特許ウォッチ

公開番号2025011052
公報種別公開特許公報(A)
公開日2025-01-23
出願番号2024109315
出願日2024-07-08
発明の名称プロセスパラメータの計算方法
出願人三顧股ふん有限公司
代理人個人,個人
主分類G06N 5/04 20230101AFI20250116BHJP(計算;計数)
要約【課題】最適化技術をベースとしたアルゴリズム及び訓練済みの予測モデルを応用して未確認プロセスパラメータを逆推定する方法を提供する。
【解決手段】方法は、訓練済み予測モデルを特定待ちプロセスパラメータの関数と見なして、最適化モデルを構築する。特定待ちプロセスパラメータの各々又はそれらの間で満たすべき制約条件の制約を受け、且つ、制約付き最適化問題の解を求めるために、ペナルティ関数及びバリア関数を含む方法を使用して、当該制約付き最適化問題を制約なし最適化問題に変換する。最適化問題ついては、訓練済み予測モデルを訓練した際のデータセットから、目標結果に合致する複数のサンプルを見つけてアンカーとし、多次元の実行可能解空間を形成し、且つ、この実行可能解空間内に初期解を設定或いは作成してから、異なる数値解析法で方向及び刻み幅を見つけ、優良な実行可能解を使用可能な入力パラメータとする。
【選択図】図1
特許請求の範囲【請求項１】
プロセスにおける複数のプロセスパラメータを確認して最適化するために用いられるプロセスパラメータの計算方法であって、前記プロセスパラメータは、複数の確認済み入力パラメータ及び複数の未確認入力パラメータを含み、前記プロセスパラメータの計算方法は、
訓練済み予測モデルを提供し、前記訓練済み予測モデルは、機械学習方法によってデータセットを機械学習することで得られ、前記データセットは複数のサンプルを含み、且つ、各前記サンプルは複数のサンプルパラメータを含み、前記訓練済み予測モデルは、複数の入力パラメータを入力して、前記入力パラメータに対応する予測結果を生成するために用いられるステップと、
前記訓練済み予測モデルの前記予測結果に対応する目標結果を設定するとともに、前記入力パラメータのうちの前記確認済み入力パラメータを提供するステップと、
前記データセット内の各前記サンプルを前記訓練済み予測モデルに入力することで生成される前記予測結果が前記目標結果と一致するか否かを照合し、前記予測結果が前記目標結果と一致する前記サンプルを複数のアンカーサンプルとして多次元部分空間を形成し、前記多次元部分空間内で初期サンプルを特定するステップと、
前記多次元部分空間内で前記初期サンプルの方向を取得するステップと、
前記初期サンプルの前記サンプルパラメータについて、前記方向に沿って刻み幅を増加させ、前記確認済み入力パラメータと、前記確認済み入力パラメータに対応しない前記刻み幅を増加させた前記サンプルパラメータを前記訓練済み予測モデルに入力して、生成される前記予測結果が前記目標結果と一致するか否かを確認するステップと、
前記予測結果が前記目標結果と一致する場合には、前記確認済み入力パラメータに対応しない前記刻み幅を増加させた前記サンプルパラメータを前記未確認入力パラメータとするステップ、
を含む方法。
続きを表示（約 2,200 文字）【請求項２】
前記多次元部分空間内で前記初期サンプルを特定するステップは、更に、
前記多次元部分空間内の少なくとも２つの前記アンカーサンプル間の距離の中点を前記初期サンプルとするステップ、を含む請求項１に記載のプロセスパラメータの計算方法。
【請求項３】
前記多次元部分空間内で前記初期サンプルを特定するステップは、更に、
前記多次元部分空間内の少なくとも２つの前記アンカーサンプルの線形結合を前記初期サンプルとするステップ、を含む請求項１に記載のプロセスパラメータの計算方法。
【請求項４】
前記多次元部分空間内で前記初期サンプルの前記方向を取得するステップは、更に、
数値解析法により、各前記アンカーサンプルに沿う前記初期サンプルの第２方向導関数を前記初期サンプルの前記方向として計算するステップ、を含む請求項１に記載のプロセスパラメータの計算方法。
【請求項５】
前記多次元部分空間内で前記初期サンプルの前記方向を取得するステップは、更に、
前記初期サンプルを原点に設定し、数値解析法により、各前記アンカーサンプルに向かう前記原点の第３方向導関数を前記初期サンプルの前記方向として計算するステップ、を含む請求項１に記載のプロセスパラメータの計算方法。
【請求項６】
前記訓練済み予測モデルは目的関数で表され、且つ、前記多次元部分空間内で前記初期サンプルの前記方向を取得するステップは、更に、
数値解析法により、各前記アンカーサンプルに向かう前記初期サンプルの距離の変化量に基づいて前記目的関数の関数値の変化量を計算することで、各前記アンカーサンプルに向かう前記初期サンプルの割線方向導関数を取得するステップ、を含む請求項１に記載のプロセスパラメータの計算方法。
【請求項７】
前記訓練済み予測モデルは目的関数で表され、且つ、前記多次元部分空間内で前記初期サンプルの前記方向を取得するステップは、更に、
