设计支援装置、设计支援方法及设计支援程序

技术领域

本发明的一方面涉及一种设计支援装置、设计支援方法及设计支援程序。

背景技术

正在研究一种利用机械学习的产品设计。作为产品设计的一个领域，例如，在功能性材料的设计中，例如，通过实验以及使用由与制作完成的材料相关的原材料配合比和特性的对构成的学习数据的机械学习，构建推测材料特性的模型，对未实验的原材料配合比进行特性的预测。通过根据这种特性的预测来制定实验计划，能够有效地对材料特性及原材料配合比等参数进行优化，实现开发效率的提高。并且，作为这种优化的方法，已知贝叶斯优化(Bayesian Optimization)是有效的，已知使用贝叶斯优化而输出设计值的设计装置。

以往技术文献

专利文献

专利文献1：日本特开2020-52737号公报

发明内容

发明要解决的技术课题

另一方面，在材料等产品开发中，在赋予多个目标变量(特性)的状况下，为了提高根据设计变量而变化的多个特性，进行多个目标变量的优化。将其称为多目标优化。在目标变量之间存在权衡的情况下，最优解(帕雷托解：Pareto solution)存在多个，不固定为一个。例如，针对各目标变量设定目标值的情况下，为了得到最优的帕雷托解，考虑采取求出多个帕雷托解，选择接近设计目标的帕雷托解的方法。然而，在这种方法中，需要进行多个目标函数的评价，其处理负荷变得庞大，是不切实际的。这种问题不限于材料设计，在整个产品设计中是共通的。

因此，本发明是鉴于上述问题点而完成的，其目的在于能够通过更少的实验次数，以低负荷实现在产品、在制品、半成品、零件或者试制品的制作制程中构成目标变量的产品特性及设计变量的优化。

用于解决技术课题的手段

本发明的一方面所涉及的设计支援装置为了适用于在基于由多个设计参数构成的设计参数组所制作的产品、在制品、半成品、零件或者试制品的设计中，通过反复进行设计参数的确定和基于所确定的设计参数的产品、在制品、半成品、零件或者试制品的制作来实现设计参数的优化的方法，求出满足针对表示产品、在制品、半成品、零件或者试制品的特性的多个特性项的每一个而设定的目标值的、多个设计参数，所述设计支援装置具备：数据获取部，获取多个实绩数据，所述实绩数据由与制作完成的产品、在制品、半成品、零件或者试制品相关的、设计参数组和多个特性项的各自的观测值构成；模型构建部，基于实绩数据构建预测模型，所述预测模型基于设计参数组将特性项的观测值作为概率分布或其近似或者替代指标进行预测；获得函数构建部，构建目标指向获得函数，所述目标指向获得函数为将设计参数组作为输入，将与所有特性项所示的特性的提高相关的设计参数组的指标值作为输出的单一获得函数，其中，目标指向获得函数至少包括目标达成概率项，所述目标达成概率项包括整体达成概率，所述整体达成概率为所有特性项的目标值达成且基于预测模型将设计参数组作为变量算出的概率；设计参数组获取部，通过目标指向获得函数的优化，至少获取一个设计参数组；及输出部，输出由设计参数组获取部获取的设计参数组。

本发明的一方面所涉及的设计支援方法是设计支援装置中的设计支援方法，所述设计支援装置为了适用于在基于由多个设计参数构成的设计参数组所制作的产品、在制品、半成品、零件或者试制品的设计中，通过反复进行设计参数的确定和基于所确定的设计参数的产品、在制品、半成品、零件或者试制品的制作来实现设计参数的优化的方法，求出满足针对表示产品、在制品、半成品、零件或者试制品的特性的多个特性项的每一个而设定的目标值的、多个设计参数，所述设计支援方法具备如下步骤：数据获取步骤，获取多个实绩数据，所述实绩数据由与制作完成的产品、在制品、半成品、零件或者试制品相关的、设计参数组和多个特性项的各自的观测值构成；模型构建步骤，基于实绩数据构建预测模型，所述预测模型基于设计参数组将特性项的观测值作为概率分布或其近似或者替代指标进行预测；获得函数构建步骤，构建目标指向获得函数，所述目标指向获得函数为将设计参数组作为输入，将与所有特性项所示的特性的提高相关的设计参数组的指标值作为输出的单一获得函数，其中，目标指向获得函数至少包括目标达成概率项，所述目标达成概率项包括整体达成概率，所述整体达成概率为所有特性项的目标值达成且基于预测模型将设计参数组作为变量算出的概率；设计参数组获取步骤，通过目标指向获得函数的优化，至少获取一个设计参数组；及输出步骤，输出设计参数组获取步骤中所获取的设计参数组。

