マテリアルズインフォマティクスのためのデータ作成とその解析、応用事例

★データ収集の低コスト化、データの前処理、記述子の設計、モデルの予測精度向上!
★高分子、金属、半導体、電池材料、触媒、医薬品・中間体の新材料探索、プロセス開発に向けて!

マテリアルズインフォマティクスのためのデータ作成とその解析、応用事例

価格 88,000円(税抜 80,000円) 出版社 技術情報協会
発刊日 2021年7月30日 体裁 A4判 500ページ
ISBNコード 978-4-86104-854-8 商品コード 2117

本書のポイント

  • ・各国の政策、データベースの整備
  • ・散在したデータをデータベースとして整頓、管理、抽出する仕組み
  • ・データサイエンティスト、データエンジニアに求められるスキルと育成の取り組み
  • ・実験の自動化による大量のデータ取得、データの信頼性向上
  • ・IoT技術を利用したデータ収集技術
  • ・特徴量を適切に表現する記述設計のポイント
  • ・予測モデルの構築、特徴量候補の探索
  • ・アルゴリズムの種類、特徴と選定
  • ・スパースモデリングを用いた少ないデータからの予測
  • ・ニューラルネットワークによる逆問題解析
  • ・説明可能な機械学習を用いた材料開発
  • ・多目的最適化に向けたアルゴリズムの開発
  • ・機械学習によるスペクトルデータの解析
  • ・複数の物性を同時に達成する高分子材料の設計
  • ・データ不足、欠損の克服に向けた予測モデル構築
  • ・金属材料の組織画像分析による特徴量抽出
  • ・最適な成膜プロセス条件の探索
  • ・新組成のリチウム導電体の効率的な探索
  • ・触媒活性因子の特定、活性予測
  • ・医薬品・中間体の合成経路設計、反応条件最適化、副反応生成物予測

執筆者

※敬称略

大野かおる
横浜国立大学
松波成行
(国研)物質・材料研究機構
安藤康伸
(国研)産業技術総合研究所
松本凌
(国研)物質・材料研究機構
井野雄介
富士フイルム(株)
森一樹
伊藤忠テクノソリューションズ(株)
烏山昌幸
名古屋工業大学 
森田秀和
(株)日立製作所
浦岡行治
奈良先端科学技術大学院大学
杉尾健次郎
広島大学
榎学
東京大学 
山口猛央
東京工業大学
押山智寛
コニカミノルタ(株) 
西浦廉政
北海道大学
屋並仁史
富士通(株)
川添良幸
東北大学  
加藤竜司
名古屋大学
船津公人
奈良先端科学技術大学院大学
岩崎悠真
(国研)物質・材料研究機構
増井隆治
(株)HACARUS
金子正吾
住友化学(株) 
池庄司敏孝
近畿大学 
沓掛健太朗
(国研)理化学研究所 
長藤圭介
東京大学
吉武道子
(国研)物質・材料研究機構
田中大輔
関西学院大学
向田志保
三井化学(株) 
田部井靖生
(国研)理化学研究所
荒井俊人
東京大学
藤原幸一
名古屋大学
高羽洋充
工学院大学
藤波美起登
早稲田大学 
高際良樹
(国研)物質・材料研究機構
南拓也
昭和電工(株) 
高柳昌芳
滋賀大学
入江満
MI-6(株) 
佐光貞樹
(国研)物質・材料研究機構
白井泰博
シネックスジャパン(株)
佐々木勇和
大阪大学
畠山歓
早稲田大学
寺山慧
横浜市立大学
武田征士
日本アイ・ビー・エム(株)
柴原祥孝
(株)KRI 
北弘志
コニカミノルタ(株)
秋津貴城
東京理科大学
本郷研太
北陸先端科学技術大学院大学
緒明佑哉
慶應義塾大学
麻田俊雄
大阪府立大学 
小野寛太
大阪大学
矢田陽
(国研)産業技術総合研究所
小林正人
北海道大学
林博之
京都大学  
松下外
渥美坂井法律事務所・外国法共同事業
鈴木耕太
東京工業大学
松下康弘
SETソフトウェア(株)
嵜山陽二郎
(株)メドインフォ
松田翔一
(国研)物質・材料研究機構
澤田敏彦
岐阜大学

