Inverse materials design by integrating transfer learning techniques into a Bayesian framework

2021 年度 研究成果報告書

• 研究課題/領域番号: 18K18017
• 研究種目: 若手研究
• 配分区分: 基金
• 審査区分: 小区分60030:統計科学関連
• 研究機関: 統計数理研究所
• 研究代表者: Wu Stephen 統計数理研究所, データ科学研究系, 准教授 (70804186)
• 研究期間 (年度): 2018-04-01 – 2022-03-31
• キーワード: polymer informatics / transfer learning

研究成果の概要

ベイズ推定と転移学習という2つの重要な機械学習技術に基づき、私はPythonでXenonPyというオールインワン材料情報学プラットフォームを開発し、目的の特性を持つ材料構造の候補を作り出すことができるようになった。一般に公開されているXenonPyは、データサイエンスの活用し、新しい機能性材料の発見を加速するための基盤になる。このプラットフォームを使って、3つの新しい高熱伝導性ポリマーを発見し、合成することに成功した。最も優れた設計では、従来の市販ポリマーよりも80%高い熱伝導率を達成した。さらに、新しい液晶ポリイミドや高格子熱伝導性結晶など、産業的価値の高そうなものをいくつか発見した。

自由記述の分野

統計

研究成果の学術的意義や社会的意義

材料科学と機械学習の融合を図るマテリアルズインフォマティクス呼ばれる学際領域に期待が高まっているが、産業的に重要かつ新規な機能性材料の合成に成功した研究はまだ少ない。実験コストが高いためにデータが不足していることが、マテリアルインフォマティクスの実際の産業価値を実現するための重要なボトルネックになっている。同技術を用いることで，データが豊富な重要度の低い材料特性から、データが少ない重要度の高い材料特性にも関連する有用な情報を抽出することができる。今までデータ不足のためマテリアルインフォマティクスの応用が失敗した材料科学問題を突破する鍵になる研究である。