JPWO2019048965A1 - 物性予測方法および物性予測システム - Google Patents

Abstract

有機化合物の有する物性を誰でも簡便に精度良く予測することが可能な物性予測方法を提供する。また、有機化合物の有する物性を誰でも簡便に精度良く予測することが可能な物性予測システムを提供する。有機化合物の分子構造と物性の相関を学習させる段階と、前記学習の結果をもとに対象物質の分子構造から目的とする物性値を予測する段階とを有し、前記有機化合物の分子構造の表記方法として、複数種類のフィンガープリント法を同時に用いる有機化合物の物性予測方法および物性予測システムを提供する。

Description

本発明の一態様は、有機化合物の物性予測方法および物性予測装置に関する。

有機化合物の物性は、古くは目的とする物質を合成し、直接測定することでしか知りえなかったものであった。しかし、それら特性は当該有機化合物の分子構造により決定するものであるため、ある分子構造を有する有機化合物が備える物性がおおよそどのくらいの値を示すものであるのかは、データの蓄積された昨今であれば、熟練者は目星をつけることが可能となっている。また、近年では、第１原理シミュレーション理論などを用いて計算することによっても予測は可能である。

有機化合物を用いた研究や開発においては、必要とされる特性に応じて、対応する物性を有する有機化合物が選択されて用いられる。そのため、実際に合成することなく、既知物質や未知の物質から、要求される物性の有機化合物を的確に予測し、選択して用いることができれば、開発速度を大きく向上させることができると期待される。

しかし、上述したような的確な予測は誰にでもできるわけではない上に、現状、シミュレーションには膨大なコストや時間がかかってしまう。一方で、候補となる有機化合物は非常に多く存在するため、誰でも簡単に素早く目的の有機化合物の物性を予測できる方法およびシステムが望まれている。

近年、機械学習などの方法を利用して分類、推定、予測などを行う方法が大きな進化を遂げている。特に、畳み込みニューラルネットワークを用いたディープラーニングによる選別や予測の性能は大きく向上しており、様々な分野において優れた成果を上げている。しかし、有機化合物を取り扱う分野において、その構造をコンピュータに齟齬なく理解させた上に物性に関連する特徴を的確に抽出することが可能であり、且つ扱いやすい情報量である有機化合物の記述方法は、未だ十分なものが殆ど存在しないのが現状である。そのため、有機化合物の物性を、誰でも、簡便に、精度良く予測することができる物性予測方法およびシステムは未だ実現していない。

特許文献１では、機械学習を用いた新規物質探索方法およびその装置について開示されている。

特開２０１７−９１５２６号公報

本発明の一態様では未知の有機化合物の有する物性を誰でも簡便に精度良く予測することが可能な物性予測方法を提供することを目的とする。また、および有機化合物の有する物性を誰でも簡便に精度良く予測することが可能な物性予測システムを提供することを目的とする。

本発明の一態様は、有機化合物の分子構造と物性の相関を学習させる段階と、前記学習の結果をもとに対象物質の分子構造から目的とする物性を予測する段階とを有し、前記有機化合物の分子構造の表記方法として、複数種類のフィンガープリント法を同時に用いる有機化合物の物性予測方法である。

また、本発明の他の一態様は、有機化合物の分子構造と物性の相関を学習させる段階と、前記学習の結果をもとに対象物質の分子構造から目的とする物性を予測する段階とを有し、前記有機化合物の分子構造の表記方法として、２種類のフィンガープリント法を同時に用いる有機化合物の物性予測方法である。

また、本発明の他の一態様は、有機化合物の分子構造と物性の相関を学習させる段階と、前記学習の結果を元に対象物質の分子構造から目的とする物性を予測する段階とを有し、前記有機化合物の分子構造の表記方法として、３種類のフィンガープリント法を同時に用いる有機化合物の物性予測方法である。

また、本発明の他の一態様は、上記構成において、前記フィンガープリント法としてＡｔｏｍ Ｐａｉｒ型、Ｃｉｒｃｕｌａｒ型、Ｓｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙ型およびＰａｔｈ−ｂａｓｅｄ型の少なくともいずれか１を含む物性予測方法である。

また、本発明の他の一態様は、上記構成において、前記複数のフィンガープリント法が、Ａｔｏｍ Ｐａｉｒ型、Ｃｉｒｃｕｌａｒ型、Ｓｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙ型およびＰａｔｈ−ｂａｓｅｄ型の中から選ばれる物性予測方法である。

また、本発明の他の一態様は、上記構成において前記フィンガープリント法としてＡｔｏｍ Ｐａｉｒ型およびＣｉｒｃｕｌａｒ型を含む物性予測方法である。

また、本発明の他の一態様は、上記構成において、前記フィンガープリント法としてＣｉｒｃｕｌａｒ型およびＳｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙ型を含む物性予測方法である。

また、本発明の他の一態様は、上記構成において、前記フィンガープリント法としてＣｉｒｃｕｌａｒ型およびＰａｔｈ−ｂａｓｅｄ型を含む物性予測方法である。

また、本発明の他の一態様は、上記構成において、前記フィンガープリント法としてＡｔｏｍ Ｐａｉｒ型およびＳｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙ型を含む物性予測方法である。

また、本発明の他の一態様は、上記構成において、前記フィンガープリント法としてＡｔｏｍ Ｐａｉｒ型およびＰａｔｈ−ｂａｓｅｄ型を含む物性予測方法である。

また、本発明の他の一態様は、上記構成において、前記フィンガープリント法として、Ａｔｏｍ Ｐａｉｒ型、Ｓｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙ型およびＣｉｒｃｕｌａｒ型を含む物性予測方法である。

また、本発明の他の一態様は、上記構成において、前記フィンガープリント法として前記Ｃｉｒｃｕｌａｒ型が用いられる場合、ｒが３以上である物性予測方法である。

また、本発明の他の一態様は上記構成において、前記Ｃｉｒｃｕｌａｒ型の前記フィンガープリント法はｒが５以上である物性予測方法である。

また、本発明の他の一態様は、上記構成において、前記フィンガープリント法の少なくとも１を用いて学習させる各有機化合物の分子構造を表記した際に、各有機化合物の表記が全て異なる物性予測方法である。

また、本発明の他の一態様は、上記構成において、前記フィンガープリント法の少なくとも１が、予測したい物性を特徴づける構造の情報を表現可能である物性予測方法である。

また、本発明の他の一態様は、上記構成において、前記フィンガープリント法の少なくとも１が、置換基、前記置換基の置換位置、官能基、元素数、元素の種類、元素の価数、結合次数および原子座標の少なくとも１を表現可能である物性予測方法である。

また、本発明の他の一態様は、上記構成において、前記物性は、発光スペクトル、半値幅、発光エネルギー、励起スペクトル、吸収スペクトル、透過スペクトル、反射スペクトル、モル吸光係数、励起エネルギー、過渡発光寿命、過渡吸収寿命、Ｓ１準位、Ｔ１準位、Ｓｎ準位、Ｔｎ準位、ストークスシフト値、発光量子収率、振動子強度、酸化電位、還元電位、ＨＯＭＯ準位、ＬＵＭＯ準位、ガラス転移点、融点、結晶化温度、分解温度、沸点、昇華温度、キャリア移動度、屈折率、配向パラメータ、質量電荷比およびＮＭＲ測定におけるスペクトル、ケミカルシフト値とその元素数もしくはカップリング定数、ＥＳＲ測定におけるスペクトル、ｇ因子、Ｄ値もしくはＥ値のいずれか１または複数である物性予測方法である。

また、本発明の他の一態様は、入力手段とデータサーバと、前記データサーバに保存された有機化合物の分子構造と物性の相関を学習する学習手段と、前記学習の結果をもとに、前記入力手段から入力された対象物質の分子構造から目的とする物性を予測する予測手段と、前記予測された物性値を出力する出力手段とを有し、前記有機化合物の分子構造の表記方法として、複数種類のフィンガープリント法を同時に用いる有機化合物の物性予測システムである。

また、本発明の他の一態様は、入力手段と、データサーバと、前記データサーバに保存された有機化合物の分子構造と物性の相関を学習する学習手段と、前記学習の結果をもとに、前記入力手段から入力された対象物質の分子構造から目的とする物性を予測する予測手段と、前記予測された物性値を出力する出力手段とを有し、前記有機化合物の分子構造の表記方法として、２種類のフィンガープリント法を同時に用いる有機化合物の物性予測システムである。

また、本発明の他の一態様は、入力手段と、データサーバと、前記データサーバに保存された有機化合物の分子構造と物性の相関を学習する学習手段と、前記学習の結果をもとに、前記入力手段から入力された対象物質の分子構造から目的とする物性を予測する予測手段と、前記予測された物性値を出力する出力手段とを有し、前記有機化合物の分子構造の表記方法として、３種類のフィンガープリント法を同時に用いる有機化合物の物性予測システムである。

また、本発明の他の一態様は、上記構成において、前記フィンガープリント法としてＡｔｏｍ Ｐａｉｒ型、Ｃｉｒｃｕｌａｒ型、Ｓｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙ型およびＰａｔｈ−ｂａｓｅｄ型の少なくともいずれか１を含む物性予測システムである。

また、本発明の他の一態様は、上記構成において前記複数のフィンガープリント法が、Ａｔｏｍ Ｐａｉｒ型、Ｃｉｒｃｕｌａｒ型、Ｓｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙ型およびＰａｔｈ−ｂａｓｅｄ型の中から選ばれる物性予測システムである。

また、本発明の他の一態様は、上記構成において前記フィンガープリント法としてＡｔｏｍ Ｐａｉｒ型およびＣｉｒｃｕｌａｒ型を含む物性予測システムである。

また、本発明の他の一態様は、上記構成において前記フィンガープリント法としてＣｉｒｃｕｌａｒ型およびＳｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙ型を含む物性予測システムである。

また、本発明の他の一態様は、上記構成において、前記フィンガープリント法としてＣｉｒｃｕｌａｒ型およびＰａｔｈ−ｂａｓｅｄ型を含む物性予測システムである。

また、本発明の他の一態様は、上記構成において、前記フィンガープリント法としてＡｔｏｍ Ｐａｉｒ型および／またはＳｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙ型を含む物性予測システムである。

また、本発明の他の一態様は、上記構成において、前記フィンガープリント法としてＡｔｏｍ Ｐａｉｒ型および／またはＰａｔｈ−ｂａｓｅｄ型を含む物性予測システムである。

また、本発明の他の一態様は、上記構成において、前記フィンガープリント法として、Ａｔｏｍ Ｐａｉｒ型、Ｓｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙ型およびＣｉｒｃｕｌａｒ型を含む物性予測システムである。

また、本発明の他の一態様は、上記構成において、前記フィンガープリント法として前記Ｃｉｒｃｕｌａｒ型が用いられる場合、ｒが３以上である物性予測システムである。

また、本発明の他の一態様は、上記構成において、前記Ｃｉｒｃｕｌａｒ型の前記フィンガープリント法はｒが５以上である物性予測システムである。

また、本発明の他の一態様は、上記構成において、前記フィンガープリント法の少なくとも１を用いて学習させる各有機化合物の分子構造を表記した際に、各有機化合物の表記が全て異なる物性予測システムである。

また、本発明の他の一態様は、上記構成において、前記フィンガープリント法の少なくとも１が、予測したい物性を特徴づける構造の情報を表現可能である物性予測システムである。

また、本発明の他の一態様は、上記構成において、前記フィンガープリント法の少なくとも１が、置換基、前記置換基の置換位置、官能基、元素数、元素の種類、元素の価数、結合次数および原子座標の少なくとも１を表現可能である物性予測システムである。