目次

第1章 マテリアルズ・インフォマティクスの研究動向と今後の課題◇

1節 マテリアルズ・インフォマティクスをめぐる各国の政策
  • 1.マテリアルズ・インフォマティクスとは
  • 2.MIに関する各国の政策
  • 2.1 アメリカにおけるMIの政策
  • 2.2 ヨーロッパ及びスイスにおけるMIの政策
  • 2.3 中国におけるMIの政策
  • 2.4 韓国におけるMIの政策
  • 2.5 日本におけるMIの政策
  • 2.6 各国の政策成果:データベース
  • 2節 マテリアルズ・インフォマティクスの現状,課題,発展
  • 1.MIの基礎概念および潜在性
  • 1.1 ブラックボックスな入出力関係のモデリング
  • 1.2 特性から入力条件の逆設計
  • 1.3 メカニズムの探索
  • 2.MIの発展背景
  • 2.1 他の学問分野との比較
  • 2.2 情報科学的技術の普及
  • 2.3 社会背景
  • 3節 マテリアルズ・インフォマティクスで知っておくべき特許戦略
  • 1.特許とは
  • 1.1 特許制度とは
  • 1.2 特許権の効力
  • 2.特許戦略とは
  • 2.1 特許取得
  • 2.2 秘匿による保護
  • 2.3 特許取得と秘匿による保護の選択の基準
  • 3.MIの特許戦略
  • 3.1 特許取得の対象
  • 3.2 材料データセット
  • 3.3 解析手法
  • 3.4 関数
  • 3.5 新材料
  • 4.出願動向等
  • 第2章 マテリアルズ・インフォマティクスの社内整備と人材育成◇

    1節 インフォマティクスにおけるAI人材の獲得、育成の取り組み
  • 1.当社におけるAI人材
  • 2.AI人材の獲得と育成
  • 2.1 AI人材の獲得
  • 2.2 AI人材の育成
  • 2節 「データ駆動型」研究開発の実現に向けた住友化学における人材育成の取り組み
  • 1.研究開発におけるデジタル革新の取り組み
  • 2.MI戦略
  • 3.MI人材の定義と育成ターゲット
  • 4.データサイエンティスト/データエンジニア育成の取り組み
  • 4.1 MIを活用するデータサイエンティスト/データエンジニアに求められるスキル
  • 4.2 外部育成プログラムの調査検討
  • 4.3 データエンジニア育成プログラム
  • 4.4 研修方式
  • 5.今後の課題
  • 3節 マテリアルズ・インフォマティクスの社内展開・技術開発
  • 1.MI人材の確保
  • 2.MI人材の育成
  • 3.MI解析事例の社内適用及びデータベース構築
  • 4.MIの技術開発
  • 4節 計算科学やインフォマティクス研究の推進に求められる計算機環境
  • 1.CPU
  • 2.キャッシュ
  • 3.メモリ
  • 4.キャッシュとメモリのエラー訂正機能
  • 5.SSD(Sold State Drive)とNVMe(Non-Volatile Memory Express)
  • 6.HDD(Hard Disk Drive)
  • 7.GPU
  • 8.サーバ内部の環境管理(温度、ファン、電源、エラーログ、セキュリティ)
  • 9.ソフトウエアの並列化
  • 10.HPCクラスターシステム(スケールアウト型システム)
  •  

