• Search Research Projects
  • Search Researchers
  • How to Use
  1. Back to project page

2021 Fiscal Year Research-status Report

Research on inverse analysis and scientific interpretation of property prediction models

Research Project

Project/Area Number 19K15352
Research InstitutionMeiji University

Principal Investigator

金子 弘昌  明治大学, 理工学部, 専任准教授 (00625171)

Project Period (FY) 2019-04-01 – 2023-03-31
Keywords適応的実験計画法 / 能動学習 / 直接的逆解析 / 予測精度 / ベイズ最適化 / QSPR / QSAR / プロセス設計
Outline of Annual Research Achievements

分子設計・材料設計・プロセス設計において分子記述子・合成条件・製造条件・プロセス条件などの特徴量 x と物性・活性・特性などの目的変数 y との間で数理モデル y = f(x) を構築し、そのモデルを活用して y の目標値を達成するための x の値の設計、すなわちモデルの逆解析を行う。一般的には x の値の候補を大量にモデル入力して y の値を予測し、予測値が良好な x の値を選択するが、Gaussian Mixture Regression (GMR) による直接的逆解析により、y の目標値をモデルに入力して直接的に x の値を予測できる。
一方で、適応的実験計画法もしくは能動学習により少ない実験回数やコンピュータシミュレーション回数でそれぞれ所望の分子・材料やプロセスを探索することが求められている。ベイズ最適化ではガウス過程回帰モデルからの y の予測値とその分散に基づいて計算される獲得関数の値が最大となる、x の候補が次の実験候補として選択される。しかし、ベイズ最適化では有限個のサンプルの中から候補を選択しているに過ぎず、その中に最適解があるとは限らない。また x に上限値や下限値を決めるためそれらを越える解は得られない。そこでそれらの問題を解決するため、GMR に基づく適応的実験計画法である GMR-based optimization (GMRBO) を提案した。GMRモデルは y の目標値から直接 x の値を推定できるため、x に上限値や下限値を決めることなく最適解を計算できる。y と x との間の非線形関数を用いた実験により、特に x の数が多いときに、GMRBOによってベイズ最適化より劇的に少ない実験回数で y の目標値を達成できること、および既存の y の値を超越する実験結果を得ることが可能であることを確認した。

Current Status of Research Progress
Current Status of Research Progress

2: Research has progressed on the whole more than it was originally planned.

Reason

目的変数の目標値を達成する実験条件を直接予測する適応的実験計画法を開発し、効率的な実験計画と高精度な実験条件提案を達成したため

Strategy for Future Research Activity

昨年度は既存のデータセットにおける目的変数 y の値を超越する説明変数 x の値を提案可能な適応的実験計画法を開発した。そこで今後は、構築されたモデル y=f(x) を解釈可能な手法を開発する。
分子設計・材料設計・プロセス設計および制御において、x と y の間で予測精度の高いモデルを構築することだけでなく、現象を説明したりメカニズムを解明したりするため構築されたモデルを解釈することも重要である。線形のモデルであっても x の変数間の多重共線性のため、回帰係数を y に対する x の寄与度とすることは危険である。x 同士が高い相関関係にあるとき、一つの x の回帰係数を正に大きく、もう一方の x の回帰係数を負に大きくすることで、バランスを保とうとする。回帰係数の値を y に対する x の寄与度とできるのは、x の変数間の多重共線性が全くない時か、x が1変数の時のみである。前者は現実的でないことから、本研究では部分的最小二乗法の1成分モデルに着目する。一つの主成分しか使用していないため、回帰係数を y に対する x の寄与度とすることが可能であるが、予測精度の高いモデルを構築することは難しい。そこで本研究では予測精度が高く、かつ解釈可能なモデルを構築できる x の組み合わせを遺伝的アルゴリズムによって選択する。これにより高い予測精度と解釈性を合わせもつモデルを構築可能となる。さらに、化合物や材料のデータセットだけでなく、スペクトルのデータセットやプロセスの時系列データセットにも応用可能な手法とする。

Causes of Carryover

コロナ禍のため旅費として想定より使用しなかったことからそれぞれの端数のため23,646円が生じました。次年度の物品費として使用いたします。

  • Research Products

    (30 results)

All 2022 2021

All Journal Article (14 results) (of which Peer Reviewed: 14 results,  Open Access: 8 results) Presentation (14 results) (of which Invited: 12 results) Book (2 results)

  • [Journal Article] Development of Prediction Models for the Self-Accelerating Decomposition Temperature of Organic Peroxides2022

