ai解析による熱硬化性ポリマー合成 の試行回数削減 - admat...[3] t. minami, m....
TRANSCRIPT
本成果は、国立研究開発法人新エネルギー・産業技術総合開発機構(NEDO)の委託業務(超先端材料超高速開発基盤技術プロジェクト:P16010)の結果得られたものです。
AI解析による熱硬化性ポリマー合成の試行回数削減
奥野 好成昭和電工株式会社
【内容】1. 概要2. 熱可塑性樹脂探索3. 熱硬化性樹脂探索4. 総括
2
熱硬化型フレキシブル透明樹脂により、新たなICT機器、ウェアラブルデバイスの性能向上を図り、人々の豊かなライフスタイルを実現
1. 概要:熱硬化型フレキシブル透明樹脂
透過率 ≧85%Haze ≦5%引張伸び率 ≧50%熱安定性 ΔT%≦5%
(100℃、85℃-85%RH)
ウレタン樹脂をモデル化合物として検討し、⑤AI、⑧フローリアクターとの連携によって材料開発を推進
数値目標
生産量(km2) 占有率(%)PET 33,200 77.6COP 8,000 18.7耐熱樹脂 1,600 3.7
2022年市場規模予測
モバイル機器 フレキシブルディスプレイ
出典:富士経済(2018)
超先端材料超高速開発基盤技術プロジェクト(超超PJ)2019年度成果報告会
3
1. 概要:AI活用による材料開発スキーム超先端材料超高速開発基盤技術プロジェクト(超超PJ)2019年度成果報告会
4
[1] Polyinfo. Available at http://polymer.nims.go.jp.
2. 熱可塑性樹脂探索:試行試験状況
ガラス転移点(Tg)が最も高いポリマーの探索を試行
ターゲットポリマー(Tg = 643 K)データ中のTgの分布
ポリマーデータベース
Polyinfo
ポリマーデータ417件を収集[1]
ガラス転移点(Tg)[K]
ポリマ
ー数
超先端材料超高速開発基盤技術プロジェクト(超超PJ)2019年度成果報告会
5
2. 熱可塑性樹脂探索:物性予測モデル
部分構造の割合*を特徴量として物性を予測
・ある原子を中心に円を描く・円内の部分構造の種類・割合を特定・1024次元のベクトルを構築=Number density ECFP
*割合=部分構造の数/構成原子数
(イメージ)「官能基がX%あるから、ガラス転移点はY℃になる」のように予測[2] T. Minami, and Y. Okuno, MRS Advances, 3(49), 2975 (2018).
Repeat unit
SMILES *CCO*
Number density ECFP [2]
X = (0.0, 0.333, 0.0,0.167, ...)
Gaussian process regression
Ymean = f (X)ystd = g(X)
超先端材料超高速開発基盤技術プロジェクト(超超PJ)2019年度成果報告会
6
1.417件のポリマーデータを収集し、データベース(DB)を構築2.DBからランダムに10件のポリマーデータを取得3.学習、最適ポリマー予測、結果検証、データ追加、の試行サイクルを実施4.ターゲットポリマーを見つけた段階で、サイクルを終了し、試行回数を評価
(1)ランダム(2)通常の物性予測(3)ベイズ最適化
比較
2. 熱可塑性樹脂探索:AI活用試験方法超先端材料超高速開発基盤技術プロジェクト(超超PJ)2019年度成果報告会
7
ベイズ最適化は、目標Tg値(643K)に速やかに収束し高効率
試行を繰り返すにつれて、だんだんとTgの高いポリマーを発見効率の良い方法ほど、早く収束
400
450
500
550
600
650
700
0 10 20 30 40 50 60
観測
済ポ
リマー
にお
ける
最大
Tg[K
]
試行回数
ベイズ最適化通常の予測ランダム選出
2. 熱可塑性樹脂探索:観測済Tg推移超先端材料超高速開発基盤技術プロジェクト(超超PJ)2019年度成果報告会
8
Number of trialsRandom selection 192Normal prediction 24Bayesian optimization 4.6
1/42
2. 熱可塑性樹脂探索:試行回数とまとめ
【まとめ】・AI活用により無作為ポリマー探索と比べて試行回数を1/42に低減[3]
・少数のデータしか使用しなくても、ターゲットポリマーを効率よく探索可能[3] T. Minami, M. Kawata, T. Fujita, K. Murofushi, H. Uchida, K. Omori, and Y. Okuno, MRS Advances, 4(19), 1125 (2019).