本发明的一方面所涉及的设计支援程序用于使计算机作为设计支援装置发挥功能，所述设计支援装置为了适用于在基于由多个设计参数构成的设计参数组所制作的产品、在制品、半成品、零件或者试制品的设计中，通过反复进行设计参数的确定和基于所确定的设计参数的产品、在制品、半成品、零件或者试制品的制作来实现设计参数的优化的方法，求出满足针对表示产品、在制品、半成品、零件或者试制品的特性的多个特性项的每一个而设定的目标值的、多个设计参数，所述设计支援程序使计算机实现如下功能：数据获取功能，获取多个实绩数据，所述实绩数据由与制作完成的产品、在制品、半成品、零件或者试制品相关的、设计参数组和多个特性项的各自的观测值构成；模型构建功能，基于实绩数据构建预测模型，所述预测模型基于设计参数组将特性项的观测值作为概率分布或其近似或者替代指标进行预测；获得函数构建功能，构建目标指向获得函数，所述目标指向获得函数为将设计参数组作为输入，将与所有特性项所示的特性的提高相关的设计参数组的指标值作为输出的单一获得函数，其中，目标指向获得函数至少包括目标达成概率项，所述目标达成概率项包括整体达成概率，所述整体达成概率为所有特性项的目标值达成且基于预测模型将设计参数组作为变量算出的概率；设计参数组获取功能，通过目标指向获得函数的优化，至少获取一个设计参数组；及输出功能，输出由设计参数组获取功能获取的设计参数组。

根据这一方面，基于实绩数据构建预测特性项的观测值的预测模型。该预测模型将观测值作为概率分布或其近似或者替代指标进行预测，因此能够根据所赋予的设计参数组，算出相对于特性项的目标值的达成概率。并且，构建将设计参数组作为输入，将与所有特性项的目标值的满足相关的指标值作为输出的目标指向获得函数。由于该目标指向获得函数包括包含与所有特性项的目标值的达成相关的整体达成概率的目标达成概率项，因此在由目标指向获得函数输出的指标值中，反映了整体达成概率。因此，通过将从目标指向获得函数输出的指标值作为目标变量的优化，能够得到与特性项相关的目标可达成的设计参数组。

在另一方面所涉及的设计支援装置中，设计参数组获取部可以获取优化目标指向获得函数的输出的至少一个设计参数组。

根据这一方面，能够得到能够接近与特性项相关的目标达成的设计参数组。

在另一方面所涉及的设计支援装置中，设计参数组获取部可以通过规定的算法获取多个设计参数组。

根据这一方面，能够容易地得到提供至下一实验的多个设计参数组。

在另一方面所涉及的设计支援装置中，整体达成概率是相对于各特性项的目标值的达成概率的无穷乘积，相对于各特性项的目标值的达成概率可以以通过将设计参数组输入到各特性项的预测模型所得到的观测值的概率分布为基础。

根据这一方面，以输出观测值的概率分布的方式构成预测模型，因此能够得到与设计参数组对应的各特性项的目标值的达成概率。然后，由于通过各特性项的目标值的达成概率的无穷乘积算出的整体达成概率包括在目标指向获得函数的目标达成概率项中，因此在来自目标指向获得函数的指标值中适当地反映了整体达成概率。

在另一方面所涉及的设计支援装置中，目标达成概率项可以由整体达成概率或整体达成概率的对数构成。

根据这一方面，目标达成概率项由整体达成概率或整体达成概率的对数构成，因此在来自目标指向获得函数的指标值中适当地反映了整体达成概率。

在另一方面所涉及的设计支援装置中，获得函数构建部针对每个特性项构建获得函数，所述获得函数将设计参数组作为输入，将与特性项所示的特性的提高相关的设计参数组的指标值作为输出，目标指向获得函数还可以包含各特性项的获得函数的加权和的项。

