动粘度，表示第i组分的体积分数，并且在满足“v1《v
2”的情况下通过以下两个等式分别表示α1和α2。
[0058][0059][0060]
与以上描述的示例中一样，针对理论物理特性估计等式或实验物理特性估计等式已知的物理特性(性能)，可以基于相应材料的物理特性的值以及相应材料的混合摩尔比来估计混合物的物理特性。
[0061]
然而，在试图对不存在物理特性估计等式的物理特性进行预测时，使用物理特性估计等式的相关技术无法定义表示物理特性值例如以上目标函数表达式中的[物理特性1]的项。因此，在试图对不存在物理特性估计等式的物理特性进行预测时，使用物理特性估计等式的相关技术难以构建用于对混合物的物理特性进行优化的目标函数表达式，并且因此难以预测混合物的物理特性。如上所述，在试图对不存在物理特性估计等式的物理特性进行预测时，存在使用物理特性估计等式的相关技术无法预测和识别混合物的物理特性并且因此无法优化混合物的物理特性的问题。
[0062]
此处，将参照图2中示出的流程图来描述使用物理特性估计等式以获得混合物的物理特性的技术的序列及其他。首先，在通过使用物理特性估计等式获得混合物的物理特性的技术中，例如，确定混合物中要识别的物理特性(性能)(s101)。接下来，在该技术中，例如，选择要在混合物中混合的多种候选物质(s102)。
[0063]
随后，在该技术中，例如，从数据库(db)等收集并列出候选物质的物理特性值(s103)。在通过使用物理特性估计等式获得混合物的物理特性的技术中，通过使用例如物理特性估计等式根据相应候选物质(respective candidate substances)的物理特性的值来估计混合物的物理特性(s104)。接下来，在该技术中，例如，定义将混合物的物理特性作为参数的目标函数表达式(s105)。随后，在该技术中，例如，对目标函数表达式进行优化(s106)。接下来，在该技术中，例如，输出混合物中包括的候选物质的种类、所混合的候选物质的百分比以及混合物的物理特性(物理特性值)，并且结束该处理(s107)。
[0064]
例如，如图2所示，在通过使用物理特性估计等式来获得混合物的物理特性的技术中，通过使用物理特性估计等式来估计用于识别混合物的物理特性(性能)的目标函数表达式中的混合物的预定物理特性。因此，在试图对不存在物理特性估计等式的物理特性进行预测时，该技术无法定义目标函数表达式，并且因此不能预测和识别混合物的物理特性。
[0065]
如上所述，对于诸如硫化橡胶组合物或通过浇铸获得的熔体的混合物，已经提出了通过使用机器学习预测混合物的物理特性并确定混合物中的材料的组成(组分含量)来对混合物的物理特性进行优化的技术。
[0066]
然而，在该相关技术中，在一些情况下，例如在用于机器学习的学习数据集不足的情况下，混合物的物理特性的预测准确度可能变得不足。该相关技术通过利用预先准备的用于学习的数据集、使用通过机器学习获得的模块(模型)来预测混合物的物理特性，并且不能对模块(模型)的预测准确度进行评估、不能对模块(模型)进行更新等。因此，存在该相关技术难以提高对混合物的物理特性的预测准确度的问题。
[0067]
如上所述，相关技术难以对不存在能够估计混合状态下的物理特性的数学表达式(物理特性估计等式)的物理特性(性能)进行预测。在使用机器学习的情况下，相关技术存在如下问题：在一些情况下混合物的物理特性的预测准确度不足，并且即使在预测准确度不足的情况下也难以提高混合物的物理特性的预测准确度。
[0068]
因此，本发明人已经对即使在对不存在能够估计混合状态下的物理特性的数学表达式(物理特性估计等式)的物理特性(性能)进行预测的情况下也能以高准确度预测和识别混合物的物理特性的方法等进行了广泛的研究，并且已经获得了以下发现。
[0069]
例如，本发明人已经发现：即使在对不存在能够估计混合状态下的物理特性的数学表达式(物理特性估计等式)的物理特性(性能)进行预测的情况下，以下混合物物理特性
识别方法等也能以高准确度预测和识别混合物的物理特性。
[0070]
作为本文公开的技术的示例的混合物物理特性识别方法包括：创建用于对多种候选物质的混合物的至少一种物理特性进行预测的预测项的步骤；以及通过使用包括该预测项的目标函数表达式来识别混合物的物理特性的步骤；其中，创建预测项的步骤包括获得指示各自包含多种候选物质中的两种或更多种候选物质的多种混合物中的每种混合物的物理特性的数据集的步骤，以及将指示物理特性的数据集中的至少一些数据集设置为第一学习数据集并且将第一学习数据集和基于第一学习数据集的第一预测模型中的与第一学习数据集对应的对应数据集进行比较的步骤；在第一学习数据集和对应数据集表现出预定相关性的情况下，基于根据第一预测模型获得的相应候选物质的回归系数(regression coefficients)创建预测项，在第一学习数据集和对应数据集没有表现出预定相关性的情况下，创建预测项的步骤还包括基于通过对根据指示物理特性的数据集生成的多个预测模型进行整合而获得的整合模型获得虚拟数据集的步骤，以及将虚拟数据集中的至少一些虚拟数据集设置为第二学习数据集并且将第一学习数据集和基于第二学习数据集的第二预测模型中的与第一学习数据集对应的对应数据集进行比较的步骤，在第一学习数据集和对应数据集表现出预定相关性的情况下，基于根据第二预测模型获得的相应候选物质的回归系数创建预测项。
[0071]
在本文公开的技术的示例中，针对各自包含两种或更多种候选物质的混合物中的每种混合物获得指示物理特性的数据集(物理特性值数据集)，并且通过基于指示物理特性的数据集的预测模型的方式获得相应候选物质的回归系数，从而创建用于对混合物的物理特性进行预测的预测项。
[0072]
可以例如基于针对包含两种或更多种候选物质的混合物的实际实验、计算(物理特性模拟)等获得指示每种混合物的物理特性的数据集(物理特性值数据集)。如上所述，在本文公开的技术的示例中，例如，针对多种混合物获得关于物理特性的数据集(物理特性值数据集)，并且将所述数据集用于预测模型的学习或评估。
[0073]
在本文公开的技术的示例中，将指示物理特性的数据集中的至少一些数据集设置为第一学习数据集，并且创建基于第一学习数据集的“第一预测模型”。例如，在本文公开的技术的示例中，将指示物理特性的数据集划分为用于验证预测模型的预测模型验证数据集和用于学习预测模型的第一学习数据集，然后将预测模型验证数据集和第一学习数据集分别用于第一预测模型的验证和学习。
[0074]
如上所述，在本文公开的技术的示例中，通过将指示根据实际实验、物理特性模拟等计算的物理特性的数据集用作学习数据集来创建用于对混合物的一种物理特性进行预测的第一预测模型。
[0075]
在本文公开的技术的示例中，将第一预测模型中的每个预测值和与该预测值对应的第一学习数据集进行比较以获得预测值与第一学习数据集之间的相关性。
[0076]
在本文公开的技术的示例中，例如，通过获得利用第一预测模型预测的物理特性的预测值和与相应预测值对应的第一学习数据集之间的相关性(相关度)来评估第一预测模型的预测准确度。
[0077]
接下来，在本文公开的技术示例中，在预测值和第一学习数据集表现出预定相关性的情况下(在第一预测模型的预测准确度足够的情况下)，根据第一预测模型获得相应候
选物质的回归系数以创建预测项。
[0078]
如上所述，在本文公开的技术的示例中，在认为第一预测模型的预测准确度足够的情况下，根据第一预测模型创建用于对多种候选物质的混合物的至少一种物理特性进行预测的预测项。在这种情况下，由于根据第一预测模型创建的预测项具有足够的预测准确度，因此可以通过使用包括该预测项的目标函数表达式对混合物的物理特性进行识别来以高准确度预测和识别混合物的物理特性，而无需使用物理特性估计等式。
[0079]
另一方面，在第一预测模型的预测值和第一学习数据集没有表现出预定相关性的情况下，在本文公开的技术的示例中，基于指示物理特性的数据集来准备多个预测模型(逐组成预测模型)。例如，在第一预测模型的预测准确度不足的情况下，在本文公开的技术的示例中，通过使用关于物理特性的数据集来准备针对候选物质(材料)的每种组合的预测模型。本文中的预测模型被创建成能够预测组合可以随组分比(混合比)的变化而取的物理特性值。
[0080]
在本文公开的技术的示例中，基于将这样准备的多个预测模型整合在一起的整合模型来获得(创建)虚拟数据集。例如，在本文公开的技术的示例中，基于所准备的多个预测模型来创建将多个预测模型整合在一起的整合模型，并且基于所创建的整合模型来创建虚拟数据集。
[0081]
可以例如以如下方式创建将多个预测模型整合在一起的整合模型：基于关于物理特性的数据集的分布创建多种混合物的逐组成预测模型(各种组成中物理特性值的分布曲线)并将这些逐组成预测模型整合在一起。整合模型可以是例如基于多个准备的预测模型的“高斯混合模型”。
[0082]
在本文公开的技术的示例中，基于以这种方式创建的整合模型来创建虚拟数据集，这使得可以扩展根据实际实验、物理特性模拟等计算的关于物理特性的数据集的分布并且使可用于学习的数据集增加。例如，在本文公开的技术的示例中，可以通过基于整合模型创建和准备虚拟数据集来增加可用于创建预测模型的数据集的数量，并且从而提高预测模型的预测准确度。
[0083]
接下来，在本文公开的技术的示例中，通过将虚拟数据集中的至少一些虚拟数据集用作第二学习数据集来创建基于整合模型的“第二预测模型”。例如，在本文公开的技术的示例中，通过将基于整合模型创建的虚拟数据集中的一些虚拟数据集用作第二学习数据集来创建第二预测模型。
[0084]
在本文公开的技术的示例中，将第一学习数据集和第二预测模型中的与第一学习数据集对应的对应数据集(预测值)进行比较，以获得第一学习数据集与预测值之间的相关性。在本文公开的技术的示例中，例如，通过获得使用第二预测模型预测的预测值和与这些预测值对应的第一学习数据集之间的相关性来评估第二预测模型的预测准确度。
[0085]
