2022 Fiscal Year Annual Research Report
Development of high-dimensional Hansen solubility parameters by convolutional neural network
| Project/Area Number |
21K14451
|
|---|
| Research Institution | Tokyo University of Science |
|---|
Principal Investigator |
村上 裕哉 東京理科大学, 工学部工業化学科, 助教 (80880757)
|
|---|
| Project Period (FY) |
2021-04-01 – 2023-03-31
|
| Keywords | Hansen溶解度パラメータ / ニューラルネットワーク / 機械学習 / 物性推算 |
|---|
| Outline of Annual Research Achievements |
本研究では，量子計算に基づく分子物性を活用したMessage Passing Neural Network（MPNN）の事前学習により，分子の三次元構造からの種々の物性推算を目的として，モデルの構築および実験データの収集を行った．
これまでに，QM9に収録された十数万件以上の分子構造データを活用することで，分子の特徴をベクトルで表現したフィンガープリントの作成に成功した．このフィンガープリントを用いて物性推算を行う事で，限られたデータからであっても既存手法を凌駕する精度で予測が可能であることが示された．これは，事前学習によって分子の特徴が効率的に抽出できたためであると考えられる．
これらの物性推算手法の考え方を拡張することで，材料や反応場の設計が行えるかどうかの検証も行った．例えば，Hansen溶解度パラメータによって整理可能であることが知られているオルガノゲル形成条件の判定への活用が期待される．また，事前学習をしたのちにモデルの再学習により精度向上を目指すというワークフローは，反応速度モデルの精度向上に用いることが可能である．
前者については，ゲル化剤を用いたオルガノゲル形成についてHansen溶解度パラメータを用いて整理を行った．結果，ゲルの光透過率や機械的強度などの物性にHansen溶解度パラメータと高い相関があることが示された．一方，機械学習による予測には最低でも50データ程度が求められるため，さらなるデータの蓄積が必要となる．
後者については，学習スキームを踏襲することで，既存の反応モデルを改善し高精度の反応速度予測モデルを構築することに成功した．この結果から，物性推算および反応速度推算のいずれにおいても，小さいデータセットから効率的に機械学習が活用可能であることが示唆されれた．
|
