JPWO2019048965A1 - 物性予測方法および物性予測システム - Google Patents
物性予測方法および物性予測システム Download PDFInfo
- Publication number
- JPWO2019048965A1 JPWO2019048965A1 JP2019540721A JP2019540721A JPWO2019048965A1 JP WO2019048965 A1 JPWO2019048965 A1 JP WO2019048965A1 JP 2019540721 A JP2019540721 A JP 2019540721A JP 2019540721 A JP2019540721 A JP 2019540721A JP WO2019048965 A1 JPWO2019048965 A1 JP WO2019048965A1
- Authority
- JP
- Japan
- Prior art keywords
- type
- fingerprint
- physical properties
- physical property
- predicting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 184
- 230000000704 physical effect Effects 0.000 title claims abstract description 179
- 150000002894 organic compounds Chemical class 0.000 claims abstract description 87
- 239000013076 target substance Substances 0.000 claims abstract description 15
- 238000010521 absorption reaction Methods 0.000 claims description 27
- 238000001228 spectrum Methods 0.000 claims description 24
- 239000000126 substance Substances 0.000 claims description 19
- 230000005284 excitation Effects 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 17
- 230000001052 transient effect Effects 0.000 claims description 15
- 238000004770 highest occupied molecular orbital Methods 0.000 claims description 14
- 230000008878 coupling Effects 0.000 claims description 13
- 238000010168 coupling process Methods 0.000 claims description 13
- 238000005859 coupling reaction Methods 0.000 claims description 13
- 238000004768 lowest unoccupied molecular orbital Methods 0.000 claims description 13
- 238000006862 quantum yield reaction Methods 0.000 claims description 11
- 238000000862 absorption spectrum Methods 0.000 claims description 10
- 238000000295 emission spectrum Methods 0.000 claims description 10
- 238000005481 NMR spectroscopy Methods 0.000 claims description 8
- 230000003647 oxidation Effects 0.000 claims description 7
- 238000007254 oxidation reaction Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000000859 sublimation Methods 0.000 claims description 7
- 230000008022 sublimation Effects 0.000 claims description 7
- 238000009835 boiling Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000000695 excitation spectrum Methods 0.000 claims description 6
- 230000009477 glass transition Effects 0.000 claims description 6
- 230000008018 melting Effects 0.000 claims description 6
- 238000002844 melting Methods 0.000 claims description 6
- 238000000411 transmission spectrum Methods 0.000 claims description 6
- 238000002425 crystallisation Methods 0.000 claims description 5
- 230000008025 crystallization Effects 0.000 claims description 5
- 125000000524 functional group Chemical group 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 description 102
- 230000006870 function Effects 0.000 description 44
- 238000004364 calculation method Methods 0.000 description 37
- 239000004065 semiconductor Substances 0.000 description 29
- 210000002569 neuron Anatomy 0.000 description 25
- 238000013528 artificial neural network Methods 0.000 description 24
- 230000036961 partial effect Effects 0.000 description 11
- 230000004913 activation Effects 0.000 description 10
- 150000001875 compounds Chemical class 0.000 description 10
- 238000005401 electroluminescence Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 238000004435 EPR spectroscopy Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 8
- 230000000630 rising effect Effects 0.000 description 7
- 239000010408 film Substances 0.000 description 6
- 239000012634 fragment Substances 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 125000001424 substituent group Chemical group 0.000 description 6
- 239000010409 thin film Substances 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 239000002019 doping agent Substances 0.000 description 5
