解析从起始物质开始的化学反应的解析方法、解析装置、解析系统和解析程序与流程

1.本发明涉及解析从起始物质开始的化学反应的解析方法、解析装置、解析系统和解析程序。


背景技术：

2.在现有技术中，为了通过化学反应由起始物质高效地获得预期产物，研究人员采用基于自身的经验规则等一边改变所使用的反应装置的反应条件一边反复进行化学反应的实验，探索更高效的反应条件的方法。在利用这样的方法时，研究人员必须自己确定反应条件，并且反应装置运转和数据分析也需要人工参与，所以耗费时间。
3.相对于此，在专利文献1中公开了对基于某种选择标准从化合物库中选择的化合物子集的化学反应进行分析，基于由该分析结果生成的选择标准，再次从化合物库中选择化合物子集，反复进行该循环，从而生成具有预期的物理特性、化学特性和/或生物活性特性的化学实体。在专利文献2中公开了一种反应机理生成方法，其包括：对于反应体系内的构成各分子的原子，在每时间步骤进行分子动力学计算的步骤；在上述时间步骤前后在上述反应体系内发生了化学反应的情况下，确定参与上述化学反应的反应分子和生成分子的步骤；基于上述反应分子与上述生成分子的原子的相关性，构成由具有上述相关性的反应分子和生成分子构成的基础反应的步骤；和算出上述构建的基础反应的反应速率常数的步骤。
4.现有技术文献
5.专利文献
6.专利文献1：日本特表2001－507675号公报
7.专利文献2：国际公开第2016/133002号


技术实现要素：

8.发明要解决的技术问题
9.但是，在专利文献1中，化合物子集的选择基准不包括反应速率的概念。而在专利文献2中，虽然算出了各个化学反应的反应速率常数，但没有考虑由初始分子产生的化学反应的分支反应路径。因此，专利文献1和专利文献2存在寻求用于有效地获得预期产物的反应条件困难的问题。
10.本发明是为了解决上述问题而完成的，其解决的技术问题是有效地寻求化学反应的良好的反应条件。
11.用于解决技术问题的技术手段
12.为了解决上述技术问题，本发明的一个方式的解析方法其是解析从起始物质开始的化学反应的解析方法，其包括：
13.准备显示上述起始物质、通过上述化学反应生成的中间产物和最终产物的至少一
部分、以及上述化学反应的反应路径的反应网络图的准备工序；和
14.使用人工智能算法预测各反应路径的反应速率的预测工序。
15.在上述解析方法中，优选上述预测工序包括：
16.求取表示上述反应速率的速率常数的速率常数运算工序；和
17.通过上述人工智能算法，对上述速率常数进行修正的速率常数修正工序。
18.在上述解析方法中，优选在上述速率常数运算工序中，基于阿伦尼乌斯公式求取上述速率常数。
19.在上述解析方法中，优选上述人工智能算法为梯度法算法、遗传算法或它们的组合。
20.上述解析方法优选还包括：
21.在多种反应条件下，使用反应装置实施多次上述化学反应的实施工序；和
22.基于上述实施工序的结果对上述预测得到的反应速率进行更新的更新工序。
23.本发明的一个方式的解析方法是解析从起始物质开始的化学反应的解析方法，其包括：
24.在多种反应条件下，使用反应装置实施多次上述化学反应的实施工序；和
25.基于上述实施工序的结果，对显示上述起始物质、通过上述化学反应生成的中间产物和最终产物的至少一部分、以及上述化学反应的反应路径的反应网络图的各反应路径的反应速率进行更新的更新工序。
26.在上述解析方法中，优选在上述更新工序中，通过自动微分法对上述反应速率进行更新。
27.优选上述解析方法还包括基于上述多种反应条件和对应于各反应条件的上述实施工序的结果，寻求最佳反应条件的反应条件寻求工序。
28.在上述解析方法中，优选在上述反应条件寻求工序中，通过贝叶斯优化寻求上述最佳反应条件。
29.本发明的解析装置是解析从起始物质开始的化学反应的解析装置，其包括：
30.准备显示上述起始物质、通过上述化学反应生成的中间产物和最终产物的至少一部分、以及上述化学反应的反应路径的反应网络图的准备部；和
31.使用人工智能算法预测各反应路径的反应速率的预测部。
32.本发明的一个方式的解析系统包括：
