预测装置、学习装置、预测方法、学习方法、预测程序及学习程序

技术领域

本发明涉及一种预测装置、学习装置、预测方法、学习方法、预测程序及学习程序。

背景技术

进行合金等的材料设计中，重要的是在规定的温度区间内计算热力学平衡状态下的相分率，而现如今在推行根据材料组成信息以低成本实现该相分率计算的模型的开发。

作为一例，以下专利文献1中公开了一种通过使用多层神经网络，能以低成本预测规定的温度区间内的各温度下的相分率的模型。

<现有技术文献>

<专利文献>

专利文献1：国际公开第2020/090617号

发明内容

<本发明要解决的问题>

但是，在使用多层神经网络的模型的情况下，在计算各温度下的相分率时，无法反映出相邻的温度区域中的相分率的预测结果。因此，在预测出规定的温度区间内的相分率的情况下，在一部分温度区域中，可能出现相分率的预测精度降低的情况。

本发明的目的是在根据材料组成来预测规定的温度区间内的相分率的模型中，提高预测精度。

<用于解决问题的手段>

本发明的第1方式的预测装置具有使用将学习对象的材料的材料组成与规定的温度区间内的所述学习对象的材料在各温度下的相分率关联而成的学习用数据进行学习而得到的学习完毕模型，所述学习完毕模型被构成为使用由所述学习完毕模型针对所述规定的温度区间内的第i个为止的温度预测出的相分率，来预测第i+1个温度下的相分率，通过将预测对象材料的材料组成输入到所述学习完毕模型中，预测在所述规定的温度区间内的所述预测对象材料在各温度下的相分率，i为1以上的整数。

本发明的第2方式基于第1方式所述的预测装置，其中，在所述学习完毕模型中，应用能够计算出作为每个规定的时间间隔的数据的时序数据的架构，所述学习完毕模型根据所述预测对象的材料的材料组成，按每个规定的温度间隔来预测相分率。

本发明的第3方式基于第2方式所述的预测装置，其中，所述学习完毕模型是RNN、Bidirectional RNN、Seq2Seq、附有Attention机制的Seq2Seq、GRU、LSTM或Transformer的任一个。

本发明的第4方式基于第3方式所述的预测装置，其中，所述学习完毕模型包括：编码部，根据预测对象的材料的材料组成的输入，来输出特征量；解码部，根据被输出的所述特征量与预测出的第i个为止的温度下的相分率的输入，来预测第i+1个温度下的相分率。

本发明的第5方式基于第1方式所述的预测装置，其中，所述的相分率是热力学平衡状态的相分率。

本发明的第6方式的学习装置具有使用将学习对象的材料的材料组成与规定的温度区间内的所述学习对象的材料在各温度下的相分率关联而成的学习用数据进行学习而得到的模型，所述模型使用所述规定的温度区间内的第i个为止的温度(i为1以上的整数)的正确数据，输出相当于第i+1个温度下的相分率的输出数据。

本发明的第7方式基于第6方式所述的学习装置，其中，所述模型包括：编码部，根据所述学习对象的材料的材料组成的输入，来输出特征量；解码部，根据被输出的所述特征量与所述第i个为止的温度下的相分率的正确数据的输入，输出相当于所述第i+1个温度下的相分率的输出数据。

本发明的第8方式基于第6方式所述的学习装置，还具有计算部，通过对根据所述学习对象的材料的材料组成的输入而由所述模型输出的输出数据和与所述学习对象的材料的材料组成关联而成的、所述规定的温度区间内的各温度下的相分率进行对比，来计算损失函数。

本发明的第9方式基于第8方式所述的学习装置，其中，所述计算部通过计算所述损失函数而输出的损失中至少包含以下当中的任一个：

将根据所述学习用数据确定的各相所生成或消失的温度下的、根据所述输出数据确定的相分率与根据学习用数据确定的相分率之误差，以全相进行相加的第1加法结果；或

将所述输出数据中包含的各温度下的相分率与所述学习用数据中包含的各温度下的相分率之误差，以规定的温度区间进行相加的第2加法结果；或

将所述输出数据中包含的各温度下的相分率的对数值与所述学习用数据中包含的各温度下的相分率的对数值的误差，以规定的温度区间进行相加的第3加法结果；或

将所述输出数据中包含的各温度下的相分率中的相邻温度间的相分率的差分值与所述学习用数据中包含的各温度下的相分率中的相邻温度间的相分率的差分值的误差，以规定的温度区间进行相加的第4加法结果；或

将所述输出数据中包含的各温度下的相分率的比率与所述学习用数据中包含的各温度下的相分率的比率的误差，以规定的温度区间进行相加的第5加法结果。

本发明的第10方式基于第9方式所述的学习装置，其中，所述计算部对所述第1加法结果～第5加法结果进行加权相加。

本发明的第11方式基于第9方式所述的学习装置，其中，所述计算部在计算所述相分率的对数值时，通过对与所述相分率的小数首位对应的值进行相加，以使所述相分率的对数值非负化。

本发明的第12方式基于第8方式所述的学习装置，其中，所述计算部将所述规定的温度区间分为包含多个相生成与消失的特定区间，以及除了所述特定区间以外的非特定区间，并在特定区间及非特定区间分别计算损失函数。