    第3章 データ駆動材料開発に向けたプラットフォーム構築とその応用事例 ◇

    1節 マテリアルズインフォマティクスによる材料開発とそのプラットフォーム
  • 1.MIプラットフォームのシステム
  • 1.1 データ分析:Azure Machine Learning(ML)
  • 1.2 データベース化:ioChem-BD
  • 1.3 データ生成:Exabyte.io, Azure
  • 2.プラットフォームを使用したMI事例
  • 2.1 バンドギャップの予測
  • 2.2 格子熱伝導率の予測
  • 2節 研究開発でのDX化に向けた材料開発ソリューション
  • 1.材料開発ソリューション
  • 1.1 材料データ分析支援サービス
  • 1.2 材料データ分析環境提供サービス
  • 1.3 材料開発向けDX推進サービス
  • 2.今後の展望
  • 3節 マテリアルズインテグレーションによる構造材料の性能予測と材料開発
    4節 科学法則に基づき材料の特性を結びつけるマテリアルキュレーション
  • 1.材料探索の範囲
  • 2.マテリアルキュレーションによる材料探索例
  • 3.物性間の関係を蓄積したデータベース作成と関係性の探索
  •  

    第4章 マテリアルズ・インフォマティクスのためのデータ解析の進め方とその事例◇

    1節 予測モデルとモデル選択、モデル推定の種類
  • 1. 回帰モデル
  • 2.損失関数と正則化
  • 3.交差検証
  • 2節 静的記述子から動的記述子へ ―アモルファス材料における一つの試みー
  • 1.静的記述子
  • 1.1 特異値分解
  • 1.2 ノイズ除去
  • 1.3 輝度分布の全変動量
  • 2.動的記述子
  • 2.1 フェーズフィールドモデルによる亀裂進展モデル
  • 2.2 ミクロのデータをマクロ数理モデルにつなぐ -Effective toughnessの導入-
  • 3節 インフォマティクス・機械学習精度向上のためのPythonによるデータ解析
  • 1.インフォマティクス・機械学習とは
  • 1.1 インフォマティクスの定義
  • 1.2 機械学習の定義
  • 2.インフォマティクス・機械学習で最近注目されているプログラミング言語Python
  • 3.Pythonを用いた機械学習の事例 -アンサンブル学習-
  • 3.1 決定木分析とアンサンブル学習
  • 3.2 Pythonを用いたアンサンブル学習
  • 4節 スパースモデリングの基本とマテリアルズインフォマティクスへの活用
  • 1.スパースモデリングの基礎
  • 1.1 機械学習とスパースモデリング
  • 1.2 スパースモデリングの応用事例
  • 1.3 Lassoとは
  • 2.Lassoを用いた化合物の物性値予測
  • 2.1 Lassoによる特徴量抽出とマテリアルズインフォマティクスへの活用
  • 2.2 Lassoを用いた予測に重要な部分構造の抽出
  • 3.スパース性を活用した実験計画
  • 3.1 実験計画とベイズ最適化
  • 3.2 スパース性を活用したベイズ最適化に基づく実験計画
  • 5節 精度と観測コストのトレードオフを考慮したベイズ的探索法: 材料パラメータ推定での適用事例
  • 1.問題設定
  • 2.異なる信頼性レベルの観測を統合するガウス過程回帰
  • 3.低誤差パラメータ領域推定のためのサンプリング規準
  • 4.実行例
  • 6節 ニューラルネットワーク非線形解析の基礎と逆問題への応用
  • 1.人工ニューラルネットワーク(ANN)による非線形解析
  • 2.マテリアルズインフォマティクス(MI)に対するANNの応用
  • 3.ANNの弱点とその回避
  • 4.トイモデルにANNを適用して理解を深める
  • 4.1 予測問題(目的変数が連続変数の場合)
  • 4.2 判別問題(目的変数がカテゴリーの場合)
  • 4.3 教師なし学習
  • 5.条件最適化(逆問題)へのアプローチ
  • 6.ANNと業務課題改善プロジェクト
  • 7節 物質探索における深層学習とその事例
  • 1.物質探索における深層学習の重要性
  • 2.深層学習の基礎技術
  • 2.1 深層学習モデル
  • 2.2 データ表現