各前記アンカーサンプルの方向導関数に向かって前記初期サンプルの前記刻み幅を順に増加及び調整するステップと、
各前記アンカーサンプルの前記方向導関数に向かって前記初期サンプルの前記刻み幅を増加及び調整したあと、前記目的関数の関数値が前記目標結果に更に近付くか否かを順に確認するステップと、
いずれかの前記アンカーサンプルの前記方向導関数に向かって前記初期サンプルの前記刻み幅を増加させたあと、前記目的関数の前記関数値が前記目標結果に更に近付くことが確認された場合には、前記方向導関数において前記初期サンプルの前記刻み幅を増加させるステップと、
いずれかの前記アンカーサンプルの前記方向導関数に向かって前記初期サンプルの前記刻み幅を増加させたあと、前記目的関数の前記関数値が前記目標結果に更に近付くことはないことが確認された場合には、別の前記アンカーサンプルの前記方向導関数に向かって前記初期サンプルの前記刻み幅を増加させたあと、前記目的関数の前記関数値が前記目標結果に更に近付くか否かを再び確認するステップ、
を含む請求項１に記載のプロセスパラメータの計算方法。
【請求項８】
前記初期サンプルの前記サンプルパラメータについて、前記方向に沿って前記刻み幅を増加させるステップは、更に、
前記刻み幅の初期サイズを設定し、前記初期サンプルの前記サンプルパラメータについて、前記方向に沿って前記刻み幅を前記初期サイズ分増加させたあと、前記訓練済み予測モデルに入力するとともに、前記訓練済み予測モデルから出力される前記予測結果が前記目標結果に近付くか否かを確認するステップと、
前記訓練済み予測モデルから出力される前記予測結果が前記目標結果に近付く場合には、前記初期サイズに前記刻み幅を決定するステップと、
前記訓練済み予測モデルから出力される前記予測結果が前記目標結果に近付かない場合には、前記予測結果が前記目標結果に近付くまで、引き続き、前記刻み幅のサイズを調整するとともに、前記初期サンプルの前記サンプルパラメータについて、前記方向に沿って前記刻み幅を前記サイズ分増加させたあと、前記訓練済み予測モデルに入力して、最終的な前記サイズに前記刻み幅を決定するステップ、
を含む請求項１に記載のプロセスパラメータの計算方法。
【請求項９】
前記訓練済み予測モデルは、特定待ちプロセスパラメータの関数、目的関数及び少なくとも１つの制約条件を含み、前記目的関数は、前記特定待ちプロセスパラメータの関数の出力値と前記目標結果との差分値を最小化するものであり、前記特定待ちプロセスパラメータの関数、前記目的関数、前記少なくとも１つの制約条件及び前記予測結果に基づいて制約付き最適化問題がモデル化され、前記プロセスパラメータの計算方法は、前記最適化問題について解を求めることで、前記未確認入力パラメータを取得する請求項１に記載のプロセスパラメータの計算方法。
【請求項１０】
更に、前記プロセスパラメータ間が不等式の制約条件を満たすよう制約すべく、バリア関数を前記目的関数に加えるステップ、を含む請求項９に記載のプロセスパラメータの計算方法。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本発明は、プロセスパラメータの計算方法に関し、特に、最適化技術をベースとしたアルゴリズム及び訓練済みの予測モデルを応用して未確認プロセスパラメータを逆推定する方法に関する。
続きを表示（約 2,900 文字）【背景技術】
【０００２】
医用工学技術の進歩に伴って、現在、疾病の臨床治療における再生医療の応用はますます多様化している。再生医療とは、主として、損傷した組織や器官を細胞の再生能力を利用して修復する医療技術であり、応用範囲が非常に広い。また、組織工学や分子生物学等の医療技術を組み合わせることで、例えば、糖尿病、神経疾患、心血管疾患及び癌等のかつては治療困難とされていた疾病の改善及び治療が可能になることが期待されている。現在、再生医療は、主に、器官の修復、免疫細胞治療及び幹細胞療法に応用されている。また、再生医療における細胞治療の研究及び応用は各界からますます注目を浴びている。細胞治療とは、人体の細胞を体外で培養又は加工する手順を経たあと、それらの細胞を個々の体内に移植して使用するものである。
【０００３】
近年、多くの国の政府が細胞治療の応用を徐々に解禁していることから、国内外の多くの学者が相次いで細胞治療の研究に参入している。その結果、例えば、自家線維芽細胞による皮膚欠損の治療、自家軟骨細胞による膝関節軟骨欠損の治療、自家骨髄間葉系幹細胞による脊髄損傷の治療など、多くの疾病の治療において、細胞治療は著しい研究の進歩を遂げている。また、細胞治療の製品の品質は、治療の安全性及び有効性に直接的な影響を及ぼす。そのため、細胞培養プロセスでは、細胞の成長状態を厳格にコントロールするとともに、細胞成長の培養パラメータ及び環境パラメータを即時にモニタリングして、培養過程における細胞の汚染又は品質の悪化を回避する必要がある。また、従来の研究より、異なる事案間で細胞の多様性（ｖａｒｉａｂｉｌｉｔｙ）は極めて高くなるため、異なる事案に適用される細胞製剤の最適な培養パラメータ及び環境パラメータは完全には同じとならないことが分かっている。これより、細胞製剤ごとに、プロセス内で各プロセスパラメータを設計及び調整して所期の結果を達成する必要があるため、固定のプロセスパラメータで各細胞製剤の生産を行うことはできない。そのほか、プロセスの複雑性及び相関性に起因して、従来技術では、通常、単一のパラメータのみを最適化可能であり、プロセス全体における各パラメータ間の相互の総合的な影響については軽視されている。