また、本発明の他の一態様は、上記構成において、前記物性は、発光スペクトル、半値幅、発光エネルギー、励起スペクトル、吸収スペクトル、透過スペクトル、反射スペクトル、モル吸光係数、励起エネルギー、過渡発光寿命、過渡吸収寿命、Ｓ１準位、Ｔ１準位、Ｓｎ準位、Ｔｎ準位、ストークスシフト値、発光量子収率、振動子強度、酸化電位、還元電位、ＨＯＭＯ準位、ＬＵＭＯ準位、ガラス転移点、融点、結晶化温度、分解温度、沸点、昇華温度、キャリア移動度、屈折率、配向パラメータ、質量電荷比およびＮＭＲ測定におけるスペクトル、ケミカルシフト値とその元素数もしくはカップリング定数、ＥＳＲ測定におけるスペクトル、ｇ因子、Ｄ値もしくはＥ値のいずれか１または複数である物性予測システムである。

本発明の一態様では、未知の有機化合物の有する物性を誰でも簡便に精度良く予測することが可能な物性予測方法を提供することができる。また、有機化合物の有する物性を誰でも簡便に精度良く予測することが可能な物性予測システムを提供することができる。

本発明の一態様を表すフローチャート。 フィンガープリント法による分子構造の変換方法を表す図。 フィンガープリント法の種類について説明する図。 ＳＭＩＬＥＳ表記からフィンガープリント法による表記への変換を説明する図。 フィンガープリント法の種類と表記の重複について説明する図。 複数のフィンガープリント法を用いて分子構造を表記した例を説明する図。 ニューラルネットワークの構成を説明する図。 本発明の一態様の物性予測システムを表す図。 ニューラルネットワークの構成を説明する図。 演算を行う機能を有する半導体装置の構成例を説明する図。 メモリセルの具体的な構成例を説明する図。 オフセット回路ＯＦＳＴの構成例説明する図。 半導体装置の動作例のタイミングチャートを表す図。 物性予測結果を表す図。

以下、本発明の実施の態様について図面を用いて詳細に説明する。但し、本発明は以下の説明に限定されず、本発明の趣旨及びその範囲から逸脱することなくその形態及び詳細を様々に変更し得ることは当業者であれば容易に理解される。従って、本発明は以下に示す実施の形態の記載内容に限定して解釈されるものではない。

（実施の形態１）
本発明の一態様の物性予測方法は、例えば図１のようなフローチャートで示すことができる。図１によれば、まず、本発明の一態様の物性予測方法は、有機化合物の分子構造と、物性の相関の学習を行う（Ｓ１０１）。

この際、分子構造と物性の相関を機械学習させるには、分子構造を数式で記述する必要がある。分子構造の数式化には、オープンソースのケモインフォマティクスツールキットであるＲＤＫｉｔを利用することができる。ＲＤＫｉｔでは、入力した分子構造のＳＭＩＬＥＳ表記（Ｓｉｍｐｌｉｆｉｅｄ ｍｏｌｅｃｕｌａｒ ｉｎｐｕｔ ｌｉｎｅ ｅｎｔｒｙ ｓｐｅｃｉｆｉｃａｔｉｏｎ ｓｙｎｔａｘ）をフィンガープリント法によって数式データへ変換することができる。

フィンガープリント法では、例えば図２に示すように、分子構造の部分構造（フラグメント）を各ビットに割り振ることで分子構造を表し、対応する部分構造が分子中に存在すれば「１」、しなければ「０」がビットにセットされる。すなわち、フィンガープリント法を用いることで、分子構造の特徴を抽出した数式を得ることができる。また、一般的にフィンガープリント法で表された分子構造の式は数百から数万のビット長であり、扱いやすい大きさである。また、分子構造を０と１の数式で表すために、フィンガープリント法を用いることで、非常に高速な計算処理を実現することが可能となる。

また、フィンガープリント法には多くの種類（ビット生成のアルゴリズムの違い、原子タイプや結合タイプ、芳香族性の条件を考慮したもの、ハッシュ関数を用いて動的にビット長を生成するものなど）が存在しており、各々特徴がある。

代表的なフィンガープリント法の種類としては、図３に示したように、１）Ｃｉｒｃｕｌａｒ型（起点となる原子を中心に、指定した半径までの周辺原子を部分構造とする）、２）Ｐａｔｈ−ｂａｓｅｄ型（起点となる原子から指定したパスの長さ（Ｐａｔｈ ｌｅｎｇｔｈ）までの原子を部分構造とする）、３）Ｓｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙｓ型（ビット毎に部分構造が規定されている）、４）Ａｔｏｍ ｐａｉｒ型（分子中のすべての原子について生成させた原子ペアを部分構造とする）等がある。ＲＤＫｉｔにはこれらの各型のフィンガープリントが実装されている。

図４は実際に、ある有機化合物の分子構造をフィンガープリント法により数式として表した例である。このように、分子構造をいったんＳＭＩＬＥＳ表記に変換してからフィンガープリントに変換することができる。

なお、有機化合物の分子構造をフィンガープリント法で表現する際に、類似する構造を有する異なる有機化合物間で、得られる数式が同一となってしまう場合がある。上述したように、フィンガープリント法は、表記方法によっていくつかの種類が存在するが、同一となってしまう化合物の傾向は、図５の▲１▼Ｃｉｒｃｕｌａｒ型（Ｍｏｒｇａｎ Ｆｉｎｇｅｒｐｒｉｎｔ）、▲２▼Ｐａｔｈ−ｂａｓｅｄ型（ＲＤＫ Ｆｉｎｇｅｒｐｒｉｎｔ）、▲３▼Ｓｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙｓ型（Ａｖａｌｏｎ Ｆｉｎｇｅｒｐｒｉｎｔ）、▲４▼Ａｔｏｍ ｐａｉｒ型（Ｈａｓｈ ａｔｏｍ ｐａｉｒ）に示したように、表記方法によって異なっている。なお図５では、それぞれの両矢印内の分子同士がそれぞれ同一の数式（表記）を示す。そのため、学習に用いるフィンガープリント法としては、その少なくとも１を用いて学習させる各有機化合物の分子構造を表記した際に、各有機化合物の表記が全て異なるフィンガープリント法を用いることが好ましい。図５では、Ａｔｏｍ ｐａｉｒ型が異なる化合物間で重複なく表記することができることがわかるが、学習させる有機化合物の母集団によってはその他の表記方法でも重複なく表記可能である場合もある。

ここで、本発明の一態様では、学習させる有機化合物をフィンガープリント法で表記する際に、複数の異なる種類のフィンガープリント法を用いることを特徴とする。用いる種類は何種類でも構わないが、２種類または３種類程度がデータ量的にも扱いやすく好ましい。複数種類のフィンガープリント法で学習を行う場合、ある種類のフィンガープリント法により表記された数式の後ろに、他の種類のフィンガープリント法により表記された数式を繋げて用いても良いし、一つの有機化合物に対してそれぞれ複数種類の異なる数式が存在するとして学習させても良い。図６に、型の異なるフィンガープリントを複数用いて分子構造を記述する方法の一例を示す。

フィンガープリントは部分構造の有無を記述する方法であり、分子構造全体の情報は失われる。しかしながら、型の異なるフィンガープリントを複数用いて分子構造を数式化すれば、それぞれのフィンガープリントの型で異なる部分構造が生成され、これらの部分構造の有無の情報から分子構造全体に関わる情報が補完されうる。あるフィンガープリントでは表現しきれない特徴が物性値に大きく影響する場合や、その特徴がある化合物間の物性値差に影響する場合、他のフィンガープリントによってそれが補完されるため、型の異なるフィンガープリントを複数用いて分子構造を記述する方法は有効である。

なお、２種類のフィンガープリント法により表記を行う際は、Ａｔｏｍ Ｐａｉｒ型と、Ｃｉｒｃｕｌａｒ型を用いることが精度よく物性予測が可能であるため、好ましい構成である。

また、三種類のフィンガープリント法を用いて表記を行う際は、Ａｔｏｍ Ｐａｉｒ型と、Ｃｉｒｃｕｌａｒ型と、Ｓｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙｓ型を用いることが精度よく物性予測が可能であるため、好ましい構成である。

また、Ｃｉｒｃｕｌａｒ型のフィンガープリント法を用いる場合は、半径ｒは３以上であることが好ましく、５以上であることがさらに好ましい。なお半径ｒとは、起点となるある元素を０として、その元素から連結して数えた元素の個数である。

なお、用いるフィンガープリント法を選択する際には、先にも述べたように、学習させる各有機化合物の分子構造を表記した際に、各有機化合物の表記が全て異なるものを少なくとも一つ選ぶことが好ましい。

フィンガープリントは、表現するビット長（ビット数）を大きくすることで、学習させる各有機化合物間で完全に表記が一致する記載が生成する可能性を低くすることができるが、ビット長を大きくしすぎてしまうと、計算コストやデータベースの管理コストが大きくなるというトレードオフが生じる。一方、複数のフィンガープリントを同時に用いて表現することで、あるフィンガープリント型で表記が完全一致となる複数の分子構造があっても、異なるフィンガープリント型を組み合わせることで、全体として表記が完全一致が生じない可能性がある。その結果、なるべく小さなビット長でフィンガープリントによる表記が完全一致となる複数の有機化合物が生じない状態を生成できる。また、分子構造の特徴を複数の方法で抽出することになるため、学習効率が良く、過学習になりにくい。生成するフィンガープリントのビット長に特に制限はないが、計算コストや、データベースの管理コストを考慮すると、各分子量が２０００程度までの分子であれば、フィンガープリントの型毎にビット長は４０９６以下、好ましくは２０４８以下、場合によっては１０２４以下で、分子間のフィンガープリントが完全一致する状態とならず、かつ、学習効率のよいフィンガープリントを生成することができる。

また、それぞれのフィンガープリント型で生成するフィンガープリントのビット長は、その型の特徴や学習する分子構造の全体を考慮して適宜調整すればよく、統一する必要はない。たとえば、ビット長をＡｔｏｍ Ｐａｉｒ型では１０２４ビット、Ｃｉｒｃｕｌａｒ型では２０４８ビットで表し、それらを連結するなどとしても良い。

機械学習の手法としては、どのようなものを用いても良いが、ニューラルネットワークを用いることが好ましい。ニューラルネットワークによる学習は、例えば、図７のような構造を構築して行えばよい。プログラム言語には例えばＰｙｔｈｏｎを、機械学習のフレームワークにはＣｈａｉｎｅｒなどを使用することができる。予測モデルの妥当性を評価するためには、物性値のデータのうち、一部をテスト用にし、残りを学習用に使用すればよい。

分子構造と関連付けて学習させる物性値としては、例えば、発光スペクトル、半値幅、発光エネルギー、励起スペクトル、吸収スペクトル、透過スペクトル、反射スペクトル、モル吸光係数、励起エネルギー、過渡発光寿命、過渡吸収寿命、Ｓ１準位、Ｔ１準位、Ｓｎ準位、Ｔｎ準位、ストークスシフト値、発光量子収率、振動子強度、酸化電位、還元電位、ＨＯＭＯ準位、ＬＵＭＯ準位、ガラス転移点、融点、結晶化温度、分解温度、沸点、昇華温度、キャリア移動度、屈折率、配向パラメータ、質量電荷比およびＮＭＲ測定におけるスペクトル、ケミカルシフト値とその元素数もしくはカップリング定数およびＥＳＲ測定におけるスペクトル、ｇ因子、Ｄ値もしくはＥ値などを挙げることができる。

これらは、測定によって求めたものでも良いし、シミュレーションによって求めたものでも良い。測定対象は、溶液や薄膜、粉末などから適宜選べばよい。ただし、それぞれ同じ測定条件、シミュレーション条件、単位で物性値を求めたものを学習させることが好ましい。条件を統一できない場合は、学習データのいくつか（少なくとも２種類の化合物以上、好ましくは１％以上、より好ましくは３％以上）でそれぞれの測定条件で同一の化合物の物性値を測定またはシミュレーションし、条件違いの測定やシミュレーションにおける値の相関が学習できる様にすることが好ましい。そして、その条件そのものの情報を学習データに同時に組み込むことが好ましい。

