Menu
物理・化学・生物学に基づく合成データ生成のスキル。実験データが不足する場合に、 ドメイン知識を反映したシミュレーションデータを生成する際に使用。 Scientific Skills Exp-06, 07, 08, 09, 12, 13 で確立したパターン。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
| name | scientific-data-simulation |
| description | 物理・化学・生物学に基づく合成データ生成のスキル。実験データが不足する場合に、 ドメイン知識を反映したシミュレーションデータを生成する際に使用。 Scientific Skills Exp-06, 07, 08, 09, 12, 13 で確立したパターン。 |
| tu_tools | [{"key":"biotools","name":"bio.tools","description":"シミュレーションツールレジストリ検索"}] |
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。
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
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)
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,
})
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
生成データの品質を保証するためのチェック項目：
| TU Key | ツール名 | 連携内容 |
|---|---|---|
biotools | bio.tools | シミュレーションツールレジストリ検索 |
| ファイル | 形式 |
|---|---|
data/<dataset_name>.csv | CSV |
実験の監査レポート・データ来歴（プロベナンス）生成スキル。 データ変換履歴・使用ツールのバージョン・データ整合性チェックを 含むトレーサビリティレポートを自動生成する。 「監査レポート作成」「データ来歴を記録」「トレーサビリティ」で発火。
派生実験設計スキル。既存の実験をベースに条件を変更した派生実験を 設計する。実験計画法（DOE）に基づくパラメータ探索を支援。 「派生実験を設計して」「条件を変えて実験」「パラメータ探索」で発火。
実験テンプレート生成スキル。研究目的・仮説・手法・実験条件・評価基準・ スケジュールを構造化した実験計画書を自動作成する。 「実験テンプレート作成して」「実験計画を立てて」「実験プロトコルを作成」で発火。
実験結果を論文形式（LaTeX / IMRaD）にエクスポートするスキル。 Introduction・Materials & Methods・Results・Discussion の構造で 出版準備用の原稿を自動生成する。 「論文にして」「LaTeX出力」「出版準備」で発火。
実験結果の査読・レビュースキル。再現性・統計的妥当性・方法論の 健全性を体系的に評価し、構造化されたレビューレポートを生成する。 「レビューして」「査読して」「実験結果を評価して」で発火。
科学技術・学術論文の執筆スキル。IMRaD 標準、Nature/Science 系、ACS 系、IEEE 系、 Elsevier 系のジャーナル形式に対応した論文構成・セクション設計・文章パターンを提供。 「論文を書いて」「Abstract を作成して」「Methods セクションを書いて」で発火。 assets/ に主要ジャーナル形式の Markdown テンプレートを同梱。