随后，在本文公开的技术的示例中，在第一学习数据集和通过第二预测模型获得的预测值表现出预定相关性的情况下，通过根据第二预测模型获得相应候选物质的回归系数来创建预测项。例如，在本文公开的技术的示例中，在认为第二预测模型的预测准确度足够的情况下，根据第二预测模型创建用于对多种候选物质的混合物的至少一种物理特性进行预测的预测项。
[0086]
在这种情况下，由于根据第二预测模型创建的预测项具有足够的预测准确度，因
此可以通过使用包括该预测项的目标函数表达式对混合物的物理特性进行识别来以高准确度预测和识别混合物的物理特性，而无需使用物理特性估计等式。
[0087]
在本文公开的技术的示例中，例如，优选地重复虚拟数据集的创建以及第二预测模型的创建，直至第二预测模型与学习数据集的相关性具有预定相关性。这使得能够进一步提高第二预测模型的预测准确度，并且因此致使使用包括基于第二预测模型的预测项的目标函数表达式获得对混合物的物理特性的较高预测准确度。
[0088]
如上所述，在本文公开的技术的示例中，例如，通过使用指示每种混合物的物理特性的数据集(有关物理特性的数据集、物理特性值数据集)来创建预测模型。然后，取决于预测模型的预测准确度，根据将指示物理特性的数据集的分布整合在一起的整合模型生成虚拟数据集。在本文公开的技术的示例中，例如，可以通过所生成的虚拟数据集来增加可用于创建预测模型的数据集的数量，并且因此可以提高预测模型(第二预测模型)的预测准确度。
[0089]
在本文公开的技术的示例中，例如，基于通过预测模型获得的预测值和与预测值对应的学习数据集之间的相关性来评估预测模型的准确度。这使得可以基于具有足够预测准确度的预测模型来创建预测项。因此，在本文公开的技术的示例中，可以通过使用包括具有足够预测准确度的预测项的目标函数表达式来识别混合物的物理特性，并且因此可以进一步提高混合物的物理特性的预测准确度。
[0090]
如上所述，本文公开的技术在创建预测项时不必使用能够估计混合状态下的物理特性的数学表达式(物理特性估计等式)，并且即使在对不存在物理特性估计等式的物理特性进行预测的情况下，也能够以高准确度预测和识别混合物的物理特性。
[0091]
在下文中，将参照附图详细描述本文公开的混合物物理特性识别方法中包括的步骤。
[0092]
本文公开的混合物物理特性识别方法至少包括创建预测项的步骤和识别物理特性的步骤，并且根据需要还包括其他步骤。
[0093]
《混合物》
[0094]
在本文公开的技术中，其物理特性待识别的混合物不受特别限制，只要它是多种候选物质的混合物即可，并且可以根据预期目的适当地选择。例如，在本文公开的技术中，可以根据预期目的适当地选择任何混合物而不受特别限制，只要混合物的各种物理特性和特征可以在混合在该混合物中的物质的种类和量发生改变时变化即可。
[0095]
在本文公开的技术中，要混合在混合物中的候选物质(材料)不受特别限制，并且可以根据预期目的适当地选择。混合在混合物中的候选物质的种类的数目可以是多于一种(两种或更多种)的任何数量，不受特别限制，并且可以根据预期目的适当地选择。
[0096]
在本文公开的技术的示例中，优选地，根据混合物的类型例如从记录有许多物质的物理特性和其他数据的数据库中选择要混合在该混合物中的候选物质(材料)。
[0097]
在本文公开的技术中，要识别的混合物的物理特性不受特别限制，并且可以根据预期目的适当地选择。可以根据混合物所要求的物理特性，例如根据混合物的类型，来选择要通过本文公开的技术识别的混合物的物理特性。
[0098]
在本文公开的技术中，其物理特性待识别的混合物的示例包括制冷剂、清洁剂、食品等。
[0099]
制冷剂不受特别限制，只要它是混合了多种候选物质(材料)的制冷剂(混合制冷剂)即可，并且可以根据预期目的适当地选择。制冷剂可以在室温下为气体形式或在室温下为液体形式。
[0100]
混合制冷剂的物理特性的示例包括热阻、热导率、比热、粘度、蒸气压力、沸点、表面张力、蒸发潜热、燃烧性、易燃性、可燃性、毒性、能效、环境影响等。能效可以通过使用例如性能系数(coefficient of performance，cop)等表示。环境影响的示例包括全球变暖潜势(gwp)、臭氧消耗潜势(odp)等。
[0101]
洗涤剂不受特别限制，只要它是混合了多种候选物质(材料)的洗涤剂即可，并且可以根据预期目的适当地选择。洗涤剂的示例包括水性洗涤剂、半水性洗涤剂、烃基洗涤剂、醇基洗涤剂、氯基洗涤剂、氟基洗涤剂、溴基洗涤剂等。
[0102]
洗涤剂的物理特性不受特别限制，并且可以根据预期目的适当地选择。洗涤剂的物理特性的示例包括比热、粘度、表面张力、蒸发潜热、燃烧性、易燃性、毒性、氢离子指数(ph)、蒸发速率、渗透性、对特定目标的去污力和储存稳定性等。
[0103]
食品不受特别限制，只要它是混合了多种候选物质(材料)的食品即可，并且可以根据预期目的适当地选择。食物的示例包括咖啡等。例如，在其物理特性待识别的混合物是咖啡的情况下，在本文公开的技术的示例中确定作为咖啡的原料的咖啡豆的种类以及咖啡豆的量。例如，在本文公开的技术的示例中，可以确定所谓的混合咖啡中咖啡豆的适当调合比。
[0104]
咖啡的物理特性(口味特征)不受特别限制并且可以根据预期目的适当地选择。咖啡的物理特性的示例包括香气、酸度、苦味、醇度(body)等。
[0105]
《目标函数表达式》
[0106]
如上所述，在本文公开的技术的示例中，可以使用包括用于对多种候选物质的混合物的至少一种物理特性进行预测的预测项并且能够识别混合物的物理特性的目标函数表达式。基于根据第一预测模型或第二预测模型获得的相应候选物质的回归系数来创建预测项。
[0107]
可以取决于混合物的物理特性(性能)、对要混合在混合物中的物质的选择所施加的约束等适当地选择目标函数表达式。例如，可以使用将混合物的物理特性的值包括为变量并且在混合物包含物质的最优组合时取最小值的表达式作为目标函数表达式。因此，可以通过获得使目标函数表达式取最小值的变量的组合来优化混合物的物理特性。
[0108]
在本文公开的技术的示例中，可以优选地使用由以下表达式表示的目标函数表达式。
[0109]
e＝α
·
[混合物物理特性预测1] β
·
[混合物物理特性预测2] γ
·
[混合物物理特性预测3]
……
约束项，
[0110]
其中，e是目标函数表达式并且α、β和γ是加权系数。约束项是表示约束例如目标函数表达式中的所选材料(物质)的数量的项。另外，以上目标函数表达式中的
“……”
意指目标函数表达式可以根据需要包括除”混合物物理特性预测1”、”混合物物理特性预测2”和“混合物物理特性预测3”外的物理特性以及除α、β和γ外的加权系数。
[0111]
此处，目标函数表达式中的“混合物物理特性预测1”至“混合物物理特性预测3”各自表示用于对混合物的物理特性(混合物特性)进行预测的预测项。例如，在本文公开的技
术的示例中，可以使用包括多个用于对混合物的物理特性(性能)进行预测的预测项并且还包括表示目标函数表达式中的约束的约束项的目标函数表达式。
[0112]
在以上目标函数表达式中，各个“混合物物理特性预测”项(预测项)是通过使用预测模型(第一预测模型或第二预测模型)获得相应候选物质的回归系数来创建的。因此，以上目标函数表达式中的“混合物物理特性预测”包括例如相应候选物质的回归系数、候选物质的成分比以及常数项。
[0113]
例如，以上目标函数表达式中的“混合物物理特性预测”可以优选地使用由以下表达式表示的“混合物物理特性预测”：
[0114]
[混合物物理特性预测]＝a
·
[候选物质a的组分比] b
·
[候选物质b的组分比] c
·
[候选物质c的组分比]
……
常数项，其中，e是目标函数表达式并且a、b和c是回归系数。
[0115]
在本文公开的技术的示例中，不必基于根据第一预测模型或第二预测模型获得的相应候选物质的回归系数来创建目标函数表达式中表示混合物的混合物物理特性的所有项，并且目标函数表达式可以包括通过任何其他方法创建的预测项。
[0116]
通过其他方法创建的可适当地用作预测项的示例包括：使用上述能够估计混合状态下的物理特性的数学表达式(物理特性估计等式)的预测项、使用要基于各物质的摩尔浓度混合的物质的物理特性值的加权平均的预测项、等等。作为这些其他方法中的任一种方法中用于创建预测项的每种物质的物理特性，可以使用例如文献值、实际测量值(通过实际进行实验获得的值)、基于物理特性模拟计算的值等。
[0117]
作为物理特性估计等式，可以如以上所描述的适当地选择并使用基于候选物质的物理特性的理论或实验物理特性估计等式，并且可以使用在文献例如“physical property estimation method(日语)(shuzo ohe，data book shuppan-sha)”中公开的等式等。
[0118]
作为使用要基于各物质的摩尔浓度混合的物质的物理特性值的加权平均的预测项，例如，可以使用例如如下获得的预测项。
[0119]
例如，将通过使用100mol混合物中包含50mol物质a、30mol物质b和20mol物质c的示例来描述获得(估计)混合物的比热的情况。在该示例中，物质a的比热为2000j/(kg
·
k)，物质b的比热为4000j/(kg
·
k)，并且物质c的比热为1000j/(kg
·
k)。在这些条件下，通过基于各物质的摩尔浓度使用各物质的比热值来获得混合物的比热，例如，如以下等式所示。
[0120]
混合物的比热＝2000
×
(50/100) 4000
×
(30/100) 1000
×
(20/100)＝2400j/(kg
·
k)。
[0121]
如上所述，在本文公开的技术的示例中，例如，可以将要基于各物质的摩尔浓度在混合物中混合的物质的物理特性值的加权平均的值用作混合物的物理特性。
[0122]
优选地，目标函数表达式中的约束项包括以下四个约束中的至少之一：混合物中所混合的候选物质的种类数为预定数量的约束；混合物中所混合的候选物质的百分比的总和为100％的约束；相同物质没有被两次或更多次选择为要在混合物中混合的候选物质的约束；以及混合物包含预定候选物质的约束。
[0123]
首先，将描述以上四个约束中的“混合物中所混合的候选物质的种类数为预定数量的约束”。
[0124]