学習・予測する物性値は、１種類でも良いし、複数種類でも良い。物性値間に相関がある場合、複数種類の物性値を同時に学習させた方が、学習効率が高くなり、予測精度が高くなるため、好ましい。物性値間に相関がない、または低い場合でも、複数の物性値を同時予測でき、効率的で好ましい。

組み合わせて学習させることが有効である物性値としては、同一または類似の特性を元に決定される物性値が挙げられる。例えば、光学特性に関する物性値や、化学特性、電気特性に関する物性値などに属する物性値の中から適宜組み合わせて学習させると良い。光学特性に関する物性値としては、吸収ピーク、吸収端、モル吸光係数、発光ピーク、発光スペクトルの半値幅、発光量子収率などが挙げられる。例えば、溶液の発光ピークと薄膜の発光ピークや、室温で測定した発光ピークと低温で測定した発光ピーク、シミュレーションで求めたＳ１準位（最低一重項励起準位）、Ｔ１準位（最低三重項励起準位）、Ｓｎ準位（より高位の一重項励起準位）、Ｔｎ準位（より高位の三重項励起準位）などが挙げられる。これらのなかから選ばれた２以上を組み合わせて学習させることが好ましい。

学習・予測する物性値は、適宜選択すればよいが、有機ＥＬ素子用であれば、例えば以下のような測定法やシミュレーションで求めた物性値が好ましい。それぞれの物性値についての説明を行う。

発光スペクトルは、ある固定した波長範囲での波長毎の発光強度を求めて値として学習すればよい。この時、絶対値であっても良いが、最大極大値を規格化しておく方がスペクトルの予測としては好ましい。絶対値を比較したい場合は適宜最大強度や発光量子収率などを並列して記述すれば良い。

溶液、薄膜、粉末などの状態で測定したものがある。溶液の値は、有機ＥＬ素子でのドーパントの発光色を予測するのに好ましい。この時、実素子で用いるホストの極性になるべく近い（溶媒と実デバイスでの比誘電率の差が１０以内が好ましい、好ましくは絶対値で５以内程度が好ましい）溶剤中で測定することが好ましい。例えば溶剤としては、トルエン、クロロホルム、ジクロロメタンなどが好ましい。溶液の場合、分子間相互作用がない様に、濃度はおおむね１０^−４〜１０^−６Ｍが好ましい。ホストなどの有機物にドープした薄膜でもドーパントの発光色を予測するのに好ましい。この場合、ドープ濃度も素子と同様が好ましく、おおむね０．５ｗ％〜３０ｗ％が好ましい。また発光スペクトルには、蛍光スペクトルや燐光スペクトルがある。燐光スペクトルは、イリジウム錯体など重原子を用いたものは脱酸素状態にし室温で測定することができる。そうでない場合は液体窒素や液体ヘリウムなどで低温（１００Ｋ〜１０Ｋ）にし、測定することができる。なおスペクトルは蛍光分光光度計で測定することができる。また、半値幅とは、発光強度が極大値の半分の強度となった時のスペクトル幅のことである。

発光エネルギーは、目的にあった値を学習させる。極大値が複数ある場合、例えば有機ＥＬ素子でのドーパントの発光色の予測としては、その中で最大強度の値を求めることが好ましい。ホスト材料やキャリア輸送層などのエネルギーとしては、最も短波長側の極大値や、短波長側の立ち上がりの値（最も短波長側の極大値強度の７０〜５０％のプロットにおける接線とベースラインとの交点の値）でも良い。また、短波長側の立ち上がりの微分が最大となる点において、接線を引いて求めてもよい。

吸収スペクトルや透過スペクトル、反射スペクトルは、ある固定した波長範囲での波長毎の吸光度や吸収率、透過率、反射率を求めて値として学習させればよい。目的によって、絶対値もしくは規格化した値で学習すれば良く、スペクトル形状を比較したい場合は、任意の波長で規格化した値を学習させれば良い。絶対値を比較したい場合は、絶対値のまま学習させる。濃度や膜厚などの条件が統一されていない場合、それら条件と強度の絶対値とを並列に記載することが好ましい。例えば、有機ＥＬ素子で光取出し効率の影響などを予測したい場合、薄膜の透過率と膜厚とを並列して学習することが好ましい。また例えば、有機ＥＬ素子でのホストからドーパントへのエネルギー移動効率を予測したい場合、強度はドーパントのモル吸光係数を用いることが好ましい。なおスペクトルは吸光光度計で測定することができる。

励起エネルギーは、吸収スペクトルから求めることができる。吸収端の波長や、吸光度の極大値となる波長とその強度や、任意の波長での強度などを適宜学習すれば良い。吸収端の求め方としては、例えば最も長波長側の吸収極大値強度の７０〜５０％のプロットにおける接線と、ベースラインとの交点の値から求めればよい。また、最も長波長側の吸収極大から吸収が減衰する曲線において、その微分（負の値）が最小となる点において、接線を引いてもよい。

ストークスシフト値は、最大励起波長と最大発光波長との差で求めることができる。最大吸収波長と最大発光波長との差でも良い。例えば、発光材料の場合、ストークスシフト値をエネルギー（ｅＶ）で学習させることが好ましい。この値が小さい程、励起から発光までの構造緩和が小さいとされ、発光量子収率が高いと考えられる。

過渡発光寿命は、試料にパルス状の励起光を照射し、発光強度が減衰する時間（寿命）から求めることができる。このとき、ある時間範囲での時間毎の発光強度や、そこから求めた寿命の値を適宜学習すると良い。波形の場合は規格化することが好ましい。また全波長の初期の積算強度を規格化し、各波長の強度は相対値としても良い。例えば、発光材料の場合、早く減衰する程（寿命が早い程）、発光量子収率が高いと考えられる。なおこれは蛍光（発光）寿命測定装置で測定することができる。なお、発光素子の過渡発光寿命を測定する場合、光励起でなく電気励起を行っても良い。すなわち、発光素子にパルス状の電圧を印加し、発光強度が減衰する時間（寿命）を計測しても良い。なお、発光強度が減衰する時間（寿命）の指標としては、通常、発光強度が１／ｅになるまでの時間を用いることが多い。

Ｓ１準位は、吸収スペクトルの吸収端や、長波長側の極大値、励起スペクトルの最大極大値、発光スペクトルの最大極大値、短波長側の立ち上がりの値から求めることができる。Ｔ１準位は、過渡吸収測定などで求めた吸収スペクトルの吸収端や、長波長側の極大値、燐光スペクトルの最大極大値、燐光スペクトルの短波長側のピーク波長、短波長側の立ち上がりの値から求めることができる。なお、吸収端や、発光スペクトルの立ち上がりの値の求め方は、上述したとおりである。またＳ１準位やＴ１準位はシミュレーションからも求めることができる。例えば量子化学計算プログラムのＧａｕｓｓｉａｎなどの密度汎関数法で基底状態（Ｓ０）の構造最適化を行った後、時間依存密度汎関数法で励起エネルギーとして求めることができる。同様に、Ｓｎ準位（Ｓ１より上の一重項の準位）やＴｎ準位（Ｔ１より上の三重項の準位）も求めることができる。このとき、遷移確率として振動子強度を同時に求めても良い。例えば、発光材料の場合、振動子強度が高い方が、その準位で発光しやすいと考えられ、好ましい。また、密度汎関数法で求めたＳ０の構造最適化したポテンシャルエネルギーと、Ｔ１の構造最適化したポテンシャルエネルギーとの差を、Ｔ１準位としても良い。

発光量子収率は、絶対量子収率測定装置で求めることができる。

酸化電位、還元電位は、サイクリックボルタンメトリー（ＣＶ）で測定することができる。ＨＯＭＯ準位とＬＵＭＯ準位についても、酸化／還元のポテンシャルエネルギー（ｅＶ）が分かっている標準サンプル（例えばフェロセン）の酸化還元電位を基準として、ＣＶ測定により求めることができる。一方、ＨＯＭＯ準位は固体（薄膜や粉末）状態で大気中光電子分光（ＰＥＳＡ）でも測定することができる。この場合、ＬＵＭＯは吸収スペクトルの吸収端からバンドギャップを求め、ＰＥＳＡで求めたＨＯＭＯ準位にそのエネルギー値を足すことで求めることができる。例えば、有機ＥＬ素子の場合、２分子間にエキサイプレックスが生じた場合の発光エネルギーを見積もるのに、ＨＯＭＯ準位の大きい方（ＨＯＭＯ準位が浅い方）の分子のＨＯＭＯ準位と、ＬＵＭＯ準位の小さい（ＬＵＭＯ準位の深い方）の他方の分子間のエネルギー差を求める。この時、ＣＶで求めたＨＯＭＯ準位とＬＵＭＯ準位とを用いることが好ましい。また量子化学計算プログラムのＧａｕｓｓｉａｎなどの密度汎関数法で、ＨＯＭＯ準位とＬＵＭＯ準位や、ＨＯＭＯ−ｎ準位（ＨＯＭＯより下の占有軌道の準位）やＬＵＭＯ＋ｎ（ＬＵＭＯより上の非占有軌道の準位）は求めることができる。

ガラス転移点や融点、結晶化温度は、示差走査熱量測定（ＤＳＣ）装置で求めることができる。昇温速度は１０〜５０℃／分で速度を一定にし、測定することが好ましい。分解温度、沸点、昇華温度は、熱重量・示差熱測定（ＴＧ−ＤＴＡ）装置で求めることができる。大気圧や減圧化で測定した結果を適宜用いると良い。減圧下で測定した値は、昇華精製温度や蒸着温度に参考とすることができ、５−２０％程度重量が減少した値を用いることが好ましい。昇温速度は１０〜５０℃／分で速度を一定にし、測定することが好ましい。

キャリア移動度は、過渡光電流を利用したタイム・オブ・フライト（ＴＯＦ）法により求めることができる。ＴＯＦ法においては、サンプル膜を電極で挟み、直流電圧を印加した状態でパルス光励起によりキャリアを発生させ、生じたキャリアの走行時間（電流の過渡応答）から移動度を見積もる方法である。この場合、膜厚としては３μｍ以上が好ましい。また、他の方法として、サンプル膜の電流−電圧特性が空間電荷制限電流（ＳＣＬＣ）に従っている場合は、その電流−電圧特性をＳＣＬＣの式でフィッティングすることで、移動度を求めることができる。また、インピーダンス分光測定から得られるコンダクタンスもしくはキャパシタンスの周波数依存特性から、移動度を求める方法も報告されている。いずれの手法においても、ある電圧（電界強度）における移動度を求めることができ、それを物性値として利用することができる。また、移動度の電界強度依存性をプロットし、外挿することで、無電界時の移動度μ_０を求めることができ、これを物性値として利用しても良い。

屈折率や配向パラメータは、分光エリプソメトリ装置で求めることができる。例えば、有機ＥＬ素子の場合、可視域の屈折率は低い方が、光取出し効率が向上し、好ましい。また配向パラメータについてはいくつか報告例があるが、例えば、有機ＥＬ素子の場合、配向パラメータＳがしばしば用いられる。配向パラメータＳは、分光エリプソメトリにより光吸収異方性を計測することで算出することができる。蛍光物質の場合、最低一重項励起状態（Ｓ１）由来の吸収に相当する波長でＳが−０．５に近い方が、基板などの光取出し面に対して遷移双極子モーメントがより水平であると考えられ、光取出し効率が高くなり、好ましい。燐光物質の場合は、最低三重項励起状態（Ｔ１）の吸収に着目すればよい。なお、Ｓが０ではランダム配向、Ｓが１だと垂直配向である。また、他の配向パラメータとしては、遷移双極子モーメントを基板に対して水平な成分と垂直な成分に分割した際の、垂直成分の占める割合を用いても良い。このパラメータは、フォトルミネッセンス（ＰＬ）もしくはエレクトロルミネッセンス（ＥＬ）のｐ偏光強度の角度依存性を訓査し、それをフィッティングすることで求めることができる。

