Development of multi-element catalysts using extrapolative machine learning methods

点击翻译按钮获取中文摘要

触媒を含む材料化学の研究は、未だに「絨毯爆撃のようなスクリーニング」の時代にとどまっている。研究者は、これまで大量の実験データ、文献知識、経験的な知識を統合して、予測や仮説を形成してきた。しかしながら、ますます増加するデータや知識を消化し、目的に適した仮説を提供できる研究者は存在しない。人知による研究は限界に達しており、材料化学研究のアプローチを刷新するために、先進的なデータサイエンス技術を導入する必要がある。本研究では、探索的提案が可能な機械学習モデルを開発し、革新的な高性能触媒の創出に貢献する研究方法論を提案することを目指す。文献データを用いて外挿的提案が可能な機械学習モデルの構築を目指した。構築されたモデルでは、触媒構成要素そのものを学習に使用するのではなく、特徴量（原子半径、電気陰性度、融点など）と構成比の積を予測記述子（元素記述子）として使用することで、元々のデータセットに含まれている元素に縛られることなく、有望な触媒候補元素を提案することが可能になる。また、実際の触媒組成を提案する逆問題を解くためのアルゴリズムも作成し、新しい触媒の提案にも挑戦した。実際に、実験と機械学習のループを繰り返すことで、多元素触媒の開発もスタートした。予測だけでなく、機械学習モデルから化学的/物理的な示唆を得ることを目指した。機械学習予測は、しばしばブラックボックスと見なされるが、解釈性の高い（教師あり）機械学習手法を使用することで、対象系における性能制御因子（記述子）の重要性を半定量的に可視化することが可能になる。