| ホームページ | Pirikaで化学 | ブログ | 業務リスト | お問い合わせ |
| Pirikaで化学トップ | 情報化学+教育 | HSP | 化学全般 |
| 情報化学+教育トップ | 情報化学 | MAGICIAN | MOOC | プログラミング |
| MAGICIANトップ | MAGICIAN-Jr. | MAGICIAN-講義 | 過去の資料 |
A MAGICIAN is a person who can associate Materials Genome, Materials Informatics, Chemo-Informatics and Networks.
MAGICIANとは、材料ゲノム(Materials Genome)、材料情報学(Materials Informatics)、情報化学(Chemo-Informatics)とネットワーク(Networks)を結びつけて(Associate)いかれる人材です。
2021.11.18
Patent JPA 2017197765 住友化学株式会社(Sumitomo Chem. )
Ink composition and photoelectric conversion device manufactured using it
インク組成物およびそれを用いて製造した光電変換素子
To provide an ink composition containing two solvents that can obtain a high short-circuit current density.
【課題】高い短絡電流密度が得ることができる2種の溶媒を含むインク組成物を提供する
An ink composition containing a P-type semiconductor material, an N-type semiconductor material, and two or more solvents including a first solvent and a second solvent.
【解決手段】 P型半導体材料と、N型半導体材料と、第一溶媒及び第二溶媒を含む2種以上の溶媒とを含むインク組成物
Simply saying, we want to obtain a high short-circuit current density using two types of P and N semiconductor materials and solvents.
簡単に言えば、２種類のP, N半導体材料と溶媒を使って高い短絡電流密度を得たい、ということだ。
MIRAI implements two methods for taking errors: the absolute minimum error method (MAE) and the least squares method (RMSE).
MIRAIには、誤差の取り方として、絶対誤差最小法(MAE)と最小二乗法（RMSE)の２種類が実装されている。
When using Minimum Absolute Error(MAE), the coefficients are set to try to minimize the sum of the absolute values of the differences between the supervised and calculated values.
絶対誤差最小(MAE)を使うと、教師値と計算値の差の絶対値の総和を一番小さくしようと係数を定める。
Then the ones that are far off will be further off, and the others will come on straighter and straighter.
すると、大きく外れるものはさらに外れ、他のものはどんどん直線に乗って来る。
This is very useful for identifying suspicious data, such as input errors.
入力間違いなど、怪しいデータを特定するときはとても有用である。
Using root mean square error (RMSE), MIRAI try to make something with a large error closer to a straight line.
二乗平均平方根誤差(RMSE)を使うと大きな誤差を持つものを直線に近づけようとする。
Assign a small error to each point. When squared, the small error becomes so small that it has no effect.
小さな誤差を各点に割り振る。小さな誤差は２乗すると、とても小さくなり影響を与えなくなる。
The usual multiple regression method is a linear least squares method. The GROVE method we are developing is linear, and is implemented in two ways: absolute minimum error (MAE) and least squares (RMSE).
通常の重回帰法は線形の最小二乗法になる。我々が開発しているGROVE法は線形で、絶対誤差最小法(MAE)と最小二乗法（RMSE)の２種類が実装されている。
Let's compare these four different calculation methods.
この４種類の計算方法を比較してみよう。
The results are very interesting. In the MIRAI method, there are about four experimental values that deviate from the straight line, but the rest of the experimental data are very well on the straight line. The GROVE method of linear regression has a little more deviations.