質量電荷比（ｍ／ｚ）はある固定した質量電荷比数の範囲での単位毎の検出強度を求めて値として学習させればよい。目的によって、絶対値もしくは規格化した値で学習すれば良く、スペクトル形状を比較したい場合は、親イオンのｍ／ｚなど任意の波長で規格化した値を学習させれば良い。絶対値を比較したい場合は、絶対値のまま学習させる。ｍ／ｚは、質量分析装置で測定することができ、イオン化法は電子イオン化法や化学イオン化法、電解電離法、高速原子衝撃法、マトリックス支援レーザー脱離イオン化法、エレクトロスプレーイオン化法、大気圧化学イオン化法、誘導結合プラズマ法などがある。この時、分子（親分子）が分解（結合のかい離）してフラグメント（娘イオン）も同時に検出されることがあり、検出されたｍ／ｚおよび親イオンとの検出強度比は、その分子の特徴を示すものとなる。たとえば、同じ置換基を持つ分子間では、同じｍ／ｚのフラグメントが検出される可能性がある。そのため親イオンと、フラグメントのｍ／ｚとその検出強度比を学習させれば、他の化合物のフラグメントのｍ／ｚや親イオンとの検出強度比などを予測することが可能となる。なお一般的にはイオン化エネルギーが強いとフラグメントの生成比率が高くなる。

ＮＭＲ（核磁気共鳴）スペクトルは、ある固定したケミカルシフト範囲でのケミカルシフト値毎のシグナル強度を求めて値として学習すればよい。またピークのケミカルシフト値とその強度の積分値（元素数）、Ｊ値（カップリング定数）などをそれぞれ並列して表しても良い。この時、その分子の積分値の和は測定元素の元素数となるように表すのが好ましい。なおＮＭＲ測定は、物質の分子構造を原子レベルで解析することができる。たとえば、同じ置換基を持つ分子間では、同様のケミカルシフト値に同様のスペクトルを示しやすい。なおスペクトルはＮＭＲ装置で測定することができる。

ＥＳＲ（電子スピン共鳴）スペクトルは、ある固定した磁場強度範囲や、磁束密度（テスラ）範囲、回転角度での単位毎の検出強度を求めて値として学習すればよい。またｇ値（ｇ因子）やｇ値の二乗、スピン量、スピン密度などで表しても良い。なおＥＳＲ測定は不対電子を含む試料が磁場中において不対電子のスピンの遷移に伴うマイクロ波の吸収による共鳴現象を観測するものである。そのため、ＥＳＲは不対電子を持つ常磁性物質の測定に有効である。三重項状態の観測にも用いることができるため、例えば低温（１００Ｋ〜１０Ｋ）で励起光を照射しながらＥＳＲ測定を行えば、三重項励起状態のスピン状態の情報が得られる。このとき、Ｄ値（２つの電子スピン間の相互作用の大きさを表す量で）、Ｅ値（電子の軌道が軸対称からどれだけずれているかを表す量）で表しても良い。なおスペクトルはＥＳＲ装置で測定することができる。

学習の段階が終了したら、続いて、学習された結果を元に、入力された対象物質の分子構造から目的とする物性値の予測を行う（Ｓ１０２）。

最後に、予測された物性値を出力する（Ｓ１０３）。

このように本発明の一態様は、様々な物性値を予測させることができ、有機化合物の分子構造を学習させる際にフィンガープリントを複数用いることから、より正確な予測を行うことができる有機化合物の物性予測方法である。

（実施の形態２）
実施の形態２では、本発明の一態様である、有機化合物の物性予測システムについて説明する。
＜構成例＞
本発明の一態様の物性予測システム１０は、入力手段、学習手段、予測手段、出力手段およびデータサーバを少なくとも有する。これらは、各々データのやり取りを行うことができれば一つの装置の中に組み込まれていても良いし、それぞれ異なる装置であっても良いし、一部が同じ装置に組み込まれていても良いし、データサーバがクラウドであっても良いが、これらを総称して物性予測システムと呼ぶものとする。

図８では、本発明の一態様として、入力手段、学習手段、予測手段、および出力手段を有する情報端末と、データサーバから構成される物性予測システムを例に説明を行う。情報端末２０は、入力部、学習手段、予測手段および出力部を有し、別に設置されたデータサーバとは、データのやり取りが可能である。

情報端末２０は主な構成として、入力部２１、演算部２２、出力部２５を有する。演算部２２は、学習手段と、予測手段を同時に担う。また、演算部２２は、ニューラルネットワーク回路を有していることが好ましい。データサーバから提供されるデータは、ニューラルネットワーク回路２６で学習または予測させるためのデータとなる。当該データの一部を学習済の学習手段に対する検証データおよび教師データとして使用することで、ニューラルネットワーク回路内の重み係数を更新し、学習済の重み係数を生成しておくことができる。これにより、より予測の正確性を向上させることができる。

図８では、入力部２１、演算部２２、データサーバ３０、出力部２５の順に信号の流れを矢印で図示している。なお本明細書において信号は、データあるいは情報と適宜読み替えることができる。

データサーバ３０は学習する有機化合物の構造と物性値について演算部２２の学習手段に提供する。提供する有機化合物の構造は２種類以上のフィンガープリントを用いて表記されたものである。演算部２２の学習手段は、ニューラルネットワーク回路を有することが好ましい。

入力部２１は、ユーザが情報を入力するための機能を有する。入力部２１の具体例としては、キーボード、マウス、タッチパネル、ペンタブレット、マイクあるいはカメラ等あらゆる入力手段を挙げることができる。

入力情報Ｄ_ｉｎは、入力部２１から演算部２２に出力されるデータである。入力情報Ｄ_ｉｎは、ユーザによって入力される情報である。例えば、入力部２１がタッチパネルの場合は、タッチパネルの操作による文字入力で得られる情報である。あるいは、入力部２１がマイクの場合は、ユーザによる音声入力で得られる情報である。あるいは、入力部２１がカメラの場合は、撮像データを画像処理することで得られる情報である。

入力情報Ｄ_ｉｎは、物性を予測したい有機化合物の構造に関する情報である。構造式や、構造のイメージ、物質名など、フィンガープリント表記以外で入力されたのであれば、適宜変換手段を介してから演算部２２における予測手段に入力される。予測手段は、あらかじめ学習手段によって学習された結果を元に、入力された有機化合物の物性に対して予測を行う。

予測を行った結果は、出力部を介して出力される。

なお演算部がニューラルネットワーク回路を有する場合、当該ニューラルネットワーク回路は積和演算処理を実行可能な積和演算回路を有することが好ましい。また、積和演算回路は、重みデータを記憶するための記憶回路を有することが好ましい。記憶回路を構成する記憶素子は、トランジスタおよび容量素子を有し、当該トランジスタは、チャネル形成領域を有する半導体層に酸化物半導体（Ｏｘｉｄｅ Ｓｅｍｉｃｏｎｄｕｃｔｏｒ）を有するトランジスタ（以下、ＯＳトランジスタ）であることが好ましい。ＯＳトランジスタは、オフ状態時に流れるリーク電流が極めて小さい。そのためＯＳトランジスタをオフ状態にすることで電荷の保持をできる特性を利用して、データの記憶をすることができる。ニューラルネットワーク回路の構成については、実施の形態３で詳述する。

またこれら複数のフィンガープリント型を用いて連結または並列表記としたフィンガープリントを生成し、機械学習を行い、物性予測ができる制御プログラムおよび制御ソフトが記録された記録媒体も、本発明の一態様の一つである。

（実施の形態３）
本実施の形態では、上記の実施の形態で説明したニューラルネットワーク回路（以下半導体装置という）に用いることが可能な半導体装置の構成例について説明する。

なお、本明細書中において半導体装置とは、半導体特性を利用することで機能しうる装置を指す。つまり半導体特性を利用したトランジスタを有するニューラルネットワーク回路は、半導体装置である。

図９（Ａ）に示すように、ニューラルネットワークＮＮは入力層ＩＬ、出力層ＯＬ、中間層（隠れ層）ＨＬによって構成することができる。入力層ＩＬ、出力層ＯＬ、中間層ＨＬはそれぞれ、１又は複数のニューロン（ユニット）を有する。なお、中間層ＨＬは１層であってもよいし２層以上であってもよい。２層以上の中間層ＨＬを有するニューラルネットワークはＤＮＮ（ディープニューラルネットワーク）と呼ぶこともでき、ディープニューラルネットワークを用いた学習は深層学習と呼ぶこともできる。

入力層ＩＬの各ニューロンには入力データが入力され、中間層ＨＬの各ニューロンには前層又は後層のニューロンの出力信号が入力され、出力層ＯＬの各ニューロンには前層のニューロンの出力信号が入力される。なお、各ニューロンは、前後の層の全てのニューロンと結合されていてもよいし（全結合）、一部のニューロンと結合されていてもよい。

図９（Ｂ）に、ニューロンによる演算の例を示す。ここでは、ニューロンＮと、ニューロンＮに信号を出力する前層の２つのニューロンを示している。ニューロンＮには、前層のニューロンの出力ｘ_１と、前層のニューロンの出力ｘ_２が入力される。そして、ニューロンＮにおいて、出力ｘ_１と重みｗ_１の乗算結果（ｘ_１ｗ_１）と出力ｘ_２と重みｗ_２の乗算結果（ｘ_２ｗ_２）の総和ｘ_１ｗ_１＋ｘ_２ｗ_２が計算された後、必要に応じてバイアスｂが加算され、値ａ＝ｘ_１ｗ_１＋ｘ_２ｗ_２＋ｂが得られる。そして、値ａは活性化関数ｈによって変換され、ニューロンＮから出力信号ｙ＝ｈ（ａ）が出力される。

このように、ニューロンによる演算には、前層のニューロンの出力と重みの積を足し合わせる演算、すなわち積和演算が含まれる（上記のｘ_１ｗ_１＋ｘ_２ｗ_２）。この積和演算は、プログラムを用いてソフトウェア上で行ってもよいし、ハードウェアによって行われてもよい。積和演算をハードウェアによって行う場合は、積和演算回路を用いることができる。この積和演算回路としては、デジタル回路を用いてもよいし、アナログ回路を用いてもよい。積和演算回路にアナログ回路を用いる場合、積和演算回路の回路規模の縮小、又は、メモリへのアクセス回数の減少による処理速度の向上及び消費電力の低減を図ることができる。

積和演算回路は、チャネル形成領域にシリコン（単結晶シリコンなど）を含むトランジスタ（以下、Ｓｉトランジスタともいう）によって構成してもよいし、チャネル形成領域に酸化物半導体を含むトランジスタ（以下、ＯＳトランジスタともいう）によって構成してもよい。特に、ＯＳトランジスタはオフ電流が極めて小さいため、積和演算回路のアナログメモリを構成するトランジスタとして好適である。なお、ＳｉトランジスタとＯＳトランジスタの両方を用いて積和演算回路を構成してもよい。以下、積和演算回路の機能を備えた半導体装置の構成例について説明する。

＜半導体装置の構成例＞
図１０に、ニューラルネットワークの演算を行う機能を有する半導体装置ＭＡＣの構成例を示す。半導体装置ＭＡＣは、ニューロン間の結合強度（重み）に対応する第１のデータと、入力データに対応する第２のデータの積和演算を行う機能を有する。なお、第１のデータ及び第２のデータはそれぞれ、アナログデータ又は多値のデータ（離散的なデータ）とすることができる。また、半導体装置ＭＡＣは、積和演算によって得られたデータを活性化関数によって変換する機能を有する。

半導体装置ＭＡＣは、セルアレイＣＡ、電流源回路ＣＳ、カレントミラー回路ＣＭ、回路ＷＤＤ、回路ＷＬＤ、回路ＣＬＤ、オフセット回路ＯＦＳＴ、及び活性化関数回路ＡＣＴＶを有する。

