JP2021189473A

JP2021189473A - 物性予測方法及び物性予測装置

Info

Publication number: JP2021189473A
Application number: JP2020090714A
Authority: JP
Inventors: 真史椿; Masashi Tsubaki
Original assignee: National Institute of Advanced Industrial Science and Technology AIST
Current assignee: National Institute of Advanced Industrial Science and Technology AIST
Priority date: 2020-05-25
Filing date: 2020-05-25
Publication date: 2021-12-13
Anticipated expiration: 2040-05-25
Also published as: JP7429436B2

Abstract

【課題】高い解釈性と信頼性を有し、高速で高精度な物性予測が可能な装置及び方法を提供する。【解決手段】化合物の物性値を予測する物性予測装置１であって、演算部２は、化合物の分子構造に対応する波動関数から算出された電子密度を入力データとし、分子構造から算出されたポテンシャルを出力データとするデータセットで学習されたニューラルネットワーク演算部Ｎ１０と、波動関数を入力データとし、化合物の物性値を出力データとするデータセットで学習されたニューラルネットワーク演算部Ｎ２０と、予測対象化合物の分子構造に対応する波動関数を用いて算出された電子密度をニューラルネットワーク演算部Ｎ１０へ入力することにより得られる出力が、予測対象化合物の分子構造から算出されたポテンシャルと合致する波動関数を特定し、特定された波動関数をニューラルネットワーク演算部Ｎ２０へ入力する制御部１０を備える。【選択図】図３

Description

本発明は、化合物の物性を予測する技術に関するものである。

これまで、化合物の物性を予測するための技術が種々考案されている。たとえば、非特許文献１には、１３万サンプル以上の大規模な化合物データベースを利用した深層学習モデルを使って物性を学習及び予測する技術が開示されている。また、非特許文献２には、量子化学の原理に基づいて波動関数を直接学習する深層学習モデルが開示されている。また、特許文献１には、理論計算で得られた入力特徴量を用いた機械学習で構築したモデルを使った毒性予測方法が開示されている。

特開２０１９−２０７９１号公報

Neural message passing for quantum chemistry, Justin Gilmer, Samuel S. Schoenholz, Patrick F. Riley, Oriol Vinyals, George E. Dahl, Proceedings of the 34th International Conference on Machine Learning, 1263-1272, 2017. Unifying machine learning and quantum chemistry with a deep neural network for molecular wavefunctions, K.T. Schutt, M. Gastegger, A. Tkatchenko, K.-R. Muller, R.J. Maurer, Nature Communications, 10, 1 1-10, 2019.

非特許文献１に記載された技術は、波動関数を一切考慮することなく物性を学習及び予測しているため、当該モデルにブラックボックス性を生じさせる。このため、モデル内部を科学者が量子化学の原理や現象と照らし合わせて解釈できず、材料開発や創薬の現場では本モデルを使ってなされた物性予測を信頼できないという課題がある。また、量子化学の原理に基づいていないために学習用のデータの偏りに強く依存し、外挿性能が極めて悪いという課題もある。

一方、非特許文献２に記載された技術は、学習するパラメーターの数が１億個近くと膨大になるために非特許文献１に記載された技術のように大規模化合物データベースを利用できない。また、このように必要な学習パラメーターの数が多くなることから、いわゆるシミュレーションと同様に計算コストが膨大となるため、水分子などの簡単かつ小さな分子への適用及び検証に留まっており、膨大な種類の化合物を扱わなければならない創薬や材料開発での応用は困難であるという課題がある。

また、特許文献１に記載された技術は、波動関数に基づく理論計算を行って得られる結果を入力データとする機械学習モデルを用いているため、入力データの作成自体に理論計算と同じ多くの時間がかかることに加えて、大規模データで機械学習モデルを学習するためにさらに多くの時間がかかるという課題がある。

本発明は、以上のような課題を解決するためになされたもので、高い信頼性及び解釈性を有すると共に、高速かつ高精度に物性を学習及び予測できる方法及び装置を提供することを目的とする。