根据这一方面，各特性项的获得函数的加权和的项包括在目标指向获得函数中，因此与设计参数组对应的每个特性项的特性的提高适当地反映在来自目标指向获得函数的指标值中。

在另一方面所涉及的设计支援装置中，目标指向获得函数可以包括各特性项的获得函数的加权和的项与目标达成概率项之和。

根据这一方面，与设计参数组对应的、每个特性项的特性的提高程度及与所有特性项的目标值的达成相关的整体达成概率的大小适当地反映在来自目标指向获得函数的指标值中。

在另一方面所涉及的设计支援装置中，目标指向获得函数可以包括各特性项的获得函数的加权和的项与目标达成概率项之积。

根据这一方面，与设计参数组对应的、每个特性项的特性的提高程度及与所有特性项的目标值的达成相关的整体达成概率的大小适当地反映在来自目标指向获得函数的指标值中。

在另一方面所涉及的设计支援装置中，获得函数构建部可以通过LCB(LowerConfidence Bound：低置信限)、EI(Expected Improvement：期望增益)及PI(Probabilityof Improvement：增益概率)中的任一个，构建各特性项的获得函数。

根据这一方面，构建适于评价各特性项所示的特性的提高的获得函数。

在另一方面所涉及的设计支援装置中，获得函数构建部可以构建获得函数，所述获得函数包括根据设计参数组而产生的、与包含产品、在制品、半成品、零件或者试制品的制作所需的时间及费用中的至少任一个的成本相关的成本值，输出表示该成本值越大，设计参数组的适合程度越减少的指标值。

根据这一方面，在获取设计参数组时，考虑产品的制作所需的成本。因此，能够降低与产品的制作及实验等相关的成本。

在另一方面所涉及的设计支援装置中，预测模型可以为将设计参数组作为输入，将观测值的概率分布作为输出的回归模型或分类模型，模型构建部可以通过使用实绩数据的机械学习，构建预测模型。

根据这一方面，预测模型构建为规定的回归模型或分类模型，因此可以得到能够获取特性项的观测值的概率分布或其近似或者替代指标的预测模型。

在另一方面所涉及的设计支援装置中，预测模型也可以为使用基于贝叶斯定理的预测值的事后分布、构成集成的预测器的预测值的分布、回归模型的预测区间及可靠区间的理论公式、蒙特卡罗丢弃法及在不同条件下构建有多个的预测器的预测的分布中的任一个，预测观测值的概率分布或其近似或者替代指标的机械学习模型。

根据这一方面，构建能够预测作为基于设计参数组的特性项的观测值的概率分布或其近似或者替代指标的预测模型。

发明效果

根据本发明的一方面，能够通过更少的实验次数，以低负荷实现在产品、在制品、半成品、零件或者试制品的制作制程中构成目标变量的产品等特性及设计变量的优化。

附图说明

图1是表示适用实施方式所涉及的设计支援装置的材料设计的制程的概要的图。

图2是表示实施方式所涉及的设计支援装置的功能结构的一例的框图。

图3是实施方式所涉及的设计支援装置的硬件框图。

图4是表示与制作完成的材料相关的设计参数组的例的图。

图5是表示与制作完成的材料相关的观测值的例的图。

图6是表示材料设计中的特性项及设计参数的优化的制程的流程图。

图7是表示实施方式所涉及的设计支援装置中的设计支援方法的内容的一例的流程图。

图8是表示设计支援程序的结构的图。

具体实施方式

以下，参考附图，对本发明的实施方式进行详细说明。另外，在附图的说明中，对相同或者同等的要件标注相同的符号，并省略重复说明。

图1是表示适用实施方式所涉及的设计支援装置的产品、在制品、半成品、零件或者试制品的设计制程的一例即材料设计制程的概要的图。另外，以下，将“产品、在制品、半成品、零件或者试制品”记载为“产品等”。本实施方式的设计支援装置10能够适用于具有表示该产品等特性的多个特性项及各特性项的目标值的所有产品等的设计制程。设计支援装置10能够适用于通过反复进行设计参数的确定和基于所确定的设计参数的产品、在制品、半成品、零件或者试制品的制作来实现产品等设计参数及目标变量的优化的方法。具体而言，设计支援装置10除了材料的开发·设计以外，例如，还能够适用于汽车及药品等产品的设计、药品的分子结构的优化等。在本实施方式中，如上所述，通过作为产品等设计的一例的材料设计的例子，对基于设计支援装置10的设计支援处理进行说明。