セルアレイＣＡは、複数のメモリセルＭＣ及び複数のメモリセルＭＣｒｅｆを有する。図１０には、セルアレイＣＡがｍ行ｎ列（ｍ，ｎは１以上の整数）のメモリセルＭＣ（ＭＣ［１，１］乃至［ｍ，ｎ］）と、ｍ個のメモリセルＭＣｒｅｆ（ＭＣｒｅｆ［１］乃至［ｍ］）を有する構成例を示している。メモリセルＭＣは、第１のデータを格納する機能を有する。また、メモリセルＭＣｒｅｆは、積和演算に用いられる参照データを格納する機能を有する。なお、参照データはアナログデータ又は多値のデータとすることができる。

メモリセルＭＣ［ｉ，ｊ］（ｉは１以上ｍ以下の整数、ｊは１以上ｎ以下の整数）は、配線ＷＬ［ｉ］、配線ＲＷ［ｉ］、配線ＷＤ［ｊ］、及び配線ＢＬ［ｊ］と接続されている。また、メモリセルＭＣｒｅｆ［ｉ］は、配線ＷＬ［ｉ］、配線ＲＷ［ｉ］、配線ＷＤｒｅｆ、配線ＢＬｒｅｆと接続されている。ここで、メモリセルＭＣ［ｉ，ｊ］と配線ＢＬ［ｊ］間を流れる電流をＩ_{ＭＣ［ｉ，ｊ］}と表記し、メモリセルＭＣｒｅｆ［ｉ］と配線ＢＬｒｅｆ間を流れる電流をＩ_{ＭＣｒｅｆ［ｉ］}と表記する。

メモリセルＭＣ及びメモリセルＭＣｒｅｆの具体的な構成例を、図１１に示す。図１１には代表例としてメモリセルＭＣ［１，１］、［２，１］及びメモリセルＭＣｒｅｆ［１］、［２］を示しているが、他のメモリセルＭＣ及びメモリセルＭＣｒｅｆにも同様の構成を用いることができる。メモリセルＭＣ及びメモリセルＭＣｒｅｆはそれぞれ、トランジスタＴｒ１１、Ｔｒ１２、容量素子Ｃ１１を有する。ここでは、トランジスタＴｒ１１及びトランジスタＴｒ１２がｎチャネル型のトランジスタである場合について説明する。

メモリセルＭＣにおいて、トランジスタＴｒ１１のゲートは配線ＷＬと接続され、ソース又はドレインの一方はトランジスタＴｒ１２のゲート、及び容量素子Ｃ１１の第１の電極と接続され、ソース又はドレインの他方は配線ＷＤと接続されている。トランジスタＴｒ１２のソース又はドレインの一方は配線ＢＬと接続され、ソース又はドレインの他方は配線ＶＲと接続されている。容量素子Ｃ１１の第２の電極は、配線ＲＷと接続されている。配線ＶＲは、所定の電位を供給する機能を有する配線である。ここでは一例として、配線ＶＲから低電源電位（接地電位など）が供給される場合について説明する。

トランジスタＴｒ１１のソース又はドレインの一方、トランジスタＴｒ１２のゲート、及び容量素子Ｃ１１の第１の電極と接続されたノードを、ノードＮＭとする。また、メモリセルＭＣ［１，１］、［２，１］のノードＮＭを、それぞれノードＮＭ［１，１］、［２，１］と表記する。

メモリセルＭＣｒｅｆも、メモリセルＭＣと同様の構成を有する。ただし、メモリセルＭＣｒｅｆは配線ＷＤの代わりに配線ＷＤｒｅｆと接続され、配線ＢＬの代わりに配線ＢＬｒｅｆと接続されている。また、メモリセルＭＣｒｅｆ［１］、［２］において、トランジスタＴｒ１１のソース又はドレインの一方、トランジスタＴｒ１２のゲート、及び容量素子Ｃ１１の第１の電極と接続されたノードを、それぞれノードＮＭｒｅｆ［１］、［２］と表記する。

ノードＮＭとノードＮＭｒｅｆはそれぞれ、メモリセルＭＣとメモリセルＭＣｒｅｆの保持ノードとして機能する。ノードＮＭには第１のデータが保持され、ノードＮＭｒｅｆには参照データが保持される。また、配線ＢＬ［１］からメモリセルＭＣ［１，１］、［２，１］のトランジスタＴｒ１２には、それぞれ電流Ｉ_{ＭＣ［１，１］}、Ｉ_{ＭＣ［２，１］}が流れる。また、配線ＢＬｒｅｆからメモリセルＭＣｒｅｆ［１］、［２］のトランジスタＴｒ１２には、それぞれ電流Ｉ_{ＭＣｒｅｆ［１］}、Ｉ_{ＭＣｒｅｆ［２］}が流れる。

トランジスタＴｒ１１は、ノードＮＭ又はノードＮＭｒｅｆの電位を保持する機能を有するため、トランジスタＴｒ１１のオフ電流は小さいことが好ましい。そのため、トランジスタＴｒ１１としてオフ電流が極めて小さいＯＳトランジスタを用いることが好ましい。これにより、ノードＮＭ又はノードＮＭｒｅｆの電位の変動を抑えることができ、演算精度の向上を図ることができる。また、ノードＮＭ又はノードＮＭｒｅｆの電位をリフレッシュする動作の頻度を低く抑えることが可能となり、消費電力を削減することができる。

トランジスタＴｒ１２は特に限定されず、例えばＳｉトランジスタ又はＯＳトランジスタなどを用いることができる。トランジスタＴｒ１２にＯＳトランジスタを用いる場合、トランジスタＴｒ１１と同じ製造装置を用いて、トランジスタＴｒ１２を作製することが可能となり、製造コストを抑制することができる。なお、トランジスタＴｒ１２はｎチャネル型であってもｐチャネル型であってもよい。

電流源回路ＣＳは、配線ＢＬ［１］乃至［ｎ］及び配線ＢＬｒｅｆと接続されている。電流源回路ＣＳは、配線ＢＬ［１］乃至［ｎ］及び配線ＢＬｒｅｆに電流を供給する機能を有する。なお、配線ＢＬ［１］乃至［ｎ］に供給される電流値と配線ＢＬｒｅｆに供給される電流値は異なっていてもよい。ここでは、電流源回路ＣＳから配線ＢＬ［１］乃至［ｎ］に供給される電流をＩ_Ｃ、電流源回路ＣＳから配線ＢＬｒｅｆに供給される電流をＩ_Ｃｒｅｆと表記する。

カレントミラー回路ＣＭは、配線ＩＬ［１］乃至［ｎ］及び配線ＩＬｒｅｆを有する。配線ＩＬ［１］乃至［ｎ］はそれぞれ配線ＢＬ［１］乃至［ｎ］と接続され、配線ＩＬｒｅｆは、配線ＢＬｒｅｆと接続されている。ここでは、配線ＩＬ［１］乃至［ｎ］と配線ＢＬ［１］乃至［ｎ］の接続箇所をノードＮＰ［１］乃至［ｎ］と表記する。また、配線ＩＬｒｅｆと配線ＢＬｒｅｆの接続箇所をノードＮＰｒｅｆと表記する。

カレントミラー回路ＣＭは、ノードＮＰｒｅｆの電位に応じた電流Ｉ_ＣＭを配線ＩＬｒｅｆに流す機能と、この電流Ｉ_ＣＭを配線ＩＬ［１］乃至［ｎ］にも流す機能を有する。図１０には、配線ＢＬｒｅｆから配線ＩＬｒｅｆに電流Ｉ_ＣＭが排出され、配線ＢＬ［１］乃至［ｎ］から配線ＩＬ［１］乃至［ｎ］に電流Ｉ_ＣＭが排出される例を示している。また、カレントミラー回路ＣＭから配線ＢＬ［１］乃至［ｎ］を介してセルアレイＣＡに流れる電流を、Ｉ_Ｂ［１］乃至［ｎ］と表記する。また、カレントミラー回路ＣＭから配線ＢＬｒｅｆを介してセルアレイＣＡに流れる電流を、Ｉ_Ｂｒｅｆと表記する。

回路ＷＤＤは、配線ＷＤ［１］乃至［ｎ］及び配線ＷＤｒｅｆと接続されている。回路ＷＤＤは、メモリセルＭＣに格納される第１のデータに対応する電位を、配線ＷＤ［１］乃至［ｎ］に供給する機能を有する。また、回路ＷＤＤは、メモリセルＭＣｒｅｆに格納される参照データに対応する電位を、配線ＷＤｒｅｆに供給する機能を有する。回路ＷＬＤは、配線ＷＬ［１］乃至［ｍ］と接続されている。回路ＷＬＤは、データの書き込みを行うメモリセルＭＣ又はメモリセルＭＣｒｅｆを選択するための信号を、配線ＷＬ［１］乃至［ｍ］に供給する機能を有する。回路ＣＬＤは、配線ＲＷ［１］乃至［ｍ］と接続されている。回路ＣＬＤは、第２のデータに対応する電位を、配線ＲＷ［１］乃至［ｍ］に供給する機能を有する。

オフセット回路ＯＦＳＴは、配線ＢＬ［１］乃至［ｎ］及び配線ＯＬ［１］乃至［ｎ］と接続されている。オフセット回路ＯＦＳＴは、配線ＢＬ［１］乃至［ｎ］からオフセット回路ＯＦＳＴに流れる電流量、及び／又は、配線ＢＬ［１］乃至［ｎ］からオフセット回路ＯＦＳＴに流れる電流の変化量を検出する機能を有する。また、オフセット回路ＯＦＳＴは、検出結果を配線ＯＬ［１］乃至［ｎ］に出力する機能を有する。なお、オフセット回路ＯＦＳＴは、検出結果に対応する電流を配線ＯＬに出力してもよいし、検出結果に対応する電流を電圧に変換して配線ＯＬに出力してもよい。セルアレイＣＡとオフセット回路ＯＦＳＴの間を流れる電流を、Ｉ_α［１］乃至［ｎ］と表記する。

オフセット回路ＯＦＳＴの構成例を図１２に示す。図１２に示すオフセット回路ＯＦＳＴは、回路ＯＣ［１］乃至［ｎ］を有する。また、回路ＯＣ［１］乃至［ｎ］はそれぞれ、トランジスタＴｒ２１、トランジスタＴｒ２２、トランジスタＴｒ２３、容量素子Ｃ２１、及び抵抗素子Ｒ１を有する。各素子の接続関係は図１２に示す通りである。なお、容量素子Ｃ２１の第１の電極及び抵抗素子Ｒ１の第１の端子と接続されたノードを、ノードＮａとする。また、容量素子Ｃ２１の第２の電極、トランジスタＴｒ２１のソース又はドレインの一方、及びトランジスタＴｒ２２のゲートと接続されたノードを、ノードＮｂとする。

配線ＶｒｅｆＬは電位Ｖｒｅｆを供給する機能を有し、配線ＶａＬは電位Ｖａを供給する機能を有し、配線ＶｂＬは電位Ｖｂを供給する機能を有する。また、配線ＶＤＤＬは電位ＶＤＤを供給する機能を有し、配線ＶＳＳＬは電位ＶＳＳを供給する機能を有する。ここでは、電位ＶＤＤが高電源電位であり、電位ＶＳＳが低電源電位である場合について説明する。また、配線ＲＳＴは、トランジスタＴｒ２１の導通状態を制御するための電位を供給する機能を有する。トランジスタＴｒ２２、トランジスタＴｒ２３、配線ＶＤＤＬ、配線ＶＳＳＬ、及び配線ＶｂＬによって、ソースフォロワ回路が構成される。

