模型估計部(11)基于對象觀測數據和參照觀測數據來估計分析系統(20)的模型函數，此時，首先基于對象觀測數據和參照觀測數據來估計對象系統的模型與參照系統的模型的變動量。然后基于估計出的變動量來校正觀測數據，之后估計對象系統的模型函數。參數決定部(12)基于模型函數的均值和方差來計算采集函數，通過該采集函數來決定下一次觀測時的參數值。數據獲取部(13)將參數值設定給分析系統(20)，獲取與其對應的觀測值。通過重復進行反饋了觀測數據的循環來求出最佳的參數值。由此，在通過多任務貝葉斯優化法來進行參數搜索時，即使在對象觀測數據與參照觀測數據之間的相關性低的情況下，也能夠改善參數搜索的效率。

技術領域

本發明涉及一種在變更了作為分析條件的參數值時觀測值會發生變化的分析裝置等系統中搜索最佳的參數值或者與其接近的參數值的參數搜索方法、參數搜索裝置以及參數搜索用的計算機程序。

背景技術

例如在液相色譜質量分析裝置(LC-MS)中，當使分別施加于質量分析裝置中包括的離子源、各種離子輸送光學系統、或者離子檢測器等的電壓發生變化時，與相同的試樣相對的信號強度值發生變化。因此，將這些施加電壓分別作為參數，在測定之前進行對各參數的值進行調整的作業，以使測定靈敏度盡可能高。在進行這樣的調整作業時，通常較多采用以下方法：針對一個參數，一邊使其值在規定的范圍內且以規定的步幅來變化，一邊分別執行測定，并將在該各測定中獲得的信號強度值進行比較，由此將給出最高的信號強度的值選擇為最佳的參數值。

在如上所述那樣搜索某個參數的最佳值時，期望的是，能夠以盡可能少的測定次數來搜索最佳的值。究其原因是由于，若測定次數多則既花費時間又花費勞動，在用于搜索參數的測定中使用標準試樣的情況下，若測定次數多則所使用的標準試樣的量也多。

如搜索使觀測值變得最大(根據情況不同，有時為變得最小)的參數的值這樣的作業不限于在LC-MS中進行，一般來說在各種各樣的分析裝置、測定裝置、測量裝置、進一步地說包括這種裝置的各種系統中進行。另外，在并非進行實際的測定或分析而是執行基于分子動力學等的計算機仿真的系統、在計算機上執行深度學習等機器學習算法的系統等各種各樣的裝置和系統中也廣泛地進行著同樣的參數搜索。

若將上述問題一般化，則為“在重復實驗中，搜索能夠獲得盡可能良好的觀測值的參數的值”這樣的問題。此處所說的良好的觀測值一般是指最大的觀測值，但是根據實驗、觀測的目的等，也有時是指SN比最大的觀測值、最小的觀測值等。

作為一例，如圖10的(a)所示，設為：針對與某個參數(例如電壓)有關的不同的四個值進行的觀測結束，獲得了在圖中用黑色圓點表示的四個觀測值。現在考慮以下情況：想要搜索能夠期待獲得比這四個觀測值更高的觀測值的下一個參數值。

在作業者根據自己的判斷來選擇接下來要設定的參數值的情況下，如圖10的(b)中用點線和點劃線分別表示的那樣，根據設想了怎樣的實驗對象模型，下一個參數值的選擇不可避免地會有所偏差(圖中的A、B)。

與此相對地，作為廣為人知的參數搜索的一個方法，存在貝葉斯優化(BayesianOptimization)(參照專利文獻1等)。根據貝葉斯優化法，能夠基于已獲取的觀測數據來決定在概率上能夠期待良好的結果的下一個參數值(實驗條件)。圖10的(c)是表示基于上述四個觀測值并通過貝葉斯優化法來估計實驗對象的模型并搜索接下來要進行觀測的參數值而得到的結果的圖。在圖10的(c)中，用實線表示的曲線示出了通過貝葉斯優化法估計出的模型函數的后驗分布的平均值，用斜線填充的范圍示出了該模型函數后驗分布的不確定度(或者方差)，記載為“下一個”的縱粗實線示出了自動選擇出的下一個參數值。