  • 2.3 他分野と新物質探索の違い
  • 3.物質探索における深層学習技術の紹介
  • 3.1 分類・回帰技術
  • 3.2 生成技術
  • 4.物質探索における深層学習の応用事例およびツール
  • 4.1 応用事例
  • 4.2 ツールおよびデータベース
  • 8節 単一モデルによる多彩な材料科学データの学習技術
  • 1.MIにおける非構造化データの問題
  • 1.1 材料情報 ≒ 観測構造 + プロセス
  • 1.2 組成物をどう表現するか?
  • 1.3 プロセスをどう表現するか?
  • 2.グラフ型データベースの導入と機械学習の概要
  • 2.1 共通フォーマットとしてのグラフ型データ
  • 2.2 機械学習の方法
  • 3.グラフデータを使った機械学習の実例
  • 3.1 プロセス・インフォマティクスへの適用
  • 3.2 複数物性の同時学習
  • 4.グラフ型データの深層学習に関する技術概要
  • 4.1 グラフ型データの準備
  • 4.2 グラフニューラルネットワーク(GNN)の導入
  • 9節 機械学習による例外的材料探索の効率化
  • 1.背景と既存研究
  • 2.例外的材料探索手法BLOX
  • 3.BLOXによる例外的光吸収特性を持つ分子の探索
  • 10節 大規模化合物データベースの類似度検索技術
  • 1.問題設定
  • 2.大規模化合物データベースの類似度検索技術
  • 3.Weisfeiler-Lehman手続き
  • 4.簡潔マルチビット木
  • 4.1 マルチビット木
  • 4.2 LOUDS
  • 4.3 簡潔マルチビット木
  • 4.4 実験
  • 11節 説明可能な機械学習 による材料開発
  • 1.説明可能な機械学習
  • 2.スピン熱電材料
  • 3.マテリアルズ・インフォマティクスによるスピン熱電材料開発
  • 3.1 1stステップ:材料ビッグデータの作成/収集
  • 3.2 2ndステップ:説明可能な機械学習による有望な記述子の作成/発見
  • 3.3 3rdステップ:記述子による材料スクリーニング
  • 3.4 4thステップ:材料合成
  • 12節 実験主導マテリアルズインフォマティクスの確立
  • 1.はじめに
  • 1.1 実験科学者から見たMIの急速な進化
  • 1.2 実験科学者がいかにMIを活用するか
  • 2.実験主導MIによるナノシート材料の収率向上
  • 2.1 2次元材料としてのナノシート
  • 2.2 小規模データセットの作成と学習
  • 2.3 予測モデルを用いた未知な系の収率予測と実験的な最適化
  • 3.リチウムイオン二次電池有機負極活物質の探索
  • 3.1 有機電極活物質の分子設計の指針
  • 3.2 小規模データセットの作成と学習
  • 3.3 予測モデルを用いた未知な有機負極活物質の探索と実験的な最適化
  • 13節 マテリアルズ・インフォマティクスの基盤としての第一原理計算法の確実な理解
  • 1.バンドギャップエンジニアリングは可能か?
  • 2.現状の物性計算の問題点と解決策
  • 2.1 原子から分子や結晶が出来る時に起こることの真実
  • 2.2 磁性はハイゼンベルグの交換相互作用では説明できない
  • 3.化学反応過程の時間追跡
  • 14節 第一原理マテリアルズ・インフォマティクス物質探索
  • 1.AIMI物質探索の基本事項
  • 1.1 化合物空間:物質探索の舞台設定
  • 1.2 コンピュータ上での物質探索
  • 1.3 物性予測モデル: 第一原理計算と機械学習
  • 2.AIMI物質探索の適用事例
  • 2.1 プラズモニック材料探索
  • 2.2 リチウムイオン電池正極材料探索
  • 15節 機械学習によるスペクトルデータ解析とその事例
  • 1.はじめに
  • 1.1 機械学習と計測インフォマティクス
  • 1.2 X線吸収スペクトル
  • 2.X線吸収スペクトルの解析における国内外の研究動向
  • 3.筆者らの研究から:データの類似度に着目したXASデータ解析
  • 3.1 背景
  • 3.2 次元削減によるスペクトル類似度の可視化
  • 3.3 類似性尺度の検討
  • 3.4 スペクトルの類似度に基づく物理量推定
  • 3.5 類似性尺度のノイズ耐性
  •  