次に、回路ＯＣ［１］乃至［ｎ］の動作例を説明する。なお、ここでは代表例として回路ＯＣ［１］の動作例を説明するが、回路ＯＣ［２］乃至［ｎ］も同様に動作させることができる。まず、配線ＢＬ［１］に第１の電流が流れると、ノードＮａの電位は、第１の電流と抵抗素子Ｒ１の抵抗値に応じた電位となる。また、このときトランジスタＴｒ２１はオン状態であり、ノードＮｂに電位Ｖａが供給される。その後、トランジスタＴｒ２１はオフ状態となる。

次に、配線ＢＬ［１］に第２の電流が流れると、ノードＮａの電位は、第２の電流と抵抗素子Ｒ１の抵抗値に応じた電位に変化する。このときトランジスタＴｒ２１はオフ状態であり、ノードＮｂはフローティング状態となっているため、ノードＮａの電位の変化に伴い、ノードＮｂの電位は容量結合により変化する。ここで、ノードＮａの電位の変化をΔＶ_Ｎａとし、容量結合係数を１とすると、ノードＮｂの電位はＶａ＋ΔＶ_Ｎａとなる。そして、トランジスタＴｒ２２のしきい値電圧をＶ_ｔｈとすると、配線ＯＬ［１］から電位Ｖａ＋ΔＶ_Ｎａ−Ｖ_ｔｈが出力される。ここで、Ｖａ＝Ｖ_ｔｈとすることにより、配線ＯＬ［１］から電位ΔＶ_Ｎａを出力することができる。

電位ΔＶ_Ｎａは、第１の電流から第２の電流への変化量、抵抗素子Ｒ１、及び電位Ｖｒｅｆに応じて定まる。ここで、抵抗素子Ｒ１と電位Ｖｒｅｆは既知であるため、電位ΔＶ_Ｎａから配線ＢＬに流れる電流の変化量を求めることができる。

上記のようにオフセット回路ＯＦＳＴによって検出された電流量、及び／又は電流の変化量に対応する信号は、配線ＯＬ［１］乃至［ｎ］を介して活性化関数回路ＡＣＴＶに入力される。

活性化関数回路ＡＣＴＶは、配線ＯＬ［１］乃至［ｎ］、及び、配線ＮＩＬ［１］乃至［ｎ］と接続されている。活性化関数回路ＡＣＴＶは、オフセット回路ＯＦＳＴから入力された信号を、あらかじめ定義された活性化関数に従って変換するための演算を行う機能を有する。活性化関数としては、例えば、シグモイド関数、ｔａｎｈ関数、ｓｏｆｔｍａｘ関数、ＲｅＬＵ関数、しきい値関数などを用いることができる。活性化関数回路ＡＣＴＶによって変換された信号は、出力データとして配線ＮＩＬ［１］乃至［ｎ］に出力される。

＜半導体装置の動作例＞
上記の半導体装置ＭＡＣを用いて、第１のデータと第２のデータの積和演算を行うことができる。以下、積和演算を行う際の半導体装置ＭＡＣの動作例を説明する。

図１３に半導体装置ＭＡＣの動作例のタイミングチャートを示す。図１３には、図１１における配線ＷＬ［１］、配線ＷＬ［２］、配線ＷＤ［１］、配線ＷＤｒｅｆ、ノードＮＭ［１，１］、ノードＮＭ［２，１］、ノードＮＭｒｅｆ［１］、ノードＮＭｒｅｆ［２］、配線ＲＷ［１］、及び配線ＲＷ［２］の電位の推移と、電流Ｉ_Ｂ［１］−Ｉ_α［１］、及び電流Ｉ_Ｂｒｅｆの値の推移を示している。電流Ｉ_Ｂ［１］−Ｉ_α［１］は、配線ＢＬ［１］からメモリセルＭＣ［１，１］、［２，１］に流れる電流の総和に相当する。

なお、ここでは代表例として図１１に示すメモリセルＭＣ［１，１］、［２，１］及びメモリセルＭＣｒｅｆ［１］、［２］に着目して動作を説明するが、他のメモリセルＭＣ及びメモリセルＭＣｒｅｆも同様に動作させることができる。

［第１のデータの格納］
まず、時刻Ｔ０１−Ｔ０２において、配線ＷＬ［１］の電位がハイレベル（Ｈｉｇｈ）となり、配線ＷＤ［１］の電位が接地電位（ＧＮＤ）よりもＶ_ＰＲ−Ｖ_{Ｗ［１，１］}大きい電位となり、配線ＷＤｒｅｆの電位が接地電位よりもＶ_ＰＲ大きい電位となる。また、配線ＲＷ［１］、及び配線ＲＷ［２］の電位が基準電位（ＲＥＦＰ）となる。なお、電位Ｖ_{Ｗ［１，１］}はメモリセルＭＣ［１，１］に格納される第１のデータに対応する電位である。また、電位Ｖ_ＰＲは参照データに対応する電位である。これにより、メモリセルＭＣ［１，１］及びメモリセルＭＣｒｅｆ［１］が有するトランジスタＴｒ１１がオン状態となり、ノードＮＭ［１，１］の電位がＶ_ＰＲ−Ｖ_{Ｗ［１，１］}、ノードＮＭｒｅｆ［１］の電位がＶ_ＰＲとなる。

このとき、配線ＢＬ［１］からメモリセルＭＣ［１，１］のトランジスタＴｒ１２に流れる電流Ｉ_{ＭＣ［１，１］，０}は、次の式で表すことができる。ここで、ｋはトランジスタＴｒ１２のチャネル長、チャネル幅、移動度、及びゲート絶縁膜の容量などで決まる定数である。また、Ｖ_ｔｈはトランジスタＴｒ１２のしきい値電圧である。

また、配線ＢＬｒｅｆからメモリセルＭＣｒｅｆ［１］のトランジスタＴｒ１２に流れる電流Ｉ_{ＭＣｒｅｆ［１］，０}は、次の式で表すことができる。

次に、時刻Ｔ０２−Ｔ０３において、配線ＷＬ［１］の電位がローレベル（Ｌｏｗ）となる。これにより、メモリセルＭＣ［１，１］及びメモリセルＭＣｒｅｆ［１］が有するトランジスタＴｒ１１がオフ状態となり、ノードＮＭ［１，１］及びノードＮＭｒｅｆ［１］の電位が保持される。

なお、前述の通り、トランジスタＴｒ１１としてＯＳトランジスタを用いることが好ましい。これにより、トランジスタＴｒ１１のリーク電流を抑えることができ、ノードＮＭ［１，１］及びノードＮＭｒｅｆ［１］の電位を正確に保持することができる。

次に、時刻Ｔ０３−Ｔ０４において、配線ＷＬ［２］の電位がハイレベルとなり、配線ＷＤ［１］の電位が接地電位よりもＶ_ＰＲ−Ｖ_{Ｗ［２，１］}大きい電位となり、配線ＷＤｒｅｆの電位が接地電位よりもＶ_ＰＲ大きい電位となる。なお、電位Ｖ_{Ｗ［２，１］}はメモリセルＭＣ［２，１］に格納される第１のデータに対応する電位である。これにより、メモリセルＭＣ［２，１］及びメモリセルＭＣｒｅｆ［２］が有するトランジスタＴｒ１１がオン状態となり、ノードＮＭ［１，１］の電位がＶ_ＰＲ−Ｖ_{Ｗ［２，１］}、ノードＮＭｒｅｆ［１］の電位がＶ_ＰＲとなる。

このとき、配線ＢＬ［１］からメモリセルＭＣ［２，１］のトランジスタＴｒ１２に流れる電流Ｉ_{ＭＣ［２，１］，０}は、次の式で表すことができる。

また、配線ＢＬｒｅｆからメモリセルＭＣｒｅｆ［２］のトランジスタＴｒ１２に流れる電流Ｉ_{ＭＣｒｅｆ［２］，０}は、次の式で表すことができる。

次に、時刻Ｔ０４−Ｔ０５において、配線ＷＬ［２］の電位がローレベルとなる。これにより、メモリセルＭＣ［２，１］及びメモリセルＭＣｒｅｆ［２］が有するトランジスタＴｒ１１がオフ状態となり、ノードＮＭ［２，１］及びノードＮＭｒｅｆ［２］の電位が保持される。

以上の動作により、メモリセルＭＣ［１，１］、［２，１］に第１のデータが格納され、メモリセルＭＣｒｅｆ［１］、［２］に参照データが格納される。

ここで、時刻Ｔ０４−Ｔ０５において、配線ＢＬ［１］及び配線ＢＬｒｅｆに流れる電流を考える。配線ＢＬｒｅｆには、電流源回路ＣＳから電流が供給される。また、配線ＢＬｒｅｆを流れる電流は、カレントミラー回路ＣＭ、メモリセルＭＣｒｅｆ［１］、［２］へ排出される。電流源回路ＣＳから配線ＢＬｒｅｆに供給される電流をＩ_Ｃｒｅｆ、配線ＢＬｒｅｆからカレントミラー回路ＣＭへ排出される電流をＩ_ＣＭ，０とすると、次の式が成り立つ。

配線ＢＬ［１］には、電流源回路ＣＳからの電流が供給される。また、配線ＢＬ［１］を流れる電流は、カレントミラー回路ＣＭ、メモリセルＭＣ［１，１］、［２，１］へ排出される。また、配線ＢＬ［１］からオフセット回路ＯＦＳＴに電流が流れる。電流源回路ＣＳから配線ＢＬ［１］に供給される電流をＩ_Ｃ，０、配線ＢＬ［１］からオフセット回路ＯＦＳＴに流れる電流をＩ_α，０とすると、次の式が成り立つ。

［第１のデータと第２のデータの積和演算］
次に、時刻Ｔ０５−Ｔ０６において、配線ＲＷ［１］の電位が基準電位よりもＶ_Ｘ［１］大きい電位となる。このとき、メモリセルＭＣ［１，１］、及びメモリセルＭＣｒｅｆ［１］のそれぞれの容量素子Ｃ１１には電位Ｖ_Ｘ［１］が供給され、容量結合によりトランジスタＴｒ１２のゲートの電位が上昇する。なお、電位Ｖ_ｘ［１］はメモリセルＭＣ［１，１］及びメモリセルＭＣｒｅｆ［１］に供給される第２のデータに対応する電位である。

トランジスタＴｒ１２のゲートの電位の変化量は、配線ＲＷの電位の変化量に、メモリセルの構成によって決まる容量結合係数を乗じた値となる。容量結合係数は、容量素子Ｃ１１の容量、トランジスタＴｒ１２のゲート容量、及び寄生容量などによって算出される。以下では便宜上、配線ＲＷの電位の変化量とトランジスタＴｒ１２のゲートの電位の変化量が同じ、すなわち容量結合係数が１であるとして説明する。実際には、容量結合係数を考慮して電位Ｖ_ｘを決定すればよい。

メモリセルＭＣ［１］及びメモリセルＭＣｒｅｆ［１］の容量素子Ｃ１１に電位Ｖ_Ｘ［１］が供給されると、ノードＮＭ［１］及びノードＮＭｒｅｆ［１］の電位がそれぞれＶ_Ｘ［１］上昇する。

ここで、時刻Ｔ０５−Ｔ０６において、配線ＢＬ［１］からメモリセルＭＣ［１，１］のトランジスタＴｒ１２に流れる電流Ｉ_{ＭＣ［１，１］，１}は、次の式で表すことができる。

すなわち、配線ＲＷ［１］に電位Ｖ_Ｘ［１］を供給することにより、配線ＢＬ［１］からメモリセルＭＣ［１，１］のトランジスタＴｒ１２に流れる電流は、ΔＩ_{ＭＣ［１，１］}＝Ｉ_{ＭＣ［１，１］，１}−Ｉ_{ＭＣ［１，１］，０}増加する。

また、時刻Ｔ０５−Ｔ０６において、配線ＢＬｒｅｆからメモリセルＭＣｒｅｆ［１］のトランジスタＴｒ１２に流れる電流Ｉ_{ＭＣｒｅｆ［１］，１}は、次の式で表すことができる。