如图1所示，基于设计支援装置10的设计支援处理，适用于工厂及实验室A等中的材料的制作及实验。即，根据所设定的设计参数组x，在工厂及实验室A等中制作材料，基于所制作的材料，获取表示材料特性的多个特性项的观测值y。另外，工厂及实验室A中的材料制作及实验也可以是模拟的。在这种情况下，设计支援装置10提供用于执行下一模拟的设计参数组x。

设计支援装置10基于由设计参数组x及基于设计参数组x所制作的材料的多个特性项的观测值y构成的实绩数据，进行多个特性项及设计参数的优化。具体而言，设计支援装置10基于与制作完成的材料相关的设计参数组x及观测值y，输出有可能得到用于进行下一制作及实验的更适合的特性的设计参数组x。

例如，本实施方式的设计支援装置10适用于在材料产品的设计中，对多个设计变量进行调整来达成多个目标特性的目的。作为材料产品的设计的一例，在将多种聚合物及添加剂混合来制作某材料的情况下，设计支援装置10将各聚合物及添加剂的配合量等设计参数组作为设计变量，将作为特性项的弹性模量、热膨胀系数的观测值作为目标变量，用于调整达成多个特性项的目标值的设计参数组。

图2是表示实施方式所涉及的设计支援装置的功能结构的一例的框图。设计支援装置10是在基于由多个设计参数构成的设计参数组所制作的材料的设计中，求出满足针对表示材料特性的多个特性项的每一个而设定的目标值的、多个设计参数的装置。如图2所示，设计支援装置10可以包括构成为处理器101的功能部、设计参数存储部21及观测值存储部22。对各功能部，在后面进行叙述。

图3是表示构成实施方式所涉及的设计支援装置10的计算机100的硬件结构的一例的图。另外，计算机100可以构成设计支援装置10。

作为一例，计算机100具备处理器101、主存储装置102、辅助存储装置103及通信控制装置104作为硬件构成要件。构成设计支援装置10的计算机100还可以包括作为输入器件的键盘、触摸面板、鼠标等输入装置105及显示器等输出装置106。

处理器101是执行操作系统及应用程序的运算装置。作为处理器的例子，可以举出CPU(Central Processing Unit：中央处理单元)及GPU(Graphics Processing Unit：图形处理单元)，但处理器101的种类并不限定于此。例如，处理器101也可以是传感器及专用电路的组合。专用电路可以是FPGA(Field-Programmable Gate Array：现场可编程门阵列)等可编程电路，也可以是其他种类的电路。

主存储装置102是存储用于实现设计支援装置10等的程序、从处理器101输出的运算结果等的装置。主存储装置102例如由ROM(Read Only Memory：只读存储器)及RAM(Random Access Memory：随机存取存储器)中的至少一个构成。

辅助存储装置103通常是能够存储比主存储装置102更大量的数据的装置。辅助存储装置103例如由硬盘、闪存等非易失性存储介质构成。辅助存储装置103存储用于使计算机100作为设计支援装置10等发挥功能的设计支援程序P1和各种数据。

通信控制装置104是经由通信网络而在与其他计算机之间执行数据通信的装置。通信控制装置104例如由网卡或无线通信模块构成。

设计支援装置10的各功能要件通过在处理器101或主存储装置102上，读入对应的程序P1并使处理器101执行该程序来实现。程序P1包括用于实现对应服务器的各功能要件的代码。处理器101根据程序P1操作通信控制装置104，执行主存储装置102或辅助存储装置103中的数据的读取及写入。通过这种处理来实现对应服务器的各功能要件。

