材料研究を加速させる高度な機械学習

課題

• 性能が向上し、より環境に優しい化学特性を持つ新素材の開発に対する膨大な需要
• 製品を迅速かつコスト効率よく市場に投入しなければならないというプレッシャー
• 材料の最適化と創出の規模を拡大するために、情報科学に基づく予測モデルが早急に求められている
• モデルを効果的に学習させるための、材料特性に関する大規模データセットの入手可能性が限られている

ソリューション

• 物理ベースのモデリングを、高度な機械学習技術とディープラーニング機能によって強化する
• 機械学習を活用し、実験的手法では得られない広範な化合物空間 にわたる予測を拡張する
• 予測の精度を高めるため、極めて多様な材料系に合わせた記述子を開発する
• 統合されたクラウドベースのエンタープライズ・インフォマティクス・プラットフォームを活用し、プロジェクトチーム間で連携し、分散したデータを管理し、予測モデルを共有する

エネルギー、航空宇宙、エレクトロニクス、食品などの分野における技術の急速な発展に伴い、新素材の設計や発見に対する需要が高まっています。こうした需要に応えるため、材料科学者たちは、化学的特性を最適化し、より高性能で持続可能な製品の市場投入までの時間を短縮するための革新的な手法を模索しています。しかし、従来の試行錯誤による実験手法のみに依存することは、コストがかかりすぎて時間がかかりすぎる上、実験条件による制約も生じます。 そのため、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といった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、新規な化学組成、構造、形態、組成を持つ材料の発見コストを低減することが可能となっています。ここ数年、計算能力の向上と材料特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機械学習を活用したアプローチの採用が拡大しています。 しかし、こうした手法はデータ集約度が高く、学習モデルの化合物空間 （訓練データセット）の範囲を超えて外挿できないという課題を抱えている。材料の最適化と発見の規模を拡大し、物性の限界や設計ルールを抽出し、物理ベースのモデリングと機械学習手法の自然な相乗効果を促進するためには、インフォマティクスに基づく迅速な予測モデルが緊急に求められている。 さらに、機械学習手法の急速な進歩に伴い、専門家だけでなく非専門家も利用できるよう、正確な予測モデルを研究機関間で展開・共有する必要性が高まっています。研究開発のデジタル化を成功させるには、研究で使用する予測モデルを評価するための、堅牢で協調的なプラットフォームが不可欠です。