【０００４】
従来技術では、機械学習によって大量のサンプルのデータセットについて訓練を行い、予測モデルを取得する。この予測モデルは、各種プロセスパラメータを入力して細胞培養の予測結果を生成することが可能なため、ユーザは、設計する細胞培養プロセスの効果を事前にシミュレーションできる。しかしながら、機械学習で訓練される上記の予測モデルでは、ユーザの所期の結果から細胞培養プロセスのプロセスパラメータを逆推定することはできない。換言すると、細胞培養プロセスを設計する際に、ユーザは、異なるプロセスパラメータを大量に試す必要があるため、細胞培養プロセスの設計及び改良に大量の労力と資源が費やされる。また、細胞プロセスのほか、その他の分野で機械学習により得られる予測モデルについても、入力パラメータを逆推定できないとの問題が存在する。
【０００５】
一般的に、機械学習で訓練して得られる予測モデルは、関数（ｆ（ｘ））で表すことができる。また、予測モデルの所期の結果から適切な入力パラメータを逆推定する方法は、当該関数の最適化演算と見なすことができる。この最適化演算には、当該関数の導関数が用いられることが多い。つまり、当該関数を微分することが多い。しかしながら、通常、機械学習で訓練して得られる予測モデルの目的関数は非シンボリック（ｎｏｎ－ｓｙｍｂｏｌｉｃ）であり、微分できない場合も多く、不連続の場合すらある。よって、数値解析法では、この関数について導関数を計算することが難しい。換言すれば、予測モデルの目的関数を用いて入力パラメータを直接逆推定することは難しい。
【０００６】
そこで、プロセスにおける複数のパラメータを特定して最適化するために、所期の結果に合致するプロセスのプロセスパラメータを逆推定可能であり、より総合的且つ正確な方法を研究開発する必要がある。
【発明の概要】
【発明が解決しようとする課題】
【０００７】
上記に鑑みて、本発明は、以上で述べた従来の課題を解決するために、プロセスパラメータの計算方法を提供する。
【課題を解決するための手段】
【０００８】
本発明は、プロセスにおける複数のプロセスパラメータを確認して最適化するために用いられるプロセスパラメータの計算方法を提供する。前記プロセスパラメータは、複数の確認済み入力パラメータ及び複数の未確認入力パラメータを含む。前記プロセスパラメータの計算方法は、訓練済み予測モデルを提供し、前記訓練済み予測モデルは、機械学習方法によってデータセットを機械学習することで得られ、前記データセットは複数のサンプルを含み、且つ、各前記サンプルは複数のサンプルパラメータを含み、前記訓練済み予測モデルは、複数の入力パラメータを入力して、前記入力パラメータに対応する予測結果を生成するために用いられるステップと、前記訓練済み予測モデルの前記予測結果に対応する目標結果を設定するとともに、前記入力パラメータのうちの前記確認済み入力パラメータを提供するステップと、前記データセット内の各前記サンプルを前記訓練済み予測モデルに入力することで生成される前記予測結果が前記目標結果と一致するか否かを照合し、前記予測結果が前記目標結果と一致する前記サンプルを複数のアンカーサンプルとして多次元部分空間を形成し、前記多次元部分空間内で初期サンプルを特定するステップと、前記多次元部分空間内で前記初期サンプルの方向を取得するステップと、前記初期サンプルの前記サンプルパラメータについて、前記方向に沿って刻み幅を増加させ、前記確認済み入力パラメータと、前記確認済み入力パラメータに対応しない前記刻み幅を増加させた前記サンプルパラメータを前記訓練済み予測モデルに入力して、生成される前記予測結果が前記目標結果と一致するか否かを確認するステップと、前記予測結果が前記目標結果と一致する場合には、前記確認済み入力パラメータに対応しない前記刻み幅を増加させた前記サンプルパラメータを前記未確認入力パラメータとするステップ、を含む。
【０００９】
多次元部分空間内で前記初期サンプルを特定するステップは、前記多次元部分空間内の少なくとも２つの前記アンカーサンプル間の距離の中点を前記初期サンプルとするステップ、を含む。
【００１０】
多次元部分空間内で前記初期サンプルを特定するステップは、前記多次元部分空間内の少なくとも２つの前記アンカーサンプルの線形結合を前記初期サンプルとするステップ、を含む。
（【００１１】以降は省略されています）

関連特許