程序P1可以固定地记录在CD-ROM、DVD-ROM、半导体存储器等有形记录介质之后而提供。或者，这些程序中的至少一个也可以经由通信网络，作为叠加在载波上的数据信号而提供。

再次参考图2，设计支援装置10具备数据获取部11、模型构建部12、获得函数构建部13、设计参数组获取部14及输出部15。如图2所示，设计参数存储部21及观测值存储部22可以构成于设计支援装置10，也可以构成为能够从设计支援装置10访问的其他装置。

数据获取部11获取多个与制作完成的材料相关的实绩数据。实绩数据由设计参数组和多个特性项的各自的观测值的对构成。设计参数存储部21是存储实绩数据中的设计参数组的存储机构，例如可以构成于主存储装置102及辅助存储装置103等。观测值存储部22是存储实绩数据中的观测值的存储机构。

图4是表示存储在设计参数存储部21中的设计参数组的一例的图。如图4所示，设计参数存储部21存储第一次(t＝1)至第(T-1)次(t＝T-1)的材料制作中的设计参数组x

图5是表示存储在观测值存储部22中的观测值y的一例的图。如图5所示，观测值存储部22存储表示第一次(t＝1)至第(T-1)次(t＝T-1)的材料制作中所制作的材料特性的多个特性项(m＝1～M)的观测值y

设计支援装置10基于第一次(t＝1)至第(T-1)次(t＝T-1)的材料制作中的实绩数据，求出用于第T次的材料制作的设计参数组x

模型构建部12基于实绩数据构建预测模型。预测模型是基于设计参数组x，将特性项m的观测值y

例如，预测模型也可以是将设计参数x作为输入，将观测值y

并且，预测模型可以为使用基于贝叶斯定理的预测值的事后分布、构成集成的预测器的预测值的分布、回归模型的预测区间及可靠区间的理论公式、蒙特卡罗丢弃法及在不同条件下构建有多个的预测器的预测的分布中的任一个，预测观测值的概率分布或其近似或者替代指标的机械学习模型。观测值的概率分布或者其替代指标的预测能够通过模型固有的方法而得到。关于观测值的概率分布或其近似或者替代指标，若为高斯过程回归及贝叶斯神经网络则能够基于预测值的事后分布而得到，若为随机森林则能够基于构成集成的预测器的预测的分布而得到，若为线性回归则能够基于预测区间及可靠区间而得到，以及若为神经网络则能够基于蒙特卡罗丢弃法而得到。但是，针对各机械学习模型的观测值的分布或其替代指标的算出方法并不限定于上述方法。

并且，任何模型还可以扩展到能够预测观测值的概率分布或其替代指标的模型。例如，作为其一例，可以举出如下模型：将通过自助法等构建多个数据集，并通过对各个数据集构建预测模型而得到的各模型的预测值的分布，用作观测值的概率分布的替代指标。但是，将机械学习模型拓展到能够预测观测值的概率分布或其替代指标的模型的方法并不限定于上述方法。

并且，预测模型也可以通过线性回归、PLS回归、高斯过程回归、随机森林等Bagging集成学习、梯度提升等提升(Boosting)集成学习、支持向量机及神经网络等构建。

在构建为高斯过程回归的预测模型中，通过将构成教师数据的说明变量的实绩数据中的设计参数组x及构成目标变量的观测值y以及预测对象的设计参数x输入到模型，预测了观测值的概率分布。

并且，模型构建部12也可以通过公知的超参数调整的方法，对预测模型的超参数进行调整。即，模型构建部12可以通过使用表示作为实绩数据中的说明变量的设计参数组x的向量和作为目标变量的观测值y的极大似然估计，更新通过高斯过程回归构建的预测模型的超参数。

并且，预测模型也可以由分类模型构建。在预测模型为分类模型的情况下，模型构建部12能够通过能够进行使用实绩数据的公知的概率分布的评价的机械学习的方法构建预测模型。

如此，通过模型构建部12利用规定的回归模型或分类模型来构建预测模型，能够基于任意的设计参数组x，获取特性项的观测值的概率分布。

并且，预测模型也可以为将一个特性项的观测值作为概率分布或其近似或者替代指标进行预测的单任务模型或者将多个特性项的观测值作为概率分布或其近似或者替代指标进行预测的多任务模型。如此，通过利用根据特性项的性质适当构成的多任务模型或单任务模型来构建预测模型，能够提高基于预测模型的观测值的预测精度。

