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....

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


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)


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


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


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


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


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


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


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....

Documents

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....