2023年度 DxMT事例セミナー (第4回)

 本セミナーでは、マテリアルズインフォマティクスの初級から中級レベルの知識を持つ方々を対象とし、材料研究において機械学習を応用するための基本概念や方法論を解説していきます。特に、以下のケーススタディを例示しながら、実際に手を動かしてマテリアルズインフォマティクスを体験するためのコンテンツ (論文やソフトウェア、サンプルデータ) を紹介します。ソフトウェアのチュートリアルではなく、マテリアルズインフォマティクスの活用方法を分かりやすく解説することを目的とします。時間の都合上、一部内容を割愛する可能性があることをあらかじめご承知おきください。 

1. 準結晶を形成する化学組成を予測する[1,2] 
2. 準結晶は、通常の結晶のような並進対称性はないが、原子配列に高度な秩序性がある結晶です。ここでは、これまでに発見された準結晶の組成パターンを解析し、準結晶を形成する化学組成を予測します。さらに、機械学習のブラックボックスに埋め込まれた準結晶形成に関する組成ルールを明らかにします。 
3. 結晶構造を予測する[3] 
4. 機械学習を用いて、ほぼ同一の結晶構造を維持できる元素置換を予測します。これまでに合成された安定化合物の結晶構造を用いて、二つの化学組成の安定構造の同型性を予測します。さらに、このモデルを用いて、構造が未知の組成物に対し、結晶構造データベースから同一の安定構造を有するテンプレートを探索することで結晶構造を予測します。 
5. ポリマー・溶媒分子の相溶性を予測する[4] 
6. 任意の溶媒に対するポリマーの相溶性を表す量的パラメータを迅速且つ精密に測定することは技術的に難しく、データは量的に不足し、重大な系統バイアスを持ちます。そこで、マルチタスク学習という手法を用いて、量子化学計算の大規模データと不確かな実験データを統合的に解析し、外挿性の高い予測モデルを構築します。 
7. 全原子古典分子動力学法による高分子物性自動計算ソフトウェアRadonPy[5] 
8. RadonPyはLAMMPSによる高分子物性計算を全自動化するPythonライブラリです。ここでは、RadonPyを用いたデータベースを開発やSim2Real転移学習、ベイズ最適化を用いた高分子材料探索を解説します。 

1. Liu et al., Quasicrystals predicted and discovered by machine learning. Phys Rev Mater 7, 093805 (2023). 
2. Liu et al., Machine learning to predict quasicrystals from chemical compositions. Adv Mater 33, e2102507 (2021). 
3. Kusaba et al., Crystal structure prediction with machine learning-based element substitution. Comput Mater Sci 11, 111496 (2022). 
4. Aoki et al., Multitask machine learning to predict polymer-solvent miscibility using Flory-Huggins interaction parameters. Macromolecules 56, 5446–5456 (2023). 
5. Hayashi et al., RadonPy: automated physical property calculation using all-atom classical molecular dynamics simulations for polymer informatics. npj Comput Mater 8, 222 (2022).