获得函数构建部13构建目标指向获得函数，该目标指向获得函数是将设计参数组作为输入，将与所有特性项所示的特性的提高相关的设计参数组的指标值作为输出的单一获得函数。目标指向获得函数至少包括目标达成概率项。目标达成概率项包括整体达成概率，该整体达成概率是基于预测模型将所述设计参数组作为变量算出的概率。整体达成概率是所有特性项的目标值达成的概率。

具体而言，获得函数构建部13构建如以下的式(1)所示的目标指向获得函数A’(x)。

A’(x)＝g(P(x))…(1)

在式(1)中，g(P(x))为目标达成概率项。即，目标指向获得函数A’(x)至少包括目标达成概率项g(P(x))。

目标达成概率项包括整体达成概率P(x)。例如，若假设各特性项的目标达成现象彼此独立，则整体达成概率P(x)可以定义为以下的式(2)。

P(x)＝Π

即，整体达成概率P(x)是各特性项m(m＝1～M)的达成概率Pm(x)的无穷乘积。由于预测模型能够基于设计参数组x预测特性项的观测值的概率分布，因此各特性项的达成概率Pm(x)能够表现为将使用各特性项的预测模型的设计参数组x作为输入变量的函数。并且，整体达成概率P(x)也可以不经过各特性项的达成概率的算出，而表现为将基于所有特性项的预测模型的设计参数组x作为输入变量的函数。

目标达成概率项g(P(x))构成为包括整体达成概率P(x)。例如，如式(3)所示，目标达成概率项g(P(x))可以由整体达成概率P(x)构成，如式(4)所示，也可以由整体达成概率P(x)的对数构成。

g(P(x))＝P(x)…(3)

g(P(x))＝log(P(x))…(4)

并且，目标达成概率项可以为将整体达成概率P(x)或整体达成概率P(x)的对数进一步乘以系数的项，也可以包括用于进一步相加其他要素的项。

如此，在本实施方式的一例中，以输出观测值的概率分布的方式构成预测模型，因此能够得到与设计参数组对应的各特性项m的目标值的达成概率Pm(x)。然后，由于通过各特性项m的目标值的达成概率Pm(x)的无穷乘积算出的整体达成概率包括在目标指向获得函数的目标达成概率项中，因此在来自目标指向获得函数的指标值中适当地反映了整体达成概率。

获得函数构建部13可以构建除了目标达成概率项之外，还包括各特性项m的获得函数Am(x)的加权和的项的目标指向获得函数。获得函数Am(x)的加权和的项例如如以下的式(5)所示。

Σw

在式(5)中，w

如式(6)所示，获得函数构建部13可以构建包括各特性项的获得函数的加权和的项与所述目标达成概率项之和的目标指向获得函数A’(x)。

A’(x)＝Σw

并且，如式(6)所示，获得函数构建部13可以构建包括各特性项的获得函数的加权和的项与所述目标达成概率项之积的目标指向获得函数A’(x)。

A’(x)＝Σw

为了构建如式(6)及式(7)中所例示的目标指向获得函数A’(x)，获得函数构建部13可以针对每个特性项m，构建将设计参数组作为输入变量，将与特性项所示的特性的提高相关的设计参数组的指标值作为输出的获得函数。具体而言，获得函数构建部13基于预测模型，构建每个特性项m的获得函数Am(x)。获得函数Am(x)是将设计参数组x作为输入变量，将与各特性项m所示的特性的提高相关的设计参数组的指标值作为输出的函数。获得函数是为了提高通过预测模型预测的特性项的观测值，输出表示作为说明变量的作为设计参数组的解的适合程度(包括接近最优解或者适于探索最优解)的指标值的函数。

获得函数构建部13例如可以由LCB(Lower Confidence Bound：低置信限)等公知的函数构成获得函数。

LCB用于使函数的输出最小化的情况，通过使LCB的值最小化，可以得到适合的设计参数。在通过LCB构建获得函数的情况下，获得函数构建部13可以如以下的式(9)那样定义及构建获得函数Am(x)。

