AIの予測根拠を解読して材料設計指針を導く新手法を開発 ― マテリアルズ・インフォマティクスによる材料探索の加速 ―（高橋亮助教（現 准教授）、大場史康教授）

東京科学大学（Science Tokyo） 総合研究院 フロンティア材料研究所の高橋亮助教（現 准教授）、大場史康教授（神奈川県立産業技術総合研究所（KISTEC）プロジェクトリーダー兼任）、同大学 物質理工学院 材料系の高松新修士課程学生（研究当時）は、東北大学 金属材料研究所の熊谷悠教授と共同で、材料のスペクトルデータを予測する人工知能（AI）モデルを解釈し、類似する材料をグループ化することで、材料設計の指針となる情報を抽出する新手法を開発しました。

材料科学において、所望の材料特性の発現に関わる構成元素や原子配列の特徴を見いだすことは、材料設計指針の構築や物性発現機構の解明のために重要です。一方で近年、AIによって材料の物性を高い精度で予測できるようになってきており、そうした予測モデルの内部には材料設計に有用な知見が含まれていると期待されます。しかし、特にスペクトルデータについては、その知見を引き出すための解釈手法は確立していませんでした。

本研究では、結晶構造から物性を予測するAIモデルから材料ごとの特徴を抽出し、類似した特徴とスペクトル形状を持つ材料をグループ化する手法を提案しました。第一原理計算[用語1]に基づく2,681種の金属酸化物やカルコゲナイド[用語2]等の光吸収スペクトルデータベースを構築してAIモデルの学習に用い、本手法を適用した結果、スペクトル特性と構成元素・配位環境[用語3]の両方が類似した材料のグループに分類できました。さらに、この材料グループ内の共通点やグループ間の相違点を考察することで、スペクトル特性を決定づける元素種や局所構造を明らかにすることに成功しました。

本手法は、光吸収スペクトルに限らずさまざまな物性データに適用可能であり、マテリアルズ・インフォマティクス[用語4]を用いた材料設計指針の獲得に広く貢献することが期待されます。

本成果は6月15日付の「Advanced Intelligent Discovery」誌に掲載されました。