結果は非常に興味深い。絶対誤差最小法(MAE)の良いところが顕著に現れている。MIRAI法では４点ほど直線から外れる実験値があるが、他の実験データはとても良く直線に乗っている。GROVE法の線形回帰では外れるものが少し多くなる。
MIRAI-MAE=-0.711109708223613-1.9876+0.914100684455723*(POWER((C2*0.00139897779593369+D2*1.57286316326747+E2*0.459316763374167+F2*0.79208455297553+G2*0.416176033699134+H2*0.447101019803588+I2*1.18033013431262+1),-1.62322625599862)*POWER((J2*0.0141784947633641+K2*0.993413127403586+1),-0.197140814993588)*POWER((L2*0.712496600184694+M2*0.881951650719454+N2*0.857219822755202+O2*0.821396312322113+P2*0.874954323895292+Q2*0.876600285579374+R2*0.867819971929876+1),0.575503903570339)*POWER((S2*0.0660964156326232+T2*0.0589194116085574+U2*0.0761915385170714+V2*-0.067319122439351+W2*0.741296029168544+X2*0.584062650266498+Y2*1.4576390997673+Z2*0.756084846147299+AA2*0.68948901417174+AB2*1.13603652182674+AC2*0.72105108834501+AD2*0.679551754957941+1),0.39254413281453))
GROVE-MAE=19.5223853419192*C2+-1.1119987829629*D2+13.635889662213*E2+-33.1946528438729*F2+3.51214997788269*G2+3.01568949280795*H2+0.210431876492443*I2+-0.628346493842915*J2+-3.2134680487993*K2+0.0286425420396013*L2+-0.0559166550934589*M2+0.0251388725421847*N2+0.0321425563660525*O2+0.0115214405412037*P2+0.0163200308203588*Q2+0.221313871117952*R2+0.100613329541453*S2+-0.154906793667875*T2+0.0805114577484695*U2+-0.748286233122035*V2+0.870984166183338*W2+0.998102078873355*X2+1.80246152793306*Y2+1.55592764186324*Z2+1.7618094722351*AA2+2.16674683164456*AB2+1.68029239693249*AC2+0.997186452783814*AD2+0.104280213979893
Let's paste the formula into Excel and draw a graph to check it.
計算式をエクセルにペーストしてグラフを描き確認してみよう。
Using the least-squares method, the coefficients are obtained in such a way that all the experimental data are placed as close to the line as possible.
最小二乗法を使うと、全ての実験データをなるべく線から離れないように配置するように係数を求める。
The usual multiple regression method and MIRAI's RMSE method give the similar graphs.
通常の重回帰法とMIRAIのRMSE法は同じようなグラフを与える。
In practice, however, the usual multiple regression method cannot be used for this system.
しかし、実際には、通常の重回帰法はこの系には使えない。
Multiple Regression=-9836.46508789062*C2+-9858.54162597656*D2+13104.0600585937*E2+-9884.50512695312*F2+-4925.63067626953*G2+-50816.1842041015*H2+-50818.9707946777*I2+45890.2221679687*J2+45884.8028564453*K2+-229.908722877502*L2+-0.48481382895261*M2+-0.465665870346128*N2+-229.905220985412*O2+-0.467298852279782*P2+-0.470624756067991*Q2+-0.292389723472297*R2+-229.836722373962*S2+-1.01680781599134*T2+-0.398298868909478*U2+-1.61014114879071*V2+0.234977908432483*W2+-0.592713546007871*X2+1.16497739963233*Y2+0.910294277593493*Z2+0.899858851917088*AA2+2.21961855888366*AB2+1.33116338774561*AC2+0.298248179256916*AD2+-40913.7219238281
Explained in Paint Formulation. When the multiple regression coefficients are as small(large) as -9836 or 13104, the results can vary tremendously with a slight change in formulation.
塗料の配合処方でも説明した。重回帰係数が、-9836とか13104とか大きくなると、処方が」少し変わっただけで結果がとんでもなく大きく変動してしまう。
For example, let's change the appropriate amount of P-1 from 0.5" to 0.4".
The result will change about 100 times.
The MIRAI method and GROVE method have almost no effect.
例えば、適当なP-1の量を0.5から」０.4に変えてみよう。結果は100倍ぐらい変わるだろう。MIRAI法やGROVE法ではほとんど影響ない。
So, for formulation problems with little experimental data, with nonlinearity, and many identifiers, if the only analysis tool you have is the multiple regression method, the analysis will be lousy.
そこで、実験データが少ない、非線形性がある、識別子が多い配合問題に対して、解析ツールを重回帰法しか持たない場合には、解析がお手上げになる。
MIRAI-RMSE=-6.24098259691519-1.9876+0.0290997780996556*(POWER((C2*0.79961601373615+D2*-0.333783413199201+E2*0.485909140176266+F2*0.635411236356317+G2*0.146744396313107+H2*0.113057540797912+I2*-0.141671856971961+1),1.26047602045767)*POWER((J2*0.0647186619502536+K2*-0.2336706808163+1),0.573046338397967)*POWER((L2*0.446243593708213+M2*0.394040306635662+N2*0.412339305024572+O2*0.45711578001346+P2*0.406529561446594+Q2*0.407905851800118+R2*0.363945286858518+1),1.56674101529224)*POWER((S2*0.311648720079908+T2*1.08165537325029+U2*10.0045442065987+V2*0.270924450988719+W2*14.2685499106683+X2*8.34051502003881+Y2*21.7253204533158+Z2*12.2756278866944+AA2*13.0995716768295+AB2*53.6416820031627+AC2*16.4042590463573+AD2*10.6801109239021+1),0.122155998621232))
The MIRAI method creates an equation that predicts the physical properties by multiplying exponential functions. In this study, we divided into four groups: P-type semiconductor, N-type semiconductor, first solvent, and second solvent.
