| 研究課題/領域番号 |
21K14451
|
|---|
| 研究種目 |
若手研究
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
小区分27010:移動現象および単位操作関連
|
|---|
| 研究機関 | 東京理科大学 |
|---|
研究代表者 |
村上 裕哉 東京理科大学, 工学部工業化学科, 助教 (80880757)
|
|---|
| 研究期間 (年度) |
2021-04-01 – 2023-03-31
|
| 研究課題ステータス |
完了 (2022年度)
|
| 配分額 *注記 |
4,680千円 (直接経費: 3,600千円、間接経費: 1,080千円)
2022年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2021年度: 3,510千円 (直接経費: 2,700千円、間接経費: 810千円)
|
|---|
| キーワード | 溶解度パラメータ / グラフニューラルネットワーク / 機械学習 / 物性推算 / Hansen溶解度パラメータ / ニューラルネットワーク / 畳込みグラフニューラルネットワーク / 事前学習 |
|---|
| 研究開始時の研究の概要 |
畳込みグラフニューラルネットワーク（GCN）は，「グラフ化」された分子構造に対して畳込み演算を行うことで，効率的に注目している分子に関する情報を抽出する手法である．これまでにGCNにより単分子の物性推算を行う研究報告例はあるものの，複数分子が関与する系についてGCNを活用した例はない．本研究では，GCNに対してHansenの溶解度パラメータを用いた事前学習を行うことで，パラメータが有する理論的な意味を維持したまま機械学習を行う．これにより現実的なデータ数・計算時間でモデルの学習を行い，高精度な溶解性評価が行える新規高次元溶解度パラメータを定義することを目指す．
|
| 研究成果の概要 |
本研究では，分子構造を入力値とした機械学習モデルの活用により，分子の特徴をフィンガープリント（FP）で表現し，基礎物性の推算を行った．大規模な量子計算データベースから事前学習を行う事で，分子の特徴を効率的に抽出しFPの作成に成功した．得られたFPにはHansen溶解度パラメータとの類似性が認められた．また，このFPを活用することで，沸点，臨界点，屈折率などの基礎物性の高精度な推算に成功した．
本推算を実際の材料設計に活用するために，オルガノゲルとHansen溶解度パラメータとの間の相関関係の調査も行った．これらに相関がみられたことから，ゲル設計に作成したFPが活用可能であることが示唆された．
|
| 研究成果の学術的意義や社会的意義 |
本研究は，既存の量子計算に基づいたビッグデータからの事前学習を活用することで，分子構造からの物性推算を実現した．提案手法は，100データ程度の限られたデータ数からも既存のグループ寄与法を上回る精度で物性推算が可能であり，未知構造を有する分子の物性推算も可能であることが示された．これらの成果はから，本手法は物性推算分野における機械学習の有効的な利用法として，今後の発展が期待される．
|