- 150000002500 ions Chemical class 0.000 description 5
- 238000001296 phosphorescence spectrum Methods 0.000 description 5
- 238000003775 Density Functional Theory Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- YMWUJEATGCHHMB-UHFFFAOYSA-N Dichloromethane Chemical compound ClCCl YMWUJEATGCHHMB-UHFFFAOYSA-N 0.000 description 3
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000002484 cyclic voltammetry Methods 0.000 description 3
- 230000005684 electric field Effects 0.000 description 3
- 230000005281 excited state Effects 0.000 description 3
- 238000000752 ionisation method Methods 0.000 description 3
- 230000005291 magnetic effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005424 photoluminescence Methods 0.000 description 3
- 238000005381 potential energy Methods 0.000 description 3
- 239000000843 powder Substances 0.000 description 3
- 239000002904 solvent Substances 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- ZMYKITJYWFYRFJ-UHFFFAOYSA-N 4-oxo-4-(2-phenylethylamino)butanoic acid Chemical compound OC(=O)CCC(=O)NCCC1=CC=CC=C1 ZMYKITJYWFYRFJ-UHFFFAOYSA-N 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- HEDRZPFGACZZDS-UHFFFAOYSA-N Chloroform Chemical compound ClC(Cl)Cl HEDRZPFGACZZDS-UHFFFAOYSA-N 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000000451 chemical ionisation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000004020 luminiscence type Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000391 spectroscopic ellipsometry Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 125000003118 aryl group Chemical group 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000113 differential scanning calorimetry Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000132 electrospray ionisation Methods 0.000 description 1
- 238000010265 fast atom bombardment Methods 0.000 description 1
- KTWOOEGAPBSYNW-UHFFFAOYSA-N ferrocene Chemical compound [Fe+2].C=1C=C[CH-]C=1.C=1C=C[CH-]C=1 KTWOOEGAPBSYNW-UHFFFAOYSA-N 0.000 description 1
- 238000002189 fluorescence spectrum Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 239000001307 helium Substances 0.000 description 1
- 229910052734 helium Inorganic materials 0.000 description 1
- SWQJXJOGLNCZEY-UHFFFAOYSA-N helium atom Chemical compound [He] SWQJXJOGLNCZEY-UHFFFAOYSA-N 0.000 description 1
- 238000009616 inductively coupled plasma Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009878 intermolecular interaction Effects 0.000 description 1
- 229910052741 iridium Inorganic materials 0.000 description 1
- GKOZUEZYRPOHIO-UHFFFAOYSA-N iridium atom Chemical compound [Ir] GKOZUEZYRPOHIO-UHFFFAOYSA-N 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000000816 matrix-assisted laser desorption--ionisation Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005298 paramagnetic effect Effects 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 238000001420 photoelectron spectroscopy Methods 0.000 description 1
- 230000001443 photoexcitation Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000002366 time-of-flight method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000007740 vapor deposition Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Crystallography & Structural Chemistry (AREA)
- Evolutionary Biology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Neurology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Electroluminescent Light Sources (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
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)。
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。
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。