在混合物的物理特性的优化中，存在预先设置要混合的候选物质的数量并且然后
搜索要在混合物中混合的候选物质的情况。在针对这样的情况施加上面列出的“混合物中所混合的候选物质的种类数为预定数量的约束”的情况下，可以将搜索范围缩小至如下混合物：在所述混合物中的每种混合物中混合了预设的预定数量的候选物质。
[0125]“混合物中所混合的候选物质的种类数为预定数量的约束”可以是例如在混合物是由其中所混合的候选物质的种类数不是预定数量的组合构成的情况下增加目标函数表达式的值的惩罚项。
[0126]
接下来，将描述以上四个约束中的“混合物中所混合的候选物质的百分比的总和为100％的约束”。
[0127]
在搜索要在多种候选物质的混合物中混合的物质的组合时，所混合的候选物质相对于混合物的总量的百分比(含量)的总和通常为100％。因此，在施加上面列出的“混合物中所混合的候选物质的百分比的总和为100％的约束”的情况下，可以将搜索范围缩小至如下混合物：在所述混合物中的每种混合物中，候选物质的百分比的总和为100％。
[0128]“混合物中所混合的候选物质的百分比的总和为100％的约束”可以是例如在混合物是由其中所混合的候选物质的百分比的总和不是100％的组合构成的情况下增加目标函数表达式的值的惩罚项。
[0129]
接下来，将描述以上四个约束中的“相同物质没有被两次或更多次选择为要在混合物中混合的候选物质的约束”。
[0130]
在搜索要在多种候选物质的混合物中混合的候选物质的组合时，如果搜索到如下组合，则对各自包括各种候选物质的组合的搜索可能失败：在所述组合的每个组合中，相同候选物质被两次或更多次选中。因此，在施加上面列出的“相同物质没有被两次或更多次选择为要在混合物中混合的候选物质的约束”的情况下，可以将搜索范围缩小至各自由不同候选物质的组合构成的混合物。
[0131]“相同物质没有被两次或更多次选择为要在混合物中混合的候选物质的约束”可以是例如在混合物是由其中相同候选物质被两次或更多次选择为要混合的候选物质的组合构成的情况下增加目标函数表达式的值的惩罚项。
[0132]
接下来，将描述以上四个约束中的“混合物包含预定候选物质的约束”。
[0133]
在搜索要在多种候选物质的混合物中混合的候选物质的组合时，存在预先设置作为混合物的基础材料(base)的候选物质并且搜索出要在混合物中混合的候选物质以包括要作为基础材料的物质的情况。因此，在施加上面列出的“混合物包含预定候选物质的约束”的情况下，可以将搜索范围缩小至各自包含被预先设置为基础材料的候选物质的混合物。
[0134]“混合物包含预定候选物质的约束”可以是例如在混合物是由不包含预定候选物质的组合构成的情况下增加目标函数表达式的值的惩罚项。
[0135]
《预测项的创建(创建预测项的步骤)》
[0136]
此处，在本文公开的技术的示例中创建目标函数表达式时，准备各自包含两种或更多种候选物质的多种混合物、获得指示所有混合物中的每种混合物的物理特性的数据集并且将指示物理特性的数据集中的至少一些数据集数据设置为第一学习数据集。
[0137]
如上所述，例如，可以例如基于针对各自包含两种或更多种候选物质的混合物的实际实验、计算(物理特性模拟)等获得指示所有混合物中的每种混合物的物理特性的数据
集(物理特性值数据集)。在获得指示物理特性的数据集时，例如，优选地选择混合物的如下组合：在所述组合中，混合物的所有候选物质中的每种候选物质被至少使用一次。
[0138]
物理特性模拟不受特别限制，只要它能够获得指示混合物的物理特性的数据集(物理特性值数据集)即可，并且可以根据预期目的适当地选择。例如，可以使用分子动力学模拟(分子动力学计算)。
[0139]
可以通过使用已知程序(软件)来执行分子动力学(md)模拟。通过执行分子动力学模拟，例如，可以获得关于物理特性例如热导率的数据集。
[0140]
《《第一预测模型》》
[0141]
在本文公开的技术的示例中，如以上所描述的将指示物理特性的数据集中的至少一些数据集设置为第一学习数据集并基于第一学习数据集创建“第一预测模型”。从指示物理特性的数据集中选择作为第一学习数据集的数据集的百分比优选地为指示物理特性的数据集的总数的一半或更多，并且可以是例如约80％。
[0142]
在本文公开的技术的示例中，例如，可以将指示物理特性的数据集划分成用于预测模型的验证的预测模型验证数据集和用于预测模型的学习的第一学习数据集，并且然后可以将预测模型验证数据集和第一学习数据集分别用于第一预测模型的验证和学习。
[0143]
在本文公开的技术的示例中，将第一预测模型中的预测值(对应数据集)和与所述预测值对应的第一学习数据集进行比较，以获得预测值与第一学习数据集之间的相关性。接下来，在本文公开的技术的示例中，在预测值(对应数据集)和第一学习数据集表现出预定相关性的情况下，通过根据第一预测模型获得相应候选物质的回归系数来创建预测项。
[0144]
第一学习数据集与对应数据集之间的预定相关性不受特别限制，只要该预定相关性可以用作评估第一预测模型的预测准确度的指标即可，并且可以根据预期目的适当地选择。作为第一学习数据集与对应数据集之间的预定相关性，优选地使用考虑了例如平均绝对误差(mae)和均方根误差(rmse)的相关性。
[0145]
例如，优选地，第一学习数据集与对应数据集之间的预定相关性是“rmse/mae(均方根误差与平均绝对误差之比)”。在本文公开的技术的示例中，例如，优选将“rmse/mae”的值在预定范围内的预测模型评估为具有高预测准确度的预测模型。
[0146]
稍后将在示例中描述优选使用“rmse/mae”而不是诸如r2(确定系数)(单独)、rmse(单独)或mae(单独)等指标对预测模型进行评估的原因。
[0147]
在通过使用“rmse/mae”对预测模型进行评估时，将预测模型评估为具有高预测准确度的“rmse/mae”的值可以是例如大约“1.253”的值。
[0148]
下面将描述当“rmse/mae”的值为大约“1.253”时可以评估预测模型的准确度为高的原因。
[0149]
首先，分别由以下等式表示rmse和mae：
[0150][0151]
[0152]
其中，yi表示通过物理特性模拟等获得的关于物理特性的数据集(实际正确值)，y
p
表示通过使用基于学习数据集构建的预测模型计算的预测值(与关于物理特性的数据集对应的对应数据集)，并且n表示数据集的数量。
[0153]
在rmse和mae的每一个中，值越接近“0(零)”，估计误差(预测误差)越小。
[0154]
在ei表示预测值y
p
相对于关于物理特性的数据集(实际正确值)yi的误差的绝对值的情况下，rmse的二次幂(rmse2)和mae的二次幂(mae2)由从上述等式(8)和(9)得出的以下等式表示。
[0155][0156][0157]
此处，方差var(ei)由使用“二次幂的均值”与“均值的二次幂”之间的差的以下等式表示。
[0158]
rmse
2-mae2＝var(ei)
ꢀꢀꢀ
(12)
[0159]
此处，mae仅是ei的平均mean(ei)。因此，通过对以上等式(12)进行转换，rmse与mae之比由以下等式表示。
[0160][0161]
在误差为0且遵循标准偏差σ的正态分布的情况下，误差的绝对值ei(≥0)的分布是正态分布的绝对值的分布。因此，由以下等式表示概率密度函数f。
[0162][0163]
因此，利用以上等式(14)，mean(e)和var(e)由以下等式表示。
[0164][0165][0166]
因此，在将以上等式(15)和(16)代入以上等式(13)时，获得以下等式。
[0167][0168]
由上可知，在预测模型充分地表示关于物理特性的数据集(实际正确值)的特征的情况下，rmse与mae之比是大约1.253的值。在这种情况下，仅遵循正态分布的噪声保留为误差。
[0169]
例如，出于上述原因，当“rmse/mae”的值为大约“1.253”时，在本文公开的技术的示例中，预测模型可以被评估为具有高准确度。
[0170]
优选地，将“rmse/mae”中大约“1.253”的值设置为例如“1.253
±
0.03”。例如，在本
文公开的技术的示例中，优选地，将“rmse/mae”为“1.253
±
0.03”的预测模型确定为表现出预定相关性并且评估为具有高预测准确度的预测模型。
[0171]
例如，在本文公开的技术的示例中，预定相关性优选地被设置成使得至少关于第一学习数据集或第二学习数据集的均方根误差(rmse)与平均绝对误差(mae)之比为1.253
±
0.03。以这种方式，在本文公开的技术的示例中，可以更清楚地评估预测模型的准确度并且基于更可靠的预测模型创建预测项。
[0172]
在本文公开的技术的示例中，优选地，通过基于学习数据集执行多元回归(multiple regression)(多变量分析)得出预测模型(第一预测模型和第二预测模型)。例如，在本文公开的技术的示例中，优选地，基于第一学习数据集或第二学习数据集通过多元回归方程(multiple regression equation)得出第一预测模型和第二预测模型中的至少之一。多元回归分析意指回归分析，它是一种使用两个或更多个解释变量的多变量分析，并且是能够获得所述两个或更多个解释变量与一个目标函数之间的相关性的分析方法。解释变量的形式等不受特别限制，并且可以根据预期目的适当地选择。解释变量的形式等不限于一维(线性)形式，而是可以存在非线性项。
[0173]
在多元回归中，例如，当沿纵轴绘制通过使用预测模型预测的预测值并且沿横轴绘制实际物理特性值(学习数据集)时，通过多元回归获得的直线上的图形(plots)越多，预测模型的准确度越高。由于使用预测模型进行优化的结果受用于预测的解释变量的数量(候选物质的种类数)的影响，因此随着解释变量的数量增加，提高预测模型的准确度变得更加重要。
[0174]
在本文公开的技术的示例中，在通过根据所创建的预测模型获得相应候选物质的回归系数(regression coefficients)创建预测项的情况下，可以通过使用python库等对关于预测模型的信息(例如预测值和实际物理特性值的绘图数据)进行处理来容易地计算相应候选物质的回归系数。
