データ駆動型探索による次世代多孔質材料の開発

金属有機構造体は新たな吸着材量や触媒などの材料として期待されている多孔質材料である。活性炭やゼオライトのような天然の多孔性材料との違いは金属物質と有機物質の組み合わせを変更することによって任意の物質特性をもつ多孔性材料をデザイン可能である点にある。金属有機構造体の組み合わせの自由度は高く、様々な物質特性を持たせることが可能であると考えられるが、組み合わせの自由度が高いことにより狙った特性をもつ組み合わせを発見することは容易ではない。旧来の手法では総当たりで組み合わせを確かめるしかなく非常に非効率であった。本研究では有用な特性を持つかと考えられる金属有機構造体を機械学習手法を用いて予測することを目的としている。金属有機構造体のデータは文字列勝でかつ構造情報を含んだ複雑なデータであり、よく利用される単純な手法では結合情報を欠落させてしまうことで正しい予測結果を得ることは非常に難しい。現状の実績としては、金属有機構造体のデータを機械学習のアルゴリズムを用いて情報をあまり落とさない形で処理できる用に変換を行った。金属有機構造体のデータはグラフ構造であるため、現在の計算機では機械学習における予測に必要なグラフ構造同士の類似度を直接計算することは理論的に不可能なため、近似解を得る必要がある。実用的なグラフカーネルを先行文献から発見し、有機金属構造体の学習に適応できることを確認した。本年度ではさらに精度を高め、実用的な段階まで落とし込むことを目指す

金属有機構造体は新たな吸着材量や触媒などの材料として期待されている多孔質材料である。活性炭やゼオライトのような天然の多孔性材料との違いは金属物質と有機物質の組み合わせを変更することによって任意の物質特性をもつ多孔性材料をデザイン可能である点にある。金属有機構造体の組み合わせの自由度は高く、様々な物質特性を持たせることが可能であると考えられるが、組み合わせの自由度が高いことにより狙った特性をもつ組み合わせを発見することは容易ではない。旧来の手法では総当たりで組み合わせを確かめるしかなく非常に非効率であった。本研究では有用な特性を持つかと考えられる金属有機構造体を機械学習手法を用いて予測することを目的としている。金属有機構造体のデータは文字列勝でかつ構造情報を含んだ複雑なデータであり、よく利用される単純な手法では結合情報を欠落させてしまうことで正しい予測結果を得ることは非常に難しい。現状の実績としては、金属有機構造体のデータを機械学習のアルゴリズムを用いて情報をあまり落とさない形で処理できる用に変換を行った。金属有機構造体のデータはグラフ構造であるため、現在の計算機では機械学習における予測に必要なグラフ構造同士の類似度を直接計算することは理論的に不可能なため、近似解を得る必要がある。実用的なグラフカーネルを先行文献から発見し、有機金属構造体の学習に適応できることを確認した。本年度ではさらに精度を高め、実用的な段階まで落とし込むことを目指す