2022 Fiscal Year Annual Research Report
Materials discovery through integration of heterogeneous material data
| Project/Area Number |
21K20537
|
|---|
| Research Institution | Nara Institute of Science and Technology |
|---|
Principal Investigator |
藤井 幹也 奈良先端科学技術大学院大学, 先端科学技術研究科, 教授 (20582688)
|
|---|
| Project Period (FY) |
2021-08-30 – 2023-03-31
|
| Keywords | 生成モデル / 結晶構造予測 / 機械学習 / 高分子 / 合成プロセス / マテリアルズ・インフォマティクス / プロセス・インフォマティクス |
|---|
| Outline of Annual Research Achievements |
所望の物性値を示す結晶構造の新規探索は物質科学・材料科学における一つの重要な興味の一つである。この目的のために、我々はGAN(Generative Adversarial Network)を用いて指定の物性値（形成エネルギー）をもつ組成式の生成モデルを構築した。モデルの学習において、データ数とバッチ数の関係を検討し安定して学習がすすむ条件を特定した。学習後には、GANによって生成された材料の分布を学習データの分布を組成式から特徴量化した空間において比較したところ、指定物性値を変化させることに応じて、生成分布が正しく変化していくことがわかった。次に、生成された組成式における結晶構造を解明するためにCSPML (Cristal Structure Prediction with Machine Learning)法を用いて結晶構造を予測することができた。今後は結晶構造と指定物性値の関係を明らかにするため、第一原理計算を活用していく。
次に物質変数とプロセス変数の統合を目指し、高分子重合反応の生成物予測に取り組んだ。ここでは、モノマー分子種とプロセス条件を説明変数として、反応性指標を目的変数とする機械学習モデルを構築した。特に、量子化学計算の特徴量を用いることで、モノマー分子種毎の予測精度が向上することを実証した。そして、ベイズ最適化手法により反応プロセスの最適化を実施し、十分な精度で目的の共重合組成比を得ることができた。Partial Dependent Plotにより最適化傾向を考察したところ、目的の組成比以外を仕込みとして設定することが重要であることがわかった。最後に、共重合組成比のみでなく他の３つの物性値も加えた４変数を目的物性とするプロセス変数の最適化のために、複数の物性の統合的な扱い方の検討をおこない、複数の物性値を特定の比率で合計する手法が良いことがわかった。
|
-
[Journal Article] Extrapolation performance improvement by quantum chemical calculations for machine-learning-based predictions of flow-synthesized binary copolymers2023
Author(s)
Shogo Takasuka, Shunto Oikawa, Takayoshi Yoshimura, Sho Ito, Yosuke Harashima, Tomoaki Takayama, Shigehito Asano, Akira Kurosawa, Tetsunori Sugawara, Miho Hatanaka, Tomoyuki Miyao, Takamitsu Matsubara, Yu-ya Ohnishi, Hiroharu Ajiro and Mikiya Fujii
-
Journal Title
Digital Discovery
Volume: －
Pages: －
DOI
Peer Reviewed / Open Access
-
-
-
-
-
-
-
-