[0175]
《《第二预测模型》》
[0176]
此处，在本文公开的技术的示例中，在第一预测模型的预测值和第一学习数据集没有表现出预定相关性(第一预测模型的预测准确度不足)的情况下，如以上所描述的基于指示物理特性的数据集准备多个预测模型。
[0177]
所准备的多个预测模型可以是逐组成预测模型。例如，优选地，针对候选物质(材料)的每种组合，准备能够预测该组合可能随组分比(混合比)的变化而取的物理特性值的预测模型。
[0178]
在本文公开的技术的示例中，基于将这样准备的多个预测模型整合在一起的整合模型获得(创建)虚拟数据集。如上所述，通过对所述多个预测模型进行整合而获得的整合模型可以是基于所准备的多个预测模型的“高斯混合模型”。
[0179]
图3a是示出基于关于物理特性的数据集(物理特性值数据集)的分布的多种混合物的逐组成预测模型的示例的图。图3a中示出了以如下方式来创建预测模型的示例：将代表五种材料(候选物质)的a、b、c、d和e用作解释变量，并且将在a、b、c三种材料混合的情况下获得的物理特性值以及在c、d、e三种材料混合的情况下获得的物理特性值设置为学习数据集。在图3a的示例中，以交叠方式示出混合了a、b、和c三种材料的混合物的物理特性值所遵循的正态分布(高斯分布)以及混合了c、d和e三种材料的混合物的物理特性值所遵循的
正态分布。在图3a的示例中，学习数据集存在于正态分布的线上。
[0180]
图3b是示出图3a中的a、b和c的混合物的物理特性值、a的百分比以及b的百分比之间的关系的示例的图。类似地，图3c是示出图3a中的c、d和e的混合物的物理特性值、c的百分比以及d的百分比之间的关系的示例的图。
[0181]
图3b中的示例示出了在c的百分比固定的情况下基于a的百分比和b的百分比的物理特性值的分布。类似地，图3c中的示例示出了在e的百分比固定的情况下基于c的百分比和d的百分比的物理特性值的分布。
[0182]
如图3b和图3c所示，在通过从五种材料中选择三种材料来制造混合物的情况下，针对三种材料的各种组合的多个逐组成预测模型每个均是通过获得混合物可能随组分比(混合比)的变化而取的物理特性值的分布来创建的。
[0183]
图3d是示出将图3a中示出的多种混合物的逐组成预测模型整合并组合在一起的高斯混合模型的示例的图。在本文公开的技术的示例中，如图3d所示，例如，可以通过表示被组合在一起的逐组成预测模型(由混合物的物理特性值遵循的各个正态分布)的高斯混合模型来扩展数据集的分布。
[0184]
尽管为了便于说明在图3d中将高斯混合模型示为二维图，但是高斯混合模型是与实际计算中的解释变量的数量对应的多维模型。
[0185]
在本文公开的技术的示例中，根据整合模型例如高斯混合模型生成预定数量的虚拟数据集。可以例如通过生成其中物理特性值被随机设置以满足整合模型中的概率分布的数据集来实现根据整合模型生成虚拟数据集。例如，在本文公开的技术的示例中，可以通过在整合模型的分布线上虚拟地生成数据点来生成虚拟数据集。
[0186]
在本文公开的技术的示例中，可以通过以这种方式生成虚拟数据集来增加可用于创建预测模型的数据集的数量，并且从而提高预测模型的预测准确度。
[0187]
基于所生成的虚拟数据集的预测模型(第二预测模型)的预测准确度取决于所生成的虚拟数据集的数量。例如，当用于学习的虚拟数据集的数量过大时，可能难以提高预测模型的预测准确度，这是因为数据点也是从高斯混合模型中分布密度低的部分(分布的底部)采样的。
[0188]
因此，在本文公开的技术的示例中，优选地控制所生成的虚拟数据集的数量，使得可以进一步提高第二预测模型的预测准确度。
[0189]
如上所述，在本文公开的技术的示例中，可以基于例如“rmse/mae(均方根误差与平均绝对误差之比”)来评估预测模型的预测准确度。例如，在本文公开的技术的示例中，可以将“rmse/mae”为“1.253
±
0.03”的预测模型评估为具有高预测准确度的预测模型。
[0190]
因此，在本文公开的技术的示例中，优选地控制所生成的虚拟数据集的数量，使得第二预测模型的“rmse/mae”为“1.253
±
0.03”。例如，在本文公开的技术的示例中，优选地，将用于得出第二预测模型的第二学习数据集的数量选择成使得关于第一学习数据集的均方根误差与平均绝对误差之比为1.253
±
0.03。以这种方式，可以生成虚拟数据集，使得可以进一步提高第二预测模型的预测准确度，并且使得可以更有效地提高第二预测模型的预测准确度。
[0191]
稍后将在示例中描述所生成的虚拟数据集的数量与第二预测模型的预测准确度之间的关系的细节。
[0192]
在本文公开的技术的示例中，将第一学习数据集(来自指示物理特性的数据集中的学习数据集)和第二预测模型中的与第一学习数据集对应的对应数据集(预测值)相互比较以获得第一学习数据集与预测值之间的相关性。获得针对第二预测模型的预定相关性等的方法可以与获得针对第一预测模型的预定相关性等的方法相同。在本文公开的技术的用于获得第二预测模型的相关性的另一示例中，例如，可以如稍后描述的图13的示例所示通过将第二学习数据集(用于学习第二预测模型的学习数据集)和第二预测模型中的与第二学习数据集对应的对应数据集(预测值)进行比较，来获得第二学习数据集与预测值之间的相关性。
[0193]
随后，在本文公开的技术的示例中，在学习数据集和第二预测模型的预测值表现出预定相关性的情况下，根据第二预测模型获得相应候选物质的回归系数以创建预测项。通过获得第二预测模型中相应候选物质的回归系数来创建预测项的方法可以与通过获得第一预测模型中相应候选物质的回归系数来创建预测项的方法相同。
[0194]
在本文公开的技术的示例中，如以上所描述的，优选地重复虚拟数据集的创建和第二预测模型的创建，直至第二预测模型与学习数据集的相关性具有预定相关性。例如，在重复虚拟数据集的创建和第二预测模型的创建的情况下，可以通过改变所生成的虚拟数据集的数量来有效地提高第二预测模型的预测准确度。
[0195]
在这种情况下，如以上所描述的，优选地将所生成的虚拟数据集的数量改变成使得用于从虚拟数据集得出第二预测模型的学习数据集的数量变成如下值：通过所述值，关于第一学习数据集的平均绝对误差与均方根误差之比接近1.253
±
0.03。
[0196]
《混合物的物理特性的识别(识别物理特性的步骤)》
[0197]
在本文公开的技术的示例中，通过使用包括如上所述创建的预测项的目标函数表达式来识别混合物的物理特性。在本文公开的技术的示例中，例如，通过使包括预测项的目标函数表达式最小化来识别混合物的物理特性。例如，在本文公开的技术的示例中，可以通过使目标函数表达式最小化来求解关于混合物的组成的组合的组合优化问题，并且从而识别能够使物理特性得以优化的混合物的组成。
[0198]
本文使用的使目标函数表达式最小化的方法不受特别限制，并且可以根据预期目的适当地选择。作为使目标函数表达式最小化的优选方法是将目标函数表达式转换成二次无约束二进制优化(qubo)格式的伊辛模型并使从目标函数表达式转换的伊辛模型表达式的值最小化。
[0199]
作为从目标函数表达式转换的伊辛模型表达式，例如，优选地使用由以下表达式(1)表示的数学表达式。例如，在本文公开的技术的示例中，优选地基于从目标函数表达式转换并由以下表达式(1)表示的伊辛模型表达式来识别混合物的物理特性。
[0200][0201]
在以上表达式(1)中，e是目标函数表达式，w
ij
是表示第i位与第j位之间的相互作用的数值，xi是指示第i位为0或1的二元变量，并且xj是指示第j位为0或1的二元变量，并且bi是表示第i位的偏差的数值。
[0202]
此处，可以例如在转换为伊辛模型表达式之前通过针对xi和xj的每个组合提取目
标函数表达式中的相应参数的数值等来获得上述表达式(1)中的w
ij
，并且w
ij
通常是矩阵。
[0203]
以上表达式(1)右侧的第一项是可从所有位中选择的两个位的所有组合(没有遗漏和重复)中的乘积之和，所述乘积每个是通过两个电路的状态和权重值(权重)相乘而获得的。
[0204]
以上表达式(1)右侧的第二项是所有位的偏差值与状态的相应乘积之和。
[0205]
例如，通过在目标函数表达式被转换成伊辛模型之前提取目标函数表达式中的参数并获得w
ij
和bi，可以将目标函数表达式转换成由以上表达式(1)表示的伊辛模型表达式。
[0206]
通过例如使用退火机等执行退火方法，可以在短时间内使如上所述从成本函数转换的伊辛模型的值最小化。例如，在本文公开的技术的示例中，优选通过退火方法使目标函数表达式最小化。
[0207]
用于优化目标函数表达式的退火机的示例包括例如量子退火机、使用半导体技术的半导体退火机、执行使用中央处理单元(cpu)和图形处理单元(gpu)通过软件执行的模拟退火的机器等。例如，可以使用数字退火器(digital annealer)(注册商标)作为退火机。稍后将描述使用退火机的退火方法的细节。
[0208]
在本文公开的技术中，使用退火方法使目标函数表达式最小化并不是必不可少的。替代地，例如，可以使用遗传算法来提取使目标函数表达式最小化的候选物质(材料)的组合。
[0209]
《其他步骤》
[0210]
其他步骤不受特别限制，但是可以根据预期目的适当地选择。
[0211]
(混合物物理特性识别设备)
[0212]
本文公开的混合物物理特性识别设备包括：创建预测项的单元，所述预测项用于对多种候选物质的混合物的至少一种物理特性进行预测；以及通过使用包括预测项的目标函数表达式来识别混合物的物理特性的单元，其中，创建预测项的单元包括获得指示各自包含多种候选物质中的两种或更多种候选物质的多种混合物中的每种混合物的物理特性的数据集的单元以及将指示物理特性的数据集中的至少一些数据集设置为第一学习数据集并且将第一学习数据和基于第一学习数据集的第一预测模型中的与第一学习数据集对应的对应数据集进行比较的单元，在第一学习数据集和对应数据集表现出预定相关性的情况下，基于根据第一预测模型获得的相应候选物质的回归系数创建预测项，在第一学习数据集和对应数据集没有表现出预定相关性的情况下，创建预测项的单元还包括基于通过对根据指示物理特性的数据集生成的多个预测模型进行整合而获得的整合模型来获得虚拟数据集的单元以及将虚拟数据集中的至少一些虚拟数据集设置为第二学习数据集并且将第一学习数据集和基于第二学习数据集的第二学习模型中的与第一学习数据集对应的对应数据集进行比较的单元，并且在第一学习数据集和对应数据集表现出预定相关性的情况下，基于根据第二预测模型获得的相应候选物质的回归系数创建预测项。
