Data-Driven Descriptor Generation and its Application to Prediction of Organic Synthetic and Catalytic Reactions
| Project/Area Number |
20H02747
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Single-year Grants |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 33020:Synthetic organic chemistry-related
|
|---|
| Research Institution | National Institute of Advanced Industrial Science and Technology |
|---|
Principal Investigator |
矢田 陽 国立研究開発法人産業技術総合研究所, 材料・化学領域, 主任研究員 (70619965)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
椿 真史 国立研究開発法人産業技術総合研究所, 情報・人間工学領域, 研究員 (80803874)
|
|---|
| Project Period (FY) |
2020-04-01 – 2023-03-31
|
| Project Status |
Granted (Fiscal Year 2021)
|
| Budget Amount *help |
¥17,810,000 (Direct Cost: ¥13,700,000、Indirect Cost: ¥4,110,000)
Fiscal Year 2022: ¥5,590,000 (Direct Cost: ¥4,300,000、Indirect Cost: ¥1,290,000)
Fiscal Year 2021: ¥5,200,000 (Direct Cost: ¥4,000,000、Indirect Cost: ¥1,200,000)
Fiscal Year 2020: ¥7,020,000 (Direct Cost: ¥5,400,000、Indirect Cost: ¥1,620,000)
|
|---|
| Keywords | 機械学習 / 転移学習 / 有機合成 / 触媒 / 触媒反応 / 収率予測 |
|---|
| Outline of Research at the Start |
人工知能(AI)技術を活用するためには一般的には大量のデータが必要である。しかし、実験化学においてはコストや時間が掛かる実験を実施しなければデータが収集できないため、AIをいかに活用するかは重要な課題である。特に、触媒開発や反応開発等の新しい分子の創成が要求される分野では、少数のデータでいかに予測性能の高いモデルが構築できるかが重要となる。本研究では、有機化学や触媒化学分野において、少数データに対して予測性能の高い機械学習モデルを構築するための新しい方法論の構築に挑戦する。代表者の矢田と分担者の椿に加えて、研究協力者として永田賢二主任研究員 (物質・材料研究機構)を加えて本研究を実施する。
|
| Outline of Annual Research Achievements |
人工知能(AI)技術を活用するためには一般的には大量のデータが必要である。しかし、実験化学においてはコストや時間が掛かる実験を実施しなければデータが収集できないため、AIをいかに活用するかは重要な課題である。特に、触媒開発や反応開発等の新しい分子の創成が要求される分野では、少数のデータでいかに予測性能の高いモデルが構築できるかが重要となる。本研究は、有機化学や触媒化学分野において、少数データに対して予測性能の高い機械学習モデルを構築するための新しい方法論の構築を目指すものである。
今年度は、機械学習の手法の一つである転移学習を活用した分子パラメーター生成のための基盤技術の開発に成功した。具体的には、C 、H、O、N、Fの5つの原子で構成される約14万個の有機分子についての構造最適化した座標と、内部エネルギーやHOMO/LUMOレベルなどの12種類 のDFT計算値が格納されているQM9データセットを用いて、入力(分子の座標と原子種)と出力(DFT計算値)とを相関づけたニューラルネットワークモデルを構築することに成功した。このモデルから最終層を取り出して有機分子の新規パラメーターを作成することに成功した。このパラメーターをさまざまな触媒反応の収率予測に適用し、既存の分子パラメーターと比較して本パラメーターが収率予測モデルの構築に有用であることを確認できた。また今年度は、転移学習に利用できる有機化合物の拡張を目指して、QM9データセットに含まれない元素種を有する有機分子の量子化学計算を実施し、独自の有機分子データベースの構築を進めることができた。
以上の成果は、さまざまな有機合成反応や触媒反応の収率等の予測に適用可能な技術であり、本研究代表者が目指す触媒の自動発見に向けて大きく前進するものであると位置付けられる。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
今年度は、本研究課題の鍵となる転移学習による分子パラメーター生成の基盤技術を確立することに成功した。本手法により、少数の実験データに対する高い予測性能を有するモデルを構築することが可能であることを見出すことに成功している。また、現在利用しているQM9データセットを拡張するべく、有機化合物の量子化学計算に取り組み、データベースの拡張を着実に進めることができている。今年度に得られた成果は、次年度以降の研究開発を進める上で重要な基盤技術であり、研究開始当初の計画に通り順調に研究が進んでいることから、「概ね順調に進展している」と判断した。
|
| Strategy for Future Research Activity |
次年度はまず、今年度得られた成果をまとめて論文投稿を行う予定である。また、研究計画に従って、さまざまな有機合成および触媒反応の収率・選択性の予測モデルの構築や反応基質や触媒の設計技術の開発に取り組んでいく。また引き続き、データセット拡張による独自の有機分子データベースの構築にも取り組んでいく。今年度、さまざまな有機化合物の量子化学計算を実施した結果、分子構造によっては計算に時間がかかることが判明したため、今後の量子化学計算の効率化についても検討していく予定である。
|
Report
(1 results)
Research Products
(11 results)