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。
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。
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VPR−VW[1,1]大きい電位となり、配線WDrefの電位が接地電位よりもVPR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VW[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VPR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VPR−VW[1,1]、ノードNMref[1]の電位がVPRとなる。
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VX[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VX[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Vx[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。
Claims (34)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
- 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。 - 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。 - 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。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023084350A JP2023113716A (ja) | 2017-09-06 | 2023-05-23 | 物性予測方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017171334 | 2017-09-06 | ||
JP2017171334 | 2017-09-06 | ||
PCT/IB2018/056409 WO2019048965A1 (ja) | 2017-09-06 | 2018-08-24 | 物性予測方法および物性予測システム |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023084350A Division JP2023113716A (ja) | 2017-09-06 | 2023-05-23 | 物性予測方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPWO2019048965A1 true JPWO2019048965A1 (ja) | 2020-10-22 |
Family
ID=65633653
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019540721A Withdrawn JPWO2019048965A1 (ja) | 2017-09-06 | 2018-08-24 | 物性予測方法および物性予測システム |
JP2023084350A Withdrawn JP2023113716A (ja) | 2017-09-06 | 2023-05-23 | 物性予測方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023084350A Withdrawn JP2023113716A (ja) | 2017-09-06 | 2023-05-23 | 物性予測方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20200349451A1 (ja) |
JP (2) | JPWO2019048965A1 (ja) |
KR (1) | KR20200051019A (ja) |
CN (1) | CN111051876B (ja) |
WO (1) | WO2019048965A1 (ja) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11380422B2 (en) * | 2018-03-26 | 2022-07-05 | Uchicago Argonne, Llc | Identification and assignment of rotational spectra using artificial neural networks |
JP7349811B2 (ja) * | 2019-04-24 | 2023-09-25 | 株式会社Preferred Networks | 訓練装置、生成装置及びグラフ生成方法 |
JP7302297B2 (ja) * | 2019-05-30 | 2023-07-04 | 富士通株式会社 | 材料特性予測装置、材料特性予測方法、及び材料特性予測プログラム |
JP7348488B2 (ja) * | 2019-08-07 | 2023-09-21 | 横浜ゴム株式会社 | 物性データ予測方法及び物性データ予測装置 |
JP7348489B2 (ja) * | 2019-08-09 | 2023-09-21 | 横浜ゴム株式会社 | 物性データ予測方法及び装置物性データ予測装置 |
CN114341861A (zh) | 2019-08-29 | 2022-04-12 | 株式会社半导体能源研究所 | 特性预测系统 |
JP7353874B2 (ja) | 2019-09-03 | 2023-10-02 | 株式会社日立製作所 | 材料特性予測装置および材料特性予測方法 |
JP7218274B2 (ja) * | 2019-11-05 | 2023-02-06 | 株式会社 ディー・エヌ・エー | 化合物の性質を予測するための化合物性質予測装置、化合物性質予測プログラム及び化合物性質予測方法 |
US20230037015A1 (en) * | 2019-12-16 | 2023-02-02 | Nippon Telegraph And Telephone Corporation | Material Development Support Apparatus, Material Development Support Method, and Material Development Support Program |
CN114868192A (zh) * | 2019-12-26 | 2022-08-05 | 富士胶片株式会社 | 信息处理装置、信息处理方法及程序 |
JP7303765B2 (ja) * | 2020-03-09 | 2023-07-05 | 株式会社豊田中央研究所 | 材料設計プログラム |
US20210287137A1 (en) * | 2020-03-13 | 2021-09-16 | Korea University Research And Business Foundation | System for predicting optical properties of molecules based on machine learning and method thereof |
JP7453053B2 (ja) * | 2020-04-27 | 2024-03-19 | Toyo Tire株式会社 | ゴム材料物性予測システム、およびゴム材料物性予測方法 |
CN111710375B (zh) * | 2020-05-13 | 2023-07-04 | 中国科学院计算机网络信息中心 | 一种分子性质预测方法及系统 |
JP7429436B2 (ja) * | 2020-05-25 | 2024-02-08 | 国立研究開発法人産業技術総合研究所 | 物性予測方法及び物性予測装置 |
CN114254791A (zh) * | 2020-09-23 | 2022-03-29 | 新智数字科技有限公司 | 一种烟气含氧量的预测方法及装置 |