    • Author(s)
      Morishita Toshiharu、Kaneko Hiromasa
    • Journal Title

      ACS Omega

      Volume: 7 Pages: 2429~2437

    • DOI

      10.1021/acsomega.1c06481

    • Peer Reviewed / Open Access
  • [Journal Article] Deep Convolutional Neural Network with Deconvolution and a Deep Autoencoder for Fault Detection and Diagnosis2022

    • Author(s)
      Kanno Yasuhiro、Kaneko Hiromasa
    • Journal Title

      ACS Omega

      Volume: 7 Pages: 2458~2466

    • DOI

      10.1021/acsomega.1c06607

    • Peer Reviewed / Open Access
  • [Journal Article] True Gaussian mixture regression and genetic algorithm-based optimization with constraints for direct inverse analysis2022

    • Author(s)
      Kaneko Hiromasa
    • Journal Title

      Science and Technology of Advanced Materials: Methods

      Volume: 2 Pages: 14~22

    • DOI

      10.1080/27660400.2021.2024101

    • Peer Reviewed / Open Access
  • [Journal Article] Genetic Algorithm-Based Partial Least-Squares with Only the First Component for Model Interpretation2022

    • Author(s)
      Kaneko Hiromasa
    • Journal Title

      ACS Omega

      Volume: 7 Pages: 8968~8979

    • DOI

      10.1021/acsomega.1c07379

    • Peer Reviewed / Open Access
  • [Journal Article] Design and Analysis of Metal Oxides for CO<sub>2</sub> Reduction Using Machine Learning, Transfer Learning, and Bayesian Optimization2022

    • Author(s)
      Iwama Ryo、Takizawa Koji、Shinmei Kenichi、Baba Eisuke、Yagihashi Noritoshi、Kaneko Hiromasa
    • Journal Title

      ACS Omega

      Volume: 7 Pages: 10709~10717

    • DOI

      10.1021/acsomega.2c00461

    • Peer Reviewed / Open Access
  • [Journal Article] Correlation between the Metal and Organic Components, Structure Property, and Gas-Adsorption Capacity of Metal?Organic Frameworks2021

    • Author(s)
      Yuyama Shunsuke、Kaneko Hiromasa
    • Journal Title

      Journal of Chemical Information and Modeling

      Volume: 61 Pages: 5785~5792

    • DOI

      10.1021/acs.jcim.1c01205

    • Peer Reviewed
  • [Journal Article] Adaptive soft sensor ensemble for selecting both process variables and dynamics for multiple process states2021

    • Author(s)
      Yamada Nobuhito、Kaneko Hiromasa
    • Journal Title

      Chemometrics and Intelligent Laboratory Systems

      Volume: 219 Pages: 104443~104443

    • DOI

      10.1016/j.chemolab.2021.104443

    • Peer Reviewed
  • [Journal Article] Lifting the limitations of Gaussian mixture regression through coupling with principal component analysis and deep autoencoding2021

    • Author(s)
      Kaneko Hiromasa
    • Journal Title

      Chemometrics and Intelligent Laboratory Systems

      Volume: 218 Pages: 104437~104437

    • DOI

      10.1016/j.chemolab.2021.104437

    • Peer Reviewed
  • [Journal Article] Design of Experimental Conditions with Machine Learning for Collaborative Organic Synthesis Reactions Using Transition-Metal Catalysts2021

    • Author(s)
      Ebi Tomoya、Sen Abhijit、Dhital Raghu N.、Yamada Yoichi M. A.、Kaneko Hiromasa
    • Journal Title

      ACS Omega

      Volume: 6 Pages: 27578~27586

    • DOI

      10.1021/acsomega.1c04826

    • Peer Reviewed / Open Access
  • [Journal Article] Examining variable selection methods for the predictive performance of regression models and the proportion of selected variables and selected random variables2021

    • Author(s)
      Kaneko Hiromasa
    • Journal Title

      Heliyon

      Volume: 7 Pages: e07356~e07356

    • DOI

      10.1016/j.heliyon.2021.e07356

    • Peer Reviewed / Open Access
  • [Journal Article] Extended Gaussian mixture regression for forward and inverse analysis2021

    • Author(s)
      Kaneko Hiromasa
    • Journal Title

      Chemometrics and Intelligent Laboratory Systems

      Volume: 213 Pages: 104325~104325

    • DOI

      10.1016/j.chemolab.2021.104325

    • Peer Reviewed
  • [Journal Article] Design of ethylene oxide production process based on adaptive design of experiments and Bayesian optimization2021

