特許ウォッチ

公開番号2025032646
公報種別公開特許公報(A)
公開日2025-03-12
出願番号2023138048
出願日2023-08-28
発明の名称情報処理システム、情報処理方法及びプログラム
出願人株式会社リガク
代理人弁理士法人IPX
主分類G01N 23/2055 20180101AFI20250305BHJP(測定;試験)
要約【課題】X線回折パターンの機械学習を用いた定性分析における、学習時間を軽減する手法を提供する。
【解決手段】情報処理システムは、データ群取得部310と、サブクラス設定部320と、結晶相選択部330と、プロファイル生成部340と、を有する。データ群取得部は、複数の結晶相情報が含まれるデータ群を取得する。サブクラス設定部は、データ群に含まれる結晶相情報を、第1のサブクラス及び第2のサブクラスの何れかのサブクラスに設定する。結晶相選択部は、第1のサブクラス、又は、第1のサブクラスと第2のサブクラスとの両方から結晶相情報を選択し、選択データとする。第1のサブクラスの数が複数存在する場合、選択データには第1のサブクラスごとに少なくとも1つの結晶相情報が含まれる。プロファイル生成部は、選択データに基づいてX線回折プロファイルを生成する。
【選択図】図3
特許請求の範囲【請求項１】
Ｘ線回折プロファイルを生成する情報処理システムであって、
データ群取得部と、サブクラス設定部と、結晶相選択部と、プロファイル生成部と、を有し、
前記データ群取得部は、複数の結晶相情報が含まれるデータ群を取得し、
前記サブクラス設定部は、前記データ群に含まれる結晶相情報を、第１のサブクラス及び第２のサブクラスの何れかのサブクラスに設定し、
前記第１のサブクラスの数は１以上であり、前記第２のサブクラスの数は０以上であり、前記第１のサブクラスと前記第２のサブクラスとの合計数は２以上であり、
前記結晶相選択部は、前記第１のサブクラス、又は、前記第１のサブクラスと前記第２のサブクラスとの両方から結晶相情報を選択し、選択データとし、
前記第１のサブクラスの数が複数存在する場合、前記選択データには前記第１のサブクラスごとに少なくとも１つの結晶相情報が含まれ、
前記プロファイル生成部は、前記選択データに基づいてＸ線回折プロファイルを生成する、
情報処理システム。
続きを表示（約 1,600 文字）【請求項２】
請求項１に記載の情報処理システムにおいて、
前記第１のサブクラス及び前記第２のサブクラスに含まれる結晶相情報の数は、それぞれ２以上である、
情報処理システム。
【請求項３】
請求項１に記載の情報処理システムにおいて、
分析対象の種類がセメントであり、
前記第１のサブクラスとしてＣ３Ｓ（エーライト）とＣ２Ｓ（ビーライト）とＣ３Ａ（アルミネート）とＣ４ＡＦ（フェライト）とが含まれる、
情報処理システム。
【請求項４】
請求項１に記載の情報処理システムにおいて、
分析対象の種類が電池材料であり、
前記第１のサブクラスとして負極材、正極材、固体電解質、集電体の少なくとも１つが含まれる、
情報処理システム。
【請求項５】
請求項１に記載の情報処理システムにおいて、
前記サブクラス設定部は、
設定画面を表示し、
前記設定画面を介した操作に基づき前記データ群に含まれる結晶相情報を、第１のサブクラス及び第２のサブクラスの何れかのサブクラスに設定する、
情報処理システム。
【請求項６】
請求項１に記載の情報処理システムにおいて、
前記プロファイル生成部は、前記選択データから複数の単相プロファイルを生成し、生成した複数の単相プロファイルを組み合わせて前記Ｘ線回折プロファイルを生成する、
情報処理システム。
【請求項７】
請求項１に記載の情報処理システムにおいて、
ニューラルネットワーク生成部をさらに有し、
前記ニューラルネットワーク生成部は、前記生成されたＸ線回折プロファイルを入力データとし、前記選択データを出力データとする教師データを機械学習させたニューラルネットワークを生成する、
情報処理システム。
【請求項８】
請求項７に記載の情報処理システムにおいて、
測定データ取得部と測定データ分析部とをさらに有し、
前記測定データ取得部は、測定データであるＸ線回折プロファイルを取得し、
前記測定データ分析部は、前記測定データを前記ニューラルネットワークに入力することで、前記測定データに含まれる結晶相情報を推論した推論結果を出力する、
情報処理システム。
【請求項９】
請求項７に記載の情報処理システムにおいて、
測定データ取得部と測定データ分析部とをさらに有し、
前記測定データ取得部は、測定データであるＸ線回折プロファイルを取得し、
前記測定データ分析部は、前記測定データを前記ニューラルネットワークに入力することで、前記測定データに含まれる結晶相情報を推論した推論結果を取得し、前記推論結果に基づいて測定データに含まれる結晶相情報を出力する、
情報処理システム。
【請求項１０】
Ｘ線回折プロファイルを生成する情報処理システムが実行する情報処理方法であって、
複数の結晶相情報が含まれるデータ群を取得し、
前記データ群に含まれる結晶相情報を、第１のサブクラス及び第２のサブクラスの何れかのサブクラスに設定し、
前記第１のサブクラスの数は１以上であり、前記第２のサブクラスの数は０以上であり、前記第１のサブクラスと前記第２のサブクラスとの合計数は２以上であり、
前記第１のサブクラス、又は、前記第１のサブクラスと前記第２のサブクラスとの両方から結晶相情報を選択し、選択データとし、