MIRAI法は指数関数の掛け算で物性を予測する式を作成する。今回は、P型半導体、N型半導体、第一溶媒、第二溶媒の４グループに分割した。
Let's take a look at its impact on each group.
その影響をグループごとに見てみよう。
G-P=POWER((C2*0.00140344242566633+D2*1.5733663100677+E2*0.459314152899126+F2*0.791907632723531+G2*0.414921506791787+H2*0.447101019803588+I2*1.18077252036854+1),-1.62324615257733)
G-N=POWER((J2*0.0141643272016091+K2*0.99346603458404+1),-0.19698481440908)
G-S1=POWER((L2*0.712633416087653+M2*0.881951650719454+N2*0.857219822755202+O2*0.821528407786171+P2*0.874954323895292+Q2*0.8765977441452+R2*0.868343433314093+1),0.575503903570339)
G-S2=POWER((S2*0.0665252673754605+T2*0.0589073575565699+U2*0.0757826281133001+V2*-0.0673197887365997+W2*0.740515459060242+X2*0.584206427350649+Y2*1.45760970755326+Z2*0.754530058934956+AA2*0.689499274125841+AB2*1.13569141761498+AC2*0.722610422103112+AD2*0.679265342375855+1),0.392539583705509)
Let's take G-N, a group with few members.
グループのメンバーの少ないG-Nで説明しよう。
G-N=POWER((J2*0.01416+K2*0.993466+1),-0.19698)
The part of (J2*0.01416+K2*0.993466+1) is called the base of the exponential function. (J2*0.01416+K2*0.993466+1)の部分を指数関数の底と呼ぶ。
Column J will contain the amount of N-1 semiconductor used. Column K will contain the amount of N-1 semiconductor used.
カラムJは、N-1半導体の使用量が入る。カラムKにはN-1半導体の使用量が入る。
Even if the amount of semiconductors is the same, the coefficient is 70 times different. So the content of the parentheses changes, but it is important to note that the exponent is -0.19698.
半導体の量が同じ量であっても、係数が70倍も違う。そこで括弧の中身は変わるが、指数が-0.19698なのが大事だ。
When the exponent is negative, it becomes a decreasing function, but when the value is small, it becomes a gradual decrease. So, as a power function, it does not fluctuate significantly with a minimum value of 0.872 and a maximum value of 0.997.
指数がマイナスの時には、減少関数になるが、値が小さい時には緩やかな減少となる。そこでPower関数としては最小値0.872、最大値0.997と大きくは変動しない。
The transformed graph of the power function looks like this.
それぞれのグループの、パワー関数の変換後のグラフは次のようになる。
The four power functions are then multiplied to get a very high correlation with the short circuit current density, as shown in the center graph.
そして、4つのパワー関数をかけたものは中央のグラフのように、短絡電流密度と非常に高い相関となる。
At this time, the power function is multiplied, which is a feature of MIRAI.
この時、パワー関数の掛け算なのがMIRAIの特徴になる。
In addition, there are an infinite number of ways to divide the whole into four parts. Then, we divide the contents further. You can't decide on a single solution, and you can't express the interaction of each group.
足し算では、全体を４分割する取り方は無限に存在する。そして、さらにその中身を分割する。解を一つに決められないし、グループごとの相互作用は表現できない。
By analyzing the data in this way, we can consider why the predictions of experiment I-13 deviate so much from each other.
このように解析することによって、実験I-13の予測値が大きく乖離するのは何故かを考えることができる。
The large value of the group solvent 2 leads to this result
グループ溶媒２の値が大きいことがこの結果につながっている。
Now that we have this formula, let's try the next application.