33.本发明的解析装置；和
34.在多种反应条件下实施多次上述化学反应的反应装置，
35.上述解析装置还包括基于上述反应装置的实施结果，对上述预测的反应速率进行更新的更新部。
36.本发明的一个方式的解析程序是用于解析从起始物质开始的化学反应的解析程序，由计算机执行以下工序：
37.准备显示上述起始物质、通过上述化学反应生成的中间产物和最终产物的至少一部分、以及上述化学反应的反应路径的反应网络图的准备工序；和
38.使用人工智能算法预测各反应路径的反应速率的预测工序。
39.发明效果
40.根据本发明，能够有效地寻求化学反应的良好的反应条件。
附图说明
41.图1是表示本发明的一个实施方式的解析方法的处理顺序的流程图。
42.图2是表示本发明的一个实施方式的解析系统的概略构成的功能框图。
43.图3是反应网络图的一例。
44.图4是表示准备工序的详细情况的流程图。
45.图5是表示预测工序的详细情况的流程图。
46.图6是反应网络图的一例。
47.图7是反应网络图的一例。
48.图8是反应网络图的一例。
49.图9是表示贝叶斯优化的一例的说明图。
50.图10是反应网络图的一例。
51.图11是表示贝叶斯优化的一例的说明图。
具体实施方式
52.以下，参照附图对本发明的优选实施方式进行说明，但本发明并不限定于以下的实施方式。
53.解析方法的概要
54.图1是表示本实施方式的解析方法的处理顺序的流程图。本实施方式的解析方法是解析从起始物质开始的化学反应的解析方法，其包括：
55.准备显示上述起始物质、通过上述化学反应生成的中间产物和最终产物的至少一部分、以及上述化学反应的反应路径的反应网络图的准备工序s1；
56.使用人工智能算法预测各反应路径的反应速率的预测工序s2；
57.在多种反应条件下，使用反应装置实施多次上述化学反应的实施工序s3；
58.基于实施工序s3的结果，对上述预测的反应速率进行更新的更新工序s4；和
59.基于上述多个反应条件和对应于各反应条件的实施工序s3的结果，寻求最佳反应条件的反应条件寻求工序s5。
60.化学反应为分解反应、化合反应或聚合反应均可，但优选为分解反应。作为分解反应的示例，可以列举药剂的分解(与在体内的代谢相关的分解)、因氟利昂导致的臭氧(层)破坏、废气中的nox的分解无害化、化成品的分解机理解析、以及蚀刻加工。
61.这些工序s1～s5由本实施方式的解析系统100执行。下面参照图2～图11对工序s1～s5的处理内容进行说明。
62.解析系统的构成
63.图2是表示解析系统100的概略构成的功能框图。解析系统100包括解析装置1、plc2、反应装置3和分析装置4。
64.解析装置1是解析从起始物质开始的化学反应的装置。解析装置1的硬件构成没有特别限定，除了通用的计算机之外，还可以由平板终端、手机等便携式计算机、或量子计算机等构成解析装置1。
65.解析装置1中，作为功能模块，包括准备部11、预测部12、更新部13和反应条件寻求部14。在解析装置1由通用的计算机构成的情况下，这些各部11～14是通过解析装置1的gpu或cpu将本实施方式的解析程序读入主存储装置并执行这些解析程序来实现的。解析程序可以通过因特网等通信网络下载到解析装置1中，也可以将解析程序记录在cd－rom等计算机可读取的非临时记录介质中，再通过该记录介质安装到解析装置1中。各部11～14的功能将在后文描述。
66.plc2是用于控制反应装置3的控制装置。另外，解析装置1可以具备plc2的功能。
67.反应装置3是用于实施分解反应或加成反应等化学反应的装置。反应装置3具有收纳化学物质的反应器31，能够在所设定的反应条件(例如温度和停留时间)下使反应器31内的化学反应连锁进行。
68.分析装置4是对反应器31内的物质的成分进行分析的装置。并且，反应装置3可以具有分析装置4的功能。
69.解析方法的详细说明
70.下面，对于图1所示的利用解析系统100执行解析从起始物质开始的化学反应的解析方法的各工序s1～s5时的处理内容进行说明。
71.准备工序