本发明的第13方式基于第6方式所述的学习装置，其中，所述学习用数据中包含的所述学习对象的材料的材料组成，根据从各元素的量的下限值与上限值之间随机选择的量而决定。

本发明的第14方式基于第6方式所述的学习装置，其中，所述材料组成包括表示物质中所包含的各化学成分的比率的化学组成、或表示合金中所包含的各金属元素或各非金属元素的比率的合金组成中的任一种。

本发明的第15方式的预测方法是由计算机执行使用将学习对象的材料的材料组成与规定的温度区间内的所述学习对象的材料在各温度下的相分率关联而成的学习用数据进行学习而得到的学习完毕模型的预测方法，所述学习完毕模型被构成为使用由所述学习完毕模型针对所述规定的温度区间内的第i个为止的温度(i为1以上的整数)预测出的相分率，来预测第i+1个温度下的相分率，通过将预测对象的材料的材料组成输入到所述学习完毕模型中，来预测在所述规定的温度区间内的所述预测对象的材料在各温度下的相分率。

本发明的第16方式的学习方法是由计算机执行使用将学习对象的材料的材料组成与规定的温度区间内的所述学习对象的材料在各温度下的相分率关联而成的学习用数据来进行学习而得到的模型的学习方法，所述模型使用所述规定的温度区间内的第i个为止的温度(i是1以上的整数)的正确数据，来输出相当于第i+1个温度下的相分率的输出数据。

本发明的第17方式的预测程序用于使计算机执行使用将学习对象的材料的材料组成与规定的温度区间内的所述学习对象的材料在各温度下的相分率关联而成的学习用数据进行学习而得到的学习完毕模型，所述学习完毕模型被构成为使用由所述学习完毕模型针对所述规定的温度区间内的第i个为止的温度(i为1以上的整数)预测出的相分率，来预测第i+1个温度下的相分率，通过将预测对象的材料的材料组成输入到所述学习完毕模型中，来预测在所述规定的温度区间内的所述预测对象材料在各温度下的相分率。

本发明的第18方式的学习程序使计算机执行使用将学习对象的材料的材料组成与规定的温度区间内的所述学习对象的材料在各温度下的相分率关联而成的学习用数据进行学习而得到的模型，所述模型使用在规定的温度区间内的第i个为止的温度(i是1以上的整数)的正确数据，输出相当于第i+1个温度下的相分率的输出数据。

<发明的效果>

根据本发明，能够在根据材料组成来预测规定的温度区间内的相分率的模型中，提高预测精度。

附图说明

图1是表示预测系统的系统结构的一例，以及学习装置与预测装置的功能结构的一例的图。

图2是表示学习装置以及预测装置的硬件结构的一例的图。

图3是表示学习用数据的构成，以及输入数据与及正确数据的具体例的图。

图4是表示学习用数据生成部的功能结构的一例的图。

图5是表示学习部的功能结构的一例的图。

图6是表示学习部的操作例的第1图。

图7是表示学习部的操作例的第2图。

图8是表示由损失函数计算部进行的损失的计算方法的一例的第1图。

图9是表示学习处理的流程的流程图。

图10是表示预测部的功能结构的一例的图。

图11是表示预测部的动作例的图。

图12是表示预测处理的流程的流程图。

图13是用于说明预测精度的图。

图14是表示由损失函数计算部进行的损失的计算方法的一例的第2图。

具体实施方式

以下，参照附图来说明各实施方式。需要一提的是，在本说明书及附图中，对实质上具有相同功能结构的结构要素标注相同的符号，以省略重复说明。

[第1实施方式]

<预测系统的系统结构、学习装置及预测装置的功能结构>

首先，关于第1实施方式所涉及的具备学习装置与预测装置的预测系统的系统结构，以及学习装置与预测装置的功能结构进行说明。在本实施方式中，预测系统是通过使用预测模型，根据材料组成信息以低成本对规定的温度区间内的各温度下的相分率(热力学平衡状态下的相分率。以下，简称为“相分率”。)进行预测的系统。

图1是表示预测系统的系统结构的一例，以及学习装置与预测装置的功能结构的一例的图。如图1所示，预测系统100包括学习装置110与预测装置120。

在学习装置110中安装有学习程序，通过执行该程序，学习装置110发挥出作为学习用数据生成部111、学习部112的功能。

学习用数据生成部111生成用于进行预测模型的学习的学习用数据，并存放在学习用数据存放部113中。在本实施方式中，作为用于进行预测模型的学习的学习用数据，设想在学习用数据存放部113中，将不同组合的多个材料组成信息与关于各个材料组成信息在规定的温度区间内的各温度下的相分率关联起来进行存放。

学习部112从学习用数据存放部113读出学习用数据，并使用所读出的学习用数据进行预测模型的学习。学习部112进行预测模型的学习，以使将存储在学习用数据中的材料组成信息输入到预测模型中时的输出数据接近与学习用数据关联起来存储的、规定的温度区间内的各温度下的相分率。由此，学习部112生成学习完毕预测模型。此外，学习部112将生成的学习完毕预测模型存放在预测装置120的预测部122中。

另外，在学习部112，作为预测模型，应用作为能够计算出作为每个规定时间间隔的数据时序数据的架构(通常，用于自然语言处理等的架构)的

·附有Attention机制的Seq2Seq，或

·Transformer。由此，根据该预测模型，通过输入存放在学习用数据中的材料组成信息，将依次输出相当于规定的温度区间内的各温度下的相分率的输出数据。

在此，“依次输出相当于各温度下的相分率的输出数据”是指，例如，使用关于第i个为止的温度而在学习用数据中存放的正确数据，由该预测模型输出相当于第i+1个温度下的相分率的输出数据。i是1以上的整数。

