| Project/Area Number |
22K05158
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 34020:Analytical chemistry-related
|
|---|
| Research Institution | Chuo University |
|---|
Principal Investigator |
片山 建二 中央大学, 理工学部, 教授 (00313007)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
潘 振華 中央大学, 理工学部, 助教 (90870551)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2024: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2023: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2022: ¥1,950,000 (Direct Cost: ¥1,500,000、Indirect Cost: ¥450,000)
|
|---|
| Keywords | 光電気化学水分解 / 機械学習 / 分析科学データ / 太陽光水分解 / 分析化学データ |
|---|
| Outline of Research at the Start |
太陽光水分解は次世代エネルギーの産生法として期待されている。有望な新規物質が発見されると多くのグループで追試がおこわなれるが、同等な性能を再現することは容易ではない。たとえ、化学組成は同じでも、界面構造・不純物・厚みなどミクロからマクロにかけての状態が同じにならないと同様の性能を発揮できないからである。本研究では、デバイス性能に影響を及ぼす実験条件を、機械学習を用いて最適化し、高性能な材料・デバイスを提供する。デバイス材料の分析化学データを収集し、データの特徴量を介在変数としてデバイス性能値と実験条件を機械学習的方法により接続する。太陽光水分解材料に適用し、本法の有用性を示す。
|
| Outline of Annual Research Achievements |
光触媒応用におけるFe2O3およびBiVO4電極の特性評価と最適化を行ってきた。これらの光電極は、同様の作成手順でも、異なる光電気化学（PEC）性能を示す問題がある。この問題に対処するため、分析データから抽出したサンプル指標（記述子）を絞り込み、PEC性能に影響を与える主要因を機械学習（ML）機能を使用して特定する「データ駆動型」アプローチを採用した。無機デバイス開発にMLを適用することは、特に研究レベルでの限られた実験データの可用性のため、依然として課題である。これに対処するために、この研究は様々な分析データを組み合わせてサンプルを表現し、限られたデータ量であってもMLを用いた性能予測を容易にしている。
様々な分析データから抽出された記述子、例えばピークやパターンを用いて光電流値を予測し、性能に寄与する主要因を特定した。この「データ駆動型」アプローチは、全ての分析データの特徴を網羅的に理解する必要がない。これは、電極の性能に影響を与える特定の因子を明らかにする。
以前の研究では、様々なML方法を使用して分析データから多くの候補中から支配的な記述子を特定し、その妥当性を推測した。これは、分析データ（記述子）間の強い相関関係が原因の一つである。さらに、支配的な記述子の性能への寄与は不明であった。これらの問題を解決するために、データ前処理、ML計算、記述子選択、および支配的な記述子の重要性分析からなる完全な堅牢な戦略を開発した。記述子の寄与の冗長性を避けるために、ML計算に適用する前に記述子全体をクラスタリングによってカテゴリー分けし、新たに導入された特徴分析、シャプレー図を用いて記述子の重要性を分析している。この全戦略は、まずFe2O3およびBiVO4データの以前のデータに適用してこの戦略の妥当性を検証し、さらに、初めて異種接合型光触媒であるBiVO4/WO3に適用された。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
すでに以下の論文が掲載され、現在も投稿中論文が4報ある。Kobayashi, Kazuki, Yuya Nagai, Zhenhua Pan, and Kenji Katayama. Identification of Dominant Factors Contributing to Photocurrent Density of BiVO4 Photoanodes Using Machine Learning. Journal of Photochemistry and Photobiology A Chemistry 440 114651. Idei, Takumi, Yuya Nagai, Zhenhua Pan, and Kenji Katayama. Identification of the Contributing Factors to the Photoelectric Conversion Efficiency for Hematite Photoanodes by Using Machine Learning. ACS Applied Materials & Interfaces 15, no. 48 55644. Hayashi, Yuta, Yuya Nagai, Zhenhua Pan, and Kenji Katayama. “Convolutional Neural Network Prediction of the Photocurrent vs Voltage Curve Directly from Scanning Electron Microscopy Images.” Journal of Materials Chemistry A 11, no. 41 22522.
|
| Strategy for Future Research Activity |
本研究では、Fe2O3およびBiVO4電極の光触媒応用に関する特性評価と最適化を行い、データ駆動型アプローチによってPEC性能に影響を与える主要因を特定した。今後の研究計画として、このアプローチをさらに発展させ、より幅広い材料系に適用することを目指す。具体的には、異種接合型光触媒の性能向上に向け、新たな材料組み合わせの探索を行う。また、機械学習モデルの精度を高めるために、さらに多様な分析データの取得と、高度なデータ解析技術の開発に注力する。これにより、光触媒材料の設計と最適化のプロセスを高速化し、環境浄化やエネルギー変換といった応用分野における実用化への道を開くことが期待されるである。
|