    第5章 高分子材料開発への応用事例◇

    1節 ポリマーの効率設計に向けたマテリアルズ・インフォマティクスの活用
  • 1.手法
  • 1.1 熱硬化性ポリウレタンフィルムの合成
  • 1.2 構造式と原料配合比の特徴量化
  • 1.3 機械学習モデルの構築
  • 1.4 機械学習による原料配合比の設計
  • 2.結果
  • 2.1 予測精度検証
  • 2.2 原料配合設計の試行回数評価
  • 2節 マテリアルズ・インフォマティクスを用いた樹脂複合化への取り組み
  • 1.複合樹脂の特徴量
  • 2.機械学習を活用した逆解析
  • 3節 マテリアルズ・インフォマティクスを用いた高分子複合材料の弾性率の予測
  • 1.MIを活用した材料開発プロセスの革新
  • 2.MIを用いたポリプロピレン複合材料の弾性率の予測モデル構築と組成設計への活用
  • 2.1 弾性率の予測モデルの構築
  • 2.2 弾性率の予測モデルの考察
  • 4節 マテリアルズインフォマティクスを活用した高分子多孔体の構造解析と材料開発
  • 1.はじめに
  • 1.1 本節の主旨
  • 1.2 MIにおけるデータの重要性
  • 2.高分子多孔体の産業利用とMI研究への期待
  • 2.1 高分子MIの分類:分子MI・プロセスMI・構造MI
  • 2.2 3次元構造を定量化する意義
  • 3.3次元構造の特徴量抽出
  • 3.1 3次元構造の計測法
  • 3.2 3次元画像処理
  • 3.3 領域分離と構造分割
  • 4.少数マテリアルデータの機械学習
  • 4.1 考慮すべきポイント
  • 4.2 データセットの作り方
  • 4.3 説明変数の設計
  • 4.4 多重共線性
  • 4.5 機械学習のスキーム
  • 5節 機械学習によるポリメタクリル酸メチル立体規則性のab initio予測効率化
  • 1.グリッドサーチによる全TS配座のDFT計算によるメソ比解析
  • 2.重回帰・正則化回帰モデリングによる安定TS配座の探索
  • 3.ガウス過程回帰モデリングによる安定TS配座の探索
  • 6節 ソフトマター科学におけるシミュレーションやインフォマティクスの活用
  • 1.ソフトマターの数値シミュレーション
  • 1.1 ソフトマターの特徴と数値シミュレーション
  • 1.2 分子の電子状態解析
  • 1.3 高次構造予測と多階層シミュレーション
  • 2.ソフトマターとインフォマティクス
  • 2.1 材料開発におけるインフォマティクスの活用
  • 2.2 高分子材料とMI
  • 2.3 低分子材料とMI
  • 7節 機械学習を利用したMOF合成
  • 1.MOF合成とその課題
  • 2.MOFや類似化合物の合成実験研究への機械学習の応用
  • 3.新規ランタノイドMOFの合成条件最適化研究
  • 3.1 ランタノイドMOFについて
  • 3.2 研究目的
  • 3.3 スクリーニング合成
  • 3.4 クラスタリング解析
  • 3.5 決定木学習による合成の支配因子の抽出
  • 3.6 仮説の検証実験
  • 8節 マテリアルズ・インフォマティクスを応用した気体分離膜の設計
  • 1.膜分離工学におけるマテリアルズ・インフォマティクス
  • 2.二酸化炭素分離用の最適膜構造の設計
  • 3.透過理論に基づく膜材設計
  • 4.有機溶媒系分離用の高分子膜設計
  • 9節 計算科学・マテリアルズインフォマティクスの機能性色素、有機EL材料開発への応用
  • 1.計算科学が主導したカラー写真用機能性色素の研究開発
  • 1.1 銀塩カラー写真(カラー印画紙)の構成
  • 1.2 独自の担体を用いたHPLC法による分子間相互作用の計測
  • 1.3 計算科学を基点とした新たな高耐光性色素の開発と実用化
  • 2.計算科学が決め手となった高難度有機EL材料の研究開発
  • 2.1 有機EL青色りん光発光材料
  • 2.2 計算科学を活用した青色リン光素子の高性能化
  • 2.3 MD計算による分子凝集のシミュレーション
  • 10節 計算機シミュレーションと機械学習による高効率有機ホール輸送材料の設計
  • 1.計算機シミュレーションを用いた電荷移動度の算出方法(理論的アプローチ)
  • 1.1 モデルアモルファス構造の作成
  • 1.2 マーカス理論に基づく局所電荷移動度の算出
  • 1.3 再配置エネルギー
  • 1.4 電荷移動積分
  • 1.5 局所移動度とバルク移動度の関係
  • 2.機械学習による電荷移動度の予測(経験的アプローチ)
  • 2.1 ランダムフォレスト(RF)法を用いた機械学習
  • 2.2 分子設計への活用
  • 3.計算機シミュレーションと機械学習を融合した分子設計スキームの確立(理論と経験的アプローチの融合)
  •  

