NECと東北大学、「開発者が解釈可能なマテリアルズ・インフォマティクス」で特性向上の主要因を抽出する手法を開発

近年、自然科学領域でも、機械学習を用いて材料開発を行うマテリアルズ・インフォマティクスや、物理探求を行うフィジクス・インフォマティクスが注目されている。日本電気株式会社(以下、NEC)と国立大学法人東北大学は、メリーランド大学と共同で以下の研究開発に取り組んできた。

  1. ロボティクス技術を駆使して大量の材料作製とその特性データ取得を自動で行うコンビナトリアル実験技術
  2. 1で得られたデータを基に自動で材料シミュレーションを実行し大量のデータを蓄積するハイスループット計算技術
  3. 解釈可能な機械学習を組合せたシステムを活用し、スピン熱電材料の特性向上に関係する物性値などの要因探索

しかし従来のシステムでは、1の実験データに含まれている不完全性により、3で判明する多くの要因の内どれが主要因なのかを絞りこむ事が難しいという課題があった。例えば、スピン熱電材料の特性向上に際しては、数十~百個程度の要因が関係しているとの示唆が得られたものの、特性改善に向けた材料探索を、数多くの要因に対して順に実施する必要があったため、材料開発の効率を上げられずにいた。

そして今般、3者はこれまでの研究成果である実験データ生成の省力化技術と、材料特性に対する予測とその解釈性を与える技術に加え、今回新たに材料の特性向上に関わる無数の要因から主要因を効率良く抽出する手法を開発した。さらに、この手法を用いてスピン熱電材料(※)の熱電性能向上の実証に成功した。

今回、個々の実験データの不完全性を考慮することにより、1の実験データと2の計算データの双方を同時に3の機械学習で扱えるようにすることで上記問題を解決し、実際にスピン熱電現象に関する機械学習モデルを構築した。さらに、この機械学習モデルを物理・化学等の専門的な知見を持つ開発者が考察することで熱電性能に関係する主な要因を絞りこみ、効率良く実験を進めることで性能向上を実証した。

今回の結果は、特定材料への適用の一例ではあるが、目的とする特性向上の要因が優先順位付きで絞り込まれ、かつ解釈可能な形で提供されるため、同システムから得られる示唆を材料開発者が考察して実験を繰り返すことで、開発者だけでは見つけられずにいた新材料・新物性の発見の可能性に繋がるという。

同手法を適用したシステムを用いることで、物理・化学等の専門的な知見を持った開発者がAIの予測結果の背後にある支配的な物理現象や因果関係を紐解くヒントを得られる。これにより、材料開発/物性解析における新たな分野へマテリアルズ・インフォマティクスが適用でき、新材料の発見へとつながると見込んでいる。

なお、同研究は、科学技術振興機構 戦略的創造研究推進事業「さきがけ」(理論・実験・計算科学とデータ科学が連携・融合した先進的マテリアルズインフォマティクスのための基盤技術の構築、研究総括:常行真司(東京大学)、材料開発に特化した高精度ホワイトボックス型機械学習手法の開発と、そのスピン熱電材料開発への応用、研究者:岩崎悠真(NEC)、および「ERATO」(齊藤スピン量子整流、研究総括:齊藤英治(東京大学・東北大学))の支援を受けて行われた。

※ スピン(小さな磁石)を活用し、熱エネルギーから電気エネルギーを生み出す材料

Previous

NTT・インテル・ソニーが連携、次世代コミュニケーション基盤の実現に向けて「IOWN Global Forum」を設立

DNP、VR空間で住宅の間取りを体験できる「VRモデルルーム」を開発

Next