JP2021149449A - 物質探索装置、物質探索方法及びプログラム - Google Patents
物質探索装置、物質探索方法及びプログラム Download PDFInfo
- Publication number
- JP2021149449A JP2021149449A JP2020048152A JP2020048152A JP2021149449A JP 2021149449 A JP2021149449 A JP 2021149449A JP 2020048152 A JP2020048152 A JP 2020048152A JP 2020048152 A JP2020048152 A JP 2020048152A JP 2021149449 A JP2021149449 A JP 2021149449A
- Authority
- JP
- Japan
- Prior art keywords
- substance
- search
- specific
- specific substance
- spectral characteristics
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
- Blast Furnaces (AREA)
- Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
Abstract
【課題】所望の特性を有する特定物質をより容易に得ることができる新規な物質探索装置及び物質探索方法を提供する。【解決手段】物質探索装置は、所定の特性を有する特定物質の探索を行うものであって、特定物質の合成条件とこの特定物質の物性の評価値とこの特定物質のスペクトル特性とを含み全探索点に比して少数である完全実測結果と、特定物質の合成条件とこの特定物質のスペクトル特性とを含み全探索点に比して少数である簡易実測結果と、を含む実測情報を取得する取得部と、実測情報に基づいて特定物質のより好適な特性の評価値を有する特定物質が示すスペクトル特性の予測範囲を特定する特定部と、スペクトル特性の予測範囲を有する特定物質を最適化手法によって探索し探索した結果を出力する探索部とを備える。【選択図】図1
Description
本明細書では物質探索装置、物質探索方法及びプログラムを開示する。
従来、ホッパーから排出される混合原料の体積流量速度を決定し、ホッパーから混合原料を連続的に排出する際、当該ホッパーの重量を測定し、測定されたホッパーの重量に基づいて、所定時刻における混合原料の質量流量速度を求め、求めた混合原料の質量流量速度に基づいて、混合原料のうち母相原料に添加される添加原料の混合比率を推定するステップを含む原料混合比率確定方法が提案されている(例えば、特許文献1参照)。この方法では、高炉に複数種の原料を混合して装入する際において、混合原料の混合比率を簡易に推定することができるとしている。
しかしながら、上述の特許文献1では、製造中において混合原料の供給速度が変化した際に、添加する添加原料の供給速度を推定することができるが、混合原料と添加原料との好適な比率を求めるものではなかった。即ち、例えば、主元素と添加元素との比率に応じて特性が変化する特定の物質があるときに、特許文献1では、この添加元素の好適な添加量を求めるものではなかった。このような特定の物質において、所望の物性の評価に時間がかかる場合、より良好な特性を有する物質を得るためには、多大な労力を要していた。
本開示は、このような課題に鑑みなされたものであり、所望の特性を有する特定物質をより容易に得ることができる新規な物質探索装置、物質探索方法及びプログラムを提供することを主目的とする。
上述した目的を達成するために鋭意研究したところ、本発明者らは、比較的容易に評価することができるスペクトル特性を主として用いることによって、特定物質の特性評価を代用して良好な特性を有する特定物質を探索することができることを見いだし、本明細書で開示する発明を完成するに至った。
即ち、本明細書で開示する物質探索装置は、
所定の特性を有する特定物質の探索を行う物質探索装置であって、
前記特定物質の合成条件と該特定物質の前記物性の評価値と該特定物質のスペクトル特性とを含み全探索点に比して少数である完全実測結果を含む実測情報を取得する取得部と、
前記実測情報に基づいて前記特定物質のより好適な前記特性の評価値を有する特定物質が示すスペクトル特性の予測範囲を特定する特定部と、
前記スペクトル特性の予測範囲を有する特定物質を最適化手法によって探索し、探索した結果を出力する探索部と、
を備えたものである。
所定の特性を有する特定物質の探索を行う物質探索装置であって、
前記特定物質の合成条件と該特定物質の前記物性の評価値と該特定物質のスペクトル特性とを含み全探索点に比して少数である完全実測結果を含む実測情報を取得する取得部と、
前記実測情報に基づいて前記特定物質のより好適な前記特性の評価値を有する特定物質が示すスペクトル特性の予測範囲を特定する特定部と、
前記スペクトル特性の予測範囲を有する特定物質を最適化手法によって探索し、探索した結果を出力する探索部と、
を備えたものである。
本明細書で開示する物質探索方法は、
所定の特性を有する特定物質の探索を行う物質探索方法であって、
前記特定物質の合成条件と前記特定物質の前記物性の評価値と該特定物質のスペクトル特性とを含み全探索点に対して少数である完全実測結果を含む実測情報を取得する取得ステップと、
前記合成条件により生成された前記特定物質のスペクトル特性に基づいて前記特定物質のより好適な前記特性の評価値を有する特定物質が示すスペクトル特性の予測範囲を特定する特定ステップと、
前記スペクトル特性の予測範囲を有する特定物質を最適化手法によって探索し、探索した結果を出力する探索ステップと、
を含むものである。
所定の特性を有する特定物質の探索を行う物質探索方法であって、
前記特定物質の合成条件と前記特定物質の前記物性の評価値と該特定物質のスペクトル特性とを含み全探索点に対して少数である完全実測結果を含む実測情報を取得する取得ステップと、
前記合成条件により生成された前記特定物質のスペクトル特性に基づいて前記特定物質のより好適な前記特性の評価値を有する特定物質が示すスペクトル特性の予測範囲を特定する特定ステップと、
前記スペクトル特性の予測範囲を有する特定物質を最適化手法によって探索し、探索した結果を出力する探索ステップと、
を含むものである。
