| 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 |
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
潘 振華 兵庫県立大学, 工学研究科, 准教授 (90870551)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Project Status |
Completed (Fiscal Year 2024)
|
| 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 / 分析化学データ / ヘマタイト / バナジン酸ビスマス / 分析科学データ / 太陽光水分解 |
|---|
| 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 Final Research Achievements |
In this study, we developed and demonstrated a local machine learning approach using a small number of data to identify and improve the performance-determining factors of oxide semiconductor electrodes for photoelectrochemical (PEC) water splitting. Spectral data from XRD, Raman, UV/Vis, and PEIS were converted into descriptors to accurately predict PEC performance. Classification learning enabled distinction between high- and low-performing samples and extraction of dominant factors for performance enhancement. By combining multivariate analysis and clustering, we proposed an integrated strategy linking theory and experiment. Furthermore, we introduced subtraction descriptors to quantify modification effects and applied SHAP analysis to achieve performance improvement. CNN-based prediction using only SEM images was also explored, highlighting the potential of image-based evaluation methods.
|
| Academic Significance and Societal Importance of the Research Achievements |
光電気化学水分解における半導体電極の性能評価と最適化に、少数データに基づくローカル機械学習手法を初めて体系的に導入した点において学術的に大きな意義を持つ。従来の物性記述子に依存しない分光データや画像情報から直接性能を予測し、さらにはその要因を可視化・定量化する手法（SHAP解析）を確立したことで、材料科学におけるブラックボックス問題を解消する手段を提示した。また、分光法に限らず、SEM画像のみによる性能予測にも成功しており、視覚的データに基づく材料設計という新たな学術的展開を拓いた。グリーン水素製造に貢献する光水分解技術の実用化に向けて、データ駆動型で材料改良を進める重要な知見となる。
|