如上所述，学习部112是依次输出相当于各温度下的相分率的输出数据的结构(将相当于各温度下的相分率的输出数据作为时序数据进行处理的结构)。从而，根据学习部112，能够进行反映出相当于相邻的温度区域中的相分率的输出数据的学习。

在预测装置120中安装有预测程序，通过执行该程序，预测装置120发挥出作为材料组成输入部121、预测部122及显示部123的功能。

材料组成输入部121，在有预测对象的材料的材料组成信息被输入时，接受该信息，并通知预测部122。

预测部122具有由学习部112进行学习而得出的学习完毕预测模型，通过将由材料组成输入部121通知的材料组成信息输入到该学习完毕预测模型，依次预测规定的温度区间内的各温度下的相分率。即，预测部122按每个规定的温度间隔依次预测规定的温度区间内的相分率。

在此，“按每个规定的温度间隔依次预测相分率”是指，例如，使用学习完毕预测模型关于第i个为止的温度(i为1以上的整数)进行预测的相分率，由该学习完毕预测模型对第i+1个温度下的相分率进行预测。

如上所述，预测部122是依次预测各温度下的相分率的结构(即，通过递归型网络，将各温度下的相分率作为时序数据进行处理的结构)。由此，根据预测部122，能够进行反映了相邻的温度区域中的相分率的预测数据的预测。其结果，例如，相比于应用多层神经网络的情况(不反映相邻的温度区域中的相分率的预测结果的情况)而言，能够抑制相分率的预测精度的降低。即，根据预测部122，在根据材料组成来预测规定的温度区间内的相分率的预测模型中，能够提高预测精度。

显示部123显示由预测部122预测的、规定的温度区间内的各温度下的相分率。在显示部123，对于由预测部122预测出的规定的温度区间内的各温度下的相分率，按每个相进行分色显示。

<学习装置以及预测装置的硬件结构>

以下，关于学习装置110以及预测装置120的硬件结构进行说明。在此，学习装置110以及预测装置120具有同样的硬件结构，因此在此参照图2，一并说明学习装置110与预测装置120的硬件结构。

图2是表示学习装置以及预测装置的硬件结构的一例的图。如图2所示，学习装置110以及预测装置120包括处理器201、存储器202、辅助存储装置203、I/F(接口)装置204、通信装置205、驱动装置206。此外，学习装置110以及预测装置120的各硬件通过总线207相连接。

处理器201包括CPU(Central Processing Unit)、GPU(Graphics ProcessingUnit)等各种运算设备。处理器201将各种程序(例如，学习程序、预测程序等)读出到存储器202中并执行。

存储器202包括诸如ROM(Read Only Memory)、RAM(Random Access Memory)等的主存储设备。处理器201与存储器202形成所谓的计算机，通过由处理器201执行被读出到存储器202的各种程序，该计算机实现各种功能。

辅助存储装置203存放各种程序以及由处理器201执行各种程序时使用的各种数据。例如，学习用数据存放部113在辅助存储装置203中实现。

I/F装置204是用户界面装置的一例，是连接操作装置211与显示装置212的连接设备。通信装置205是用于通过网络与外部装置(未图示)进行通信的通信设备。

驱动装置206是用于安装记录介质213的设备。在此所说的记录介质213包括像CD-ROM、软盘、光磁盘等的以光学、电气或磁气方式记录信息的介质。另外，记录介质213还可以包括像ROM、闪存等的以电气方式记录信息的半导体存储器等。

另外，安装在辅助存储装置203中的各种程序，例如通过将发行的记录介质213设置在驱动装置206中，并由驱动装置206读出该记录介质213中记录的各种程序来进行安装。或者，安装在辅助存储装置203中的各种程序，也可以通过由通信装置205从网络下载来进行安装。

<学习用数据的构成、输入数据以及正确数据>

接下来，对学习用数据的构成、学习用数据中包含的输入数据及正确数据的具体例进行说明。图3是表示学习用数据的构成、输入数据及正确数据的具体例的图。

如图3所示，学习用数据300作为信息的项目包括“输入数据”与“正确数据”。

在“输入数据”中存放有作为不同组合的材料组成信息的“材料组成信息1”、“材料组成信息2”、……等。在图3中，符号301表示“材料组成信息1”的具体例，表示构成作为已知铝合金规格的称呼的“6013”的各添加元素的重量％。

同样，符号302表示“材料组成信息2”的具体例，表示构成作为已知铝合金规格的称呼的“6060”的各添加元素的重量％。

在“正确数据”中存放有作为与“材料组成信息1”、“材料组成信息2”、……等关联的规定的温度区间(图3的例子为100℃～700℃)的各温度下的相分率的“相分率1”、“相分率2”、……等。在图3中，符号311表示“相分率1”的具体例，符号312表示“相分率2”的具体例，均是横轴表示温度，纵轴表示相分率。