ベイズ最適化活用により、4.6回の試行で、ターゲットポリマー発見に成功
超先端材料超高速開発基盤技術プロジェクト(超超PJ)2019年度成果報告会
9
計算
プロセス
AI学習
データ
樹脂
設計指針
計算とプロセスの連携による熱硬化性ポリマー開発サイクル
実験回数の評価フロー
3. 熱硬化性樹脂探索:AI評価フロー
最適配合検討 合成・評価
AI構築 AI予測 合成・評価
実験回数比較
提供初期データ収集
AI
人
超先端材料超高速開発基盤技術プロジェクト(超超PJ)2019年度成果報告会
10
触媒カラム
ウレタンプレポリマーDiOL-1
DiOL-2
DiOL-3
DiNCO
合成原料([OH]total / [NCO]=1.2)
ジオール種・組成比
合成条件
flow
rea
ctor ⑧熱硬化フィルム作製
物性測定によるデータセット取得
【データセット】[モノマー組成比] [OH]DiOL-1~3,[NCO]
[プレポリマー物性値] Mw,Mw/Mn,水酸基価[光学、機械物性値)] nd(20),haze,破断応力,伸び
[モノマー構造] DiOL-1~3,DiNCO,硬化剤
【モデル樹脂の合成】
n
提供 ⑤機械学習
3. 熱硬化性樹脂探索:実験データ生成超先端材料超高速開発基盤技術プロジェクト(超超PJ)2019年度成果報告会
11
原料の構造式、配合比、中間体情報に基づき予測モデルを構築
全ての部分構造を網羅的に抽出
3. 熱硬化性樹脂探索:AIモデルと精度
: :
原料A
原料B
原料Z
ECFP A
ECFP B
ECFP Z水酸基価
屈折率
破断応力
伸び
説明変数 目的変数
モル比×ECFPの総和
ECFP
屈折率
R2 = 0.801AI予測精度
予測値
実測
値
超先端材料超高速開発基盤技術プロジェクト(超超PJ)2019年度成果報告会
12
モノマー7種類から3種類を選択し、配合比を網羅的に割り当てる
機械学習により、各物性値を予測
各物性値を指標へ換算/指標の最大となる配合比の探索
実測
※屈折率のみ換算透過率に変更
3. 熱硬化性樹脂探索:AIの提案超先端材料超高速開発基盤技術プロジェクト(超超PJ)2019年度成果報告会
13
・AI提案配合を実測した結果、 既存の実験結果と比べて最大値と判明・研究者が、模索する時間を短縮⇒試行回数を少なくとも 1/25 削減を確認、プロジェクト目標達成
3. 熱硬化性樹脂探索:AI vs 人間
良い 学習データ
実験者による最大値
人の知見に基づく実験実施
AI予測を実施
超先端材料超高速開発基盤技術プロジェクト(超超PJ)2019年度成果報告会
14
3. 熱硬化性樹脂探索:提案ポリマー性能
既存のポリマーよりも伸びが優秀
透過率と破断応力のバランスが良好
破断
応力
[MPa
]
透過率[%]
破断応力[MPa] 透過率[%]
伸び
[%G
L]
伸び
[%G
L]
弊社作製フィルム
弊社作製フィルム
超先端材料超高速開発基盤技術プロジェクト(超超PJ)2019年度成果報告会
15
・熱可塑樹脂にてAI物性予測を可能化・樹脂設計へのAIの有用性を数値的に実証・プロセスと計算が連携し熱硬化性樹脂を設計・AI活用で実験試行回数を1/25以下に削減
超超プロジェクトの目標・研究開発期間、試行回数を1/20に低減・シミュレーション、プロセス、計測の三位一体
4. 総括
昭和電工の成果
超先端材料超高速開発基盤技術プロジェクト(超超PJ)2019年度成果報告会