上記課題を解決するため、本発明は、化合物の分子構造を入力データとし、上記化合物の物性値を出力データとするデータセットをニューラルネットワークに学習させる学習ステップと、予測対象化合物の分子構造を学習ステップで学習された上記ニューラルネットワークへ入力することにより、上記予測対象化合物の物性値を予測する予測ステップを有し、学習ステップは、上記分子構造に対応する波動関数を算出する第一のステップと、第一のステップで算出された波動関数を用いて上記分子構造における電子密度を算出する第二のステップと、第二のステップで算出された電子密度を入力データとし、上記分子構造から算出された上記化合物のポテンシャルを出力データとするデータセットを第一のニューラルネットワークに学習させる第三のステップと、第一のステップで算出された波動関数を入力データとし、上記化合物の物性値を出力データとするデータセットを第二のニューラルネットワークに学習させる第四のステップを含み、予測ステップは、上記予測対象化合物の分子構造に対応する波動関数を算出する第五のステップと、第五のステップで算出された波動関数を用いて上記分子構造における電子密度を算出する第六のステップと、第六のステップで算出された電子密度を学習済みの第一のニューラルネットワークへ入力することにより、上記予測対象化合物のポテンシャルを予測する第七のステップと、第七のステップで予測されたポテンシャルが、上記予測対象化合物の分子構造から算出された上記予測対象化合物のポテンシャルと合致するよう、上記予測対象化合物の分子構造に対応する波動関数を特定する第八のステップと、第八のステップで特定された波動関数を学習済みの第二のニューラルネットワークへ入力することにより、上記予測対象化合物の物性値を予測する第九のステップを含む物性予測方法を提供する。

また、上記課題を解決するため、本発明は、予測対象化合物の分子構造から上記予測対象化合物の物性値を予測する物性予測装置であって、化合物の分子構造に対応する波動関数から算出された上記分子構造の電子密度を入力データとし、上記化合物の分子構造から算出された上記化合物のポテンシャルを出力データとするデータセットで学習された第一のニューラルネットワーク演算部と、上記化合物の分子構造に対応する波動関数を入力データとし、上記化合物の物性値を出力データとするデータセットで学習された第二のニューラルネットワーク演算部と、上記予測対象化合物の分子構造に対応する波動関数を用いて算出された上記予測対象化合物の分子構造における電子密度を第一のニューラルネットワーク演算部へ入力することにより得られる出力が、上記予測対象化合物の分子構造から算出された上記予測対象化合物のポテンシャルと合致するよう、上記予測対象化合物の分子構造に対応する波動関数を特定し、特定された波動関数を第二のニューラルネットワーク演算部へ入力する制御部を備えた物性予測装置を提供する。

本発明によれば、高い信頼性及び解釈性を有すると共に、高速かつ高精度に物性を予測できる方法及び装置を提供することができる。

本発明の実施の形態に係る物性予測方法を示すフローチャートである。図１に示された物性予測方法を実施するための深層学習モデルを示す図である。図１に示された物性予測方法を実施するための物性予測装置１の構成例を示す図である。図１に示されたステップＳ２において計算された電子密度ρの一例を可視化した模式図である。従来技術と図１に示された物性予測方法との予測精度の対比を示すグラフである。なお、ここでの予測精度とは理論計算との誤差のことであり、低いほど精度が良いことを指す。

以下において、本発明の実施の形態を、図面を参照しつつ詳しく説明する。なお、図中同一符号は同一又は相当部分を示す。

図１は、本発明の実施の形態に係る物性予測方法を示すフローチャートである。また、図２は、図１に示された物性予測方法を実施するための深層学習モデルを示す図である。なお、図２における矢印は、線形若しくは非線形の関数を意味する。以下、図１及び図２を参照して、本発明の実施の形態に係る物性予測方法について詳しく説明する。

本方法は、入力データとしての化合物Ｍの分子構造と、出力データとしての上記化合物Ｍの物性値Ｅのみからなるデータセットを教師データとして、予めニューラルネットワークに学習させる学習ステップと、予測対象とする化合物Ｍの分子構造から上記学習ステップで学習されたニューラルネットワーク（以下、「学習済ニューラルネットワーク」という。）を用いて、予測対象化合物Ｍの物性値Ｅを予測する予測ステップを有する。

なお、上記の分子構造は、当該分子構造を構成する原子の種類と当該原子の位置を示す座標により特定される。また、上記物性値Ｅとしては、例えば、化合物の最も基本的な物理量といえる全結合エネルギーの総和（原子化エネルギー）などが含まれる。