在此，符号311以及符号312是通过使预测精度高的高成本的模拟器长时间动作而获得到的结果，在本实施方式中，将这些结果作为正确数据使用。

另外，在此所说的模拟器是指通过热力学平衡计算来计算规定的温度区间内的各温度下的相分率的软件，例如，包括CaTCalc(注册商标)、MatCalc(注册商标)等软件。或者，该模拟器可以包括诸如Termosuite(注册商标)、FactStage(注册商标)及Pandat(注册商标)等的软件。或者，该模拟器也可以包含MALT2(注册商标)、Thermo-Calc(注册商标)、OpenCalphad(注册商标)等的软件。

<学习装置的各部的详情>

接下来，对学习装置110的各部(学习用数据生成部111、学习部112)的详情进行说明。

(1)学习用数据生成部的功能结构

首先，对学习用数据生成部111的功能结构进行说明。图4是表示学习用数据生成部的功能结构的一例的图。

如图4所示，学习用数据生成部111包括元素信息输入部401、组合决定部402、模拟部403、存放控制部404。

元素信息输入部401，例如，接受与生成特定合金时添加的添加元素的种类相关的输入。另外，元素信息输入部401关于接受完输入的各添加元素，接受其添加量(重量％)的上限值及下限值的输入。

组合决定部402关于接受完输入的各添加元素，通过在上限值与下限值的制约下随机选择添加量，来决定多个各添加元素的添加量的组合。另外，组合决定部402将决定的多个组合所表示的材料组成信息通知给模拟部403。

模拟部403针对由组合决定部402通知的多个材料组成信息的各信息，通过使所述模拟器动作，分别计算规定的温度区间内的各温度下的相分率。另外，模拟部403将多个材料组成信息以及对应的规定的温度区间内的各温度下的相分率，通知给存放控制部404。

存放控制部404生成以模拟部403通知的多个材料组成信息作为“输入数据”、以对应的规定的温度区间内的各温度下的相分率作为“正确数据”的学习用数据，并存放到学习用数据存放部113中。

(2)学习部的功能结构

接下来，对学习部112的功能结构进行说明。图5是表示学习部的功能结构的一例的图。

如图5所示，学习部112具有预测模型及损失函数计算部503。

如上所述，预测模型中应用附有Attention机构的Seq2Seq或Transformer，并包括编码部501及解码部502。

编码部501根据学习用数据300的“输入数据”中存放的“材料组成信息1”、“材料组成信息2”、……等的输入，来输出特征量。

解码部502根据由编码部501输出的特征量的输入，依次输出输出数据。具体而言，解码部502读出学习用数据300的“正确数据”中存储的“相分率1”、“相分率2”、……等，并使用第i个为止的温度下的相分率(即，第i个为止的温度下的正确数据)，输出第i+1个温度下的输出数据。由此，解码部502，例如，能够根据通过输入"材料组成信息1"而由编码部501输出的特征量以及"相分率1"的"正确数据"，依次输出相当于规定的温度区间内的各温度下的相分率的输出数据。同样，解码部502，例如，能够根据通过输入“材料组成信息2”而由编码部501输出的特征量以及“相分率2”的“正确数据”，依次输出相当于规定的温度区间内的各温度下的相分率的输出数据。

另外，设想在解码部502的输出层使用归一化指数函数。由此，解码部502的输出数据中包含的多个值(即，各相的值)成为0～1的范围，并且多个值的总和(即，各相的值的总和)成为“1”。

如上所述，通过在解码部502的输出层使用归一化指数函数，无需进行追加运算，就能够依次输出相当于规定的温度区间内的各温度下的相分率的输出数据。

损失函数计算部503读出学习用数据300的“正确数据”中存储的“相分率1”、“相分率2”、……等，并与解码部502输出的第i+1个温度下的输出数据进行对比。

另外，损失函数计算部503在进行对比时，通过计算多种类损失，并对计算出的多种类损失进行加权相加，计算出统合损失。进而，损失函数计算部503根据计算出的统合损失，更新编码部501及解码部502的模型参数。由此，生成学习完毕预测模型(包括学习完毕编码部及学习完毕解码部)。

(3)学习部的动作例1

以下，关于学习部112的动作例(主要是预测模型的动作例)进行说明。图6是表示学习部的动作例的第1图。

其中，图6的(a)表示学习用数据300的“输入数据”被读出并被输入到编码部501中，从而由编码部501输出特征量的情况。图6的(a)表示根据开始信号被输入到解码部502，解码部502输出的输出数据的情况。在图6的(a)的例子的情况下，解码部502输出的输出数据相当于700℃下的相分率。另外，开始信号是指用于使解码部502开始动作的信号，在本实施方式中，与解码部502输出的输出数据不同的任意的值(例如，“000000”等)，被作为开始信号输入到解码部502。

图6的(b)表示通过将编码部501输出的特征量输入到解码部502，并将700℃下的相分率(700℃下的正确数据)输入到解码部502，从而由解码部502输出的输出数据的情况。在图6的(b)的例子的情况下，解码部502输出的输出数据相当于690℃下的相分率。并且，解码部502输出的输出数据(在此，相当于690℃下的相分率的输出数据)被通知给损失函数计算部503。

图6的(c)表示通过将编码部501输出的特征量输入到解码部502，并将690℃为止的相分率(690℃为止的正确数据)输入到解码部502，从而由解码部502输出的输出数据的情况。但是，图6的(c)中因篇幅有限，仅表示了690℃下的正确数据(实际上，700℃下的正确数据及690℃下的正确数据被加权输入到解码部502)。

