Project/Area Number |
21H02017
|
Research Category |
Grant-in-Aid for Scientific Research (B)
|
Allocation Type | Single-year Grants |
Section | 一般 |
Review Section |
Basic Section 35030:Organic functional materials-related
|
Research Institution | Tokyo Institute of Technology (2023) Waseda University (2021-2022) |
Principal Investigator |
畠山 歓 東京工業大学, 物質理工学院, 助教 (90822461)
|
Project Period (FY) |
2021-04-01 – 2025-03-31
|
Project Status |
Granted (Fiscal Year 2023)
|
Budget Amount *help |
¥17,680,000 (Direct Cost: ¥13,600,000、Indirect Cost: ¥4,080,000)
Fiscal Year 2023: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
Fiscal Year 2022: ¥5,590,000 (Direct Cost: ¥4,300,000、Indirect Cost: ¥1,290,000)
Fiscal Year 2021: ¥8,710,000 (Direct Cost: ¥6,700,000、Indirect Cost: ¥2,010,000)
|
Keywords | マテリアルズ・インフォマティクス / 深層学習 / ケモインフォマティクス / 有機材料 / 機械学習 / 機能性高分子 / マテリアルズインフォマティクス / 有機機能材料 |
Outline of Research at the Start |
材料開発の研究を人工知能(AI)によって部分的に代替するために必要な基礎学理について整理する。特に有機化合物からなる材料の設計や合成に焦点を当て、AIが自動的に材料物性を予測したり、理想構造を探索するために必要な理論や手段を究明する。本計画は実験化学と情報科学の双方の立場から実施し、構築したAIの有効性を実際の材料研究プロセスで検証する。
|
Outline of Annual Research Achievements |
本研究の目的は、実験化学の立場から実践性の高いマテリアルズ・インフォマティクス(MI)の方法論を創出することである。MIの手法解明と有機機能性材料の合成・計測を両輪とし、明示的な教師データを必要としない深層学習モデルの構築、実験者の暗黙知を取り込んだ物性予測、量子コンピューティング技術を活用した候補分子の探索に対する有効なアプローチを解明する。 これまでの研究では、教師有り・無し機械学習や量子アニーリング技術が機能性分子の設計に有効であることを明らかにした。そこで22年度は、分子構造以外の材料情報も機械学習・量子アニーリングのフレームワークに落とし込む基礎学理の整備に注力した。具体的には、実験操作手順(フローチャート)をデータ科学の領域に接続する実践的なアルゴリズムを構築した。これまでフローチャートのような非構造化データを構造化データに変換する適切なアルゴリズムが分かっていなかった。そこで分子Fingerprint、グラフニューラルネットワーク、自然言語系ニューラルネットワークなどの手法をベースに、精度高く構造化データへ変換するために必要な因子を明確化した。 上記の研究成果に基づき、実験者にとって利便性の高いマテリアルズ・インフォマティクスの基礎学理を明らかにし、得られた結果を取りまとめ、学会発表を行った。これにより、実材料、機械学習、量子計算を繋ぐ手掛かりを見いだし、既存の材料開発法のパラダイム転換に資する基礎学理を提示した。
|
Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
当初の計画に従い、研究がおおむね順調に進展している。 理由1: 分子Fingerprintやグラフニューラルネットワーク、自然言語系ニューラルネットワークなど、既存の手法にも着想を得ながら新たなアルゴリズムを構築することに成功した。また、実用化に向けて得られた知見を用いて、利点と欠点を明確化しながら改善を進めた。 理由2: 二次電池用の材料合成研究などの実用に近い分野で、研究成果を活用することができた。これにより、実験者のニーズに応えるロバストな方法論として展開することが可能となった。構築したフレームワークを活用し、新たな電極活物質材料や、電解質材料をin-silicoで設計することができた。 理由3: 当初の計画に沿った成果が集積されており、さらに前年度の研究成果を受けて、電子実験ノートシステムの構築のような新たな課題に取り組むことができた。これにより研究データのデジタル蓄積がスムーズに行われる基盤が整い、日々の研究記録をシームレスにデータ科学へ接続することが可能となった。
|
Strategy for Future Research Activity |
今後の推進方策について、以下の点を重視して研究活動を進める。 1. 電子実験ノートシステムの適用範囲の拡大: 既に二次電池用材料合成研究などの分野で研究成果を活用できているが、今後はより多様な有機材料分野への適用を目指す。例えば、熱伝導体のような環境負荷の低減や省エネルギー化がに貢献できる領域に注力し、新たな材料開発への貢献を目指す。 2. GPT-4などの大規模言語モデルの活用: 23年の初頭に出現したGPT-4のような大規模言語モデルを新たに活用し、研究活動の自律化の可能性を探る。これにより、文献調査や知識の整理、研究仮説の生成などの研究プロセスを効率化し、より高速な材料開発を実現できる可能性がある。 3. アルゴリズムや計算手法の改善・開発: 実験材料研究に適合したデータ科学のアルゴリズムや計算手法を創出し、既存の手法の改善も進める。本作業を通し、材料開発プロセスの精度や効率を向上させるための学理を解明する。
|
Report
(2 results)
Research Products
(22 results)