東ソーのマテリアルズインフォマティクス（MI）の成功事例

マテリアルズインフォマティクス（MI）は、化学や材料開発の現場において、機械学習や統計解析の力を借りて従来の試行錯誤を効率化する新しい手法です。なかでも高分子材料は、分子構造からマクロな特性にいたるまで複雑な階層構造を持つため、設計に関わる変数が多く、これまでの経験や直感に頼る開発では限界がありました。

東ソーは、こうした課題を克服するために、シミュレーション技術と機械学習を連携させたMIの導入に取り組み、着実な成果を上げています。

このページでは、東ソーがどのような課題を抱えていたのか、マテリアルズインフォマティクスをどのように導入して成果を上げたのか、そして今後どのような展望を描いているのかを、初心者にもわかりやすく解説します。

東ソーが抱えていた課題

東ソーがとりわけ苦戦していたのは、高分子材料の階層的複雑性に由来する設計変数の多さでした。一次構造であるモノマー配列や分子量分布に加え、絡み合いの度合いや結晶構造、さらにはナノコンポジット材料ではフィラー配合や界面特性まで考慮しなければならず、実験だけで全領域をスクリーニングするのは時間的・コスト的に難しかったのです。

加えて、実際の試料をそろえて評価する反復実験はサンプル準備から特性測定まで手間がかかり、変数を一つずつ検証する手法では開発の速度が追いつきませんでした。また、得られた実験データは測定誤差やバラつきが避けられず、機械学習モデルの学習用データとしても扱いにくいという問題もありました。

結果として、有望な材料候補を見つけ出すまでに繰り返しの試行が多く、研究者のリソースが熱と時間に消費されてしまっていたのです。

マテリアルズインフォマティクス(MI)導入で出した成果

この状況を打開するために、東ソーは高分子の各階層構造に対応可能な統合シミュレータ「OCTA」を導入し、Pythonによる入出力APIと機械学習ライブラリを連携させました。まず、ブロック共重合体の弾性率推算では、散逸粒子動力学（DPD）と有限要素法（FEM）によるシミュレーションデータを学習させたサポートベクトル回帰モデルを構築し、従来のシミュレーションに比べて数千倍速いスクリーニングを実現しています。体積弾性率やずり弾性率を高い精度で予測できることが確認できたことで、新規共重合体の有望配列を短時間で抽出できるようになりました。

続いて、分岐高分子の伸長粘度推算には、PCNモデルによるレオロジーシミュレーション結果を前処理してランダムフォレスト回帰モデルに学習させました。分岐構造パラメータや添加量の影響を捉えたモデルは、限られたサンプル点数でありながらも粘度変化の傾向を表現し、実験データとのすり合わせの手間を減らすことに成功しています。

さらに、量子計算と遺伝的アルゴリズムを組み合わせることで、多目的最適化にも着手しました。モノマー設計変数をRDKitで生成し、Gaussianで物性候補を計算、NSGA-IIを用いて物性Aと物性Bのパレート解を探索するフローを確立しました。この手法により、互いに相反しがちな物性のバランスを自動的に最適化できるため、開発初期段階での候補絞り込みが効率化されています。

これらの成果によって、東ソーは開発期間の短縮や試作コストの低減を実現しつつ、実験リソースを戦略的に配分できる体制を整えました。また、研究者が新しい材料候補を検討する際に必要な情報が一元化されたことで、セミナーや共同研究の迅速な意思決定にも貢献しています。

参照元：東ソー公式HP https://www.tosoh.co.jp/technology/assets/20-3-1.pdf

今後の展望

今後は、シミュレーションデータと実験データの統合をより一層進め、相互に補完し合う形で材料設計のフィードバックループを構築する取り組みが想定されます。シミュレーション結果を記述子として機械学習モデルに活用し、そのモデルを実測値の予測や他物性への展開に応用することで、効率的な特性予測が可能となると見られています。

また、多次元データの可視化には、クラスタリングや次元削減といった解析手法の導入が有効であり、複雑な材料設計において直感的な判断を支援する基盤となることが期待されます。さらに、クラウドベースの計算資源の活用により、シミュレーションの高速処理や大規模データの管理・解析環境を整備し、柔軟性と拡張性を兼ね備えた研究体制の構築が進むと考えられます。

これにより、高分子材料の開発効率が向上し、機能性材料の迅速な社会実装に向けた動きが加速することが見込まれます。