機械学習による実計測データをもとにした帰納的な材料作製法の開発

点击翻译按钮获取中文摘要

本研究では分析データを用いて帰納的にデバイス性能を最適化する計算手法の開発に取り組むことが目的である。本年度は電極材料として、酸化鉄や酸化タングステン、バナジン酸ビスマスなどの光半導体電極を作製した。分析データとして、X線回折法(XRD)や吸収スペクトル、ラマンスペクトルや光インピーダンスなどのスペクトルデータを用いた。測定した分析データには通常、ノイズやバックグラウンドが含まれており、各サンプルが持つ本質的な情報である特徴量を抽出するため、それらを除去するための種々の数理統計手法を組み合わせた。例えば、スプライン法やフーリエ変換などを用いた。さらに、光半導体電極だけでなく、一般の材料開発においても利用できうる手法として確立するために、データの平均値を0、分散を１とする標準化計算を組み込んだ。最後にスペクトルデータが持つ本質的情報として、ピークの強度や位置に相当するデータを特徴量として抜き出した。抽出した特徴量の数は多数存在したが、材料性能はその一部で記述可能であるとの仮定の下、特徴量とデバイス性能の間の相関を機械学習により予測し、特徴量の中でデバイス性能に大きく影響を与えるものを潜在因子として抽出する方法を開発した。機械学習の方法として、サポートベクター回帰（SVR）やガウス回帰過程（GPR）、ランダムフォレスト等を用いた。また、正則化項を導入するスパースモデリングや複数回モデル構築と検証を行うクロスバリデーションを用いることでオーバーフィッティングを抑制し、未知データであっても計算精度を確保し、本手法の汎用性が高くなるように設計した。