すなわち、配線ＲＷ［１］に電位Ｖ_Ｘ［１］を供給することにより、配線ＢＬｒｅｆからメモリセルＭＣｒｅｆ［１］のトランジスタＴｒ１２に流れる電流は、ΔＩ_{ＭＣｒｅｆ［１］}＝Ｉ_{ＭＣｒｅｆ［１］，１}−Ｉ_{ＭＣｒｅｆ［１］，０}増加する。

また、配線ＢＬ［１］及び配線ＢＬｒｅｆに流れる電流について考える。配線ＢＬｒｅｆには、電流源回路ＣＳから電流Ｉ_Ｃｒｅｆが供給される。また、配線ＢＬｒｅｆを流れる電流は、カレントミラー回路ＣＭ、メモリセルＭＣｒｅｆ［１］、［２］へ排出される。配線ＢＬｒｅｆからカレントミラー回路ＣＭへ排出される電流をＩ_ＣＭ，１とすると、次の式が成り立つ。

配線ＢＬ［１］には、電流源回路ＣＳから電流Ｉ_Ｃが供給される。また、配線ＢＬ［１］を流れる電流は、カレントミラー回路ＣＭ、メモリセルＭＣ［１，１］、［２，１］へ排出される。さらに、配線ＢＬ［１］からオフセット回路ＯＦＳＴにも電流が流れる。配線ＢＬ［１］からオフセット回路ＯＦＳＴに流れる電流をＩ_α，１とすると、次の式が成り立つ。

そして、式（Ｅ１）乃至式（Ｅ１０）から、電流Ｉ_α，０と電流Ｉ_α，１の差（差分電流ΔＩ_α）は次の式で表すことができる。

このように、差分電流ΔＩ_αは、電位Ｖ_{Ｗ［１，１］}とＶ_Ｘ［１］の積に応じた値となる。

その後、時刻Ｔ０６−Ｔ０７において、配線ＲＷ［１］の電位は接地電位となり、ノードＮＭ［１，１］及びノードＮＭｒｅｆ［１］の電位は時刻Ｔ０４−Ｔ０５と同様になる。

次に、時刻Ｔ０７−Ｔ０８において、配線ＲＷ［１］の電位が基準電位よりもＶ_Ｘ［１］大きい電位となり、配線ＲＷ［２］の電位が基準電位よりもＶ_Ｘ［２］大きい電位となる。これにより、メモリセルＭＣ［１，１］、及びメモリセルＭＣｒｅｆ［１］のそれぞれの容量素子Ｃ１１に電位Ｖ_Ｘ［１］が供給され、容量結合によりノードＮＭ［１，１］及びノードＮＭｒｅｆ［１］の電位がそれぞれＶ_Ｘ［１］上昇する。また、メモリセルＭＣ［２，１］、及びメモリセルＭＣｒｅｆ［２］のそれぞれの容量素子Ｃ１１に電位Ｖ_Ｘ［２］が供給され、容量結合によりノードＮＭ［２，１］及びノードＮＭｒｅｆ［２］の電位がそれぞれＶ_Ｘ［２］上昇する。

ここで、時刻Ｔ０７−Ｔ０８において、配線ＢＬ［１］からメモリセルＭＣ［２，１］のトランジスタＴｒ１２に流れる電流Ｉ_{ＭＣ［２，１］，１}は、次の式で表すことができる。

すなわち、配線ＲＷ［２］に電位Ｖ_Ｘ［２］を供給することにより、配線ＢＬ［１］からメモリセルＭＣ［２，１］のトランジスタＴｒ１２に流れる電流は、ΔＩ_{ＭＣ［２，１］}＝Ｉ_{ＭＣ［２，１］，１}−Ｉ_{ＭＣ［２，１］，０}増加する。

また、時刻Ｔ０５−Ｔ０６において、配線ＢＬｒｅｆからメモリセルＭＣｒｅｆ［２］のトランジスタＴｒ１２に流れる電流Ｉ_{ＭＣｒｅｆ［２］，１}は、次の式で表すことができる。

すなわち、配線ＲＷ［２］に電位Ｖ_Ｘ［２］を供給することにより、配線ＢＬｒｅｆからメモリセルＭＣｒｅｆ［２］のトランジスタＴｒ１２に流れる電流は、ΔＩ_{ＭＣｒｅｆ［２］}＝Ｉ_{ＭＣｒｅｆ［２］，１}−Ｉ_{ＭＣｒｅｆ［２］，０}増加する。

また、配線ＢＬ［１］及び配線ＢＬｒｅｆに流れる電流について考える。配線ＢＬｒｅｆには、電流源回路ＣＳから電流Ｉ_Ｃｒｅｆが供給される。また、配線ＢＬｒｅｆを流れる電流は、カレントミラー回路ＣＭ、メモリセルＭＣｒｅｆ［１］、［２］へ排出される。配線ＢＬｒｅｆからカレントミラー回路ＣＭへ排出される電流をＩ_ＣＭ，２とすると、次の式が成り立つ。

配線ＢＬ［１］には、電流源回路ＣＳから電流Ｉ_Ｃが供給される。また、配線ＢＬ［１］を流れる電流は、カレントミラー回路ＣＭ、メモリセルＭＣ［１，１］、［２，１］へ排出される。さらに、配線ＢＬ［１］からオフセット回路ＯＦＳＴにも電流が流れる。配線ＢＬ［１］からオフセット回路ＯＦＳＴに流れる電流をＩ_α，２とすると、次の式が成り立つ。

そして、式（Ｅ１）乃至式（Ｅ８）、及び、式（Ｅ１２）乃至式（Ｅ１５）から、電流Ｉ_α，０と電流Ｉ_α，２の差（差分電流ΔＩ_α）は次の式で表すことができる。

このように、差分電流ΔＩ_αは、電位Ｖ_{Ｗ［１，１］}と電位Ｖ_Ｘ［１］の積と、電位Ｖ_{Ｗ［２，１］}と電位Ｖ_Ｘ［２］の積と、を足し合わせた結果に応じた値となる。

その後、時刻Ｔ０８−Ｔ０９において、配線ＲＷ［１］、［２］の電位は接地電位となり、ノードＮＭ［１，１］、［２，１］及びノードＮＭｒｅｆ［１］、［２］の電位は時刻Ｔ０４−Ｔ０５と同様になる。

式（Ｅ９）及び式（Ｅ１６）に示されるように、オフセット回路ＯＦＳＴに入力される差分電流ΔＩ_αは、第１のデータ（重み）に対応する電位Ｖ_Ｘと、第２のデータ（入力データ）に対応する電位Ｖ_Ｗの積を足し合わせた結果に応じた値となる。すなわち、差分電流ΔＩ_αをオフセット回路ＯＦＳＴで計測することにより、第１のデータと第２のデータの積和演算の結果を得ることができる。

なお、上記では特にメモリセルＭＣ［１，１］、［２，１］及びメモリセルＭＣｒｅｆ［１］、［２］に着目したが、メモリセルＭＣ及びメモリセルＭＣｒｅｆの数は任意に設定することができる。メモリセルＭＣ及びメモリセルＭＣｒｅｆの行数ｍを任意の数とした場合の差分電流ΔＩαは、次の式で表すことができる。

また、メモリセルＭＣ及びメモリセルＭＣｒｅｆの列数ｎを増やすことにより、並列して実行される積和演算の数を増やすことができる。

以上のように、半導体装置ＭＡＣを用いることにより、第１のデータと第２のデータの積和演算を行うことができる。なお、メモリセルＭＣ及びメモリセルＭＣｒｅｆとして図１１に示す構成を用いることにより、少ないトランジスタ数で積和演算回路を構成することができる。そのため、半導体装置ＭＡＣの回路規模の縮小を図ることができる。

半導体装置ＭＡＣをニューラルネットワークにおける演算に用いる場合、メモリセルＭＣの行数ｍは一のニューロンに供給される入力データの数に対応させ、メモリセルＭＣの列数ｎはニューロンの数に対応させることができる。例えば、図９（Ａ）に示す中間層ＨＬにおいて半導体装置ＭＡＣを用いた積和演算を行う場合を考える。このとき、メモリセルＭＣの行数ｍは、入力層ＩＬから供給される入力データの数（入力層ＩＬのニューロンの数）に設定し、メモリセルＭＣの列数ｎは、中間層ＨＬのニューロンの数に設定することができる。

なお、半導体装置ＭＡＣを適用するニューラルネットワークの構造は特に限定されない。例えば半導体装置ＭＡＣは、畳み込みニューラルネットワーク（ＣＮＮ）、再帰型ニューラルネットワーク（ＲＮＮ）、オートエンコーダ、ボルツマンマシン（制限ボルツマンマシンを含む）などに用いることもできる。

以上のように、半導体装置ＭＡＣを用いることにより、ニューラルネットワークの積和演算を行うことができる。さらに、セルアレイＣＡに図１１に示すメモリセルＭＣ及びメモリセルＭＣｒｅｆを用いることにより、演算精度の向上、消費電力の削減、又は回路規模の縮小を図ることが可能な集積回路ＩＣを提供することができる。

本実施例では、有機化合物の物性予測の例を詳しく説明する。本実施例では、有機化合物の分子構造と関連付けて予測させる物性値として、Ｔ１準位を選択した。学習に使用するＴ１準位の値は、低温ＰＬ測定で得られた燐光スペクトルにおける短波長側の発光ピーク波長から求めた値である。データの総数は４２０個あり、学習用に３８０個、テスト用に４０個を使用することで、予測モデルの妥当性を評価した。

分子構造の数式化には、オープンソースのケモインフォマティクスツールキットであるＲＤＫｉｔを利用した。ＲＤＫｉｔでは、分子構造のＳＭＩＬＥＳ表記からフィンガープリント法によって数式データへ変換することができる。フィンガープリント法には、Ｃｉｒｃｕｌａｒ型およびＡｔｏｍ Ｐａｉｒ型を使用した。

物性予測を行う際の入力値としては、Ｃｉｒｃｕｌａｒ型のみで表記された数式、Ａｔｏｍ Ｐａｉｒ型単独で表記された数式、さらに、両者を繋げた数式を用いた。Ｃｉｒｃｕｌａｒ型では半径を４に指定し、Ａｔｏｍ Ｐａｉｒ型ではパス長を３０に指定した。各フィンガープリントのビット長は２０４８とした。なおＣｉｒｃｕｌａｒ型の半径や、Ａｔｏｍ Ｐａｉｒ型のパス長とは、起点となるある元素を０として、その元素から連結して数えた元素の個数である。

なおＣｉｒｃｕｌａｒ型単独で表記した場合は、４２０種類の有機化合物のうち、数式が同一となったものが２組あった。一方Ａｔｏｍ Ｐａｉｒ型単独、またはＣｉｒｃｕｌａｒ型とＡｔｏｍ Ｐａｉｒ型とを連結させて表記した場合は、異なる有機化合物間で数式が全て異なり、同一となっていないことを確認した。

機械学習の手法としては、ニューラルネットワークを用いた。プログラム言語にはＰｙｔｈｏｎを、機械学習のフレームワークにはＣｈａｉｎｅｒを使用した。ニューラルネットワークの構造は隠れ層を２層とした。各層のニューロンの数は、入力層には２０４８（Ｃｉｒｃｕｌａｒ型単独又はＡｔｏｍ Ｐａｉｒ型単独のビット数）または４０９６（Ｃｉｒｃｕｌａｒ型とＡｔｏｍ Ｐａｉｒ型とを連結させたビット数）、第一隠れ層および第二隠れ層には５００、出力層には１とした。隠れ層の活性化関数にはＲｅＬＵ関数を用いた。

上記の条件で機械学習を行い、学習用データとテスト用データに関する平均二乗誤差の推移を学習回数５００まで求めた。結果を図１４に示す。なお、図１４（Ａ）がＣｉｒｃｕｌａｒ型のみで表記された数式を用いて学習した結果、図１４（Ｂ）がＡｔｏｍ Ｐａｉｒ型のみで表記された数式を用いて学習した結果、図１４（Ｃ）がＣｉｒｃｕｌａｒ型およびＡｔｏｍ Ｐａｉｒ型を連結させて表記した数式を用いて学習した結果である。

