Scientific Data Simulation & Generation
物理法則・化学モデル・生物学的知見に基づいて、現実的なシミュレーションデータを 生成するスキル。実データの不足を補い、ML パイプラインの開発・検証を可能にする。
When to Use
- •実験データが未取得または不十分なとき
- •ML パイプラインのプロトタイピングに合成データが必要なとき
- •特定の物理・化学法則に基づくデータ生成
- •既知の因果関係を組み込んだベンチマークデータの作成
Quick Start
設計原則
- •物理モデルベース: 単純な正規分布ではなく、ドメインの因果関係を反映する
- •ノイズの付加: 実験の不確実性を模擬する適切なノイズレベル
- •材料/群の多様性: 複数の材料種・条件を生成し、群間差を反映
- •範囲の現実性: パラメータ範囲は実験装置・物理限界に基づく
データ生成テンプレート
1. プロセスデータ生成（Exp-12, 13 パターン）
python
import numpy as np
import pandas as pd
def generate_process_dataset(n_samples=500, seed=42):
"""
物理ベースのプロセスデータを生成するテンプレート。
因果関係: Process → Structure → Property
"""
rng = np.random.default_rng(seed)
# === Process パラメータ（独立変数）===
temperature = rng.uniform(25, 500, n_samples) # °C
pressure = rng.uniform(0.1, 5.0, n_samples) # Pa
power = rng.uniform(50, 500, n_samples) # W
time = rng.uniform(5, 120, n_samples) # min
# === Structure 変数（Process に依存）===
# 物理モデル：因果関係を組み込む
dep_rate = (
0.5
+ 0.02 * power # 出力依存
- 0.005 * pressure ** 2 # 高圧での飽和
+ rng.normal(0, 0.5, n_samples) # ノイズ
)
dep_rate = np.clip(dep_rate, 0.1, 30)
thickness = dep_rate * time
thickness = np.clip(thickness, 5, 2000)
crystallite_size = (
5
+ 0.1 * temperature # 温度依存（アレニウス的）
+ 0.01 * time # 時間依存
+ rng.normal(0, 2, n_samples) # ノイズ
)
crystallite_size = np.clip(crystallite_size, 2, 80)
# === Property 変数（Structure に依存）===
resistivity = (
1e-2
* np.exp(-0.005 * temperature) # 温度活性化
* (1 + 0.01 * pressure)
* np.exp(rng.normal(0, 0.3, n_samples)) # 対数正規ノイズ
)
transmittance = (
95
- 0.02 * thickness # 膜厚依存
+ 0.05 * crystallite_size # 結晶子サイズ依存
+ rng.normal(0, 1, n_samples)
)
transmittance = np.clip(transmittance, 40, 98)
df = pd.DataFrame({
"Temperature": temperature,
"Pressure": pressure,
"Power": power,
"Time": time,
"Deposition_Rate": dep_rate,
"Thickness": thickness,
"Crystallite_Size": crystallite_size,
"Resistivity": resistivity,
"Transmittance": transmittance,
})
return df
2. 多材料データ生成（Exp-13 パターン）
python
def generate_multi_material_dataset(materials, n_per_material=100, seed=42):
"""
複数材料の PSP データを生成する。
materials: {"ZnO": {"Tm": 2248, "Eg": 3.3}, ...} の辞書
"""
rng = np.random.default_rng(seed)
all_data = []
for mat_name, props in materials.items():
n = n_per_material
Tm = props["Tm"] # 融点 (K)
Eg = props["Eg"] # バンドギャップ (eV)
# Process
Tsub = rng.uniform(25, 500, n)
Pwork = rng.uniform(0.1, 5.0, n)
Power = rng.uniform(50, 500, n)
# Structure（材料依存の因果関係）
T_homologous = (Tsub + 273.15) / Tm # 相同温度
crystallite = 5 + 80 * T_homologous + rng.normal(0, 3, n)
crystallite = np.clip(crystallite, 2, 80)
# Property（材料固有値 + プロセス依存変動）
bandgap = Eg + rng.normal(0, 0.1, n)
data = pd.DataFrame({
"Material": mat_name,
"Substrate_Temp": Tsub,