    第6章 無機材料開発への応用事例◇

    1節 機械学習を用いた金属材料組織の解析とその応用
  • 1.金属材料組織の特徴量抽出
  • 1.1 画像処理と輪郭抽出
  • 1.2 輪郭の形状に関する特徴量
  • 1.3 粒子の空間分布に関する特徴量
  • 1.4 転位の平均自由行程に関連した特徴量
  • 2.金属材料組織の特徴量を用いた機械学習
  • 2.1 機械学習による金属材料組織の分類
  • 2.2 特徴量の主成分分析
  • 3.開発ソフトウェア(MPImage, MPLearn)によるアルミニウム合金の組織判別
  • 3.1 改良処理したAl-Si合金の組織判別
  • 3.2 冷却速度が違うAl-Si-Mg合金の組織判別
  • 2節 結晶成長プロセスへの機械学習応用
  • 1.予測と最適化
  • 2.「予測」の材料プロセスインフォマティクス研究事例
  • 3.「最適化」の材料プロセスインフォマティクス研究事例
  • 3節 マテリアルインフォマティクスを活用した半導体プロセス・デバイスの開発
  • 1.べーズ最適化手法を用いた窒化ガリウムMOSデバイスのプロセス最適化
  • 2.マテリアルインフォマティクスを利用した熱電素子材料の探索
  • 3.マテリアルインフォマティクスを活用した太陽電池パネルの分析法
  • 4節 IoTを活用したデータアーキテクチャ:2D-XRD法による半導体材料開発への応用
  • 1.IoT技術によるデータ収集基盤
  • 1.1 科学技術分野におけるIoT技術
  • 1.2 セキュリティデバイス
  • 1.3 データセット化によるファイル蓄積
  • 2.IoTシステムの二次元XRD法への適用事例
  • 2.1 コンビナトリアル手法による半導体材料開発への適用
  • 2.2 新規半導体合金系のライブラリ化へ
  • 5節 無機半導体光学材料におけるマテリアルズインフォマティクス
  • 1.理論的背景
  • 1.1 半導体における光吸収を支配する物性
  • 1.2 第一原理計算による物性値の計算
  • 1.3 機械学習
  • 2.具体例
  • 2.1 計算
  • 2.2 機械学習
  • 2.3 我々が進めているM・I
  • 6節 熱電材料におけるマテリアルズ・インフォマティクスの応用事例 -Fe-Al-Si系新規材料(FAST材料)の性能向上-
  • 1.背景
  • 2.FAST材料の現状と課題
  • 3.機械学習を用いたFAST材料の出力特性向上
  • 4.今後の展望
  • 7節 データ駆動的手法を用いた圧力誘起超伝導体の高効率的探索
  • 1.データ駆動的アプローチ
  • 1.1 超伝導に有利な電子状態と圧力の効果
  • 1.2 スクリーニング条件
  • 1.3 高圧力下で超伝導探索を行うためのプラットフォーム開発
  • 2.様々な物質における圧力誘起超伝導の発見
  • 2.1 Sn(Se,S)の圧力誘起超伝導
  • 2.2 SnBi2Se4およびPbBi2Te4の圧力誘起超伝導
  • 2.3 AgIn5Se8の圧力誘起超伝導
  • 2.4 (Zr,Hf)GeTe4の圧力誘起超伝導
  • 3.関連物質への波及効果:Sn(Sb,Bi)2Te4およびTiGeTe6の圧力誘起超伝導
  • 8節 3Dプリンタ造形プロセスパラメータの最適化
  • 1.AM技術の分類
  • 2.PBF-LBでの最適条件探索
  • 3.PBF-LBでのプロセスパラメータ探索でのMI手法
  •  

