| 研究課題/領域番号 |
19K15352
|
|---|
| 研究種目 |
若手研究
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
小区分27020:反応工学およびプロセスシステム工学関連
|
|---|
| 研究機関 | 明治大学 |
|---|
研究代表者 |
金子 弘昌 明治大学, 理工学部, 専任准教授 (00625171)
|
|---|
| 研究期間 (年度) |
2019-04-01 – 2023-03-31
|
| 研究課題ステータス |
完了 (2022年度)
|
| 配分額 *注記 |
4,160千円 (直接経費: 3,200千円、間接経費: 960千円)
2022年度: 650千円 (直接経費: 500千円、間接経費: 150千円)
2021年度: 650千円 (直接経費: 500千円、間接経費: 150千円)
2020年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
2019年度: 1,950千円 (直接経費: 1,500千円、間接経費: 450千円)
|
|---|
| キーワード | 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 / 分子設計 / 材料設計 / プロセス設計 / QSPR / QSAR / モデルの逆解析 / モデルの解釈 / ケモインフォマティクス / 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 / 人工知能 |
|---|
| 研究開始時の研究の概要 |
本研究の目的は、化学構造および実験条件から材料の物性を予測する人工知能モデルを逆方向に解析(逆解析)することで、目標の物性を満たすための化学構造情報および実験条件情報を獲得し、さらにモデルを科学的に解釈することである。本研究の目的を達成するため、以下の項目 A) B) を実施する。
A) 化学構造・実験条件と物性の間の関係を確率分布で表現することでモデルの逆解析が可能となる、複数物性を対象にした高精度な物性予測モデル (人工知能モデル) を構築する
B) 人工知能モデルを数値的に”実験”することで、モデルを科学的に解釈する
|
| 研究成果の概要 |
分子・材料・プロセスの設計における従来の逆解析は、物性・活性Yと特徴量Xとの間で数理モデルY=f(X)を構築した後に、Xの仮想サンプルを大量に生成し、それらをモデルに入力してYの値を予測し、予測値が良好な仮想サンプルを選択する、すなわち順解析を網羅的に繰り返す擬似的な逆解析にすぎなかった。これでは人が事前に想定したXの探索範囲におけるYの予測にすぎず、当初想定しない条件でこそ発現する新機能の探索には全く対応できない。本研究ではYからXを直接予測する手法、すなわちY=f(X)をX=g(Y)に変換してモデルを真の意味で逆解析する手法「直接的逆解析法」を開発し、各種分子・材料・プロセスに展開した。
|
| 研究成果の学術的意義や社会的意義 |
本研究の成果により、科学者・開発者の創造力のつまった実験結果の中にある暗黙知を形式知化でき、実験結果および実験データから構築された数理モデルを化学的・工学的に理解できる形にすることが可能になる。提案手法により、どうしてその実験結果になったのか、どうしてその化学構造・実験条件・プロセス条件で物性値・活性値が得られたのか、望ましい物性値・活性値を得るためにはどのような化学構造・実験条件・プロセス条件にすればよいのか、といったことが明らかになり、科学的なメカニズムの解明に貢献する。本研究の成果により実験と統計とが融合することにより新たな科学的知識発見につながる。
|
