bars cross



畠山 歓 講師(早大:公募A04)



早稲田大学理工学術院の畠山 歓(はたけやま かん)講師および小柳津 研一(おやいづ けんいち)教授の研究グループは、多彩な形式の材料科学のデータを単一の人工知能(以下、AI)に学習させる手法を開発しました。これまで材料科学で使われるAIの予測モデルは原則として1つの形式や概念しか学習することができませんでしたが、本手法の導入により、単一のAIに40種類以上の物性、数千以上の化合物、数百以上のプロセス情報を学習・予測させ、材料科学に関する広範な知識をAIに付与することができました。今後、材料科学に限らず創薬など広範な分野に応用可能な“万能AI”を導く一つの道筋となる可能性があります。
本研究成果は、2020年7月30日(木)午前10時(英国時間)にNature系列誌『Communications Materials』のオンライン版で公開されました。



In data-intensive science, machine learning plays a critical role in processing big data. However, the potential of machine learning has been limited in the field of materials science because of the difficulty in treating complex real-world information as a digital language. Here, we propose to use graph-shaped databases with a common format to describe almost any materials science experimental data digitally, including chemical structures, processes, properties, and natural languages. The graphs can express real world’s data with little information loss. In our approach, a single neural network treats the versatile materials science data collected from over ten projects, whereas traditional approaches require individual models to be prepared to process each individual database and property. The multitask learning of miscellaneous factors increases the prediction accuracy of parameters synergistically by acquiring broad knowledge in the field. The integration is beneficial for developing general prediction models and for solving inverse problems in materials science.


Kan Hatakeyama-Sato, *Kenichi Oyaizu, Commun. Mater. 1, 49 (2020). "Integrating multiple materials science projects in a single neural network"

DOI: 10.1038/s43246-020-00052-8

Published on July 30, 2020



to top