US20220101276A1 (en) * | 2020-09-30 | 2022-03-31 | X Development Llc | Techniques for predicting the spectra of materials using molecular metadata |
CN112185478B (zh) * | 2020-10-29 | 2022-05-31 | 成都职业技术学院 | 一种tadf发光分子发光性能的高通量预测方法 |
CN114093438B (zh) * | 2021-10-28 | 2024-09-24 | 北京大学 | 一种基于Bi2O2Se的多模态库网络时序信息处理方法 |
KR102696205B1 (ko) * | 2022-02-18 | 2024-08-20 | 국민대학교산학협력단 | 인공지능 기반의 다중물성 합성 예측 장치 및 방법, 그 방법을 실행하기 위한 프로그램을 기록한 기록매체 |
JP7557493B2 (ja) * | 2022-03-22 | 2024-09-27 | 住友化学株式会社 | 発光素子及びその製造方法、発光性化合物及びその製造方法、組成物及びその製造方法、情報処理方法、情報処理装置、プログラム、発光性化合物の提供方法、並びにデータ生成方法 |
WO2023224012A1 (ja) * | 2022-05-18 | 2023-11-23 | 国立研究開発法人産業技術総合研究所 | 物性予測装置、物性予測方法、及びプログラム |
WO2024005068A1 (ja) * | 2022-06-30 | 2024-01-04 | コニカミノルタ株式会社 | 予測装置、予測システムおよび予測プログラム |
WO2024025281A1 (ko) * | 2022-07-26 | 2024-02-01 | 엘지전자 주식회사 | 인공 지능 장치 및 그의 화학 소재 탐색 방법 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020143476A1 (en) * | 2001-01-29 | 2002-10-03 | Agrafiotis Dimitris K. | Method, system, and computer program product for analyzing combinatorial libraries |
JP2016523375A (ja) * | 2013-06-25 | 2016-08-08 | カウンシル オブ サイエンティフィック アンド インダストリアル リサーチ | 仮想スクリーニング用の演算による炭素及びプロトンnmr化学シフトベースのバイナリフィンガープリント |
JP2017091526A (ja) * | 2015-11-04 | 2017-05-25 | 三星電子株式会社Samsung Electronics Co.,Ltd. | 新規物質探索方法および装置 |
US20170161635A1 (en) * | 2015-12-02 | 2017-06-08 | Preferred Networks, Inc. | Generative machine learning systems for drug design |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1996032631A1 (en) * | 1995-04-13 | 1996-10-17 | Pfizer Inc. | Calibration tranfer standards and methods |
GB9724784D0 (en) * | 1997-11-24 | 1998-01-21 | Biofocus Plc | Method of designing chemical substances |
US20030069698A1 (en) * | 2000-06-14 | 2003-04-10 | Mamoru Uchiyama | Method and system for predicting pharmacokinetic properties |
EP1167969A2 (en) * | 2000-06-14 | 2002-01-02 | Pfizer Inc. | Method and system for predicting pharmacokinetic properties |
CN101339180B (zh) * | 2008-08-14 | 2012-05-23 | 南京工业大学 | 基于支持向量机的有机化合物燃爆特性预测方法 |
CN101339181B (zh) * | 2008-08-14 | 2011-10-26 | 南京工业大学 | 基于遗传算法的有机化合物燃爆特性预测方法 |
WO2017037568A1 (en) * | 2015-08-31 | 2017-03-09 | Semiconductor Energy Laboratory Co., Ltd. | Semiconductor device or electronic device including the semiconductor device |
-
2018
- 2018-08-24 JP JP2019540721A patent/JPWO2019048965A1/ja not_active Withdrawn
- 2018-08-24 WO PCT/IB2018/056409 patent/WO2019048965A1/ja active Application Filing
- 2018-08-24 KR KR1020207009947A patent/KR20200051019A/ko unknown
- 2018-08-24 CN CN201880056376.0A patent/CN111051876B/zh active Active
- 2018-08-24 US US16/643,094 patent/US20200349451A1/en active Pending
-
2023
- 2023-05-23 JP JP2023084350A patent/JP2023113716A/ja not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020143476A1 (en) * | 2001-01-29 | 2002-10-03 | Agrafiotis Dimitris K. | Method, system, and computer program product for analyzing combinatorial libraries |
JP2016523375A (ja) * | 2013-06-25 | 2016-08-08 | カウンシル オブ サイエンティフィック アンド インダストリアル リサーチ | 仮想スクリーニング用の演算による炭素及びプロトンnmr化学シフトベースのバイナリフィンガープリント |
JP2017091526A (ja) * | 2015-11-04 | 2017-05-25 | 三星電子株式会社Samsung Electronics Co.,Ltd. | 新規物質探索方法および装置 |
US20170161635A1 (en) * | 2015-12-02 | 2017-06-08 | Preferred Networks, Inc. | Generative machine learning systems for drug design |
Non-Patent Citations (5)
Title |
---|
DALKE ANDREW: ""Molecular fingerprints, background"", [ONLINE], JPN6022034614, 1 May 2018 (2018-05-01), ISSN: 0004853920 * |
佐藤 寛子: ""化学への機械学習応用"", 人工知能学会誌, vol. 第24巻第6号, JPN6022034613, 1 November 2009 (2009-11-01), JP, pages 804 - 808, ISSN: 0004853922 * |
松山 祐輔: ""薬剤活性予測の改良のための化合物フィンガープリントの比較解析"", 情報処理学会 研究報告 バイオ情報学(BIO) 2017−BIO−49 [ONLINE], JPN6022034615, 16 March 2017 (2017-03-16), JP, pages 1 - 7, ISSN: 0005005800 * |