[0213]
本文公开的混合物物理特性识别设备包括创建预测项的单元和识别物理特性的单元，并且根据需要还包括其他单元。
[0214]
混合物物理特性识别设备包括例如存储器和处理器，并且根据需要还包括其他单元。可以优选地使用耦接至存储器以执行创建预测项的步骤和识别物理特性的步骤的处理器作为处理器。
[0215]
处理器是例如中央处理单元(cpu)、图形处理单元(gpu)或其组合。
[0216]
如上所述，本文公开的混合物物理特性识别设备可以是例如执行本文公开的混合物物理特性识别方法的设备(计算机)。因此，本文公开的混合物物理特性识别设备的优选实施方式可以与本文公开的混合物物理特性识别方法的优选实施方式类似。
[0217]
(混合物物理特性识别程序)
[0218]
本文公开的混合物物理特性识别程序是使计算机执行处理的混合物物理特性识别程序，所述处理包括：创建预测项，所述预测项用于对多种候选物质的混合物的至少一种物理特性进行预测；以及通过使用包括预测项的目标函数表达式来识别混合物的物理特性，其中，创建预测项包括获得指示各自包含多种候选物质中的两种或更多种候选物质的多种混合物中的每种混合物的物理特性的数据集、将指示物理特性的数据集中的至少一些数据集设置为第一学习数据集以及将第一学习数据集和基于第一学习数据集的第一预测模型中的与第一学习数据集对应的对应数据集进行比较，在第一学习数据集和对应数据集表现出预定相关性的情况下，基于根据第一预测模型获得的相应候选物质的回归系数创建预测项，在第一学习数据集和对应数据集没有表现出预定相关性的情况下，创建预测项还包括基于通过对根据指示物理特性的数据集生成的多个预测模型进行整合而获得的整合模型来获得虚拟数据集、将虚拟数据集中的至少一些虚拟数据集设置为第二学习数据集以及将第一学习数据集和基于第二学习数据集的第二预测模型中的与第一学习数据集对应的对应数据集进行比较，在第一学习数据集和对应数据集表现出预定相关性的情况下，基于根据第二预测模型获得的相应候选物质的回归系数创建预测项。
[0219]
本文公开的混合物物理特性识别程序可以是例如使计算机执行本文公开的混合物物理特性识别方法的程序。本文公开的混合物物理特性识别程序的优选实施方式可以类似于例如本文公开的混合物物理特性识别方法的优选实施方式。
[0220]
可以根据条件例如计算机系统的配置以及所使用的操作系统的类型和版本等，使用各种已知的程序语言中的任一种程序语言来创建本文公开的混合物物理特性识别程序。
[0221]
本文公开的混合物物理特性识别程序可以记录在诸如内置硬盘、外置硬盘等记录介质上，或者记录在诸如致密盘只读存储器(cd-rom)、数字多功能碟只读存储器(dvd-rom)、磁光(mo)盘或通用串行总线(usb)存储器的记录介质上。
[0222]
在本文公开的混合物物理特性识别程序被记录在上述记录介质上的情况下，混合物物理特性识别程序可以被直接使用，或者可以根据需要在经由包括在计算机系统中的记录介质读取器安装在硬盘上之后被使用。本文公开的混合物物理特性识别程序可以被记录在可从计算机系统经由信息通信网络访问的外部存储区(另一计算机等)中。在这种情况下，本文公开的记录在外部存储区域中的混合物物理特性识别程序可以被直接使用，或者可以根据需要在经由信息通信网络从外部存储区安装在硬盘上之后被使用。
[0223]
本文公开的混合物物理特性识别程序可以被划分成特定处理单元，这些特定处理单元可以被记录在多个记录介质上。
[0224]
(计算机可读记录介质)
[0225]
本文公开的计算机可读记录介质是通过记录本文公开的混合物物理特性识别程序而获得的。
[0226]
本文公开的计算机可读记录介质不受特别限制，但是可以根据预期目的适当地选
择。计算机可读记录介质的示例包括内部硬盘、外部硬盘、cd-rom、dvd-rom、mo盘、usb存储器等。
[0227]
本文公开的计算机可读记录介质可以是多个记录介质，所述多个记录介质中的每个记录介质在其中记录本文公开的混合物物理特性识别程序被划分成的特定处理单元之一。
[0228]
在下文中，将通过使用设备、流程图等的配置示例来更详细地描述本文公开的技术的示例。
[0229]
图4示出了本文公开的混合物物理特性识别设备的硬件配置示例。
[0230]
在混合物物理特性识别设备100中，例如，控制单元101、主存储装置102、辅助存储装置103、输入/输出(i/o)接口104、通信接口105、输入装置106、输出装置107和显示装置108经由系统总线109彼此耦接。
[0231]
控制单元101执行运算(例如四则算术运算、比较运算和退火方法运算)、硬件和软件的操作控制等。控制单元101可以是例如中央处理单元(cpu)、用于退火方法的退火机的一部分或它们的组合。
[0232]
控制单元101通过例如执行读取到主存储装置102等中的程序(例如，本文公开的混合物物理特性识别程序)来实现各种功能。
[0233]
在本文公开的混合物物理特性识别设备中由创建预测项的单元(预测项创建单元)和识别物理特性的单元(物理特性识别单元)执行的处理可以由例如控制单元101执行。
[0234]
主存储装置102存储各种程序，并且存储要用于执行各种程序的数据等。例如，可以使用包括只读存储器(rom)和随机存取存储器(ram)中的至少一者的存储装置作为主存储装置102。
[0235]
rom存储例如各种程序，例如基本输入/输出系统(bios)。rom不受特别限制，但是可以根据预期目的适当地选择，并且rom的示例包括掩模rom、可编程rom(prom)等。
[0236]
ram用作例如工作区，在该工作区中，存储在rom、辅助存储装置103等中的各种程序在由控制单元101执行时被展开。ram不受特别限制，但是可以根据预期目的适当地选择，并且ram的示例包括动态随机存取存储器(dram)、静态随机存取存储器(sram)等。
[0237]
辅助存储装置103不受特别限制，只要它能够存储各种信息即可，但是可以根据预期目的适当地选择。辅助存储装置103的示例包括固态驱动器(ssd)、硬盘驱动器(hdd)等。辅助存储装置103可以是便携式存储装置，例如致密碟(cd)驱动器、数字通用碟(dvd)驱动器或蓝光(blu-ray)(注册商标)碟(bd)驱动器。
[0238]
例如，本文公开的混合物物理特性识别程序被存储在辅助存储装置103中、加载到主存储装置102的ram(主存储器)上并且由控制单元101执行。
[0239]
i/o接口104是用于耦接至各种外部装置的接口。i/o接口104允许从以下装置输入数据以及将数据输出至以下装置：例如致密碟只读存储器(cd-rom)、数字通用盘只读存储器(dvd-rom)、磁光(mo)盘、通用串行总线(usb)存储器[usb闪存驱动器]等。
[0240]
通信接口105不受特别限制，并且可以适当地使用任何已知的接口。通信接口105的示例是无线或有线通信装置等。
[0241]
输入装置106不受特别限制，只要它能够接收对混合物物理特性识别设备100的各种请求和信息的输入即可，并且可以适当地使用任何已知的装置。输入装置106的示例包括
键盘、鼠标、触摸面板、麦克风等。在输入装置106是触摸面板(触摸显示器)的情况下，输入装置106还可以用作显示装置108。
[0242]
输出装置107不受特别限制，并且可以适当地使用任何已知的装置。输出装置107的示例是打印机等。
[0243]
显示装置108不受特别限制，并且可以适当地使用任何已知的显示装置。显示装置108的示例包括液晶显示器、有机el显示器等。
[0244]
图5示出了本文公开的混合物物理特性识别设备的另一硬件配置示例。
[0245]
在图5所示的示例中，混合物物理特性识别设备100被划分成计算机200和退火机300，计算机200执行各种处理，诸如获得关于混合物的物理特性的数据集(物理特性值数据集)的处理、创建预测项的处理以及定义目标函数表达式的处理，退火机300优化(最小化)伊辛模型表达式。在图5所示的示例中，混合物物理特性识别设备100中的计算机200和退火机300经由网络400彼此耦接。
[0246]
在图5所示的示例中，例如，可以使用cpu等作为计算机200中的控制单元101a，并且可以使用专用于退火方法(退火)的装置作为退火机300中的控制单元101b。
[0247]
在图5所示的示例中，例如，计算机200通过进行用于定义目标函数表达式的各种设置来定义目标函数表达式，并且将所定义的目标函数表达式转换成伊辛模型表达式。计算机200经由网络400将关于伊辛模型表达式中的权重(w
ij
)和偏差(bi)的值的信息发送至退火机300。
[0248]
退火机300基于所接收的关于权重(w
ij
)和偏差(bi)的值的信息来优化(最小化)伊辛模型表达式，并且获得伊辛模型表达式的最小值以及赋予所述最小值的位的状态。退火机300经由网络400将所获得的伊辛模型表达式的最小值和所获得的赋予所述最小值的位的状态发送至计算机200。
[0249]
随后，计算机200基于所接收的赋予伊辛模型表达式最小值的位的状态来识别和优化混合物的物理特性。
[0250]
图6示出了本文公开的混合物物理特性识别设备的功能配置示例。
[0251]
如图6所示，混合物物理特性识别设备100包括通信功能单元120、输入功能单元130、输出功能单元140、显示功能单元150、存储功能单元160和控制功能单元170。
[0252]
例如，通信功能单元120向外部装置发送各种数据以及从外部装置接收各种数据。例如，通信功能单元120可以从外部装置接收关于每种候选物质的物理特性(性能)的数据集、关于从目标函数表达式转换的伊辛模型表达式中的偏差和权重的数据等。