本開示の物質探索装置及び物質探索方法では、特定物質の合成条件と特定物質の物性の評価値とこの特定物質のスペクトル特性とを含み全探索点に対して少数である完全実測結果を含む実測情報を取得し、合成条件により生成された特定物質のスペクトル特性に基づいて特定物質のより好適な特性の評価値を有する特定物質が示すスペクトル特性の予測範囲を特定し、スペクトル特性の予測範囲を有する特定物質を最適化手法によって探索し、探索した結果を出力する。この装置では、特定物質の特性を評価する評価値の測定に時間がかかるなど、特性の評価に困難性があるときに、特性の評価に比して簡便に測定可能である特定物質のスペクトル特性を代用することにより、より好適な特性を有する特定物質を探索する。したがって、本開示では、所望の特性を有する特定物質をより容易に得ることができる。
(物質探索装置)
本明細書で開示する物質探索装置の実施形態を図面を参照しながら以下に説明する。図1は、物質探索システム10の一例を示す概略説明図である。図2は、表示装置28に表示される探索画面40の一例を示す説明図である。物質探索システム10は、所定の特性を有する特定物質の探索を行うシステムである。この物質探索システム10は、物質合成装置13と、特性評価装置14と、スペクトル特性評価装置16と、物質探索装置20とを備える。各装置は、LANなどのネットワーク12に接続されており、情報の送受信が可能に構成されている。なお、各装置は、ネットワーク12に接続されていなくてもよい。まず、探索する物質である特定物質について説明する。
本明細書で開示する物質探索装置の実施形態を図面を参照しながら以下に説明する。図1は、物質探索システム10の一例を示す概略説明図である。図2は、表示装置28に表示される探索画面40の一例を示す説明図である。物質探索システム10は、所定の特性を有する特定物質の探索を行うシステムである。この物質探索システム10は、物質合成装置13と、特性評価装置14と、スペクトル特性評価装置16と、物質探索装置20とを備える。各装置は、LANなどのネットワーク12に接続されており、情報の送受信が可能に構成されている。なお、各装置は、ネットワーク12に接続されていなくてもよい。まず、探索する物質である特定物質について説明する。
特定物質は、原料材料を所定の合成条件で作製されたものであり、所定の特性を有する。この特定物質は、例えば、特性の評価値とその他の何らかのスペクトル特性を有するものとしてもよい。このスペクトル特性は、構造を評価したものとしてもよい。特に限定されないが、具体的には、特定物質は、蓄電デバイスに用いられる材料であり、所定の特性は蓄電デバイスに関する特性であるものとしてもよい。蓄電デバイスとしては、例えば、ハイブリッドキャパシタ、疑似電気二重層キャパシタ、リチウムやナトリウムのアルカリ金属二次電池、アルカリ金属イオン電池、空気電池などが挙げられる。蓄電デバイスに用いられる材料としては、例えば、正極材料、負極材料、イオン伝導媒体、セパレータ、集電体、ケースなどが挙げられる。正極材料としては、例えば、正極活物質、導電材、結着材などが挙げられる。負極材料としては、例えば、負極活物質、導電材、結着材などが挙げられる。イオン伝導媒体としては、例えば、固体電解質、電解液、支持塩などが挙げられる。正極活物質、負極活物質及び固体電解質などにおいては、複合酸化物を特定物質として挙げることができる。このとき、原料の合成条件としては、原料元素の配合比や、焼成温度、焼成時間、焼成時の雰囲気ガス種などが挙げられる。特性の評価値としては、例えば、イオン伝導度、電気伝導度、充放電容量、レート特性、充放電サイクルの容量維持率、60℃以上の高温保存特性、充放電エネルギー効率などが挙げられる。また、スペクトル特性としては、XRD測定、XAFS測定、FT−IR測定、ラマン測定、AES測定、NMR測定、ESR測定などが挙げられる。ここでは、説明の便宜のため、特定物質として複合酸化物、ターゲット特性としてイオン伝導度、スペクトル特性としてXRDスペクトルを一例として説明する。
物質合成装置13は、1以上の原料を適量秤量し混合する治具と、混合原料を基材上に形成する治具と、形成した原料を加熱する加熱部とを備える。この物質合成装置13は、原料を用いて所定の合成条件により、特定物質を合成することができる。
特性評価装置14は、特定物質の特性を評価する装置であり、イオン伝導度を測定する装置である。特性評価装置14は、イオン伝導度を測定するための電極を形成する治具と、イオン伝導度を測定する物質を含む試験セルを接続する端子と、試験セルを評価温度に調節して収容する恒温槽と、試験セルに交流電流を印加する交流インピーダンスアナライザとを備える。
スペクトル特性評価装置16は、特定物質の構造に関するスペクトルを測定する装置であり、X線回折測定装置である。スペクトル特性評価装置16は、試料を取り付けて入射線に対して結晶の方位を調節するゴニオメータと、試料を介して回折したX線を検出する検出器と、測定結果のXRDスペクトルを解析及び出力する制御部とを備える。
物質探索装置20は、特性評価装置14で評価した評価値と、スペクトル特性評価装置16で測定したスペクトル特性とを入力して特定物質の探索を行う装置である。この物質探索装置20は、制御部21と、記憶部26と、入力装置27と、表示装置28とを備える。制御部21は、CPU22を中心とするマイクロプロセッサとして構成されており、装置全体を制御する。また、制御部21には、機能ブロックとして取得部23と、特定部24と、探索部25とを有する。取得部23は、特定物質の特性の評価値やスペクトル特性など含む実測情報30を取得する処理を行う。特定部24は、実測情報30に基づいて特定物質のより好適な特性の評価値を有する特定物質が示すスペクトル特性の予測範囲を特定する処理を行う。探索部25は、スペクトル特性の予測範囲を有する特定物質を最適化手法によって探索し、探索した結果を出力する処理を行う。記憶部26は、例えば、HDDなど、大容量の記憶装置として構成されており、実測情報30や物質探査プログラム33が記憶されている。入力装置27は、各種入力を行うマウスやキーボードなどを含む。表示装置28は、画面を表示するものであり、例えば液晶ディスプレイである。