    第7章 電池材料開発への応用事例◇

    1節 インフォマティクス手法を活用したリチウム導電体探索
  • 1.リチウム導電性固体電解質の探索
  • 1.1 古典的な探索手法
  • 1.2 理論計算やインフォマティクスを使ったアプローチ
  • 2節 実験自動化ロボットによる次世代蓄電池用電解質探索のハイスループット化とマテリアルズインフォマティクス
  • 1.次世代蓄電池用電解質開発の世界動向
  • 2.マテリアルズインフォマティクスによる電池材料開発
  • 3.電解液探索の実験自動化ロボットの開発
  • 4.電解液添加剤のコンビナントリアル探索
  • 5.データ科学的手法を用いた電解液添加剤の探索
  • 3節 モデル計算と第一原理計算を活用した燃料電池および水電解デバイスの触媒層・電解質膜の設計開発
  • 1.モデル計算を活用した燃料電池触媒層の設計
  • 1.1 電極触媒層のモデリングによる燃料電池の設計
  • 1.2 白金表面の被毒量を考慮したモデリングによる燃料電池性能の最適化
  • 2.第一原理計算を活用した固体高分子形燃料電池用電解質膜の開発
  • 2.1 PEFC用ジルコニア粒子分散電解質膜のプロトン伝導機構の解明
  • 2.2 無機Lewis酸を介するプロトン伝導の現象解明
  • 2.3 有機-無機界面におけるpacked acidメカニズムによるプロトン伝導の発見
  • 2.4 酸官能基周囲の水和水層内の水素結合を介したプロトン伝導機構の解析
  • 3.量子化学計算による固体アルカリ燃料電池用高耐久アニオン伝導膜の設計
  • 3.1 アルカリ燃料電池用アニオン交換ポリマーの現状と課題
  • 3.2 LUMOのエネルギー準位に基づく高耐久アニオン交換基の設計
  • 4.第一原理計算による水電解用電極触媒の新規な触媒反応メカニズムの解明
  • 4.1 アルカリ水電解用触媒の研究動向
  • 4.2 優れた酸素発生反応活性を有する安価なカルシウム/鉄系酸化物触媒の開発
  • 4.3 CaFe2O4粒子表面の反応中間体の同定による反応メカニズムの解析
  • 4節 マテリアルズ・インフォマティクスにおけるTOMBOの優位性
  • 1.TOMBOについて
  • 2.C60へのLi衝突内包
  • 3.CO2+2H→HCOOH反応
  •  

    第8章 触媒開発への応用事例◇

    1節 量子化学計算とインフォマティクスによる触媒開発への応用
  • 1.スパースモデリングを用いた金属クラスター触媒活性因子の抽出
  • 2.表面吸着計算データベースを利用した不均一触媒活性予測
  • 2節 人工知能を用いた触媒反応収率の予測
  • 1.1種類の反応条件を検討した実験データの機械学習による触媒反応収率予測
  • 2.複数の反応条件を検討した実験データの機械学習による収率予測
  • 3.機械学習による反応条件の自動最適化技術(ベイズ最適化)
  •  