前記第１のサブクラスの数が複数存在する場合、前記選択データには前記第１のサブクラスごとに少なくとも１つの結晶相情報が含まれ、
前記選択データに基づいてＸ線回折プロファイルを生成する、
情報処理方法。
（【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、情報処理システム、情報処理方法及びプログラムに関する。
続きを表示（約 2,300 文字）【背景技術】
【０００２】
粉末試料に含まれる結晶相を分析するための手法（以降、定性分析とよぶ）の一例として、Ｘ線回折法があげられる。従来のＸ線回折法における定性分析では、粉末試料から発生した回折パターンとあらかじめデータベースに収録された回折パターンを照合することで、粉末試料に含まれる結晶相の同定を行う。しかし、従来の手法においてはデータベースに収録されている結晶相のデータ数が多く、回折パターンとデータベースに収録されている情報を照合するのに多くの時間を要する、複雑な回折パターンの正答率が低いといった問題があった。
【０００３】
近年、従来の定性分析を改善する方法として、機械学習を用いた定性分析が検討されている。機械学習を用いた定性分析では、回折パターンを入力データとし、前記回折パターンに含まれる結晶相を出力データとする教師データを学習データとして使用したニューラルネットワークを作成する。前記ニューラルネットワークに対して、被検試料の測定結果を入力することで、被検試料に含有される結晶相を求めることができる。
【０００４】
非特許文献１では、教師データの作成方法が教示されている。データベースに収録された結晶相情報に基づいて複数種類の単相プロファイルを作成し、前記単相プロファイルを足し合わせることにおいて、混合物の回折パターンをシミュレーションすることができ、得られた回折パターンを用いて機械学習を行うことが述べられている。
【先行技術文献】
【非特許文献】
【０００５】
ＪａｎＳｃｈｕｅｔｚｋｅｅｔａｌ．，Ｅｎｈａｎｃｉｎｇｄｅｅｐ－ｌｅａｒｎｉｎｇｔｒａｉｎｉｎｇｆｏｒｐｈａｓｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｉｎｐｏｗｄｅｒＸ－ｒａｙｄｉｆｆｒａｃｔｏｇｒａｍｓ，ＩＵＣｒＪ８（２０２１）４０８－４２０．
【発明の概要】
【発明が解決しようとする課題】
【０００６】
機械学習を用いた定性分析では、ニューラルネットワークの作成には膨大な教師データを学習する必要があり、時間がかかることが問題として挙げられる。例えば、セメントデータベースにおいては約７０種類の結晶相情報が収録されている。その結晶相情報の組み合わせ方法は約１００億種類と膨大であり、膨大な量の教師データを学習させる必要があった。さらに、データベースに収録される結晶相情報数が増加すると、この組み合わせ方法も飛躍的に増大し、さらに時間を要することが予想される。そのため、学習時間を軽減する手法が求められていた。
【課題を解決するための手段】
【０００７】
本発明の一態様によれば、Ｘ線回折プロファイルを生成する情報処理システムが提供される。この情報処理システムは、データ群取得部と、サブクラス設定部と、結晶相選択部と、プロファイル生成部と、を有する。データ群取得部は、複数の結晶相情報が含まれるデータ群を取得する。サブクラス設定部は、データ群に含まれる結晶相情報を、第１のサブクラス及び第２のサブクラスの何れかのサブクラスに設定する。第１のサブクラスの数は１以上であり、第２のサブクラスの数は０以上であり、第１のサブクラスと第２のサブクラスとの合計数は２以上である。結晶相選択部は、第１のサブクラス、又は、第１のサブクラスと第２のサブクラスとの両方から結晶相情報を選択し、選択データとする。第１のサブクラスの数が複数存在する場合、選択データには第１のサブクラスごとに少なくとも１つの結晶相情報が含まれる。プロファイル生成部は、選択データに基づいてＸ線回折プロファイルを生成する。
【図面の簡単な説明】
【０００８】
図１は、情報処理システムのシステム構成の一例を示す図である。
図２は、情報処理装置のハードウェア構成の一例を示す図である。
図３は、情報処理装置の機能構成の一例を示す図である。
図４は、情報処理装置における学習時の情報処理の一例を示すフローチャートである。
図５は、設定画面の一例を示す図である。
図６は、設定画面の変形例を示す図である。
図７は、情報処理装置における推論時の情報処理の一例を示すフローチャートである。
図８は、結晶相の決定の処理の一例を示す概念図である。
図９は、サブクラスの有無による学習データパターンの差を示す図である。
図１０は、サブクラスの有無による性能の比較の一例を示す図である。
図１１は、サブクラスの有無による学習時間の比較の一例を示す図である。
【発明を実施するための形態】
【０００９】
以下、図面を用いて本発明の実施形態について説明する。以下に示す実施形態中で示した各種特徴事項は、互いに組み合わせ可能である。
【００１０】
本明細書において「部」とは、例えば、広義の回路によって実施されるハードウェア資源と、これらのハードウェア資源によって具体的に実現されうるソフトウェアの情報処理とを合わせたものも含みうる。また、実施形態１においては様々な情報を取り扱うが、これら情報は、０又は１で構成される２進数のビット集合体として信号値の高低によって表され、広義の回路上で通信・演算が実行されうる。
（【００１１】以降は省略されています）

関連特許