清水 隆史: ""Tanimoto係数の性質に基づく化合物の類似度検索の高速化手法"", 情報処理学会研究報告, vol. 第2008巻第15号, JPN6022034616, 3 March 2008 (2008-03-03), JP, pages 47 - 54, ISSN: 0004853921 * |
瀧川 一学: ""多数のグラフからの統計的機械学習"", システム/制御/情報, vol. 第60巻第3号, JPN6022034617, 15 March 2016 (2016-03-15), JP, pages 17 - 22, ISSN: 0005005801 * |
Also Published As
Publication number | Publication date |
---|---|
WO2019048965A1 (ja) | 2019-03-14 |
CN111051876B (zh) | 2023-05-09 |
JP2023113716A (ja) | 2023-08-16 |
US20200349451A1 (en) | 2020-11-05 |
CN111051876A (zh) | 2020-04-21 |
KR20200051019A (ko) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JPWO2019048965A1 (ja) | 物性予測方法および物性予測システム | |
Gómez-Bombarelli et al. | Design of efficient molecular organic light-emitting diodes by a high-throughput virtual screening and experimental approach | |
Kim et al. | Deep-learning-based inverse design model for intelligent discovery of organic molecules | |
Joung et al. | Experimental database of optical properties of organic compounds | |
Wang et al. | An in-memory computing architecture based on two-dimensional semiconductors for multiply-accumulate operations | |
Knapen et al. | Light dark matter in superfluid helium: Detection with multi-excitation production | |
Pronobis et al. | Capturing intensive and extensive DFT/TDDFT molecular properties with machine learning | |
Kudyshev et al. | Rapid classification of quantum sources enabled by machine learning | |
Bernien et al. | Heralded entanglement between solid-state qubits separated by three metres | |
Qiu et al. | Vibrationally resolved fluorescence excited with submolecular precision | |
Zimmerman et al. | Singlet fission in pentacene through multi-exciton quantum states | |
Bocquillon et al. | Coherence and indistinguishability of single electrons emitted by independent sources | |
Westermayr et al. | High-throughput property-driven generative design of functional organic molecules | |
Kim et al. | Retention Secured Nonlinear and Self‐Rectifying Analog Charge Trap Memristor for Energy‐Efficient Neuromorphic Hardware | |
Kwon et al. | Capacitive neural network using charge-stored memory cells for pattern recognition applications | |
JP2018206376A (ja) | 情報検索システム、知的財産情報検索システム、情報検索方法、及び知的財産情報検索方法 | |
Manrique-Yus et al. | Euclid-era cosmology for everyone: neural net assisted MCMC sampling for the joint 3× 2 likelihood | |
Zhao et al. | Performance prediction and experimental optimization assisted by machine learning for organic photovoltaics | |
Katubi et al. | Machine learning assisted designing of organic semiconductors for organic solar cells: High-throughput screening and reorganization energy prediction | |
Salah et al. | Selecting an appropriate machine-learning model for perovskite solar cell datasets | |
Baker et al. | Photosynthetic pigment-protein complexes as highly connected networks: implications for robust energy transport | |
Birschitzky et al. | Machine learning for exploring small polaron configurational space | |
Rhee et al. | Probabilistic computing with NbOx metal-insulator transition-based self-oscillatory pbit | |
Tan et al. | Machine learning based charge mobility prediction for organic semiconductors | |
Belot et al. | Machine learning predictions of high-Curie-temperature materials |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210818 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210818 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220823 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20221021 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230307 |
|
A761 | Written withdrawal of application |
Free format text: JAPANESE INTERMEDIATE CODE: A761 Effective date: 20230524 |