ここで、記憶部26に記憶されている実測情報30及び物質探査プログラム33について説明する、実測情報30には、特定物質を実際に作製して評価した結果の情報として、完全実測結果31と、簡易実測結果32とが含まれる。完全実測結果31には、特定物質の合成条件とこの特定物質の物性の評価値とこの特定物質のスペクトル特性とが含まれる。簡易実測結果32には、特定物質の合成条件とこの特定物質のスペクトル特性とが含まれる。簡易実測結果32は、完全実測結果31を用いた探索のあと、2回目以降の探索に加えられる実測結果である。物質探査プログラム33は、完全実測結果及び簡易実測結果によりスペクトル変化と特性値の変化との傾向から好適な特性を示すスペクトル特性を予測し、このスペクトル特性からより好適な特定物質の合成条件(配合比)を予測する処理を行うプログラムである。この物質探査プログラム33には、機械学習モデル34や最適化手法35が含まれている。機械学習モデル34は、実測情報30を用いてより好適な特性を示すスペクトル特性の予測範囲を求めるモデルである。この機械学習モデル34は、例えば、線形回帰、カーネルリッジ、サポートベクター、XGBoost、ランダムフォレスト及びニューラルネットワークのうち1以上としてもよい。最適化手法35は、スペクトル特性の好適な予測範囲に入る特定物質を探索するものである。この最適化手法35は、例えば、勾配法、ニュートン法、ベイズ推定、単体法及び遺伝的アルゴリズムのうち1以上としてもよい。
(物質探索方法)
次に、こうして構成された本実施形態の物質探索装置20の動作、特に、物質探索装置20が実行する物質探索方法について説明する。ここでは、まず、実験者が実験を行い、特定物質の合成条件に対応する特定物質の物性の評価値と特定物質のスペクトル特性とを測定した比較的少数(例えば30件以下など)の完全実測結果を得る。例えば、3元系材料AxByC1-x-yで、x、yを0.01ずつ変化させることができる場合、全探索点Nは、100C3=100×99×98÷(3×2)=161700件となる。そのような膨大なNに対して、完全実測結果が少ない状況で、かつ、最適な特性が得られると予測される材料が含まれていない場合に有益性が増す。この物質検索方法では、完全実測結果の傾向を利用して、これらの実測結果に比して多数の探索点に対して物質探査を行う。完全実測結果を得ると、実験者は、上記実測結果を取得したあと、物質探索装置20で物質探査プログラム33を実行させる。図2は、制御部21のCPU22により実行される物質探索処理ルーチンの一例を示すフローチャートである。
次に、こうして構成された本実施形態の物質探索装置20の動作、特に、物質探索装置20が実行する物質探索方法について説明する。ここでは、まず、実験者が実験を行い、特定物質の合成条件に対応する特定物質の物性の評価値と特定物質のスペクトル特性とを測定した比較的少数(例えば30件以下など)の完全実測結果を得る。例えば、3元系材料AxByC1-x-yで、x、yを0.01ずつ変化させることができる場合、全探索点Nは、100C3=100×99×98÷(3×2)=161700件となる。そのような膨大なNに対して、完全実測結果が少ない状況で、かつ、最適な特性が得られると予測される材料が含まれていない場合に有益性が増す。この物質検索方法では、完全実測結果の傾向を利用して、これらの実測結果に比して多数の探索点に対して物質探査を行う。完全実測結果を得ると、実験者は、上記実測結果を取得したあと、物質探索装置20で物質探査プログラム33を実行させる。図2は、制御部21のCPU22により実行される物質探索処理ルーチンの一例を示すフローチャートである。
このルーチンを開始すると、CPU22は、探索画面40を表示装置28に表示出力させる(S100)。図3は、探索画面40の一例を示す説明図である。実験者は、探索画面40に表示されている内容にしたがって、必要な上記実測結果を物質探索装置20へ入力する。探索画面40には、カーソル41や試料名入力欄42、合成条件入力欄43、物性評価入力欄44、スペクトル情報入力欄45、探索結果表示欄46などが含まれる。カーソル41は、表示された内容を選択する際などに用いられる。試料名入力欄42には、実測した試料のIDなどが入力される。合成条件入力欄43には、実測した特定物質の元素種別や配合組成、焼成条件などが入力される。物性評価入力欄44には、特性評価装置14で測定された特性の種別や測定値などが入力される。スペクトル情報入力欄45には、スペクトル特性評価装置16で測定された構造評価種別やスペクトル特性のファイルなどが入力される。探索結果表示欄46には、探索開始キー55の押下のあと探索結果である最適特性を有する特定物質の組成比などが表示される。また、探索画面40には、実測情報30の一覧を表示させる一覧表示キー51や、入力データを削除する削除キー52、入力したデータを登録する登録キー53、データの登録が終了したときに押下される確定キー54、確定したデータで物質探索を開始する探索開始キー55などが配置されている。実験者は、各キーを操作し、特定物質の探査を実行するためのデータなどをこの探索画面40に入力する。
次に、CPU22は、探索画面40に入力されたデータを完全実測結果として取得し、実測情報30に記憶させる(S110)。次に、完全実測結果の中でスペクトル特性の類似度を表すピアソンの相関係数(以下、単に相関係数とも称する)の絶対値の和が最小になる1以上の基準物質を合成条件に基づいて設定する(S120)。例えば、4種の元素を任意比率で配合する合成条件である場合、完全実測結果に含まれる配合比の異なる4つの特定物質を基準物質として設定する。ピアソン相関係数は、後述する数式(1),(2)で表され、2つの物質の間の相似性を表す係数であり、スペクトル特性から求めることができる。スペクトル特性には、ピーク位置やピーク強度などが含まれ、そのままでは2つの物質間の類似度を規定するのは困難であるが、ピアソン相関係数では、2つの物質間の類似度を1つの値として評価することができる。この探索処理では、実測していない探索対象を基準物質の間に設定することから、基準物質として、できるだけ類似していない複数種の特定物質を選定する。
次に、CPU22は、完全実測結果を含む合成条件により生成された特定物質と基準物質との相関係数を説明変数として所望の特性を予測する機械学習モデルを構築する(S130)。CPU22は、例えば、設定した4つの基準物質と、探索対象の特定物質とのスペクトル特性の相関係数から成るベクトルβ=(β1,β2,β3,β4)を機械学習モデルにおける説明変数とし、予測モデルを構築する。続いて、CPU22は、所望の特性がより向上する特定物質のスペクトル特性と基準物質のスペクトル特性との相関係数の予測範囲を特定する(S140)。ここで、CPU22は、機械学習モデルにおいて、特定物質間のスペクトル特性の類似度を相関係数を用いて評価し、有限個の基準物質の相関係数のみを説明変数として用い、相関係数の予測範囲を特定する。CPU22は、例えば、完全実測結果に含まれる特性の評価値と、上述した方法で選定した基準物質のスペクトル特性と完全実測結果に含まれるスペクトル特性間の類似度の傾向から最適な特性が得られると予測される材料が有するべき特定の基準物質に対する類似度(相関係数)の範囲を求める(後述表2参照)。