然后，在图6的(c)的例子的情况下，解码部502输出的输出数据相当于680℃下的相分率。从解码部502输出的输出数据(在此，输出数据相当于680℃下的相分率)被通知给损失函数计算部503。

图6的(d)表示通过将编码部501输出的特征量输入到解码部502，并将120℃为止的相分率(120℃为止的正确数据)输入到解码部502，从而由解码部502输出的输出数据的情况。但是，在图6的(d)中因篇幅有限，仅表示了120℃下的正确数据(实际上，700℃～120℃为止的正确数据被加权相加到解码部502)。

并且，在图6的(d)的例子的情况下，解码部502输出的输出数据相当于110℃下的相分率。由解码部502输出的输出数据(在此，相当于110℃下的相分率的输出数据)被通知给损失函数计算部503。

图6的(e)表示通过将编码部501输出的特征量输入到解码部502，并将110℃为止的相分率(110℃为止的正确数据)输入到解码部502，从而解码部502输出的输出数据的情况。但是，在图6的(e)中因篇幅有限，仅表示了110℃下的正确数据(实际上，700℃～110℃的正确数据被加权相加到解码部502)。

并且，在图6的(e)的例子的情况下，解码部502输出的输出数据相当于100℃下的相分率。由解码部502输出的输出数据(在此，相当于100℃下的相分率的输出数据)被通知给损失函数计算部503。

(4)学习部的动作例2

接下来，关于学习部112的动作例(主要是损失函数计算部503的动作例)进行说明。图7是表示学习部的动作例的第2图。如图7所示，损失函数计算部503读出学习用数据300的“正确数据”。图7的例子表示了读出作为“相分率1”中包含的规定的温度区间内的各温度下的相分率的，

·700℃下的相分率(正确数据)，

·690℃下的相分率(正确数据)，……

·100℃下的相分率(正确数据)的情况。

另外，在图7的例子表示，根据通过输入“材料组成信息1”而由编码部501输出的特征量，由解码部502依次输出输出数据的结果，在损失函数计算部503保持

·700℃下的相分率(输出数据)，

·690℃下的相分率(输出数据)，……

·100℃下的相分率(输出数据)的情况。

另外，图7的例子表示了损失函数计算部503对100℃～700℃的各温度下的相分率(正确数据)与100℃～700℃的各温度下的相分率(输出数据)进行对比，并计算出统合损失的情况。另外，图7的例子表示损失函数计算部503根据计算出的统合损失，对编码部501及解码部502的模型参数进行更新的情况。另外，就用于计算统合损失的损失函数计算部503的功能结构，以下进行详细说明。

(5)损失函数计算部的功能结构的详情

图8是表示由损失函数计算部进行的损失的计算方法的一例的第1图。如图8所示，损失函数计算部503作为用于计算多种类损失的功能，具备

·生成/消失温度下的相分率误差计算部801，

·相分率误差计算部802，

·相分率误差(对数值)计算部803，

·相分率误差(差分值)计算部804，

·交叉熵误差计算部805，

·加权相加部806。

生成/消失温度下的相分率误差计算部801关于学习用数据的正确数据中的各相分率的曲线成为0的温度，对100℃～700℃的各温度下的相分率(正确数据)与100℃～700℃的各温度下的相分率(输出数据)进行对比。由此，生成/消失温度下的相分率误差计算部801，将根据学习用数据确定的各相所生成或消失的温度下的、根据输出数据确定的相分率与根据学习用数据确定的相分率之误差，以全相进行相加，并输出加法结果(第1加法结果)。

相分率误差计算部802对100℃～700℃的各温度下的相分率(正确数据)与100℃～700℃的各温度下的相分率(输出数据)进行对比。由此，相分率误差计算部802，将各温度下的相分率之误差，以规定的温度区间进行相加，并输出加法结果(第2加法结果)。

相分率误差(对数值)计算部803对100℃～700℃的各温度下的相分率(正确数据)与100℃～700℃的各温度下的相分率(输出数据)进行对比。由此，相分率误差(对数值)计算部803，将规定的温度区间内的各温度下的相分率的对数值的误差，以规定的温度区间进行相加，并输出加法结果(第3加法结果)。

相分率误差(差分值)计算部804对100℃～700℃的各温度下的相分率(正确数据)与100℃～700℃的各温度下的相分率(输出数据)进行对比。由此，相分率误差(差分值)计算部804将相邻的温度间的相分率的差分值的误差，以规定的温度区间进行相加，并输出加法结果(第4加法结果)。

交叉熵误差计算部805对100℃～700℃的各温度下的相分率(正确数据)与100℃～700℃的各温度下的相分率(输出数据)进行对比。由此，交叉熵误差计算部805，将规定的温度区间内的各温度下的相分率的比率的误差，以规定的温度区间进行相加，并输出加法结果(第5加法结果)。

加权相加部806，通过对生成/消失温度下的相分率误差计算部801～交叉熵误差计算部805分别输出的加法结果(第1加法结果～第5加法结果)进行加权相加，算出统合损失。

如上所述，通过形成计算多种类损失并进行加权相加的结构，根据损失函数计算部503，能够对输出数据与正确数据之间的损失进行多方面的处理。其结果，在学习部112中，进行预测模型的学习时能够恰当地更新模型参数。