Am(x)＝m(x)-aσ(x)…(9)

上述获得函数的式是表示假设通过预测模型预测的观测值遵循正态分布时的可靠区间下限的式，上述式中的m(x)为预测的平均，σ(x)为预测的分散，a为任意的参数。

在将预测模型构建为高斯过程回归的情况下，高斯过程回归的模型的事后分布的理论公式中，通过将构成教师数据的说明变量的实绩数据中的设计参数组x及构成目标变量的观测值y以及预测对象的设计参数组x作为输入，求出了m(x)及σ(x)。

并且，获得函数构建部13也可以由EI(Expected Improvement：期望增益)及PI(Probability of Improvement：增益概率)等公知的函数来构成获得函数Am(x)。

另外，获得函数构建部13也可以针对每个特性项构建获得函数，该获得函数包括定义基于设计参数组x的材料的制作及实验所涉及的成本(时间及费用等)的成本函数cost(x)。获得函数构建部13构建获得函数，该获得函数输出表示通过成本函数算出的成本值越大，设计参数组x的适合程度越减少的指标值。

具体而言，在构建适合使输出最大化的获得函数的情况下，获得函数构建部13构建如下获得函数，通过成本函数算出的成本值越大，输出越小的指标值。获得函数构建部13可以构建如以下的式(10)所示的获得函数Am(x)’。

Am(x)’＝Am(x)-cost(x)…(10)

并且，在构建适合使输出最小化的获得函数的情况下，获得函数构建部13构建如下获得函数，通过成本函数算出的成本值越大，输出越大的指标值。获得函数构建部13可以构建如以下的式(11)所示的获得函数Am(x)’。

Am(x)’＝Am(x)+cost(x)…(11)

另外，包含成本函数的获得函数不限于上述的例子，也可以包含将成本函数或成本值乘以指标值，或将指标值除以成本函数或成本值的项。

通过实现这种包含考虑了成本的获得函数的目标指向获得函数的优化，在材料的制作及实验中，会考虑到材料的制作所需的成本，因此能够降低与材料的制作及实验等相关的成本。

设计参数组获取部14通过目标指向获得函数的优化，至少获取一个设计参数组。具体而言，作为一例，设计参数组获取部14可以获取优化目标指向获得函数的输出的至少一个设计参数组。具体而言，设计参数组获取部14实施将从由获得函数构建部13构建的目标指向获得函数A’(x)输出的指标值作为目标变量的优化，获取设计参数组x作为最优解。

并且，作为一例，设计参数组获取部14也可以通过规定的算法来获取多个设计参数组。具体而言，设计参数组获取部14可以通过将批量贝叶斯优化的方法应用于目标指向获得函数，获取多个设计参数组。批量贝叶斯优化的方法例如可以为Local Penalization等方法，该方法不受限定。

输出部15输出由设计参数组获取部14获取的设计参数组。即，输出部15输出基于从第一次(t＝1)至第(T-1)次(t＝T-1)的材料制作中的实绩数据而得到的设计参数组，作为用于第T次的材料制作的设计参数组x

并且，在通过设计参数组获取部14获取多个设计参数组的情况下，输出部15输出所获取的设计参数组，作为用于第(T-1)次的下一次以后的N次量的材料制作的设计参数组。用于多次量的材料制作的设计参数组也可以用于同时的实验及材料制作。

输出方式并不受限定，输出部15例如通过在规定的显示装置上显示或者存储在规定的存储机构中，输出设计参数组候选。

图6是表示材料设计中的特性项及设计参数组的优化的制程的流程图。

在步骤S1中，获取设计参数组。这里获取的设计参数组用于初始的材料制作(实验)，可以为任意设定的设计参数组，也可以为基于已进行的实验等而设定的设计参数组。

在步骤S2中，进行材料制作。在步骤S3中，获取所制作的材料的特性项的观测值。作为步骤S2中的制作条件的设计参数组和步骤S3所获取的各特性项的观测值的对构成实绩数据。