[0253]
输入功能单元130接收例如针对混合物物理特性识别设备100的各种指令。例如，输入功能单元130可以接收关于每种候选物质的物理特性(性能)的数据集的输入、关于从目标函数表达式转换的伊辛模型表达式中的偏差和权重的数据等。
[0254]
输出功能单元140打印并输出例如关于所识别的混合物的物理特性的信息。
[0255]
显示功能单元150例如在显示器上显示关于所识别的混合物的物理特性的信息。
[0256]
存储功能单元160存储例如各种程序、关于相应候选物质的物理特性(性能)的数据集、关于所识别的混合物的物理特性的信息等。
[0257]
控制功能单元170包括物理特性值数据获取单元171、预测项创建单元(创建预测项的单元)172以及物理特性识别单元(识别物理特性的单元)173。
[0258]
物理特性值数据获取单元171例如针对每种混合物执行物理特性模拟(例如分子动力学模拟)以计算并获得关于物理特性的数据集(物理特性值数据集)。预测项创建单元172通过使用例如第一预测模型或第二预测模型基于相应候选物质的回归系数创建预测项。物理特性识别单元173通过例如优化(例如最小化)目标函数表达式来识别和优化混合物的物理特性。
[0259]
图7a和图7b示出了通过使用本文公开的技术的示例来识别和优化混合物的物理特性的流程图的示例。
[0260]
首先，控制功能单元170确定混合物中要识别的物理特性(性能)(s201)。在s201中，控制功能单元170可以将混合物的多种物理特性确定为要识别的物理特性。
[0261]
接下来，控制功能单元170选择要在混合物中混合的多种候选物质(s202)。例如，在s202中，控制功能单元170可以通过查阅例如记录有关于候选物质的信息的数据库来提取并选择预定数量的候选物质。
[0262]
随后，物理特性值数据获取单元171计算指示各自包含候选物质中的两种或更多种候选物质的混合物中的每种混合物的物理特性的数据集(物理特性值数据集)(s203)。例如，在s203中，物理特性值数据获取单元171基于针对各自包含候选物质中的两种或更多种候选物质的混合物的实际实验和物理特性模拟的结果计算指示每种混合物的物理特性的数据集(物理特性值数据集)。
[0263]
预测项创建单元172通过使用指示物理特性的数据集构建第一预测模型(s204)。例如，在s204中，预测项创建单元172将指示物理特性的数据集中的一些数据集设置为测试数据集并将其余数据集设置为第一学习数据集，并且通过基于第一学习数据集使用多元回归方程执行多变量分析来构建第一预测模型。
[0264]
接下来，预测项创建单元172基于通过使用第一预测模型计算的预测值来计算rmse/mae(均方根误差与平均绝对误差之比)(s205)。例如，在s205中，预测项创建单元172计算通过使用第一预测模型预测的物理特性的预测值和与预测值对应的第一学习数据集的rmse/mae。
[0265]
随后，预测项创建单元172确定rmse/mae是否满足1.253
±
0.03(s206)。在s206中，预测项创建单元172在确定rmse/mae满足1.253
±
0.03的情况下使处理进行至s207，或者在确定rmse/mae不满足1.253
±
0.03的情况下使处理进行至s208。
[0266]
在确定rmse/mae满足1.253
±
0.03的情况下，预测项创建单元172根据第一预测模型获得相应候选物质的回归系数以创建预测项(s207)。
[0267]
另一方面，在确定rmse/mae不满足1.253
±
0.03的情况下，预测项创建单元172基于指示物理特性的数据集准备多个逐组成预测模型(s208)。例如，在s208中，预测项创建单元172利用指示候选物质的每种组合的物理特性的数据集创建和准备能够预测所述组合可能随组分比(混合比)的变化而取的物理特性值的预测模型。
[0268]
接下来，预测项创建单元172创建通过对这样准备的多个预测模型进行整合而获得的整合模型(例如，高斯混合模型)(s209)。
[0269]
随后，预测项创建单元172基于整合模型生成预定数量的虚拟数据集(s210)。例如，在s210中，预测项创建单元172通过生成其中物理特性值被随机设置以满足整合模型中的概率分布的数据集、根据整合模型生成虚拟数据集。
[0270]
预测项创建单元172通过使用虚拟数据集构建第二预测模型(s211)。例如，在s211中，预测项创建单元172通过将基于整合模型生成的虚拟数据集中的一些虚拟数据集用作第二学习数据集并基于第二学习数据集使用多元回归方程执行多变量分析来构建第二预测模型。
[0271]
接下来，预测项创建单元172基于通过使用第二预测模型计算的预测值来计算rmse/mae(均方根误差与平均绝对误差之比)(s212)。例如，在s212中，预测项创建单元172计算通过使用第二预测模型预测的物理特性的预测值和与预测值对应的第一学习数据集的rmse/mae。
[0272]
随后，预测项创建单元172确定rmse/mae是否满足1.253
±
0.03(s213)。在s213中，预测项创建单元172在确定rmse/mae满足1.253
±
0.03的情况下使处理进行至s214，或者在确定rmse/mae不满足1.253
±
0.03的情况下，使处理返回至s210。
[0273]
在由于确定rmse/mae不满足1.253
±
0.03而使处理返回至s210的情况下，改变在s210中生成的虚拟数据集的数量(所生成的数据集的数量)。
[0274]
在确定rmse/mae满足1.253
±
0.03的情况下，预测项创建单元172根据第二预测模型获得相应候选物质的回归系数并创建预测项(s214)。
[0275]
物理特性识别单元173定义包括在s207或s214中创建的预测项的目标函数表达式(s215)。在该步骤中，物理特性识别单元173使目标函数表达式包含上述预测项，并且还包含相应参数的加权系数以及与搜索混合物的组成有关的约束项。
[0276]
接下来，物理特性识别单元173根据需要改变加权系数，并且然后将目标函数表达式转换成由以下表达式(1)表示的伊辛模型(s216)。例如，在s216中，物理特性识别单元173提取所定义的目标函数表达式中的参数并获得以下表达式(1)中的的bi(偏差)和w
ij
(权重)，从而将目标函数表达式转换成由以下表达式(1)表示的伊辛模型表达式。
[0277][0278]
在以上表达式(1)中，e是目标函数表达式，
[0279]wij
是表示第i位与第j位之间的相互作用的数值，xi是指示第i位为0或1的二元变量，并且xj是指示第j位为0或1的二元变量，并且bi是表示第i位的偏差(bias)的数值。
[0280]
接下来，物理特性识别单元173通过使用退火机使以上表达式(1)最小化(s217)。例如，在s217中，物理特性识别单元173通过使用退火法针对以上表达式(1)执行基态搜索来计算以上表达式(1)的最低能量，从而搜索可以使目标函数表达式最小化的混合物的组成。
[0281]
然后，在目标函数表达式取最小值的条件下，物理特性识别单元173基于最小化以上表达式(1)的结果，输出混合物中包括的候选物质的种类、所混合的候选物质的百分比(混合物的组成)以及混合物的物理特性(物理特性值)(s218)。在输出混合物的组成和物理特性之后，物理特性识别单元173结束处理。
[0282]
虽然已经根据图7a和图7b中的特定顺序描述了通过使用本文公开的技术的示例来识别混合物的物理特性的序列，但是本文公开的技术中的步骤的顺序可以在技术上可行的范围内适当地改变。在本文公开的技术中，一些步骤可以在技术上可行的范围内共同执行。
[0283]
下面将描述退火方法和退火机的示例。
[0284]
退火方法是通过使用随机数值或量子位的叠加随机地(stochastically)获得解的方法。在下文中，以使期望被优化的评估函数的值最小化的问题为例进行描述，并且该评估函数的值将被称为能量。当期望使评估函数的值最大化时，可以改变评估函数的符号。
[0285]
首先，从向每个变量分配一个离散值的初始状态开始，考虑从当前状态(变量的值的组合)到接近当前状态的所选状态(例如，仅变量之一被改变的状态)的状态转变。计算与状态转变相关联的能量变化，并且根据能量变化的计算值随机地确定是接受该状态转变并使状态改变还是保持原始状态而不接受状态转变。在针对能量减少的情况的接受概率被选择为高于针对能量增加的情况的接受概率的情况下，预期在能量平均减少的方向上发生状态改变并且状态随时间转变至更合适的状态。因此，存在最终获得给出在最优解或接近最优值处的能量的近似解的可能性。
[0286]
如果在能量减少的情况下确定性地接受状态转变或者在能量增加的情况下拒绝状态转变，则能量的变化将随时间微弱地减少。然而，一旦达到局部解，将不再发生这种改变。由于在如上所述的离散优化问题中存在非常大量的局部解，因此状态通常被困于与最优值不太接近的局部解处。出于这个原因，在求解离散优化问题时，随机地确定是否接受状态是重要的。
[0287]
在退火方法中，已经证明：通过如下确定状态转变的接受概率，状态在无限次数(迭代次数)的限制下达到最优解。
[0288]
在下文中，将描述使用退火方法确定最优解的方法的序列。
[0289]
(1)对于与状态转变相关联的能量变化(能量减少)值(-δe)，通过以下函数f()中的任一函数确定对状态转变的接受概率p。
[0290]
p(δe，t)＝f(-δe/t)
ꢀꢀꢀ
(表达式1-1)
[0291]fmetro
(x)＝min(1，e
x
)
ꢀꢀꢀ
(metropolis方法)(表达式1-2)
[0292][0293]
此处，t是被称为温度值的参数并且可以例如如下来改变。
[0294]
(2)如以下表达式所示，温度值t根据迭代次数t以对数方式减小。
[0295][0296]
此处，t0表示初始温度值，并且根据问题被理想地设置为足够大的值。
[0297]
在使用由表达式(1)表示的接受概率并且在充分迭代之后达到稳态的情况下，每个状态被占用的概率遵循热力学中热平衡状态下的玻尔兹曼分布。