上記学習ステップでは、ステップＳ１において、上記化合物Ｍの分子構造に対応する波動関数Ψを算出する。より具体的には、図２に示されるように、最初に上記分子構造を構成する原子の波動関数Φを算出し、算出された原子の波動関数Φを重ね合わせることにより、上記分子構造に対応する波動関数Ψを算出する。

次に、ステップＳ２において、ステップＳ１で算出された波動関数Ψの二乗和を算出することにより、上記分子構造の電子密度ρを算出する。

次に、ステップＳ３において、図２に示されるように、ステップＳ２で算出された電子密度ρを入力データとし、上記分子構造から算出された化合物ＭのポテンシャルＶを出力データとするデータセットを教師データとして第一のニューラルネットワークＮ１に学習させる。

次に、ステップＳ４において、図２に示されるように、ステップＳ１で算出された波動関数Ψを入力データとし、上記化合物Ｍの物性値Ｅを出力データとするデータセットを教師データとして第二のニューラルネットワークＮ２に学習させる。なお、上記入力データは、具体的には波動関数のパラメーターとされ、以下においても同様である。

なお、上記ステップＳ３及びステップＳ４では、上記原子の波動関数Φの重ね合わせのパラメーターについても、これら第一及び第二のニューラルネットワークＮ１，Ｎ２で学習することになる。

上記予測ステップでは、ステップＳ５において、予測対象とする化合物Ｍの分子構造に対応する波動関数Ψを算出する。ここで、本波動関数Ψは上記と同様に、最初に当該分子構造を構成する原子の波動関数Φを算出し、算出された原子の波動関数Φを重ね合わせることによって算出される。

次に、ステップＳ６では、ステップＳ５で算出された波動関数Ψを用いて、当該予測対象化合物の分子構造における電子密度ρを算出する。

次に、ステップＳ７では、図２に示されるように、ステップＳ６で算出された電子密度ρを学習済ニューラルネットワークＮ１へ入力することにより、当該予測対象化合物のポテンシャルＶを予測する。

次に、ステップＳ８では、ステップＳ７で予測されたポテンシャルが、当該予測対象化合物の分子構造から算出されたポテンシャルと合致するよう、当該予測対象化合物の分子構造に対応する波動関数Ψを特定する。なお、このような方法により、本深層学習モデルの内部において、ホーヘンベルグ・コーンの定理に基づくポテンシャルＶに関する量子化学的な制約が電子密度ρに課されるため、妥当な波動関数Ψが保証されることになる。

次に、ステップＳ９において、図２に示されるように、ステップＳ８で特定された波動関数Ψを学習済ニューラルネットワークＮ２へ入力することにより、当該予測対象化合物の物性値Ｅを予測する。

以上のような本発明の実施の形態に係る物性予測方法を実施する手段の一例として、図３を参照しつつ、本発明の実施の形態に係る物性予測装置１について説明する。

図３に示されるように、本発明の実施の形態に係る物性予測装置１は、演算部２と、メモリ３と、演算部２及びメモリ３に接続されたバス４と、バス４に接続された端子５を備える。ここで演算部２は、バス４に接続された制御部１０と、それぞれ制御部１０に接続されたニューラルネットワーク演算部Ｎ１０，Ｎ２０を含む。

以下において、上記のような構成を有する物性予測装置１の動作の一例を説明する。学習段階として、最初に、化合物Ｍの分子構造を特定するデータ、すなわち当該分子構造を構成する原子の種類と当該原子の位置を示すデータと、当該化合物Ｍの物性値Ｅのデータセット（教師データ）が、外部から端子５及びバス４を介してメモリ３へ格納される。

次に、演算部２は、上記の教師データをメモリ３から読み出して、図１に示された学習ステップを実行する。このとき、ニューラルネットワーク演算部Ｎ１０，Ｎ２０は、それぞれ図２に示されたニューラルネットワークＮ１，Ｎ２における演算を実行し、それ以外の演算は制御部１０が実行する。

予測段階として、最初に、予測対象とする化合物Ｍの分子構造を特定するデータ、すなわち当該分子構造を構成する原子の種類と当該原子の位置を示すデータが、外部から端子５及びバス４を介してメモリ３へ格納される。