<学习处理的流程>

接下来，关于由学习装置110进行的学习处理的流程进行说明。图9是表示学习处理的流程的流程图。

在步骤S901中，学习用数据生成部111，作为元素信息，接受与生成特定合金时添加的添加元素的种类、各添加元素的添加量(重量％)的上限值及下限值相关的输入。

在步骤S902中，学习用数据生成部111通过在上限值与下限值的制约下随机选择添加元素的添加量，来决定各添加元素的添加量的多个组合。

在步骤S903中，学习用数据生成部111针对所决定的多个组合所表示的材料组成信息的各信息，使模拟器动作，分别计算规定的温度区间内的各温度下的相分率。

在步骤S904中，学习用数据生成部111生成学习用数据，并将其存放在学习用数据存放部113中。

在步骤S905中，学习部112向解码部502输入开始信号。

在步骤S906中，学习部112读出学习用数据的“输入数据”，输入到预测模型中。

在步骤S907中，学习部112通过依次输入学习用数据的“正确数据”的第i个为止的温度下的相分率(即，到第i个为止的温度下的正确数据)，依次输出第i+1个输出数据。

在步骤S908中，学习部112判定相当于规定的温度区间内的各温度下的相分率的输出数据是否已全部输出。在步骤S908中，若判定为尚有未输出相当于相分率的输出数据的温度存在(在步骤S908中为“否”的情况下)，返回步骤S907。

相对而言，在步骤S908中，若判断为相当于规定的温度区间内的各温度下的相分率的输出数据已被全部输出(在步骤S908中为“是”的情况下)，进入步骤S909。

在步骤S909中，学习部112读出学习用数据的“正确数据”，并与输出数据进行对比。

在步骤S910中，学习部112计算多种类的损失，并通过对计算出的多种类的损失进行加权相加来计算统合损失。此外，学习部112根据计算出的统合损失来更新编码部501与解码部502的模型参数。

在步骤S911中,学习部112判定是否继续进行学习处理。在步骤S911中，若判定为继续进行学习处理(步骤S911中为“是”的情况下)，返回步骤S906,通过读出学习用数据的下一个“输入数据”，进行同样的处理。

相对而言，在步骤S911中，若判定为结束学习处理(在步骤S911中为“否”的情况下)，进入步骤S912。

在步骤S912中，学习部112将学习完毕编码部与学习完毕解码部作为学习完毕预测模型，存放在预测装置120中。

<预测装置的各部的详情>

接下来，关于预测装置120的各部(在此，预测部122)的详情进行说明。

(1)预测部的功能结构

首先，关于预测部122的功能结构进行说明。图10是表示预测部的功能结构的一例的图。

如图10所示，预测部122包括由学习部112进行而得到的学习完毕编码部1001与学习完毕解码部1002。学习完毕编码部1001与学习完毕解码部1002形成学习完毕预测模型。

学习完毕编码部1001根据由材料组成输入部121通知的材料组成信息(预测对象的材料的材料组成信息)的输入，来计算特征量，并将计算出的特征量输出到学习完毕解码部1002。

学习完毕解码部1002根据由学习完毕编码部1001输出的特征量的输入，依次输出预测数据。具体而言，学习完毕解码部1002使用第i个为止的温度下的预测数据，输出第i+1个温度下的预测数据。由此，学习完毕解码部1002能够根据因输入预测对象的材料的材料组成信息而由学习完毕编码部1001输出的特征量，来预测规定的温度区间内的各温度下的相分率。

(2)预测部的动作例

接下来，关于预测部122的动作例进行说明。图11是表示预测部的动作例的图。图11的(a)表示了根据预测对象的材料的材料组成信息被输入到学习完毕编码部1001，来由学习完毕编码部1001输出特征量的情况。另外，图11的(a)表示了通过由学习完毕编码部1001输出的特征量被输入到学习完毕解码部1002，并且，开始信号被输入到学习完毕解码部1002，来输出预测数据(700℃下的相分率)的情况。

图11的(b)表示了由学习完毕编码部1001输出的特征量被输入到学习完毕解码部1002，并且，预测数据(700℃下的相分率)被输入到学习完毕解码部1002的情况。由此，在学习完毕解码部1002输出预测数据(690℃下的相分率)。

图11的(c)表示了由学习完毕编码部1001输出的特征量被输入到学习完毕解码部1002，并且，预测数据(690℃为止的相分率)被输入到学习完毕解码部1002的情况。另外，在图11的(c)中，因篇幅有限，仅记载了690℃下的相分率(实际上，700℃下的相分率与690℃下的相分率被加权输入到学习完毕解码部1002)。由此，在学习完毕解码部1002输出预测数据(680℃下的相分率)。

图11的(d)表示了由学习完毕编码部1001输出的特征量被输入到学习完毕解码部1002，并且，预测数据(120℃为止的相分率)被输入到学习完毕解码部1002的情况。另外，在图11的(d)中，因篇幅有限，仅记载了120℃下的相分率(实际上，700℃～120℃为止的各相分率被加权输入到学习完毕解码部1002)。由此，在学习完毕解码部1002输出预测数据(110℃下的相分率)。