    • Author(s)
      Iwama Ryo、Kaneko Hiromasa
    • Journal Title

      Journal of Advanced Manufacturing and Processing

      Volume: 3 Pages: -

    • DOI

      10.1002/amp2.10085

    • Peer Reviewed
  • [Journal Article] Transfer learning and wavelength selection method in NIR spectroscopy to predict glucose and lactate concentrations in culture media using VIP‐Boruta2021

    • Author(s)
      Kaneko Hiromasa、Kono Shunsuke、Nojima Akihiro、Kambayashi Takuya
    • Journal Title

      Analytical Science Advances

      Volume: 2 Pages: 470~479

    • DOI

      10.1002/ansa.202000177

    • Peer Reviewed / Open Access
  • [Journal Article] Estimating the reliability of predictions in locally weighted partial least‐squares modeling2021

    • Author(s)
      Kaneko Hiromasa
    • Journal Title

      Journal of Chemometrics

      Volume: 35 Pages: -

    • DOI

      10.1002/cem.3364

    • Peer Reviewed
  • [Presentation] 最新情報科学を活用したプロセス設計・実験計画のスマート化2022

    • Author(s)
      金子弘昌
    • Organizer
      第37回さんわかセミナー
    • Invited
  • [Presentation] プロセスインフォマティクスの進展2022

    • Author(s)
      金子弘昌
    • Organizer
      化学工学会 反応工学部会 CVD 反応分科会 第35回シンポジウム
    • Invited
  • [Presentation] 化学プラントにおけるデータベースを利用したプロセス設計・装置設計・プロセス制御2022

    • Author(s)
      金子弘昌
    • Organizer
      第27回 関西地区分離技術講演会
    • Invited
  • [Presentation] ケモ・マテリアルズ・プロセスインフォマティクスの直接的逆解析法による分子・材料・プロセス設計2022

    • Author(s)
      金子弘昌
    • Organizer
      令和3年度 第5回 食・触コンソーシアム シンポジウム
    • Invited
  • [Presentation] 化学工学におけるデータサイエンスの研究例・活用例2022

    • Author(s)
      金子弘昌
    • Organizer
      令和 3 年度化学工学会関東支部若手の会(ChEC-East)講演会
    • Invited
  • [Presentation] プロセスインフォマティクスに基づくプロセスの設計および管理2022

    • Author(s)
      金子弘昌
    • Organizer
      日本化学会第102春季年会
    • Invited
  • [Presentation] データサイエンスに基づく高機能性材料の研究・開発・評価・製造の支援2022

    • Author(s)
      金子弘昌
    • Organizer
      2022年第1回半導体3D実装材料プロセス・インフォマティクス研究会
  • [Presentation] データサイエンスによる高機能材料の設計2021

    • Author(s)
      金子弘昌
    • Organizer
      第4回ファインケミカルジャパン2021
    • Invited
  • [Presentation] 機械学習に基づく分子・材料設計および金属有機構造体への応用2021

    • Author(s)
      金子弘昌
    • Organizer
      日本セラミックス協会 第34回秋季シンポジウム
    • Invited
  • [Presentation] 機械学習を活用した分子・材料の物性予測2021

    • Author(s)
      金子弘昌
    • Organizer
      超臨界流体部会 第20回サマースクール
    • Invited
  • [Presentation] Pythonで気軽に化学・化学工学2021

    • Author(s)
      金子弘昌
    • Organizer
      第11回CSJ化学フェスタ2021
    • Invited
  • [Presentation] データ駆動型化学工学の進展2021

    • Author(s)
      金子弘昌
    • Organizer
      第50回結晶成長国内会議(JCCG-50)
    • Invited
  • [Presentation] 分子・材料・プロセスを設計する直接的逆解析法の開発2021

    • Author(s)
      金子弘昌
    • Organizer
      令和3年度(2021 年度)日本材料科学会若手研究者講演会
  • [Presentation] 化学業界におけるデータサイエンス2021

    • Author(s)
      金子弘昌
    • Organizer
      INCHEM TOKYO 2021
    • Invited
  • [Book] Pythonで学ぶ実験計画法入門 ベイズ最適化によるデータ解析2021

    • Author(s)
      金子 弘昌
    • Total Pages
      188
    • Publisher
      講談社
    • ISBN
      978-4-06-523530-0
  • [Book] Pythonで気軽に化学・化学工学2021

    • Author(s)
      化学工学会、金子 弘昌
    • Total Pages
      196
    • Publisher
      丸善出版
    • ISBN
      978-4-621-30615-4

URL: 

Published: 2022-12-28  

Information User Guide FAQ News Terms of Use Attribution of KAKENHI

Powered by NII kakenhi