お問い合わせ

[解析事例] 機械学習による沸点、屈折率、比誘電率の推算

データサイエンス
光学・電気・磁気
マテリアルサイエンス
事例提供
和歌山県工業技術センター

機械学習による物性予測モデルの作成、転移学習およびシミュレーションとの連携事例

J-OCTA機械学習機能(MI-Suite)を使用して代表的な熱的物性である沸点の他、屈折率、比誘電率の物性予測モデルを構築したユーザー事例です[1-4]。レンズなどに用いられる樹脂光学材料として重要な物性の1つである屈折率の事例では転移学習を用いてケイ素系化合物の予測精度を向上させています。またセンサーなど電子回路への利用から樹脂の電気的な性質が注目されていますが、ここでは電波の伝搬速度などに影響する比誘電率について、化学構造からの記述子だけではなく、第一原理計算の計算結果を説明変数に追加することで予測モデルを改良しています。

1.沸点1)

化合物にとって代表的な熱的特性である沸点について文献などから870件のデータを収集し、SMILES形式の化学構造と併せてまとめたデータをグラフコンボリュージョンネットワーク(GCN)の方法で学習しました。その結果、相関性のよい学習モデルが得られました。図1に実験値と予測値の相関を示します。トレーニングデータだけでなく、テストデータにおいても良好な結果を示しています。次に、新たに予測したい化合物を入力として与えた場合の出力である予測値を実測値と比較しました。ここでは2種の化合物に対しての結果を示しますが、ずれの少ない結果が得られています。

図1. 沸点についての機械学習モデルの結果図1. 沸点についての機械学習モデルの結果

図2. 新たな化合物についての予測値と実測値の比較図2. 新たな化合物についての予測値と実測値の比較

2.屈折率2)

文献から658件の屈折率のデータを収集したものを、沸点のときと同様の手順で学習モデルを作成しました。その結果、様々な官能基を有する炭化水素系化合物において良好な予測結果が得られるモデルを作成することができました(図3)。しかしながらケイ素を含む化合物の場合には実測値との差が大きい結果となりました。そこで、新たに28件のケイ素系化合物のデータを追加して転移学習を使ってモデルの改善を行いました(図4)。転移学習のメリットは既存のモデルを有効活用し、少量の追加モデルで学習モデルを改善できること、そして計算コストの面でもメリットがあります。転移学習前のモデルでは実測値と0.05程度の差があったものが、転移学習の結果、良好な予測結果が得られるようになりました。

図3. 初期作成モデルでの結果図3. 初期作成モデルでの結果

図4. 転移学習の結果 転移学習はケイ素系化合物に対してのみ実施図4. 転移学習の結果
転移学習はケイ素系化合物に対してのみ実施

図5. ケイ素系化合物についての予測値と実測値の比較図5. ケイ素系化合物についての予測値と実測値の比較

3.ポリイミドの比誘電率3)

ポリイミドは電子回路基板などに用いられており、高周波領域の利用に伴い、低誘電率の材料が要望されています。ここでは975件のポリイミドのデータ4)に対して機械学習を実施しています。このデータには化学構造と比誘電率の値だけでなく、第一原理計算の結果が含まれています。2D記述子であるMorganFPを説明変数として勾配ブースティング(XGBoost)法を用いた場合では、あまりよい相関のモデルとはなりませんでした。そこでMorganFPに加えて第一原理計算の結果を説明変数に含めて学習することにより、図7に示すように、よりよい相関関係を示す良好な結果が得られました。

図6. ポリイミドの典型的な化合物例図6. ポリイミドの典型的な化合物例

図7. 比誘電率の機械学習モデルの結果図7. 比誘電率の機械学習モデルの結果

*参考文献

事例一覧

  • ※記載されている製品およびサービスの名称は、それぞれの所有者の商標または登録商標です。

*CONTACT

お問い合わせ

※ お問い合わせページへアクセスできない場合

以下のアドレス宛にメールでお問い合わせください

hg-cae-info@s1.jsol.co.jp

ページトップへ