次に、CPU22は、最適化手法により上記特定した予測範囲に入る特定物質の合成条件を探索結果として求める(S150〜S170)。具体的には、完全実測結果及び簡易実測結果のスペクトル特性の基準物質に対する相関係数と上記最適な特性が得られると予想される材料が有するべき特定の基準物質に対する相関係数とのマンハッタン距離を測り、距離が小さい順に並べ替え(S150)、合成条件の集合に入っていない探索点を勾配法のルールに従いn個構成し、この探索点を合成条件の集合に加える(S160)。合成条件としては、原料の配合比、例えば、特定物質が複数の元素を含む複合酸化物であるとき、この元素の配合比を設計変数として用いることができる。上記合成条件の集合に入っていない探索点(原料の合成条件)を物質合成装置13に出力する。物質合成装置13は、それに従い材料を合成する。スペクトル特性評価装置16で合成した材料のスペクトル評価を行う。続いて、CPU22は、このスペクトル特性と基準物質のスペクトル特性との相関係数が上記最適な特性が得られると予想される材料が有するべき特定の基準物質に対する相関係数の予測範囲内にあるか否かを判定し(S170)、相関係数が予測範囲外であるときには、S150以降の処理を実行する。即ち、CPU22は、実測結果にない次の新たな探索点を勾配法のルールに従いn個構成し、この探索点を合成条件の集合に加え、その探索点のスペクトル特性がS140で特定した予測範囲内になるまで、繰り返す。この最適化手法では、例えば、最も距離が小さいx0と次に距離が小さいx1とを用いて、x0+(x0−x1)/2のように離散的な勾配を基に探索点を求め、合成条件の集合に加える。このとき、勾配法のルールに従って構成された探索点が、合成条件の集合が持つ条件を満たさない場合は、条件を満たすように、下記のように値を調整する。具体的には、x0、x1を用いて構成された探索点xが合成条件の下限値を下回った場合にはx=x0/2、上限値を上回った場合にはx=(上限値+x0)/2とする。こうして求めた探索点が予測範囲内に到達するまでS150〜S170の処理を繰り返す。S170で相関係数が予測範囲内に至ると、CPU22は、探索結果として、相関係数が予測範囲内に入った特定物質の配合比などを含む合成条件を探索結果として記憶部26に記憶し、探索結果を探索画面40の探索結果表示欄46に表示出力し(S180)、このルーチンを終了する。図3の吹き出しに示すように、探索結果表示欄46には、例えば、基準物質との相関係数rやマンハッタン距離のずれd(r)、原料元素の最適な配合比などが表示出力される。
以上説明した本実施形態の物質探索装置、物質探索方法及びそのプログラムでは、特定物質の合成条件と特定物質の物性の評価値とこの特定物質のスペクトル特性とを含み全探索点に対して少数である実測情報を取得し、合成条件により生成された特定物質のスペクトル特性に基づいて特定物質のより好適な特性の評価値を有する特定物質が示すスペクトル特性の予測範囲を特定し、スペクトル特性の予測範囲を有する特定物質を最適化手法によって探索し、探索した結果を出力する。この装置では、特定物質の特性を評価する評価値の測定に時間がかかるなど、特性の評価に困難性があるときに、特性の評価に比して簡便に測定可能である特定物質のスペクトル特性を代用することにより、より好適な特性を有する特定物質を探索する。したがって、本実施形態の物質探索装置及び物質探索方法では、所望の特性を有する特定物質をより容易に得ることができる。
なお、本開示は上述した実施形態に何ら限定されることはなく、本開示の技術的範囲に属する限り種々の態様で実施し得ることはいうまでもない。
例えば、上述した実施形態では、特定物質を蓄電デバイスに用いられる材料として説明したが、特にこれに限定されず、例えば、触媒や、吸着材、超伝導材など、様々な材料としてもよい。
上述した実施形態では、最適化手法を用いて、より好適な特性を示す特定物質を探索するものとしたが、特にこれに限定されず、無作為抽出によってより好適な特性を示す特定物質を探索するものとしてもよい。無作為抽出では、探索精度が最適化手法に比して低く、探索時間が最適化手法に比して長いが、計算によってより好適な特性を有している特定物質を探索することができるため、所望の特性を有する特定物質をより容易に得ることができる。
以下には、本開示の物質探索方法及び物質探索装置を具体的に検討した例を実験例として説明する。
まず、上述した物質探索方法を実行するプログラムを作成し、物質探索装置を作製した。この物質探索装置は、比較的時間を要する特性評価を含み配合比に対応する特性評価とスペクトル特性を測定した完全実測結果を少なく取得し、完全実測結果によりスペクトル特性の類似度の変化と特性の評価値の変化との傾向から好適な特性を示すスペクトル特性の類似度の範囲を予測し、最適化アルゴリズムを用いてこの範囲に近づくように配合比を探索結果として出力する処理を行う。図4は、物質探索処理のモデルの一例を示す説明図である。図4に示すモデルを以下説明する。
1.探索方法
原料の配合比、合成条件の集合をS、ある特定の配合比、合成条件xにより生成された物質が持つ、所望の特性をy(x)、物質のスペクトル特性をwx(2θ)、集合Sのすべての要素により生成された材料のスペクトル特性の集合をwS(2θ)と定義する。所望の特性y(x)をより向上する合成条件xを求める最適化問題の解を、以下の手順に従って求めるものとした。
(1)原料の合成をm回行い、合成条件xに対する所望の特性y(x)、スペクトル特性wx(2θ)を測定し、完全実測結果を求める。また、このときの合成条件の集合S’とする。
(2)上記の完全実測結果の中でスペクトル特性wx(2θ)の類似度を表すピアソンの相関係数(以下、単に相関係数とも称する)の絶対値の和が最小になるm’個を基準物質Bとする。
(3)完全実測結果を含む合成条件xにより生成された物質と基準物質との相関係数を説明変数として特性y(x)を予測する機械学習モデルを構築し、特性y(x)がより向上する物質のスペクトル特性wx(2θ)と基準物質のスペクトル特性wB(2θ)との相関係数の予測範囲を求める。
(4)完全実測結果(2回目以降の探索では簡易実測結果も含む)のスペクトル特性wx(2θ)と相関係数の予測範囲とのずれd(r)をマンハッタン距離で測り、ずれd(r)が小さい順にx0、x1,…と並べ替える。
(5)集合S’に入っていない探索点xを勾配法のルールに従いn個構成する。勾配法のルールの一例は、次式(1)で表される。