在步骤S4中，判定是否满足规定的结束条件。规定的结束条件为用于设计参数组及特性项的观测值的优化的条件，可以任意设定。用于优化的结束条件例如可以为制作(实验)及观测值的获取达到规定次数、观测值达到目标值及优化的收敛等。在判定为满足规定的结束条件的情况下，结束优化的制程。在判定为为满足规定的结束条件的情况下，制程进行到步骤S5。

在步骤S5中，进行基于设计支援装置10的设计支援处理。设计支援处理是输出用于下一材料制作的设计参数组的处理。然后，制程重新返回到步骤S1。

另外，在由步骤S1～S5构成的处理循环的第1循环中，在得到多个设计参数组及特性项的观测值的对作为初始数据的情况下，省略步骤S1～S4的处理。在无法得到初始数据的情况下，在步骤S1中，例如获取通过实验计划法及随机搜索等任意的方法而得到的设计参数组。在处理循环的第2循环之后，在步骤S1中，获取步骤S5中所输出的设计参数组。

图7是表示实施方式所涉及的设计支援装置10中的设计支援方法的内容的一例的流程图，示出图6中的步骤S5的处理。如下执行设计支援方法：在处理器101中读入设计支援程序P1，通过执行该程序，实现各功能部11～15。

在步骤S11中，数据获取部11获取多个与制作完成的材料相关的实绩数据。实绩数据由设计参数组和特性项的各自的观测值的对构成。

在步骤S12中，模型构建部12基于实绩数据构建预测模型。

在步骤S13中，获得函数构建部13构建将设计参数组作为输入，将与所有特性项所示的特性的提高相关的设计参数组的指标值作为输出的目标指向获得函数。目标指向获得函数至少包括目标达成概率项。

在步骤S14中，设计参数组获取部14通过对目标指向获得函数的输出进行单目标优化，获取设计参数组。具体而言，设计参数组获取部14实施将从由获得函数构建部13构建的目标指向获得函数A’(x)输出的指标值作为目标变量的优化，获取设计参数组x作为最优解。

在步骤S15中，输出部15输出步骤S14中所选择的设计参数组候选，作为用于下一材料制作(步骤S1)的设计参数组。

接着，对用于使计算机作为本实施方式的设计支援装置10发挥功能的设计支援程序进行说明。图8是表示设计支援程序的结构的图。

设计支援程序P1构成为具备：总体控制设计支援装置10中的设计支援处理的主模块m10、数据获取模块m11、模型构建模块m12、获得函数构建模块m13、设计参数组获取模块m14及输出模块m15。然后，通过各模块m11～m15来实现用于数据获取部11、模型构建部12、获得函数构建部13、设计参数组获取部14及输出部15的各功能。

另外，设计支援程序P1可以为经由通信线路等传输介质而传输的方式，也可以如图8所示，为存储在记录介质M1中的方式。

根据以上所说明的本实施方式的设计支援装置10、设计支援方法及设计支援程序P1，构建基于实绩数据预测特性项的观测值的预测模型。该预测模型将观测值作为概率分布或其近似或者替代指标进行预测，因此能够根据所赋予的设计参数组，算出相对于特性项的目标值的达成概率。并且，构建将设计参数组作为输入，将与所有特性项的目标值的满足相关的指标值作为输出的目标指向获得函数。由于该目标指向获得函数包括包含与所有特性项的目标值的达成相关的整体达成概率的目标达成概率项，因此在由目标指向获得函数输出的指标值中，反映了整体达成概率。因此，通过将从目标指向获得函数输出的指标值作为目标变量的优化，能够得到与特性项相关的目标可达成的设计参数组。

以上，基于该实施方式对本发明进行详细说明。但是，本发明并不限定于上述实施方式。在不脱离其主旨的范围内，本发明能够进行各种变形。

符号说明

10-设计支援装置，11-数据获取部，12-模型构建部，13-获得函数构建部，14-设计参数组获取部，15-输出部，21-设计参数存储部，22-观测值存储部，100-计算机，101-处理器，102-主存储装置，103-辅助存储装置，104-通信控制装置，105-输入装置，106-输出装置，M1-记录介质，m10-主模块，m11-数据获取模块，m12-模型构建模块，m13-获得函数构建模块，m14-设计参数组获取模块，m15-输出模块，P1-设计支援程序。