それでは、こうした推算式ができたら次に行う応用をやってみよう。
For example, let's consider improving Experiment I-10 to obtain even higher short circuit current density.
Let's keep the type and amount of P-type and N-type semiconductors fixed, and change the amount of Solvent 1 and Solvent 2.
例えば、実験 I-10を改良して、さらに高い短絡電流密度を得ることを考えてみよう。
P型半導体とN型半導体の種類と量は固定にして、溶媒１と溶媒2の量を変えることを考える。
Keeping the other parts in common, reduce the amount of Pseudocumene from 97 to 1, and increase Methyl benzoate from 3 to 1, leaving the overall amount unchanged.
他の部分は共通にして、Pseudocumeneの量を97から1ずつ減らし、Methyl benzoateを3から1ずつ増やし全体の量は変えない。
Since we already have the formula, we can estimate the short circuit current density for each solvent composition. Let's plot it against the amount of Pseudocumene.
我々は推算式をすでに持っているので、各溶媒組成の時の短絡電流密度を推算することができる。それをPseudocumeneの量に対してプロットしてみる。
This will be interpreted differently if you have properly considered the reasons why I-13 deviates from the previous one, or if you have not.
これは、先程のI-13が乖離する理由をちゃんと考えた場合と、そうでない場合とで解釈が逆転するだろう。
Even if you don't have a good interpretation, you can decide on an experiment to do tomorrow like this, and then try it out and see what happens. The results are then fed back into the MIRAI formula to determine the next experiment. By doing this, we can reach the optimal value very quickly.
解釈がきちんとできていなくても、明日やる実験をこののように決めて、試してみたらこうなった。その結果をMIRAI式にフィードバックして次の実験を決めていく。そうする事で最適値にたどり着くのは非常に速くなる。
That's fine if you're an experimental chemist, but if MI researchers repeatedly miss the interpretation, no one will try it.
実験化学者ならそれでも良いが、MIの研究者が何度も解釈を外すと誰も試してくれなくなる。
My interpretation is that the MIRAI-RMSE is convex on top is correct, and the other three are wrong. A random forest will give a different opinion than a majority vote. But I have no way to test it.
私の解釈では、MIRAI-RMSEの上に凸になるのが正しく、他の3つは間違っていると考えている。ランダム・フォレストで多数決とは異なる意見になる。とは言っても試しようがないが。
Patent WO2011/034019 日立化成（Hitachi Chemical）
Inks for printing methods, metal nanoparticles used in printing methods, and wiring, circuit boards, and semiconductor packages
印刷法用インクおよびそれに用いられる金属ナノ粒子、並びに配線、回路基盤、半導体パッケージ
Inks for printing methods containing metal nanoparticles containing Cu and/or CuO.
Good dispersibility and successive dispersion stability without the use of additives such as dispersants.
Cu及び/又はCuOを含む金属ナノ粒子を含む印刷法用インク。
分散剤などの添加剤を使用せずに良好な分散性と継時的な分散安定性。
It contains metal nanoparticles with a primary particle volume average diameter of D (nm) and a dispersant.
If the average inter-particle distance L(nm ) between the metal nanoparticles satisfies the relationship of 1.6≦L/D≦3.5 Inks for printing methods with excellent dispersibility can be obtained without dispersants.
1次粒子の体積平均粒径 D(nm)の金属ナノ粒子と分散媒を含み、
金属ナノ粒子同士の平均粒子間距離L(nm )が、1.6≦L/D≦3.5の関係を満足すれば、
分散剤無しで分散性に優れる印刷法 用インクが得られる
The dispersant has a polar term 11 MPa0.5 or higher in the Hansen solubility parameter.
分散媒がハンセン溶解度パラメータにおける極性項が11MPa0 . 5 以上の 有機極性溶媒
As before, we will use the usual multiple regression and MIRAI methods to create a model equation for the dispersive nature of the data.
これまでと同様に通常の重回帰法、MIRAI法で分散性を表すモデル式を作成する。
All experimental data were used to develop the model equations.
実験データは全てモデル式の作成に用いた。
The usual multiple regression method was not very accurate. This can be attributed to the nonlinearity in the results of the MIRAI calculations.
通常の重回帰法ではあまり精度が出なかった。これはMIRAIの計算結果から考えて非線形性がある為と考えることができる。
The experiment CE-13, which deviates significantly from MIRAI-MAE, differs only in the value of L/D from E-13.
