講演者

アナンド・チャンドラセカラン
上級研究員

概要

材料イノベーションの研究開発サイクルでは、長年にわたり、量子力学や分子動力学などの物理ベースのシミュレーションエンジンが活用されてきました。これにより、幅広い用途や産業に向けた、材料の新たな化学的性質、構造、形態、組成の発見にかかるコストの削減が図られてきました。 ここ数年、計算能力の向上と材料物性に関する大規模データセットの構築への関心の高まりにより、材料科学の分野において、マテリアルインフォマティクスやAIを活用したアプローチの採用が拡大しています。しかし、こうしたアプローチはデータ集約型である上、学習モデルの化合物空間 （学習範囲）を超えて外挿できないという課題を抱えています。 本ウェビナーでは、数多くの事例研究を用いて、精度と計算複雑性のトレードオフが、物理ベースのモデリングと機械学習手法の間に自然な相乗効果をもたらすことを実証し、大規模なデータセットが存在しない場合でもこれらの手法を成功裏に適用できることを紹介します。最新の物理ベースの手法とデータ駆動型のアプローチを組み合わせることで、広範な化学設計空間において、材料設計のための意思決定プロセスを迅速に評価することが可能になります。 本ウェビナーでは、有機エレクトロニクス、航空宇宙、自動車、半導体産業など、最近のいくつかの事例研究を通じてこの考え方を実証します。アクティブラーニング、遺伝的最適化、深層ニューラルネットワークなどの高度な機械学習技術を活用し、蒸気圧、電子構造、化学的安定性、光学特性、熱機械的特性といった主要な材料特性を、ユーザーのバイアスをほとんど、あるいは全く介在させずに予測できることを示します。