2025年 | プレスリリース?研究成果
AIを活用し膨大な実験と理論計算のデータを統合した材料マップを開発 ―― 新しい機能性材料開発期間の大幅短縮に期待 ――
【本学研究者情报】
〇学际科学フロンティア研究所
特任准教授 橋本 佑介
【発表のポイント】
- 人工知能（础滨）を実现する一手法の机械学习を活用して実験データと计算データを融合し、材料の构造类似性をひと目で把握できる「材料マップ」（注1）を构筑しました。
- 未知の高性能材料の类似体を迅速に抽出でき、研究者が既存の合成手法を転用して次のターゲット材料を容易に选定することが可能になります。
- 今后、新材料开発期间の大幅な短缩につながることが期待されます。
【概要】
これまで材料开発では、理论计算による予测と実験による検証が分离しており、効率的な材料探索が课题となっていました。
东北大学学际科学フロンティア研究所寄附研究部門「ナノ材料プロセスデータ科学」の 橋本佑介特任准教授と笘居高明教授、同大学材料科学高等研究所（WPI-AIMR）の賈 雪（ジヤ シユエ）助教と李 昊（ハオ リー）教授らの研究グループは、実験と代表的な理論計算の第一原理計算データを統合した大規模データセットにメッセージパッシング型グラフニューラルネットワーク（MPNN）（注2） を适用し、材料の热电特性と构造类似性を一望できる「材料マップ」の构筑に成功しました。マップ上では构造的に近い材料が近接して配置されます。似た构造の材料は似た手法で合成?评価されることが多く、既存の合成手法を生かして次のターゲット材料を选定するときの効率化に贡献します。
このマップを活用することで、実験研究者が未知の高性能材料において构造的に类似するものを短时间で抽出し、既存の合成手法を転用して次のターゲット材料を容易に选定することが可能になります。新材料开発期间の大幅な短缩につながることが期待される成果です。
本研究成果は、2025年7月28日（現地時間）に科学誌APL Machine Learningのオンライン版にて公開されました。
図1. 本研究におけるデータ分析の流れ
実験データと計算データを機械学習を通して融合し、結晶グラフ、深層学習、次元削減などのデータ科学的手法を駆使して、材料マップを构筑しました。
【用语解説】
注1. 材料マップ
高次元材料データを 2 次元平面上に投影し、材料間の類似性を直感的に可視化したもの。
注2. メッセージパッシング型グラフニューラルネットワーク（MPNN）
原子をノード、结合をエッジとして表现したグラフ上で、各ノードが隣接ノード?エッジからメッセージを受け取り集约?更新し、材料物性を予测する汎用的グラフニューラルネットワーク手法。
【论文情报】
タイトル：A Materials Map Integrating Experimental and Computational Data via Graph-Based Machine Learning for Enhanced Materials Discovery
著者：Y. Hashimoto*, X. Jia, H. Li, T. Tomai
*責任著者：東北大学 学際科学フロンティア研究所 特任准教授 橋本 佑介
掲載誌：APL Machine Learning
DOI:
问い合わせ先
（研究に関すること）
东北大学学际科学フロンティア研究所
特任准教授 橋本 佑介
TEL: 022-795-5630
Email: yusuke.hashimoto.b8*tohoku.ac.jp
（*を蔼に置き换えてください）
（报道に関すること）
东北大学材料科学高等研究所（奥笔滨-础滨惭搁）
広报戦略室
TEL: 022-217-6146
Email: aimr-outreach*grp.tohoku.ac.jp
（*を蔼に置き换えてください）
东北大学は持続可能な开発目标（厂顿骋蝉）を支援しています