[0298]
当温度从高温逐渐降低时，低能态被占用的概率增加。出于这个原因，当温度充分降低时，预期获得低能态。这种方法被称为退火方法(或模拟退火方法)，这是因为这种行为类似于材料退火中的状态变化。能量增加的状态转变的随机发生相当于物理学中的热激发。
[0299]
图8示出了执行退火方法的退火机的功能配置的示例。尽管以下描述也将说明针对状态转变生成多个候选的情况，但是在基本退火方法中一次生成一个转变候选。
[0300]
退火机300包括保持当前状态s(多个状态变量的值)的状态保持单元111。退火机300还包括能量计算单元112，能量计算单元112在作为改变多个状态变量的值中的任一值的结果而从当前状态s发生状态转变的情况下，针对状态转变中的每个状态转变计算能量变化值{-δei}。退火机300包括控制温度值t的温度控制单元113和控制状态变化的转变控制单元114。退火机300可以被配置为上述混合物物理特性识别设备100的一部分。
[0301]
转变控制单元114基于温度值t、能量变化值{-δei}和随机数值，根据能量变化值{-δei}与热激发能量之间的相对关系，随机地确定是否接受多个状态转变中的任一状态转变。
[0302]
转变控制单元114包括：候选生成单元114a，其针对状态转变生成候选；以及接受性确定单元114b，其基于能量变化值{-δei}和温度值t随机地确定每个候选中的状态转变是否为可接受。转变控制单元114包括：转变确定单元114c，其从被确定为可接受的候选中确定要实际使用的候选；以及随机数生成单元114d，其生成概率变量。
[0303]
退火机300在一次迭代中的操作如下。
[0304]
首先，候选生成单元114a针对从由状态保持单元111保持的当前状态s到下一状态的状态转变生成一个或多个候选(候选编号{ni})。能量计算单元112通过使用当前状态s和状态转变的候选来计算在每个候选中指定的状态转变的能量变化值{-δei}。接受性确定单元114b通过使用在温度控制单元113中生成的温度值t和在随机数生成单元114d中生成的概率变量(随机数值)，根据状态转变的能量变化值{-δei}，以由以上表达式(1)表示的接受概率将状态转变中的每个状态转变确定为可接受。
[0305]
接受性确定单元114b输出每个状态转变的可接受性{fi}。在多个状态转变被确定为可接受的情况下，转变确定单元114c通过使用随机数值从所述多个状态转变中随机地选择一个状态转变。然后，转变确定单元114c输出所选择的状态转变的转变编号n和转变可接受性f。在存在被接受的状态转变的情况下，根据被接受的状态转变更新存储在状态保持单元111中的状态变量的值。
[0306]
从初始状态开始，迭代上述操作，同时使温度控制单元113降低温度值，并且在满足结束确定条件例如达到特定迭代次数或者能量降至低于预定值的条件时，结束上述操作。由退火机300输出的答案是结束时的状态。
[0307]
图8中示出的退火机300可以通过使用例如半导体集成电路来实现。例如，转变控制单元114可以包括用作随机数生成单元114d的随机数生成电路、用作接受性确定单元114b的至少一部分的比较器电路、稍后描述的噪声表等。
[0308]
关于图8中示出的转变控制单元114，将更详细地描述以由表达式(1)表示的接受概率接受状态转变的机制。
[0309]
以接受概率p输出1并且以接受概率(1-p)输出0的电路可以通过下述操作实现：使用具有两个输入a和b并且在a》b时输出1以及在a《b时输出0的比较器，并且将接受概率p输入至输入a以及将具有单位间隔[0,1)中的值的均匀随机数输入至输入b。因此，当将通过使用基于能量变化值和温度值t的表达式(1)计算的接受概率p的值输入至比较器的输入a时，可以实现以上功能。
[0310]
例如，假设f表示表达式(1)中使用的函数，并且u表示具有单位间隔[0,1)中的值的均匀随机数，则在f(δe/t)大于u时输出1的电路实现以上功能。
[0311]
即使当进行如下修改时，该电路也可以实现与上述相同的功能。
[0312]
即使对两个数应用相同的单调递增函数，这两个数也保持相同的大小关系。因此，即使对比较器的两个输入施加相同的单调递增函数，也获得相同的输出。当使用f的反函数f-1
作为该单调递增函数时，可以看出，可以将该电路修改成在-δe/t大于f-1
(u)时输出1的电路。因为温度值t是正的，所以可以看到，所述电路可以是在-δe大于tf-1
(u)时输出1的电路。
[0313]
图8中的转变控制单元114可以包括噪声表，噪声表是用于实现反函数f-1
(u)的转换表，并且针对单位区间[0,1)内的每个离散值的输入输出以下函数中的任一函数的值。
[0314][0315][0316]
图9示出了转变控制单元114的操作流程的一个示例。图9中示出的操作流程包括：选择一个状态转变作为候选的步骤(s0001)，通过将状态转变的能量变化值与温度值和随机数值的乘积进行比较来确定状态转变是否为可接受的步骤(s0002)，以及在状态转变为可接受的情况下接受状态转变或者在状态转变为不可接受的情况下拒绝状态转变的步骤(s0003)。
[0317]
[示例]
[0318]
尽管将描述本文公开的技术的示例，但是本文公开的技术根本不限于该示例。
[0319]
作为示例，通过使用本文公开的混合物物理特性识别设备的示例来创建用于对混合物物理特性进行预测的预测项，并且对所生成的虚拟数据集的数量与第二预测模型的预测准确度之间的关系进行检验。在示例中，假设混合制冷剂作为混合物的示例，通过使用具有如图5所示的硬件配置以及如图6所示的功能配置的优化设备、根据图7a和图7b的流程图中示出的s201至s214的序列创建用于对混合物的物理特性进行预测的预测项。
[0320]
在示例中，将以下五种候选物质用作作为预测模型中的解释变量的候选物质(材料)。氢氟烯烃(hfo)制冷剂，“opteonsf-10(甲氧基全氟庚烯，c7f
13
och3)”；正戊烷；甲醇；二乙二醇单丁醚(dgme)；乙醚。
[0321]
在示例中，准备40种混合物，其中每种混合物都是通过从以上五种候选物质(解释变量)中任意选择三种候选物质并根据这三种候选物质的组成比来准备的，并且计算这些混合物中的每种混合物的热导率。使用分子动力学计算程序“lammps”进行三种组分的每种混合物的热导率的这种计算(模拟)。
[0322]
在示例中，根据以下过程计算三种组分的混合物的热导率。
[0323]
首先，执行以立方晶胞排列的混合分子的能量平衡。在该平衡下，创建如下结构作为计算系统：在所述结构中候选物质以预定的摩尔比分布使得三种组分的混合物包括60个分子(要混合的分子以晶胞排列的结构)。
[0324]
在温度为298.2k(25℃)、压力为1atm并且模拟时间步长为0.5fsec(0.5飞秒)的条件下执行通过lammps来计算分子结构的平衡。
[0325]
在混合分子平衡之后，执行非平衡分子动力学(md)模拟，并且通过使用muller-plathe方法来计算热导率。在非平衡态分子动力学模拟中，在计算系统中提供高温区和低
温区，并且基于热通量以及在高温区与低温区之间产生的温度梯度利用傅立叶定律对热导率进行分析。
[0326]
图10示出了通过以上描述的非平衡分子动力学模拟获得的40种混合物的热导率的分布的示例。如图10所示，40种混合物的热导率的分布为正态分布，并且证实在其中每种混合物的三种组分为任意选择并组合的40种混合物的热导率的分布中不存在大的偏差。
[0327]
接下来，在示例中，将40个热导率数据集(指示物理特性的数据集)随机划分成32个数据集和8个数据集，使得分别创建包含80％的热导率数据集的学习数据集以及包含20％的热导率数据集的测试数据集。在示例中，通过对学习数据集(第一学习数据集)执行回归分析来构建热导率的预测模型(第一预测模型)。例如，在示例中，通过执行最小二乘回归来构建预测模型。最小二乘回归是通过使用作为python 3的机器学习库的“scikit-learn”执行的。
[0328]
随后，在示例中，通过使用所构建的预测模型来计算预测值。图11示出了根据通过使用32个学习数据集构建的预测模型计算的预测值与实际值(学习数据集)之间的关系。在图11中，纵轴(计算的y)指示根据预测模型计算的预测值，横轴(实际的y)指示实际值(学习数据集)，并且对角直线指示预测模型(回归线)。
[0329]
基于图11中示出的数据，“rmse/mae(均方根误差与平均绝对误差之比)”被计算为“1.360”。
[0330]
因此，由于“rmse/mae”不满足“1.253
±
0.03”，因此所构建的热导率的预测模型(第一预测模型)的准确度不足(未表现出预定相关性)。出于这个原因，构建第二预测模型(高斯混合模型)。
[0331]
例如，虚拟数据集是通过假设高斯混合物模型并使用通过非平衡分子动力学模拟获得的混合物的40个热导率数据集生成的。
[0332]
检查所生成的虚拟数据集的数量与基于虚拟数据集构建的热导率预测模型(第二预测模型)之间的关系。在该检查中，针对所生成的虚拟数据集的数量被设置为200、500、1000、2000、5000、10000和20000的每种情况构建热导率预测模型(第二预测模型)并对这些预测模型进行评估。
[0333]
作为用于评估预测模型的指标，计算确定系数(the coefficient of determination)(r2)、均方根误差(rmse)、平均绝对误差(mae)以及rmse/mae，并且检查这些指标中的哪些指标具有反映预测模型的准确度(特征)的能力。
[0334]
在计算这些指标时，将根据高斯混合模型生成的虚拟数据集的80％用作第二预测模型的学习数据集(用于训练，第二学习数据集)。各指标的计算结果在表1中示出。
[0335]
表1
[0336]
[0337][0338]
从表1可以看出，即使在所生成的虚拟数据集的数量增加的情况下，r2、rmse和mae的值也没有显著变化。
[0339]
另一方面，rmse/mae的值根据所生成的虚拟数据集的数量显著改变。在所生成的虚拟数据集的数量为“2000”时，rmse/mae取“1.253”左右的值，并且使得可以确定预测模型(第二预测模型)的准确度高。
