Prediction of Phase Transition Behavior by Machine Learning to Interpret Molecular Arrangement and Application to Photofunctional Liquid Crystals

点击翻译按钮获取中文摘要

分子の化学構造のみから分子集合体のバルク物性を予測することは、狙いの材料を開発する速度やコストを下げる点から重要である。このようなトランススケール科学の発展を目指し、当該年度は以下の3つの研究を行った。1.液晶データセット「LiqCryst」に含まれる化合物データを拡張し、2億件以上の液晶様構造を含むin silico液晶化合物ライブラリを構築した。ルールベース方式により、合成容易性の高い液晶様構造を大量生成した。生成した構造が「LiqCryst」に含まれているか、一般化合物データセット「ZINC15」に含まれているかを判断する分類評価を機械学習により行ったところ、in silicoライブラリ中の97%の構造が「LiqCryst」中の構造に類似していると評価された。このin silicoライブラリを用いることで、液晶の化合物空間上での教師なし学習など機械学習の幅を広げることができる。2.相転移エンタルピーの大きい分子群として期待される羽ばたく分子FLAPの集積挙動や光構造変化挙動を電子状態の調整により制御した。導入する置換基の種類を変えることで、結晶パッキング構造が変わること、また溶液状態において光構造変化が起こるか否かが変わることを明らかにした。この分子群は最終到達目標である「狙った相転移挙動を示す機能性液晶材料」を開発する際に基本骨格として用いられる可能性を秘めている。3.MD計算によりFLAP分子から記述子を生成する際に必要な力場を作成した。一般的な力場であるGAFFではFLAP分子のCOT二面角を過大評価する傾向があり、正確なパッキング予測や配座変化の活性化障壁の評価に問題があった。今回作成した力場により、FLAP分子の最安定COT二面角や配座変化の活性化障壁を量子化学計算の結果と同程度にしたMD計算が可能になった。これは妥当な記述子生成へと繋がることが期待される。