72.准备工序s1由解析装置1的准备部11执行。准备部11具有具备显示上述起始物质、通过上述化学反应生成的中间产物和最终产物的至少一部分、以及上述化学反应的反应路径的反应网络图的功能。
73.图3表示反应网络图nd的一例。反应网络图nd是从起始物质开始将化学反应模型化的图，显示有起始物质a、通过化学反应生成的中间产物b～v和最终产物w、以及上述化学反应的反应路径。中间产物b～v和最终产物w是从起始物质a开始通过化学反应生成的中间产物和最终产物的一部分，中间产物b～v和最终产物w中包含预期的化学物质。
74.起始物质a、中间产物b～v和最终产物w为气体、液体或固体均可，优选为气体。起始物质a、中间产物b～v和最终产物w为低分子或高分子均可，优选为低分子。中间产物b～v和最终产物w数、以及反应路径数没有特别限定，可以考虑后述的预测工序s2、更新工序s4和反应条件寻求工序s5的运算量确定。另外，反应网络图nd也可以不包含最终产物。
75.图4是表示准备工序s1的详细情况的流程图。准备工序s1具有整体图表生成工序s11和简化工序s12。
76.在整体图表生成工序s11中，在用户指定起始物质时，准备部11生成显示上述起始物质、通过上述化学反应生成的中间产物和最终产物的(几乎)全部、以及上述化学反应的(几乎)所有反应路径的包罗性的反应网络图(整体图表)。整体图表能够按照预先设定的反应模式自动地生成。例如在化学反应为分解反应的情况下，对应于能够想到的从起始物质脱离的物质的情况，确定由起始物质生成的1个或多个中间产物。同样，对应于能够想到的从中间产物脱离的物质的情况，确定进一步的中间产物。反复进行该操作，从而生成整体图表。
77.其中，整体图表不必须包括所有的中间产物和最终产物。同样，整体图表不需要包括所有的化学反应的反应路径。整体图表中的反应路径数例如可约为5000，但没有特别限定。
78.在整体图表中虽然显示了(几乎)所有的反应路径，但如果在后述的预测工序s2、更新工序s4和反应条件寻求工序s5中使用整体图表，运算量就会变得非常庞大。因此，在本实施方式执行简化工序s12。
79.在简化工序s12中，准备部11将整体图表简化，生成图3所示的反应网络图nd。简化整体图表的方法没有特别限定，例如可以通过对整体图表进行卷积处理，生成反应网络图nd。
80.如上，准备工序s1完成。
81.预测工序
82.预测工序s2由解析装置1的预测部12执行。预测部12具有使用人工智能算法预测各反应路径的反应速率的功能。人工智能算法没有特别限，优选梯度法算法、遗传算法、或它们的组合。
83.图5是表示预测工序s2的详细情况的流程图。预测工序s2具有速率常数运算工序s21和速率常数修正工序s22。
84.在速率常数运算工序s21中，预测部12求取表示各反应路径的反应速率的速率常数。在本实施方式中，预测部12基于阿伦尼乌斯公式求取速率常数。在阿伦尼乌斯公式中，速率常数k由以下式表示：
[0085][0086]
其中，a为频度因子，ea为每1mol的活化能，r为气体常数，t为绝对温度。速率常数k因化学反应中的温度和停留时间而发生变动，因此，在速率常数运算工序s21中，预测部12将作为反应条件的温度t0和停留时间t0下的各反应路径的速率常数k
1－0
～k
n－0
(n是反应网络图nd中的反应路径数)作为速率常数的初始值进行运算。温度t0和停留时间t0可以由用户提供，也可以由预测部12随机地提供。
[0087]
图6表示代入了速率常数的初始值的反应网络图nd。为了避免复杂化，图6中仅表示7个路径的速率常数k
1－0
～k
7－0
。其中，为了能够直观地掌握各路径的反应速率，反应网络图nd中，表示路径的线的粗细对应于速率常数的大小。
[0088]
在速率常数修正工序s22中，预测部12利用人工智能算法对速率常数进行修正。在本实施方式中，作为人工智能算法，使用梯度法算法、遗传算法、或它们的组合，一边改变反应条件(在此为温度和停留时间)，一边修正速率常数k
1－0
～k
n－0
使得评价函数的值(例如目标化学物质的产率、成本等)增大。由此，求出评价函数最大化的反应条件，理论上速率常数收束于评价函数达到最大的速率常数k
