Publicly Offered Research
Grant-in-Aid for Transformative Research Areas (A)
近年、新規触媒開発において、機械学習(ML)を用いるin silico スクリーニングが注目されており、開発の効率化が期待されている。しかし、触媒能の予測を行うMLモデルを構築するには大量の実験データが必要だという問題や、多様な骨格を持つ触媒に共通して定義可能な数値表現(特徴量)が少ないという問題があった。そこで我々は、この2つの問題を解決するために、金属錯体触媒の化学的性質を活かした新規特徴量を提案し、データベース化する。また実際に、データベース化した特徴量を用い、実験結果を目的変数とするMLモデルを構築することで、高い触媒能を持つ金属錯体を発掘する。