上記の結果から、Ｃｉｒｃｕｌａｒ型およびＡｔｏｍ Ｐａｉｒ型のフィンガープリント法で表記された数式を連結させて使用した場合には、それぞれを単独で使用した場合よりもテスト用データの平均二乗誤差が減少し、Ｔ１準位の予測精度が向上した。

以上から、各フィンガープリントの型で異なる部分構造が生成され、これらの部分構造の有無の情報から分子構造全体に関わる情報が補完されうるため、型の異なるフィンガープリント法を複数用いて分子構造を記述する方法は機械学習を用いた物性予測に有効であることがわかる。

またこの様に、一方のフィンガープリント法で同一の表記となる異なる化合物がある場合に、他のフィンガープリントを連結させることで、結果として生成する数式を異なるものとしやすい。一種類のフィンガープリントの型のみを用いて同一表記の化合物がなくなるまでビット数を大きくするよりも、二種種類以上のフィンガープリントを組み合わせたほうが、生成した数式が同一となりづらく、なるべく小さなビット数で化合物の差異を表現できるため、好ましい。その結果、機械学習での計算負荷を小さく抑えることができる。

Ｔ０１−Ｔ０２：時刻、Ｔ０２−Ｔ０３：時刻、Ｔ０３−Ｔ０４：時刻、Ｔ０４−Ｔ０５：時刻、Ｔ０５−Ｔ０６：時刻、Ｔ０６−Ｔ０７：時刻、Ｔ０７−Ｔ０８：時刻、Ｔ０８−Ｔ０９：時刻、Ｔｒ１１：トランジスタ、Ｔｒ１２：トランジスタ、Ｔｒ２１：トランジスタ、Ｔｒ２２：トランジスタ、Ｔｒ２３：トランジスタ、２０：情報端末、２１：入力部、２２：演算部、２５：出力部、３０：データサーバ

Claims (34)

1. 有機化合物の分子構造と物性の相関を学習させる段階と、
   前記学習の結果をもとに対象物質の分子構造から目的とする物性を予測する段階とを有し、
   前記有機化合物の分子構造の表記方法として、複数種類のフィンガープリント法を同時に用いる有機化合物の物性予測方法。
2. 有機化合物の分子構造と物性の相関を学習させる段階と、
   前記学習の結果をもとに対象物質の分子構造から目的とする物性を予測する段階とを有し、
   前記有機化合物の分子構造の表記方法として、２種類のフィンガープリント法を同時に用いる有機化合物の物性予測方法。
3. 有機化合物の分子構造と物性の相関を学習させる段階と、
   前記学習の結果を元に対象物質の分子構造から目的とする物性を予測する段階とを有し、
   前記有機化合物の分子構造の表記方法として、３種類のフィンガープリント法を同時に用いる有機化合物の物性予測方法。
4. 請求項１乃至請求項３のいずれか一項において、
   前記フィンガープリント法としてＡｔｏｍ Ｐａｉｒ型、Ｃｉｒｃｕｌａｒ型、Ｓｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙ型およびＰａｔｈ−ｂａｓｅｄ型の少なくともいずれか１を含む物性予測方法。
5. 請求項１乃至請求項３のいずれか一項において、
   前記複数のフィンガープリント法が、Ａｔｏｍ Ｐａｉｒ型、Ｃｉｒｃｕｌａｒ型、Ｓｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙ型およびＰａｔｈ−ｂａｓｅｄ型の中から選ばれる物性予測方法。
6. 請求項１または請求項２において、
   前記フィンガープリント法としてＡｔｏｍ Ｐａｉｒ型およびＣｉｒｃｕｌａｒ型を含む物性予測方法。
7. 請求項１または請求項２において、
   前記フィンガープリント法としてＣｉｒｃｕｌａｒ型およびＳｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙ型を含む物性予測方法。
8. 請求項１または請求項２において、
   前記フィンガープリント法としてＣｉｒｃｕｌａｒ型およびＰａｔｈ−ｂａｓｅｄ型を含む物性予測方法。
9. 請求項１または請求項２において、
   前記フィンガープリント法としてＡｔｏｍ Ｐａｉｒ型およびＳｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙ型を含む物性予測方法。
10. 請求項１または請求項２において、
    前記フィンガープリント法としてＡｔｏｍ Ｐａｉｒ型およびＰａｔｈ−ｂａｓｅｄ型を含む物性予測方法。
11. 請求項１または請求項３において、
    前記フィンガープリント法として、Ａｔｏｍ Ｐａｉｒ型、Ｓｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙ型およびＣｉｒｃｕｌａｒ型を含む物性予測方法。
12. 請求項１乃至請求項８および請求項１１のいずれか一項において、
    前記フィンガープリント法として前記Ｃｉｒｃｕｌａｒ型が用いられる場合、ｒが３以上である物性予測方法。
13. 請求項１２において、前記Ｃｉｒｃｕｌａｒ型の前記フィンガープリント法はｒが５以上である物性予測方法。
14. 請求項１乃至請求項１３のいずれか一項において、
    前記フィンガープリント法の少なくとも１を用いて学習させる各有機化合物の分子構造を表記した際に、各有機化合物の表記が全て異なる物性予測方法。
15. 請求項１乃至請求項１４のいずれか一項において、
    前記フィンガープリント法の少なくとも１が、予測したい物性を特徴づける構造の情報を表現可能である物性予測方法。
16. 請求項１乃至請求項１５のいずれか一項において、
    前記フィンガープリント法の少なくとも１が、
    置換基、前記置換基の置換位置、官能基、元素数、元素の種類、元素の価数、結合次数および原子座標の少なくとも１を表現可能である物性予測方法。
17. 請求項１乃至請求項１６のいずれか一項において、
    前記物性は、発光スペクトル、半値幅、発光エネルギー、励起スペクトル、吸収スペクトル、透過スペクトル、反射スペクトル、モル吸光係数、励起エネルギー、過渡発光寿命、過渡吸収寿命、Ｓ１準位、Ｔ１準位、Ｓｎ準位、Ｔｎ準位、ストークスシフト値、発光量子収率、振動子強度、酸化電位、還元電位、ＨＯＭＯ準位、ＬＵＭＯ準位、ガラス転移点、融点、結晶化温度、分解温度、沸点、昇華温度、キャリア移動度、屈折率、配向パラメータ、質量電荷比、およびＮＭＲ測定におけるスペクトル、ケミカルシフト値とその元素数もしくはカップリング定数、およびＥＳＲ測定におけるスペクトル、ｇ因子、Ｄ値もしくはＥ値のいずれか１または複数である物性予測方法。
18. 入力手段と
    データサーバと、
    前記データサーバに保存された有機化合物の分子構造と物性の相関を学習する学習手段と、
    前記学習の結果をもとに、前記入力手段から入力された対象物質の分子構造から目的とする物性値を予測する手段と、
    前記予測された物性値を出力する出力手段とを有し、
    前記有機化合物の分子構造の表記方法として、複数種類のフィンガープリント法を同時に用いる有機化合物の物性予測システム。
19. 入力手段と、
    データサーバと、
    前記データサーバに保存された有機化合物の分子構造と物性の相関を学習する学習手段と、
    前記学習の結果をもとに、前記入力手段から入力された対象物質の分子構造から目的とする物性を予測する手段と、
    前記予測された物性値を出力する出力手段とを有し、
    前記有機化合物の分子構造の表記方法として、２種類のフィンガープリント法を同時に用いる有機化合物の物性予測システム。
20. 入力手段と、
    データサーバと、
    前記データサーバに保存された有機化合物の分子構造と物性の相関を学習する学習手段と、
    前記学習の結果をもとに、前記入力手段から入力された対象物質の分子構造から目的とする物性値を予測する手段と、
    前記予測された物性値を出力する出力手段とを有し、
    前記有機化合物の分子構造の表記方法として、３種類のフィンガープリント法を同時に用いる有機化合物の物性予測システム。
21. 請求項１８乃至請求項２０のいずれか一項において、
    前記フィンガープリント法としてＡｔｏｍ Ｐａｉｒ型、Ｃｉｒｃｕｌａｒ型、Ｓｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙ型およびＰａｔｈ−ｂａｓｅｄ型の少なくともいずれか１を含む物性予測システム。
22. 請求項１８乃至請求項２１のいずれか一項において、
    前記複数のフィンガープリント法が、Ａｔｏｍ Ｐａｉｒ型、Ｃｉｒｃｕｌａｒ型、Ｓｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙ型およびＰａｔｈ−ｂａｓｅｄ型の中から選ばれる物性予測システム。
23. 請求項１８または請求項１９において、
    前記フィンガープリント法としてＡｔｏｍ Ｐａｉｒ型およびＣｉｒｃｕｌａｒ型を含む物性予測システム。
24. 請求項１８または請求項１９において、
    前記フィンガープリント法としてＣｉｒｃｕｌａｒ型およびＳｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙ型を含む物性予測システム。
25. 請求項１８または請求項１９において、
    前記フィンガープリント法としてＣｉｒｃｕｌａｒ型およびＰａｔｈ−ｂａｓｅｄ型を含む物性予測システム。
26. 請求項１８または請求項１９において、
    前記フィンガープリント法としてＡｔｏｍ Ｐａｉｒ型およびＳｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙ型を含む物性予測システム。
27. 請求項１８または請求項１９において、
    前記フィンガープリント法としてＡｔｏｍ Ｐａｉｒ型およびＰａｔｈ−ｂａｓｅｄ型を含む物性予測システム。
28. 請求項１８または請求項２０において、
    前記フィンガープリント法として、Ａｔｏｍ Ｐａｉｒ型、Ｓｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙ型およびＣｉｒｃｕｌａｒ型を含む物性予測システム。
29. 請求項１８乃至請求項２５および請求項２８のいずれか一項において、
    前記フィンガープリント法として前記Ｃｉｒｃｕｌａｒ型が用いられる場合、ｒが３以上である物性予測システム。
30. 請求項２９において、前記Ｃｉｒｃｕｌａｒ型の前記フィンガープリント法はｒが５以上である物性予測システム。
31. 請求項１８乃至請求項３０のいずれか一項において、
    前記フィンガープリント法の少なくとも１を用いて学習させる各有機化合物の分子構造を表記した際に、各有機化合物の表記が全て異なる物性予測システム。
32. 請求項１乃至請求項３１のいずれか一項において、
    前記フィンガープリント法の少なくとも１が、予測したい物性を特徴づける構造の情報を表現可能である物性予測システム。
33. 請求項１乃至請求項３２のいずれか一項において、
    前記フィンガープリント法の少なくとも１が、
    置換基、前記置換基の置換位置、官能基、元素数、元素の種類、元素の価数、結合次数および原子座標の少なくとも１を表現可能である物性予測システム。
34. 請求項１乃至請求項３３のいずれか一項において、
    前記物性は、発光スペクトル、半値幅、発光エネルギー、励起スペクトル、吸収スペクトル、透過スペクトル、反射スペクトル、モル吸光係数、励起エネルギー、過渡発光寿命、過渡吸収寿命、Ｓ１準位、Ｔ１準位、Ｓｎ準位、Ｔｎ準位、ストークスシフト値、発光量子収率、振動子強度、酸化電位、還元電位、ＨＯＭＯ準位、ＬＵＭＯ準位、ガラス転移点、融点、結晶化温度、分解温度、沸点、昇華温度、キャリア移動度、屈折率、配向パラメータ、質量電荷比、およびＮＭＲ測定におけるスペクトル、ケミカルシフト値とその元素数もしくはカップリング定数、およびＥＳＲ測定におけるスペクトル、ｇ因子、Ｄ値もしくはＥ値のいずれか１または複数である物性予測システム。

Images