(6)探索点xが合成条件の集合に含まれるようにxの調整を行う。
(7)探索点xで示された合成条件に従って原料の合成を行い、探索点xに対する特性y(x)を測定せず合成条件xにおけるスペクトル特性wx(2θ)のみを測定した簡易実測結果を得る。これを集合S’に加え、上記(4)、(5)、(6)、(7)の処理を相関係数の予測範囲近傍に達するまで繰り返し、得られた探索点の合成条件xを出力する。最適化手法では、最も距離が小さいx0と次に距離が小さいx1とを用いて、探索点を x0+(x0−x1)/2のように離散的な勾配を基に求め、合成条件の集合に加える。この時、勾配法のルールに従って構成された探索点に対し、x0、x1を用いて構成された探索点xが合成条件の下限値を下回った場合にはx=x0/2、上限値を上回った場合にはx=(上限値+x0)2とし、xを正規化して合成条件の集合Sの要素に射影した上で、xを合成条件に加える。こうして求めた探索点が予測範囲近傍に到達するまで上記の手順を繰り返す。
ここで、合成条件xiおよびxjによって生成された物質のスペクトル特性wxi(2q)とwxj(2q)の間のピアソンの相関係数r(xi,xj)は、数式(1),(2)で表される。この相関係数rは、−1〜1の値を取り、スペクトル特性wxi(2θ)とスペクトル特性wxj(2θ)との間の類似性を表す指標として用いることができる。両者に完全な正の相関がある場合にはr=1、完全な負の相関がある場合にはr=−1、相関がない場合にはr=0となる。
原料の配合比、合成条件の集合をS、ある特定の配合比、合成条件xにより生成された物質が持つ、所望の特性をy(x)、物質のスペクトル特性をwx(2θ)、集合Sのすべての要素により生成された材料のスペクトル特性の集合をwS(2θ)と定義する。所望の特性y(x)をより向上する合成条件xを求める最適化問題の解を、以下の手順に従って求めるものとした。
(1)原料の合成をm回行い、合成条件xに対する所望の特性y(x)、スペクトル特性wx(2θ)を測定し、完全実測結果を求める。また、このときの合成条件の集合S’とする。
(2)上記の完全実測結果の中でスペクトル特性wx(2θ)の類似度を表すピアソンの相関係数(以下、単に相関係数とも称する)の絶対値の和が最小になるm’個を基準物質Bとする。
(3)完全実測結果を含む合成条件xにより生成された物質と基準物質との相関係数を説明変数として特性y(x)を予測する機械学習モデルを構築し、特性y(x)がより向上する物質のスペクトル特性wx(2θ)と基準物質のスペクトル特性wB(2θ)との相関係数の予測範囲を求める。
(4)完全実測結果(2回目以降の探索では簡易実測結果も含む)のスペクトル特性wx(2θ)と相関係数の予測範囲とのずれd(r)をマンハッタン距離で測り、ずれd(r)が小さい順にx0、x1,…と並べ替える。
(5)集合S’に入っていない探索点xを勾配法のルールに従いn個構成する。勾配法のルールの一例は、次式(1)で表される。
(6)探索点xが合成条件の集合に含まれるようにxの調整を行う。
(7)探索点xで示された合成条件に従って原料の合成を行い、探索点xに対する特性y(x)を測定せず合成条件xにおけるスペクトル特性wx(2θ)のみを測定した簡易実測結果を得る。これを集合S’に加え、上記(4)、(5)、(6)、(7)の処理を相関係数の予測範囲近傍に達するまで繰り返し、得られた探索点の合成条件xを出力する。最適化手法では、最も距離が小さいx0と次に距離が小さいx1とを用いて、探索点を x0+(x0−x1)/2のように離散的な勾配を基に求め、合成条件の集合に加える。この時、勾配法のルールに従って構成された探索点に対し、x0、x1を用いて構成された探索点xが合成条件の下限値を下回った場合にはx=x0/2、上限値を上回った場合にはx=(上限値+x0)2とし、xを正規化して合成条件の集合Sの要素に射影した上で、xを合成条件に加える。こうして求めた探索点が予測範囲近傍に到達するまで上記の手順を繰り返す。
ここで、合成条件xiおよびxjによって生成された物質のスペクトル特性wxi(2q)とwxj(2q)の間のピアソンの相関係数r(xi,xj)は、数式(1),(2)で表される。この相関係数rは、−1〜1の値を取り、スペクトル特性wxi(2θ)とスペクトル特性wxj(2θ)との間の類似性を表す指標として用いることができる。両者に完全な正の相関がある場合にはr=1、完全な負の相関がある場合にはr=−1、相関がない場合にはr=0となる。
2.探索例
上述した探索方法を用いて、特定物質の物質探索を行った。ここでは、Ca、Nb、Ta、Bi及び酸素を含む複合酸化物であるCaaNbbTacBidOe(a〜eは任意の定数)について検討した。この複合酸化物の特性をイオン伝導度とし、イオン伝導度をより向上する複合酸化物の組成を探索した。
上述した探索方法を用いて、特定物質の物質探索を行った。ここでは、Ca、Nb、Ta、Bi及び酸素を含む複合酸化物であるCaaNbbTacBidOe(a〜eは任意の定数)について検討した。この複合酸化物の特性をイオン伝導度とし、イオン伝導度をより向上する複合酸化物の組成を探索した。
[複合酸化物の作製]
CaaNbbTacBidOe(a〜eは任意の定数)のライブラリ膜を以下の手順で作製した。(1)各元素の原料である高純度化学製EMODコート剤を用いて、所望の元素比になるように各コート剤をマイクロプレート上に分注した。(2)そのマイクロプレートをミキサーにセットし、60分間振動攪拌して前駆体溶液を作製した。(3)前駆体溶液をプラズマ処理したアルミナ基板(30mm×30mm)に滴下した。その際、ステンレスマスクを用いて、1基板当たり6×6=36箇所(36組成)滴下し、1か所当たり3mm×3mmとなるようにした。(4)大気中で120℃、5分乾燥後、600℃、30分焼成した。(1)〜(4)を6回繰り返すことで、厚膜化した。その後、600℃、30分焼成を行った。
CaaNbbTacBidOe(a〜eは任意の定数)のライブラリ膜を以下の手順で作製した。(1)各元素の原料である高純度化学製EMODコート剤を用いて、所望の元素比になるように各コート剤をマイクロプレート上に分注した。(2)そのマイクロプレートをミキサーにセットし、60分間振動攪拌して前駆体溶液を作製した。(3)前駆体溶液をプラズマ処理したアルミナ基板(30mm×30mm)に滴下した。その際、ステンレスマスクを用いて、1基板当たり6×6=36箇所(36組成)滴下し、1か所当たり3mm×3mmとなるようにした。(4)大気中で120℃、5分乾燥後、600℃、30分焼成した。(1)〜(4)を6回繰り返すことで、厚膜化した。その後、600℃、30分焼成を行った。