图11的(e)表示了由学习完毕编码部1001输出的特征量被输入到学习完毕解码部1002，并且，预测数据(110℃为止的相分率)被输入到学习完毕解码部1002的情况。另外，在图11的(e)中，因篇幅有限，仅记载了110℃下的相分率(实际上，700℃～110℃为止的各相分率被加权输入到学习完毕解码部1002)。由此，在学习完毕解码部1002输出预测数据(100℃下的相分率)。另外，在图11的(e)的例子中，还一并表示了根据特征量及预测数据(110℃为止的相分率)的输入而由学习完毕解码部1002输出的预测数据(100℃下的相分率)。

<预测处理的流程>

接下来，关于由预测装置120进行的预测处理的流程进行说明。图12是表示预测处理的流程的流程图。

在步骤S1201中，材料组成输入部121，接受与预测对象的材料的材料组成信息相关的输入。

在步骤S1202中，预测部122通过接受开始信号，将输入的材料组成信息输入到学习完毕预测模型中，来预测规定的温度区间内的各温度下的相分率。

在步骤S1203中，显示部123显示预测出的各温度下的相分率。

<预测精度>

接下来，关于由预测部122预测的规定的温度区间内的各温度下的相分率的预测精度进行说明。图13是用于说明预测精度的图。图13的(a)～(c)中均作为预测对象的材料的材料组成信息，表示了输入构成作为已知铝合金规格的称呼的“6013”的各添加元素的重量％的情况下的预测数据。另外，本实施方式中对预测精度进行评价时，使用图3的符号311所示的正确数据。正确数据与损失的计算中，使用了平均平方对数误差(MSLE:MeansSquared Logarithmic Error)损失。

图13的(a)中，作为比较例，表示了在预测模型应用全结合的多层神经网络的情况下的预测数据。在图13的(a)的情况下，与正确数据的MSLE损失为3.79×10

图13的(b)中，表示了在预测模型应用附有Attention机制的Seq2Seq的情况下的预测数据。在图13的(b)的情况下，与正确数据的MSLE损失为5.1×10

图13的(c)中，表示了在预测模型应用Transformer的情况下的预测数据。在图13的(c)的情况下，与正确数据的MSLE损失为2.45×10

如上所述，作为以低成本实现相分率计算的预测模型，在应用全结合的多层神经网络的情况下，在一部分温度区域(例如，400℃～600℃)中，得到推测精度低的结果。

另一方面，作为以低成本实现相分率的计算的预测模型，在应用附有Attention机制的Seq2Seq的情况下，能够大幅改善损失。进而，在应用Transfomer的情况下，能够再现与正确数据大致相同水平的相分率。

即，在根据材料组成信息来预测规定的温度区间内的相分率时，通过

·利用递归型网络，将各温度下的相分率作为时序数据进行处理，

·使用多种类的损失函数对损失进行多方面处理，

能够提高预测精度。

<总结>

从以上说明可知，第1实施方式的预测装置120，

·具有使用将学习对象的材料的材料组成与规定的温度区间内的学习对象的材料在各温度下的相分率关联而成的学习用数据进行学习而得到的学习完毕模型。

·具有使用由学习完毕模型对规定的温度区间内的第i个为止的温度进行预测的相分率，对第i+1个温度下的相分率进行预测的学习完毕模型。

·通过将预测对象的材料的材料组成输入到学习完毕模型中，来预测规定的温度区间内的预测对象的材料在各温度下的相分率。

由此，根据第1实施方式，在根据材料组成来预测规定的温度区间内的相分率的预测模型中，能够提高预测精度。

[第2实施方式]

在所述第1实施方式中，通过对以规定的温度区间为对象计算出的多种类损失进行加权相加，计算出统合损失。但是，统合损失的计算方法并不限定于此。例如，也可以将规定的温度区间划分成多个温度区间，对在各个温度区间计算出的统合损失进一步进行加权相加，从而计算出最终的统合损失。

图14是表示由损失函数计算部进行的损失的计算方法的一例的第2图。与图5的损失函数计算部503的不同点在于，损失函数计算部503作为损失函数计算部(全温度区间)503’发挥功能，损失函数计算部503除了损失函数计算部(全温度区间)503’以外还具有

·损失函数计算部(低温区间)503_1，

·损失函数计算部(高温区间)503_2，

·区间加权相加部1500。

损失函数计算部(全温度区间)503’读出学习用数据300的“正确数据”中存放的“相分率1”、“相分率2”、……等。另外，损失函数计算部(全温度区间)503’取得相当于由解码部502输出的在100℃～700℃的各温度下的相分率的输出数据。而且，损失函数计算部(全部温度区间)503’针对规定的温度区间，对正确数据与输出数据进行对比，并输出统合损失(全部温度区间)。另外，虽然图14的例中省略未计，损失函数计算部(全温度区间)503’具有图8所示的各部，通过该各部进行动作，输出统合损失(全温度区间)。

损失函数计算部(低温区间)503_1读出学习用数据300的“正确数据”中存放的“相分率1”、“相分率2”、……等中的涉及低温的温度区间(100℃～600℃的温度区间)的部分。另外，损失函数计算部(低温区间)503_1取得由解码部502输出的输出数据中的相当于100℃～600℃的各温度下的相分率的输出数据。并且，损失函数计算部(低温区间)503_1针对100℃～600℃的低温区间，对正确数据与输出数据进行对比，并输出统合损失(低温区间)。另外，虽然图14的例中省略未计，损失函数计算部(低温区间)503_1具有图8所示的各部，通过该各部进行动作，输出统合损失(低温区间)。

