2023 Fiscal Year Annual Research Report
Towards Green Manufacturing: Machine Learning Optimization of Synthetic Methods and Understanding of Chemical Reactions
Publicly Offered Research
| Project Area | Digitalization-driven Transformative Organic Synthesis (Digi-TOS) |
|---|
| Project/Area Number |
22H05353
|
|---|
| Research Institution | Shizuoka University |
|---|
Principal Investigator |
間瀬 暢之 静岡大学, グリーン科学技術研究所, 教授 (40313936)
|
|---|
| Project Period (FY) |
2022-06-16 – 2024-03-31
|
| Keywords | グリーンものづくり / 機械学習最適化 / フロー合成 / マイクロ波フロー / 実験計画法 / 連続型変数最適化 / 離散型変数最適化 / プロセス分析技術 |
|---|
| Outline of Annual Research Achievements |
本プロジェクトは、独自のフロー技術とプロセス分析技術を利用してWet実験を迅速化・自動化し、機械学習（ML）や実験計画法を駆使して化学反応の最適条件特定や化学構造の最適化を図ることを目的とした。この取り組みにより、ラボから生産スケールまでの環境低負荷かつ省人化を実現する革新的なフロー合成プラットフォームを構築し、迅速なスケールアップが困難だった従来の課題を解決する。また、化学・工学・情報学の融合によるグリーンなものづくりを推進し、化学反応の新たな理解と原理原則の深化に寄与することを目指した。
2022年度には、「グラジエントフロー手法による連続型変数最適化」を導入し、フロー法の擬定常状態を利用して、一回の実験で複数の反応条件下のデータを取得する技術を開発した。サポートベクターマシン回帰を利用して応答曲面を作成し、最適条件を効率良く特定した。これにより、従来の実験計画法よりも少ない実験回数で高精度の応答曲面の作成と条件探索が可能となり、２変数では１回の実験、３変数では３回の実験、４変数では５回または９回の実験で、従来の実験計画法以上の高精度応答曲面作成と最適条件探索を可能とした。
2023年度には、「グラジエントフロー手法による離散型変数最適化」に取り組み、連続型変数最適化の手法を拡張して、溶媒や触媒などの離散型変数を最適化した。特に、温度グラジエントフローを利用して連続的に反応データを取得し、機械学習で溶媒を最適化することにより、大幅に実験回数を削減し、効率的に最適溶媒を特定した。具体的には９６種類の溶媒に対して、３０回以下の実験数で最適溶媒を特定できるようになった。これにより、化学反応の新たな理解と、分子の特徴を数値化した記述子を用いた深い分析が可能となり、科学技術の進歩に寄与できる。
|
| Research Progress Status |
令和5年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
令和5年度が最終年度であるため、記入しない。
|