(X線回折測定:XRD)
得られた複合酸化物の粉末に対してX線回折測定を行った。この測定は、リガク社製のXRD装置smart−Labを使用した。測定は、Cu管球を用い、2θが25〜70°の範囲、0.01°stepで行った。Spring−8にてDECTRIS製2次元検出器(PILATUS 300K)を用いてライブラリ膜のXRDスペクトルの測定を行った。試料へのX線の入射角は7.5°とし、検出器をX線に対して15°傾けた状態で、波長0.8Åの放射光を用いて測定した。得られたXRDスペクトルを2θが24〜65.95°の範囲で0.05°stepとなるように加工したうえで、Al2O3基板に由来するピークのデータを削除した。
得られた複合酸化物の粉末に対してX線回折測定を行った。この測定は、リガク社製のXRD装置smart−Labを使用した。測定は、Cu管球を用い、2θが25〜70°の範囲、0.01°stepで行った。Spring−8にてDECTRIS製2次元検出器(PILATUS 300K)を用いてライブラリ膜のXRDスペクトルの測定を行った。試料へのX線の入射角は7.5°とし、検出器をX線に対して15°傾けた状態で、波長0.8Åの放射光を用いて測定した。得られたXRDスペクトルを2θが24〜65.95°の範囲で0.05°stepとなるように加工したうえで、Al2O3基板に由来するピークのデータを削除した。
(イオン伝導度測定)
ライブラリ膜のイオン伝導度を以下の方法で評価した。Veeco製表面形状測定器(DEKTAK3)を用いてライブラリ膜の膜厚を測定し、イオン伝導度を決める際にその結果を用いた。2端子法でインピーダンス測定ができる自作装置で、ライブラリ膜の中心箇所0.5mm×3mmの測定を行うために、スパッタによりライブラリ膜の上にPt電極(膜厚1μm)を形成した。電極は700℃、30分熱処理を施すことで仕上げた。評価用試料を自作装置のチャンバー内にセットし、酸素濃度が10ppm程度になるまで窒素ガスで置換した後、ヒータにより700℃までライブラリ膜を加熱し、日置電機製LCRメータ(3522−50)を用いて1Hz〜100kHzの周波数で評価し、イオン伝導度を求めた。このように、伝導度測定は、試料を作製したのち電極を形成して測定しなければならず、XRD測定に比して比較的労力を有する。
ライブラリ膜のイオン伝導度を以下の方法で評価した。Veeco製表面形状測定器(DEKTAK3)を用いてライブラリ膜の膜厚を測定し、イオン伝導度を決める際にその結果を用いた。2端子法でインピーダンス測定ができる自作装置で、ライブラリ膜の中心箇所0.5mm×3mmの測定を行うために、スパッタによりライブラリ膜の上にPt電極(膜厚1μm)を形成した。電極は700℃、30分熱処理を施すことで仕上げた。評価用試料を自作装置のチャンバー内にセットし、酸素濃度が10ppm程度になるまで窒素ガスで置換した後、ヒータにより700℃までライブラリ膜を加熱し、日置電機製LCRメータ(3522−50)を用いて1Hz〜100kHzの周波数で評価し、イオン伝導度を求めた。このように、伝導度測定は、試料を作製したのち電極を形成して測定しなければならず、XRD測定に比して比較的労力を有する。
次に、複合酸化物であるCaaNbbTacBidOeの各元素を所定の組成で含む288種類の物質(α(0)〜α(277)と表記する)のイオン伝導度とXRDスペクトルの測定データとを用いて上記の物質探索方法の有効性を検証した。具体的には、Ca、Nb、Ta、Biの混合比をx、これらを混合して生成された物質が持つイオン伝導度の常用対数を取った値をy、生成された物質のXRDスペクトルをwx(2θ)、288種類の物質の混合比(合成条件)の集合をSとし、予め選定した68個の材料を“最初にランダムに選定して合成した試料”と見なし、上記の探索手法を適用してイオン伝導度が大きくなる合成条件を求めた。そしてこれらの結果を、全ての候補材料を無作為に選んだ場合の結果と比較した。機械学習を行う際には集合Sの中から無作為に68個を選んで合成条件の集合S’を生成した。その際に、表1に示す3つのデータを正解と想定して教師データから除外した。集合S’の中で相関係数rの絶対値の和が最も小さい、即ち類似度が最も小さい4つの要素を基準材料Bと定義した。例えば、今回の実施例では、α(47)、α(65)、α(185)、α(276)が選ばれた。そして、選定した4つの基準材料と材料xiとのスペクトル特性の相関係数sから成るベクトルβ=(β1,β2,β3,β4)=(r(x47,xi)、r(x65,xi)、r(x185,xi)、r(x276,xi))を機械学習における説明変数とし、ランダムフォレストによって予測モデルを構築した。図5は、探索した複合酸化物のXRDスペクトルデータの具体例である。また、図6は、作成した機械学習モデルの予測精度を検証した結果である。図6において、横軸がイオン伝導度σの測定結果であり、縦軸が機械学習モデルによる予測値σであり、R2スコアとRMSE(Root mean square error)を示した。機械学習を用いて集合S’からイオン伝導度が高くなると予測される特定物質と基準物質との相関係数の予測範囲を求めた。相関係数の予測範囲は表2のようになった。即ち、各基準物質に対して得られる相関係数が、表2に示す予測範囲内に入るものが探索結果として求められる最適な特性を有する特定物質である。
本計算では初回の集合S’の選択を除き、n=20として最適化手法によって最適値の候補となる混合比を出力し、無作為抽出した場合に比べてどれだけ少ない反復回数で最適解に到達するかを比較した。同一の初回の集合S’を用いて最適化手法および無作為抽出により、最適解の探索を1000回試行した。最適解を1000回計算する中で、最適化手法を用いた場合と無作為抽出した場合とにおいて最適解に到達するまでに要した反復回数とその平均値を表3に示す。また、最適化手法を用いた場合と無作為抽出した場合に選択された最適解x、基準材料のXRDスペクトルwB(2θ)と最適解のXRDスペクトルwx(2θ)との相関係数r、およびこのrと相関係数の予測範囲とのずれd(r)を表4に示す。表3では、ずれd(r)の小さい順に値を記載した。表3に示すように、無作為抽出によっても最適解へ到達することができることがわかった。また、最適化手法のほうが無作為抽出より少ない反復回数で最適解に到達することが確認された。また、表1、2、4から、最適化手法によって機械学習で予測された最適値の範囲に収まる最適解が求められていることが確認できた。この結果から、本開示で提案した最適化手法により、無作為抽出よりも高速に最適解が探索できることが確認できた。