损失函数计算部(高温区间)503_2读出学习用数据300的“正确数据”中存放的“相分率1”、“相分率2”、……等中的涉及高温的温度区间(600℃～700℃的温度区间)的部分。另外，损失函数计算部(高温区间)503_2取得由解码部502输出的输出数据中的相当于600℃～700℃的各温度下的相分率的输出数据。而且，损失函数计算部(高温区间)503_2针对600℃～700℃的高温区间，对正确数据与输出数据进行对比，并输出统合损失(高温区间)。另外，虽然图14的例中省略未计，损失函数计算部(高温区间)503_2具有图8所示的各部，通过该各部进行动作，输出统合损失(高温区间)。

区间加权相加部1500通过对

·损失函数计算部(全温度区间)503’输出的统合损失(全温度区间)，

·损失函数计算部(低温区间)503_1输出的统合损失(低温区间)，

·损失函数计算部(高温区间)503_2输出的统合损失(高温区间)，

进行加权相加，输出最终的统合损失。

从以上的说明可知，在第2实施方式中，按照每个温度区间分别计算统合损失，使用对计算出的各统合损失进行加权相加后的最终统合损失来进行学习。由此，根据第2实施方式，即使有在狭窄的温度区间相分率变化较大的情况，也能够恰当地将该变化把握为损失，并反映到学习中。其结果，根据第2实施方式，在根据材料组成来预测规定的温度区间的相分率的预测模型中，能够进一步提高预测精度。

[第3实施方式]

在所述各实施方式中，说明了相分率误差(对数值)计算部803对100℃～700℃的各温度下的相分率(正确数据)与100℃～700℃的各温度下的相分率(输出数据)进行对比，计算各温度下的相分率的对数值的误差的情况。然而，由相分率误差(对数值)计算部803进行的对数值的误差的计算方法并不限定于此。例如，在计算相分率的对数值时，也可以对与相分率的小数首位对应的值进行相加，以使相分率的对数值非负化后，计算误差。

另外，在所述第2实施方式中，采用了设置损失函数计算部(全温度区间)、损失函数计算部(低温区间)、损失函数计算部(高温区间)，并计算各自的统合损失的结构。但是，计算各个统合损失的方法并不限定于此，例如也可以采用设置损失函数计算部(全温度区间)、损失函数计算部(特定区间)及损失函数计算部(非特定区间)的结构，计算各统合损失。

在此，所谓特定区间，例如，即可以是高温区间，也可以是与高温区间不同的温度区间(例如，包含多个相的生成和消失的温度区间)。另外，所谓非特定区间，是除了特定区间之外的温度区间，例如即可以是低温区间，也可以是与低温区间不同的温度区间。

如上所述，通过设置特定区间，例如，能够将仅在规定的温度区间的一部分温度区域产生的误差，即，若在规定的温度区间进行平均化的话就会被埋没的误差，放映到模型参数的更新中。

另外，在所述各实施方式中，虽未特别提及“按每个规定的温度间隔依次预测相分率”时的预测方向，而预测方向即可以是温度上升的方向，也可以是温度降低的方向。或者，也可以是温度上升的方向及温度下降的方向的两者。

另外，在所述各实施方式中，作为材料组成的具体例，关于表示相对于合金中包含的金属元素的添加元素(其他金属元素或非金属元素)的比率的合金组成进行了说明，但材料组成并不限定于合金组成。例如，也可以是表示合金以外的物质中包含的各化学成分的比率的化学组成。

另外，在所述各实施方式中，作为学习完毕预测模型，说明了应用附有Attention机制的Seq2Seq或Transformer的任一个的情况。但是，学习完毕预测模型并不限定于此，只要是能够计算出作为每个规定时间间隔的数据的时序数据的架构，也可以应用其他架构。具体而言，可以应用RNN(Recurrent Neural Network)、Bidirectional RNN、Seq2Seq等。或者，也可以应用GRU(Gated Recurrent Unit)、LSTM(Long Short Term Memory)等。

另外，在所述各实施方式中，学习装置110与预测装置120为分体结构，但学习装置110与预测装置120也可以作为一体构成。

另外，在所述各实施方式中，并未提及根据材料组成来预测的规定的温度区间内的相分率的利用场景，但预测的相分率，例如可以用于探索可获得具有目标相分率的材料。由此，能够进行具有目标相分率的材料的设计及开发。

另外，本发明并不限定于所述实施方式中举出的结构等、与其他要素的组合等在此提示的结构。关于这一点，可以在不脱离本发明主旨的范围内进行变更，能够根据其应用方式适当决定。

本申请根据2021年11月24日提交的日本国专利申请第2021-189833号主张优先权，通过参照将该日本国专利申请的全部内容引用于本申请。

符号说明

100预测系统

110学习装置

111学习用数据生成部

112学习部

120预测装置

121材料组成输入部

122预测部

123显示部

300学习用数据

401元素信息输入部

402组合决定部

403模拟部

404存放控制部

501编码部

502解码部

503损失函数计算部

503’损失函数计算部(全温度区间)

503_1损失函数计算部(低温区间)

503_2损失函数计算部(高温区间)

801生成/消失温度下的相分率误差计算部

802相分率误差计算部

803相分率误差(对数值)计算部

804相分率误差(差分值)计算部

805交叉熵误差计算部

806加权相加部

1001学习完毕编码部

1002学习完毕解码部

1500区间加权相加部