1－1
～k
n－1
内。该速率常数k
1－1
～k
n－1
成为预测工序s2中预测得到的反应速率。将此时的反应条件设为温度t1和停留时间t1。但反应条件并不限定于温度和停留时间，例如也可以为反应时间、反应压力、原料浓度、原料的进料流量。
[0089]
图7表示代入了速率常数的理论最优值的反应网络图nd。为了避免复杂化，图7中仅表示7个路径的速率常数k
1－1
～k
7－1
。
[0090]
其中，在仅使用梯度法算法时，速率常数可能会陷入局部解，因而更优选使用遗传算法、或梯度法算法与遗传算法的组合的算法。
[0091]
如上，完成预测工序s2。
[0092]
实施工序、反应条件寻求工序、更新工序
[0093]
在实施工序s3中，在多个反应条件下使用反应装置3实施多次化学反应。如后所述，会将实施工序s3～反应条件寻求工序s5重复多次，因此在1次实施工序s3中在某1个反应条件下会实施1次化学反应。
[0094]
在本实施方式中，一边在温度t2～t3、且停留时间t2～t3的范围内改变反应条件，一边使起始物质a在反应装置3的反应器31内发生化学反应。在本实施方式中的温度t2、t3虽然满足了t2＜t3且t1＝(t2 t3)/2，但只要是满足t2＜t1＜t3且反应装置3能够工作的温度，就没有特别限定。同样，在本实施方式中的停留时间t2、t3虽然满足了t2＜t3且t1＝(t2 t3)/2，但只要满足t2＜t1＜t3就没有特别限定。化学反应的反应条件由后述的反应条件寻求部14设定，但在如后所述省略反应条件寻求工序s5的情况下，也可以由用户来设定化学反应的反应条件。plc2按照设定好的反应条件控制反应装置3。
[0095]
在反应装置3中的化学反应结束时，分析装置4对反应器31内的各化学物质的浓度和目标化合物的产率进行分析。并且，分析装置4将分析得到的浓度和产率作为实施工序的结果反馈给解析装置1。
[0096]
接着，在更新工序s4中，更新部13基于实施工序s3的结果对预测工序s2中预测得到的反应速率进行更新。在本实施方式中，更新部13通过自动微分法对上述预测得到的反应速率进行更新。具体而言，更新部13对分析装置4的浓度和目标化合物的产率的输出结果、与根据在最新的预测工序s2中求出的反应速率群的反应网络图输出的化合物的浓度和目标化合物的产率的输出结果进行比较，将速率常数k
1－1
～k
n－1
更新为速率常数k
1－2
～k
n－2
以使得误差最小。
[0097]
图8表示速率常数更新1次后的反应网络图nd。为了避免复杂化。图8中仅表示7个路径的速率常数k
1－2
～k
7－2
。
[0098]
接着，在反应条件寻求工序s5中，反应条件寻求部14基于实施工序s3的反应条件和结果寻求最佳反应条件。在本实施方式中，反应条件寻求部14通过贝叶斯优化寻求上述最佳反应条件。在第1次反应条件寻求工序s5中，反应条件寻求部14如图9所示记录第1次实施工序s3中的反应条件及其结果。在图9中，圆形标记的浓淡对应于目标函数的大小，目标函数越小(淡)，意味着产率越高(结果越好)。于是，反应条件寻求部14基于最佳化理论确定接下来的实施工序s3的反应条件。
[0099]
实施工序s3～反应条件寻求工序s5的重复次数没有特别限定，优选重复直至能够达到在更新工序s4中速率常数充分集中、并且在反应条件寻求工序s5中能够寻求最佳反应条件(没有陷入局部解的风险)的程度的足够的次数(设为m次)(在步骤s6中为yes)。
[0100]
例如在第i次(1＜i＜m)实施工序s3中，按照在第i－1次反应条件寻求工序s5中反应条件寻求部14确定的反应条件，由plc2控制反应装置3实施化学反应。在第i次更新工序s4中，更新部13基于第1～i次实施工序s3的结果对反应网络图nd的速率常数进行更新。更新工序s4的次数越增加，速率常数的自由度越小，因此速率常数越集中于规定值。在第i次反应条件寻求工序s5中，反应条件寻求部14记录第i次实施工序s3中的反应条件及其结果，并基于最优化理论确定第i 1次实施工序s3的反应条件。
[0101]