MIRAI-MAEで大きく外れる実験CE-13はE-13とL/Dの値が違うだけである。
The handling of L/D is different between MIRAI-MAE and MIRAI-RMSE as follows.
L/Dの取り扱いが、MIRAI-MAEとMIRAI-RMSEで次のように異なる。
MAE: POWER((L2*2.25290833017326+1),0.175039513884569)
RMSE: POWER((L2*-0.357670241635847+1),7.13042013209691)
I'll leave it to the reader to choose between MIRAI-MAE and MIRAI-RMSE.
MIRAI-MAEとMIRAI-RMSEのどちらを選ぶかは、読者に任せよう。
In this patent, experiments were conducted using 8 different solvents.
この特許では、溶媒８種類を使って実験を行なっている。
POWER((Solv1*0.0821+Solv2*0.2620+Solv3*0.1432+Solv4*0.1037+Solv5*1.0542+Solv6*1.0546+Solv7*1.0539+Solv8*0.9665+1),1.29322)
In MIRAI-RMSE, the coefficients for each solvent are determined in this way.
MIRAI-RMSEでは各溶媒の係数をこのように決定している。
Let's examine what causes this coefficient to be large or small.
この係数の大小が何に起因するか、検討してみよう。
Use YMB to estimate the physical properties of the solvent from its SMILES structural formula.
溶媒のSMILESの構造式から、YMBを使って物性推算を行う。
Then we can make a list of the coefficients of MIRAI in the second column and the physical properties in the third and subsequent columns.
すると２列目にMIRAIの係数、３列目以降は物性値の一覧表を作成することができる。
If we choose any one property, the higher the surface tension, the larger the coefficient.
どれか、一つの物性値を選ぶなら、表面張力が高い物性ほど係数は大きくなる。
From the two physical property values, a multiple regression equation can be made to predict the coefficients from the solubility in water and Henry's constant, as shown below.
2つの物性値から、重回帰式を作ると、次のように、水への溶解度、ヘンリー定数から係数を予測することができる。
If the coefficients can be predicted in this way, it will be possible to obtain the predicted values when changing to any solvent.
このように、係数が予測できるようになれば、任意の溶媒に変えた時の予測値を得ることが可能になる。
The rest will be left to AI to screen all solvents and patent all the good ones.
後はAIに任せて、全ての溶媒を片っ端からスクリーニングして、良いものを全部特許取って仕舞えば良いだけになる。
Patent JP 6521138 B1 東洋インキ(Toyo Ink Co.)
Ink of resin (A), conductive particles (B), and solvent (C)
樹脂(A)と、導電性微粒子(B)と、溶剤(C)のインク
You can probably analyze it by yourself now.
もう、自分で解析できるだろう。
However, the value of logY1 was intentionally entered incorrectly.
ただし、logY1の値をわざと間違って入力してある。
Actually, it's really something I typed in wrong when I was typing.
実は、本当に打ち込みの時に間違って入力してしまったものだ。
In neural network methods, for example, the contents become a black box, and the transfer of information becomes invisible. And even if you put in the wrong value, it learns that it is correct.
ニューラルネットワーク法などは、中身がブラックボックスになり、情報の伝達が見えなくなる。そして、間違った値を入れてもそれが正しいとして学習してしまう。
When calculated with the MAE of MIRAI, the wrong one deliberately deviates from the straight line.
Moreover, the calculated value is 4.765, which is very close to the correct value of 4.778.
Being able to predict the correct value even if the wrong value is entered is very useful for cleaning up the data.
The results calculated by MIRAI's RMSE are the results you get from a normal MI, etc. You will not be able to tell which data is dirty.
MIRAIのMAEで計算するとわざと間違えたものが直線から遊離してくる。
しかもその計算値は4.765と正しい値4.778にとても近い値を予測する。
間違った値を入力しても、正しい値を予測することができると、データを綺麗にするのにとても役に立つ。
MIRAIのRMSEで計算した結果が通常のMIなどで出てくる結果で、どれが汚いデータなのかはわからなくなる。
Copyright pirika.com since 1999-
Mail: yamahiroXpirika.com (Xを@に置き換えてください) メールの件名は[pirika]で始めてください。
Mail: yamahiroXpirika.com (Replace X with @.) The subject of your email should start with [pirika].