なお、本明細書で開示した物質探索装置及び物質探索方法は、上述した実施例に何ら限定されることはなく、本開示の技術的範囲に属する限り種々の態様で実施し得ることはいうまでもない。
本明細書で開示した物質探索装置、物質探索方法及びそのプログラムは、所望の特性を有する物質を製造する技術分野に利用可能である。
10 物質探索システム、12 ネットワーク、13 物質合成装置、14 特性評価装置、16 スペクトル特性評価装置、20 物質探索装置、21 制御部、22 CPU、23 取得部、24 特定部、25 探索部、26 記憶部、27 入力装置、28 表示装置、30 実測情報、31 完全実測結果、32 簡易実測結果、33 物質探査プログラム、34 機械学習モデル、35 最適化手法、40 探索画面、41 カーソル、42 試料名入力欄、43 合成条件入力欄、44 特性評価入力欄、45 スペクトル情報入力欄、46 探索結果表示欄、51 一覧表示キー、52 削除キー、53 登録キー、54 確定キー、55 探索開始キー。
Claims (10)
- 所定の特性を有する特定物質の探索を行う物質探索装置であって、
前記特定物質の合成条件と該特定物質の前記物性の評価値と該特定物質のスペクトル特性とを含み全探索点に比して少数である完全実測結果を含む実測情報を取得する取得部と、
前記実測情報に基づいて前記特定物質のより好適な前記特性の評価値を有する特定物質が示すスペクトル特性の予測範囲を特定する特定部と、
前記スペクトル特性の予測範囲を有する特定物質を最適化手法によって探索し、探索した結果を出力する探索部と、
を備えた物質探索装置。 - 前記特定部は、前記取得した実測情報に含まれる前記完全実測結果を有する特定物質のうち基準となる基準物質を特定条件に基づいて抽出し、探索対象の特定物質と該基準物質との相関係数を説明変数として機械学習モデルを構築し、前記機械学習モデルを用いて前記特性の評価値がより向上する前記特定物質のスペクトル特性と前記基準物質のスペクトル特性との相関係数の予測範囲を特定する、請求項1に記載の物質探索装置。
- 前記特定部は、前記機械学習モデルにおいて、前記特定物質間のスペクトル特性の類似度を前記相関係数を用いて評価し、有限個の前記基準物質の前記相関係数のみを説明変数として用いる、請求項2に記載の物質探索装置。
- 前記特定部は、線形回帰、カーネルリッジ、サポートベクター、XGBoost、ランダムフォレスト及びニューラルネットワークのうち1以上の前記機械学習モデルを用いる、請求項2又は3に記載の物質探索装置。
- 前記探索部は、前記スペクトル特性と予測範囲とのずれをマンハッタン距離で測り、前記実測情報に含まれない合成条件の探索点を最適化手法で1以上設定し該探索点を前記合成条件の集合に加えて前記探索点が前記予測範囲に達するまで繰り返すことによって前記特定物質を探索する、請求項1〜4のいずれか1項に記載の物質探索装置。
- 前記探索部は、勾配法、ニュートン法、ベイズ推定、単体法及び遺伝的アルゴリズムのうち1以上の前記最適化手法を用いる、請求項1〜5のいずれか1項に記載の物質探索装置。
- 前記探索部は、前記最適化手法において、前記合成条件として配合比を設計変数に用い、前記相関係数のマンハッタン距離を用いて離散的な勾配法により前記特定物質を探索する、請求項1〜6のいずれか1項に記載の物質探索装置。
- 前記合成条件は、前記特定物質の組成であり、
前記特定物質は蓄電デバイスに用いられる材料であり、
前記所定の特性は蓄電デバイスに関する特性である、請求項1〜7のいずれか1項に記載の物質探索装置。 - 所定の特性を有する特定物質の探索を行う物質探索方法であって、
前記特定物質の合成条件と前記特定物質の前記物性の評価値と該特定物質のスペクトル特性とを含み全探索点に対して少数である完全実測結果を含む実測情報を取得する取得ステップと、
前記合成条件により生成された前記特定物質のスペクトル特性に基づいて前記特定物質のより好適な前記特性の評価値を有する特定物質が示すスペクトル特性の予測範囲を特定する特定ステップと、
前記スペクトル特性の予測範囲を有する特定物質を最適化手法によって探索し、探索した結果を出力する探索ステップと、
を含む物質探索方法。 - 請求項9に記載の物質探索方法の各ステップを1又は複数のコンピュータに実行させるプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020048152A JP2021149449A (ja) | 2020-03-18 | 2020-03-18 | 物質探索装置、物質探索方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020048152A JP2021149449A (ja) | 2020-03-18 | 2020-03-18 | 物質探索装置、物質探索方法及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021149449A true JP2021149449A (ja) | 2021-09-27 |
Family
ID=77848887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020048152A Pending JP2021149449A (ja) | 2020-03-18 | 2020-03-18 | 物質探索装置、物質探索方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021149449A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7248174B1 (ja) | 2022-06-15 | 2023-03-29 | Dic株式会社 | 熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム |
WO2024135553A1 (ja) * | 2022-12-23 | 2024-06-27 | 株式会社レゾナック | 設計評価装置、設計評価方法及びプログラム |
-
2020
- 2020-03-18 JP JP2020048152A patent/JP2021149449A/ja active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7248174B1 (ja) | 2022-06-15 | 2023-03-29 | Dic株式会社 | 熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム |
JP2023183283A (ja) * | 2022-06-15 | 2023-12-27 | Dic株式会社 | 熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム |
WO2024135553A1 (ja) * | 2022-12-23 | 2024-06-27 | 株式会社レゾナック | 設計評価装置、設計評価方法及びプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bartók et al. | Machine learning a general-purpose interatomic potential for silicon | |
Zeng et al. | Prediction of interstitial diffusion activation energies of nitrogen, oxygen, boron and carbon in bcc, fcc, and hcp metals using machine learning | |
Chang et al. | CLEASE: a versatile and user-friendly implementation of cluster expansion method | |
Huang et al. | First-principles study of alkali-metal intercalation in disordered carbon anode materials | |
Zhang et al. | Variable-cell double-ended surface walking method for fast transition state location of solid phase transitions | |
Vasylenko et al. | Element selection for crystalline inorganic solid discovery guided by unsupervised machine learning of experimentally explored chemistry | |
JP2021149449A (ja) | 物質探索装置、物質探索方法及びプログラム | |
CN111091878A (zh) | 一种快速预测钙钛矿介电常数的方法 | |
Wind et al. | Liquid-like ionic diffusion in solid bismuth oxide revealed by coherent quasielastic neutron scattering | |
Rankine et al. | Accurate, affordable, and generalizable machine learning simulations of transition metal x-ray absorption spectra using the XANESNET deep neural network | |
Verduzco et al. | An active learning approach for the design of doped LLZO ceramic garnets for battery applications | |
JP6842731B1 (ja) | 作製評価システム、作製評価方法及びプログラム | |
Curotto et al. | Quantum Monte Carlo simulations of selected ammonia clusters (n= 2–5): Isotope effects on the ground state of typical hydrogen bonded systems | |
Jousseaume et al. | How beam damage can skew synchrotron operando studies of batteries | |
Twyman et al. | Environmental stability of crystals: a greedy screening | |
JP3669669B2 (ja) | 電池特性の解析方法及びそれを用いた解析装置 | |
Saal et al. | Thermodynamic properties of Co3O4 and Sr6Co5O15 from first-principles | |
CN113808681A (zh) | 基于SHAP-CatBoost快速预测ABO3型钙钛矿材料比表面积的方法及其系统 | |
Li et al. | Theoretical relations between electronic and ionic work functions, standard reduction potentials for metal dissolution and the corrosion potential | |
Umidbek Turg‘unboy o‘g | TECHNOLOGICAL EVALUATION OF GRAPHITE AND ITS PROPERTIES | |
Guan et al. | Structure and dynamics of energy materials from machine learning simulations: A topical review | |
Ryu et al. | Solid-State Lithiation Reaction: What Is the Actual Lithiation Temperature? | |
Arismendi-Arrieta et al. | High pressure structural transitions in Kr clathrate-like clusters | |
Fatriansyah et al. | Composition-based aluminum alloy selection using an artificial neural network | |
Wang et al. | Strategies for fitting accurate machine-learned inter-atomic potentials for solid electrolytes |