"Working_Pressure": Pwork,
"Power": Power,
"T_homologous": T_homologous,
"Crystallite_Size": crystallite,
"Bandgap": bandgap,
})
all_data.append(data)
return pd.concat(all_data, ignore_index=True)
3. 臨床試験データ生成（Exp-06 パターン）
python
def generate_clinical_trial_data(n_total=500, effect_size=0.3, seed=42):
"""RCT シミュレーションデータを生成する。"""
rng = np.random.default_rng(seed)
n_per_arm = n_total // 2
# 人口統計
ages = np.concatenate([
rng.normal(55, 12, n_per_arm),
rng.normal(55, 12, n_per_arm),
])
sex = rng.choice(["M", "F"], n_total)
group = np.array(["Treatment"] * n_per_arm + ["Control"] * n_per_arm)
# 主要エンドポイント
baseline = rng.normal(100, 15, n_total)
treatment_effect = np.where(group == "Treatment", effect_size * 15, 0)
endpoint = baseline + treatment_effect + rng.normal(0, 10, n_total)
# 生存時間（指数分布）
survival_time = rng.exponential(
np.where(group == "Treatment", 365 * 2, 365 * 1.5),
n_total
)
event = rng.binomial(1, 0.7, n_total)
return pd.DataFrame({
"Patient_ID": range(1, n_total + 1),
"Group": group,
"Age": ages.astype(int),
"Sex": sex,
"Baseline": baseline,
"Endpoint": endpoint,
"Survival_Time": survival_time,
"Event": event,
})
4. スペクトルデータ生成（Exp-08, 11 パターン）
python
def generate_spectrum(wavenumbers, peak_positions, peak_heights,
peak_widths, noise_level=0.02, seed=None):
"""
ガウスピーク合成によるスペクトルを生成する。
ラマン / IR / UV-Vis などに汎用。
"""
rng = np.random.default_rng(seed)
spectrum = np.zeros_like(wavenumbers, dtype=float)
for pos, height, width in zip(peak_positions, peak_heights, peak_widths):
spectrum += height * np.exp(-0.5 * ((wavenumbers - pos) / width) ** 2)
# ノイズ付加
spectrum += rng.normal(0, noise_level * spectrum.max(), len(wavenumbers))
return spectrum
def generate_ecg_beat(t, hr=72):
"""合成 ECG 波形（PQRST パターン）を生成する。"""
beat_duration = 60.0 / hr
# P 波、QRS 群、T 波のガウス重ね合わせ
p_wave = 0.1 * np.exp(-((t % beat_duration - 0.16) / 0.04) ** 2)
qrs = 1.0 * np.exp(-((t % beat_duration - 0.25) / 0.01) ** 2)
q_wave = -0.15 * np.exp(-((t % beat_duration - 0.22) / 0.015) ** 2)
s_wave = -0.1 * np.exp(-((t % beat_duration - 0.28) / 0.015) ** 2)
t_wave = 0.2 * np.exp(-((t % beat_duration - 0.40) / 0.05) ** 2)
return p_wave + q_wave + qrs + s_wave + t_wave
品質チェックリスト
生成データの品質を保証するためのチェック項目：
- • パラメータ範囲が物理的に現実的か
- • 因果関係の方向が正しいか（温度↑ → 結晶子サイズ↑ など）
- • ノイズレベルが実験の再現性に対応するか
- • 外れ値の割合が現実的か（通常 1-5%）
- • 変数間の相関構造が既知の物理法則と一致するか
- • 群間差が効果量として検出可能な水準か
References
Output Files
| ファイル | 形式 |
|---|---|
data/<dataset_name>.csv | CSV |
参照実験
- •Exp-06: 臨床試験 RCT シミュレーション（500 名、2 群）
- •Exp-07: メタボロミクス合成データ（100 サンプル × 200 代謝物）
- •Exp-08: 合成 ECG/EEG 信号（PQRST、帯域合成）
- •Exp-09: コドンバイアス反映ゲノム配列
- •Exp-12: エッチングプロセスデータ（500 サンプル × 8 パラメータ）
- •Exp-13: 薄膜成膜データ（600 サンプル × 6 材料 × PSP 3 階層）