機械学習などを含む情報科学技術の活用により、材料開発の自動化や高効率化を進める取り組みをご紹介します。
マテリアルズ・インフォマティクスとは
材料開発の領域では、研究と多くの実験の積み重ねで、多大な時間とコストをかけて新しい材料の開発が行われてきました。ときに研究者の経験と勘に基づいて進められてきたこれらの研究に対して、機械学習などの情報科学技術で効率化することを目指す取り組みが、マテリアルズ・インフォマティクスです。
機械学習による性能予測モデル構築
材料開発においては、素材の配合、生産時の条件設定などによって、最終的に得られる材料の性質が大きく変わります。より良い材料を得るために探索を行いたいのですが、実際に実験して評価するのは時間とコストがかかります。これを解決するために、従来はコンピュータ上での数値シミュレーションなどが行われていました。しかし、精度の高いシミュレーションの実現はコストが高く、1回あたりのシミュレーションにも長い応答時間がかかってしまいがちでした。近年は、開発コストの削減や応答時間の短縮を目的として、シミュレーションの代わりに応答してくれるモデル（サロゲートモデル、代理モデル）を機械学習で構築することが注目されています。
ただし、一般的には機械学習モデルの構築のためには、大量の学習データ（ここでは実験条件と生産された材料の性質の対応関係）が必要になります。機械学習のためのデータ数として期待されるのは典型的には数千以上のオーダーであるのに対して、材料開発の現場で用意できる実験データは多くて数十から数百程度ではないでしょうか。このような状況でも、転移学習・メタ学習などの技術により、探索に役立つだけの性能のモデルの構築ができる場合があります。難しい課題となりますが、ご興味をお持ちの方はぜひ一度ご相談ください。
ベイズ最適化・ブラックボックス最適化
材料開発で一般的な問題設定として、「様々な材料成分を調合し、得られる効果が”できる限り大きくなる”物質を探索する」というものがあります。この場合、物質の反応・形成過程や、効果の発現過程と構造との関係などは複雑または未解明な場合もあり、従来は化学研究の知識や経験に基づいた探索が行われてきました。近年のマテリアルズ・インフォマティクスでは、この工程を自動化し、さらにより良い効果を得る取り組みが行われています。
上記の問題設定は広くは、特定の制約下で特定の関数（ここでは効果）を最大化・最小化する数理最適化の一種とみなせます。関数の形状が分かっている場合、それに適したアルゴリズムを選択できれば効率的な探索が可能です。一方で、成分の配合と効果の関係（＝目的関数）が、シミュレーションモデルや機械学習モデルなどできわめて複雑な場合や不明な場合（＝ブラックボックス）には、そのようなアプローチは困難です。このような場合にも利用できるのがブラックボックス最適化で、少ない仮定のもとで関数の応答を頼りに最大値・最小値を探索します。ベイズ最適化もその一手法です。