图10表示第m次更新工序s4完成后的反应网络图nd。图10中仅表示所有路径的速率常数k
1－m 1
～k
7－m 1
中的k
1－m 1
～k
7－m 1
。速率常数k
1－m 1
～k
7－m 1
能够视为反应网络图nd中的
真实的速率常数。
[0102]
基于图10的反应网络图nd，容易发现产率高的反应路径。关于通过化学反应生成的副产物，在现有的反应路径寻求时大多不考虑，但由于反应网络图nd中也包含副产物，所以也能够期待发现在用户的经验法则或现有的理论中被忽略的反应路径。
[0103]
图11是表示最优化(第m次反应条件寻求工序s5完成后)中的贝叶斯优化的一例的说明图。在图11中，表示反应条件的圆点数为m，教导了在虚线框内存在最佳反应条件。基于此，容易发现最佳或接近最佳的反应条件。
[0104]
如上所述，在本实施方式中，在准备工序s1中准备反应网络图，在预测工序s2中通过梯度法算法等人工智能算法预测反应网络图的反应速率。反应网络图基于化学知识形成，利用考虑了反应网络图所表示的反应路径的人工智能算法来预测反应速率，因而能够高效地寻求化学反应的良好的反应条件。相对于此，在专利文献1中没有考虑到化学反应的反应速率。专利文献2中不使用表示从起始物质(起始分子)开始发生的化学反应的反应路径的反应网络图，因而也没有公开利用考虑了反应路径的人工智能算法来预测反应速率。
[0105]
并且，在实施工序s3～反应条件寻求工序s5中，利用贝叶斯优化等，基于使用了反应装置的化学反应的实施结果，以归纳法的方式寻求反应条件，因而能够在短时间内寻求良好的反应条件。由此，能够削减寻求反应条件所需的人手，实现寻求的高效化。
[0106]
补充事项
[0107]
以上对实施方式进行了说明，但能够理解只要不脱离请求保护的要点和范围，可以进行方式和细节的各种变更。
[0108]
例如，在上述实施方式中在更新工序s4之后执行反应条件寻求工序s5，但也可以在反应条件寻求工序s5之后执行更新工序s4。或者也可以同时执行更新工序s4和反应条件寻求工序s5。
[0109]
另外，反应条件寻求工序s5可以省略。在这种情况下，实施工序s3和更新工序s4可以一边改变反应条件一边一个个地反复进行，也可以先在多个反应条件下执行多次实施工序s3，之后再执行更新工序s4。
[0110]
另外，可以省略准备工序s1和预测工序s2、或仅省略准备工序s1。在这种情况下，例如，用户可以基于自身的经验法则等制成反应网络图。
[0111]
并且，还可以省略实施工序s3～反应条件寻求工序s5，基于在预测工序s2中得到的反应网络图nd寻求反应路径。在预测工序s2中预测得到的反应速率是通过梯度法算法等人工智能算法预测得到的理论上地反应速率，但只要不发生陷入局部解等大的误差，就能够发现接近最佳的反应路径。
[0112]
另外，在上述实施方式中，在预测工序s2中作为人工智能算法使用了梯度法算法、遗传算法、或它们的组合，但本发明并不限定于此。在预测工序s2中，也能够使用例如高斯牛顿法、em算法等人工智能算法。
[0113]
另外，在上述实施方式中，在反应条件寻求工序s5中通过贝叶斯优化寻求最佳反应条件，但寻求最佳反应条件的方法并不限定于此。在反应条件寻求工序s5中，也能够使用例如遗传算法、蚁群优化、强化学习等方法。
[0114]
另外，在上述实施方式中，作为寻求对象的反应条件是温度和停留时间，但反应条件的中种类和数量没有特别限定。例如，反应条件也可以包括原料分压。
[0115]
产业上的可利用性
[0116]
本发明能够适用于寻求所有的用于生成化学物质的化学反应的反应条件。
[0117]
附图标记说明
[0118]
1：解析装置；11：准备部；12：预测部；13：更新部；14：反应条件寻求部；2：plc；3：反应装置；31：反应器；4：分析装置；100：解析系统；a：起始物质；b～v：中间产物；w：最终产物；nd：反应网络图；s1：准备工序；s11：整体图表生成工序；s12：简化工序；s2：预测工序；s21：速率常数运算工序；s22：速率常数修正工序；s3：实施工序；s4：更新工序；s5：反应条件寻求工序。