    第9章 合計経路、反応条件、プロセス設計への応用事例◇

    1節 反応副生成物予測システムの開発事例
  • 1.合成デザイン
  • 2.反応生成物予測
  • 2節 AIによる有機化合物の分子デザイン
  • 1.はじめに
  • 1.1 マテリアルズインフォマティクスにおける材料デザイン
  • 1.2 AIによる分子デザイン技術の現状
  • 1.3 分子デザイン技術に求められるもの
  • 2.グラフ理論を基礎とする分子デザイン手法
  • 2.1 データ入力
  • 2.2 特徴エンコード
  • 2.3 予測モデル作成
  • 2.4 特徴量候補の探索
  • 2.5 構造生成
  • 3.活用事例
  • 3.1 QM9によるパフォーマンス評価
  • 3.2 フォトレジスト材料
  • 3.2 糖質構造
  • 4.Webアプリケーション
  • 4.1 (ステップ1)データの観察・選択
  • 4.2 (ステップ2)モデル学習
  • 4.3 (ステップ3)構造生成
  • 3節 物質探索における合成実験と計算材料学の連携
  • 1.可視光における光触媒活性を示す新規二価スズ複合酸化物の発見
  • 2.並列合成実験と実験条件推薦システムを活用した未知物質の合成条件予測
  • 4節 機械学習と電子状態情報を用いた反応予測
  • 1.合成経路設計と反応予測の概要
  • 2.量子化学的記述子を用いた反応予測
  • 5節 データ駆動型プロセスインフォマティクスによるパラメータ探索の高効率化
  • 1.マテリアルズインフォマティクスとプロセスインフォマティクス
  • 2.粉体成膜プロセスの現状
  • 3.データ駆動型パラメータ探索
  • 4.実験に基づいた最適化手法を用いたハイスループット自律探索の事例
  • 5.データ駆動/仮説駆動ハイブリッド型研究開発手法の将来
  • 6節 "新"化合物設計のための,機械学習を用いた毒性予測
  • 1.機械学習を用いた化合物の毒性予測モデルの開発
  • 2.毒性予測モデルが開発でき、運用に至った際の化合物開発計画
  • 3.染料/顔料、モノマー、重合開始剤等の毒性予測
  •  

    第10章 医薬品の開発、製造への応用事例◇

    1節 AIを使用した計算およびデータ駆動型化学とバイオインフォマティクス
  • 1.単分子磁石の分子設計とデータ統計
  • 2.人工金属蛋白質と構造ベースのドッキング計算
  • 3.人工知能やデータベースを利用した研究例
  • 2節 インフォマティクスを応用した細胞接着制御界面デザイン
  • 1.細胞接着制御を目指した足場材料開発
  • 1.1 足場材料における細胞接着の制御
  • 1.2 細胞接着制御分子としてのペプチドとインフォマティクス解析への展開
  • 1.3 機能性ペプチドと高分子材料を用いた細胞接着制御界面デザインの難しさ:組合せの問題
  • 1.4 機能性ペプチドと高分子材料を用いた細胞接着制御界面デザインの難しさ:実験品質の問題
  • 1.5 機能性ペプチドと高分子材料を用いた細胞接着制御界面デザインにおけるPBI
  • 2.機能性ペプチドと材料をつなぐリンカーの影響
  • 2.1 背景・目的
  • 2.2 実験概要
  • 2.3 結果と考察
  • 3.高分子材料の物性値の影響
  • 3.1 背景・目的
  • 3.2 実験概要
  • 3.3 結果と考察
  • 4.周囲のペプチドが持つ物理化学的環境の影響
  • 4.1 背景・目的
  • 4.2 実験概要
  • 4.3 結果と考察
  • 5.良質なデータ取得を目指した実験自動化の有効性
  • 5.1 背景・目的
  • 5.2 実験概要
  • 5.3 結果と考察
  • 3節 機械学習によるスペクトル検量線構築とスペクトル波数選択
  • 1.部分的最小二乗法(PLS)
  • 2.様々な変数選択手法
  • 2.1 PLS-Beta
  • 2.2 VIP
  • 2.3 SR
  • 2.4 ステップワイズ
  • 2.5 Lasso
  • 3.NCスペクトラルクラスタリング(NCSC)
  • 3.1 スペクトラルクラスタリング(SC)
  • 3.2 相関識別(NC)法
  • 3.3 NC スペクトラルクラスタリング(NCSC)
  • 4.NCSC型変数選択(NCSC-VS)
  • 5.医薬品製造プロセスにおける検量線設計
  • 5.1 解析対象データ
  • 5.2 波長選択およびモデル構築
  • 5.3 考察