[0340]
例如，图12示出了所生成的虚拟数据集的数量与通过将所生成的虚拟数据的80％用作学习数据集而构建的热导率预测模型(第二预测模型)中的rmse/mae之间的关系。如图12所示，当从40个热导率数据集生成2000个数据集时，rmse/mae接近“1.253”。因此，可以认为在所生成的虚拟数据集的数量为2000的情况下预测模型的预测准确度特别高。
[0341]
参照图12，在所生成的虚拟数据集的数量是2000的情况下具有高预测准确度的预测模型中的rmse/mae与其他预测模型中的任一预测模型中的rmse/mae的差大于“0.03”。这意味着，与其他预测模型相比，rmse/mae满足“1.253
±
0.03”的预测模型具有特别高的预测准确度。
[0342]
作为以上检查的结果，可以看出优选使用rmse/mae来评估预测模型的预测准确度。如上所述，对于rmse/mae，如从以上等式(17)看出的，当rmse/mae取大约“1.253”的值时，可以评估预测模型的准确度高。
[0343]
图13示出了通过使用以下预测模型计算的预测值和与预测值对应的实际值(第二学习数据集)之间的关系，所述预测模型是通过将2000个虚拟数据集中的1600个虚拟数据集用作学习数据集而构建的。在图13中，纵轴(计算的y)指示根据预测模型计算的预测值，横轴(实际的y)指示实际值(学习数据集)，并且对角直线指示预测模型(回归线)。
[0344]
如图13所示，在通过将2000个虚拟数据集中的1600个虚拟数据集用作学习数据集而构建的预测模型中，可以看出数据集集中在预测模型周围，这意味着预测模型的预测准
确度高。
[0345]
在示例中，根据通过将2000个虚拟数据集中的1600个虚拟数据集用作学习数据集而构建的预测模型获得相应候选物质的回归系数(部分回归系数)。
[0346]
例如，在示例中，通过使用“scikit-learn”库中用于回归分析的函数输出所构建的预测模型中的标准回归系数来获得每种候选物质的回归系数。结果在表2中示出。
[0347]
表2
[0348]
解释变量回归系数sf-100.004835正戊烷0.005720甲醇0.005942dgme0.006403二乙醚0.005837常数项-0.430103
[0349]
作为热导率的预测项，创建将以下乘积与常数项的值相加的项，所述乘积每个均是表2中示出的回归系数之一与对应候选物质(材料)的组分百分比的乘积。因此，可以预测和识别通过来自五种候选物质的每种组合准备的混合物的热导率。
[0350]
如上所述，在示例中，构建作为混合物的物理特性的示例的热导率的第一预测模型和第二预测模型，并且从而成功创建能够以较高准确度预测热导率的预测项。
[0351]
在本文公开的技术的示例中，使用包括以这种方式创建的预测项的目标函数表达式来识别混合物的物理特性。因此，即使在对不存在能够估计混合状态下的物理特性的数学表达式的物理特性进行预测的情况下，也能够以高准确度预测和识别任何混合物的物理特性。
[0352]
关于以上实施方式，还公开了以下附记。
[0353]
附记1.一种混合物物理特性识别方法，用于使计算机执行以下处理，包括：
[0354]
创建用于对多种候选物质的混合物的至少一种物理特性进行预测的预测项；以及
[0355]
通过使用包括所述预测项的目标函数表达式来识别所述混合物的物理特性，其中，
[0356]
所述创建包括：
[0357]
获得指示多种混合物中的每种混合物的物理特性的数据集，所述多种混合物各自包含所述多种候选物质中的两种或更多种候选物质，
[0358]
将指示物理特性的数据集中的至少一些数据集设置为第一学习数据集，并且
[0359]
将所述第一学习数据集和基于所述第一学习数据集的第一预测模型中的与所述第一学习数据集对应的对应数据集进行比较，
[0360]
在所述第一学习数据集和所述对应数据集表现出一定相关性的情况下，基于根据所述第一预测模型获得的相应候选物质的回归系数创建所述预测项，
[0361]
在所述第一学习数据集和所述对应数据集没有表现出所述一定相关性的情况下，所述创建还包括：
[0362]
基于整合模型获得虚拟数据集，所述整合模型是通过对基于指示物理特性的数据集生成的多个预测模型进行整合而获得的，以及
[0363]
将所述虚拟数据集中的至少一些虚拟数据集设置为第二学习数据集，并且将所述第一学习数据集和基于所述第二学习数据集的第二预测模型中的与所述第一学习数据集对应的对应数据集进行比较，
[0364]
在所述第一学习数据集和所述对应数据集表现出所述一定相关性的情况下，基于根据所述第二预测模型获得的相应候选物质的回归系数创建所述预测项。
[0365]
附记2.根据附记1所述的混合物物理特性识别方法，其中，
[0366]
所述目标函数表达式由以下表达式表示：
[0367]
e＝α
·
[混合物物理特性预测1] β
·
[混合物物理特性预测2] γ
·
[混合物物理特性预测3]
……
约束项，
[0368]
其中，e是所述目标函数表达式并且α、β和γ是加权系数。
[0369]
附记3.根据附记1所述的混合物物理特性识别方法，其中，
[0370]
所述一定相关性被定义成使得关于所述第一学习数据集或所述第二学习数据集中的至少一者的均方根误差与平均绝对误差之比为1.253
±
0.03。
[0371]
附记4.根据附记1所述的混合物物理特性识别方法，其中，
[0372]
基于所述第一学习数据集或所述第二学习数据集通过多元回归方程得出所述第一预测模型和所述第二预测模型中的至少一者。
[0373]
附记5.根据附记1所述的混合物物理特性识别方法，其中，
[0374]
将要用于得出所述第二预测模型的第二学习数据集的数量选择成使得关于所述第一学习数据集的均方根误差与平均绝对误差之比为1.253
±
0.03。
[0375]
附记6.根据附记1所述的混合物物理特性识别方法，其中，
[0376]
通过使所述目标函数表达式的值最小化来识别所述混合物的物理特性。
[0377]
附记7.根据附记6所述的混合物物理特性识别方法，其中，
[0378]
识别所述物理特性包括基于被转换成由以下表达式(1)表示的伊辛模型的目标函数表达式来识别所述混合物的物理特性：
[0379][0380]
在表达式(1)中，
[0381]
e是所述目标函数表达式，
[0382]wij
是表示第i位与第j位之间的相互作用的数值，
[0383]bi
是表示第i位的偏差的数值，
[0384]
xi是指示第i位是0或1的二元变量，并且
[0385]
xj是指示第j位是0或1的二元变量。
[0386]
附记8.根据附记6所述的混合物物理特性识别方法，其中，
[0387]
识别所述物理特性包括通过退火方法使所述目标函数表达式最小化。
[0388]
附记9.一种混合物物理特性识别设备，包括：
[0389]
创建单元，其创建用于对多种候选物质的混合物的至少一种物理特性进行预测的预测项；以及
[0390]
识别单元，其通过使用包括所述预测项的目标函数表达式来识别所述混合物的物理特性，其中，
[0391]
所述创建单元包括：
[0392]
第一获取单元，其获得指示多种混合物中的每种混合物的物理特性的数据集，所述多种混合物各自包含所述多种候选物质中的两种或更多种候选物质；以及
[0393]
第一设置单元，其将指示物理特性的数据集中的至少一些数据集设置为第一学习数据集，并且将所述第一学习数据集和基于所述第一学习数据集的第一预测模型中的与所述第一学习数据集对应的对应数据集进行比较，
[0394]
在所述第一学习数据集和所述对应数据集表现出一定相关性的情况下，基于根据所述第一预测模型获得的相应候选物质的回归系数创建所述预测项，
[0395]
在所述第一学习数据集和所述对应数据集没有表现出所述一定相关性的情况下，所述创建单元还包括：
[0396]
第二获取单元，其基于整合模型获得虚拟数据集，所述整合模型是通过对基于指示物理特性的数据集生成的多个预测模型进行整合而获得的，以及
[0397]
第二设置单元，其将所述虚拟数据集中的至少一些虚拟数据集设置为第二学习数据集，并且将所述第一学习数据集和基于所述第二学习数据集的第二预测模型中的与所述第一学习数据集对应的对应数据集进行比较，并且
[0398]
在所述第一学习数据集和所述对应数据集表现出所述一定相关性的情况下，基于根据所述第二预测模型获得的相应候选物质的回归系数创建所述预测项。
[0399]
附记10.一种非暂态计算机可读存储介质，存储使至少一个计算机执行处理的混合物物理特性识别程序，所述处理包括：
[0400]
创建用于对多种候选物质的混合物的至少一种物理特性进行预测的预测项；以及
[0401]
通过使用包括所述预测项的目标函数表达式来识别所述混合物的物理特性，其中，
[0402]
所述创建包括：
[0403]
获得指示多种混合物中的每种混合物的物理特性的数据集，所述多种混合物各自包含所述多种候选物质中的两种或更多种候选物质，
[0404]
将指示物理特性的数据集中的至少一些数据集设置为第一学习数据集，以及
[0405]
将所述第一学习数据集和基于所述第一学习数据集的第一预测模型中的与所述第一学习数据集对应的对应数据集进行比较，
[0406]
在所述第一学习数据集和所述对应数据集表现出一定相关性的情况下，基于根据所述第一预测模型获得的相应候选物质的回归系数创建所述预测项，
[0407]
在所述第一学习数据集和所述对应数据集没有表现出所述一定相关性的情况下，所述创建还包括：
[0408]
基于整合模型获得虚拟数据集，所述整合模型是通过对基于指示物理特性的数据集生成的多个预测模型进行整合而获得的，以及
[0409]
将所述虚拟数据集中的至少一些虚拟数据集设置为第二学习数据集，并且将所述第一学习数据集和基于所述第二学习数据集的第二预测模型中的与所述第一学习数据集对应的对应数据集进行比较，
[0410]
在所述第一学习数据集和所述对应数据集表现出所述一定相关性的情况下，基于根据所述第二预测模型获得的相应候选物质的回归系数创建所述预测项。