次に、演算部２は、上記の予測対象とする化合物Ｍの分子構造を特定するデータをメモリ３から読み出して図１に示された予測ステップを実行し、当該化合物Ｍの物性値Ｅの予測結果を算出してメモリ３に格納する。このとき、ニューラルネットワーク演算部Ｎ１０，Ｎ２０は、それぞれ図２に示されたニューラルネットワークＮ１，Ｎ２における演算を実行し、それ以外の演算は制御部１０が実行する。

なお、ユーザは、上記のようにメモリ３へ格納された当該予測結果を、バス４及び端子５を介して外部へ読み出して外部モニタへ本結果を表示等することにより利用することができる。

上記のような物性予測装置１は、より具体的には例えば、図３に示された演算部２を中央演算処理装置（Central Processing Unit: CPU）で構成し、図１に示されたアルゴリズムを記したプログラムを予めメモリ３に格納することによって実現することができる。このような構成によれば、上記ＣＰＵが上記プログラムをメモリ３から逐次読み出して実行することにより、図１に示されたアルゴリズムが実現される。

以下においては、以上のような本発明の実施の形態に係る物性予測方法や物性予測装置についての評価結果の概要を示す。

図４は、図１のステップＳ８で特定された分子の波動関数Ψが量子物理学や量子化学的な理論計算と比較して定性的及び定量的な面から妥当かどうかを評価するため、図１に示されたステップＳ２において計算された電子密度ρの一例を可視化した模式図である。

このように可視化することにより、上記波動関数Ψを用いた演算は、理論計算と比較して、原子番号の大きい原子の電子密度を高めることができ、かつ、化学結合部分の電子密度を正確に再現できることが検証できた。

図５は、従来技術と図１に示された物性予測方法との予測精度の対比を示すグラフである。本グラフの横軸は分子の大きさ（原子の数）を示し、縦軸は本予測の対象とされる物性値Ｅが上記原子化エネルギーとされたことから、理論計算で得られたエネルギーとの予測誤差を示す。ここで、グラフＧ１は従来技術の予測精度、グラフＧ２は図１に示された本発明の実施の形態に係る物性予測方法の予測精度を示す。

グラフＧ１を参照すると、図中破線左側の内挿予測の範囲では誤差が小さいものの、化合物の分子量が大きくなり分子構造が変わる図中破線右側の外挿予測の範囲では誤差が大きくなっている。一方、グラフＧ２を参照すると、上記内挿予測の範囲だけでなく、上記外挿予測の範囲においても誤差は小さく抑えられている。このことから、図１に示された本発明の実施の形態に係る物性予測方法によれば、従来技術に比して外挿予測の精度を維持できることがわかる。

従って、本方法によれば、小さい分子量の化合物の分子構造と物性値のデータセットを教師データとして学習された深層学習モデルを大きい分子量の化合物の物性値の予測に用いた場合であっても、本物性値を正確に予測できることになる。

以上より、本発明の実施の形態に係る物性予測方法や物性予測装置によれば、物性値の予測プロセスにおいて、原子及び分子の波動関数や、量子化学の基本原理を踏まえた演算を実行するため、本プロセスの解釈が容易となり、化合物の物性値に関する予測の信頼性を高めることができる。

また、本発明の実施の形態に係る物性予測方法や物性予測装置によれば、波動関数を直接的にニューラルネットワークに学習させるのではなく、一般的に入手可能な分子構造と当該化合物の物性値のみからなるデータセットを教師データとしてニューラルネットワークに学習させることにより演算対象となるパラメーターの数を低減するため、化合物の物性値の予測に要する時間を短縮し計算コストを下げることができる。そして、このような理由から、本発明の実施の形態に係る物性予測方法や物性予測装置においては、現実的に大規模化合物データベースを有効利用することも可能となる。

さらに、本発明の実施の形態に係る物性予測方法や物性予測装置によれば、上記のように原子及び分子の波動関数や、量子化学の基本原理を踏まえた予測演算を実行するため、外挿予測の範囲においても高い精度を維持することができる。

１物性予測装置、２演算部、１０制御部、Ｎ１０，Ｎ２０ニューラルネットワーク演算部。

Claims

化合物の分子構造を入力データとし、前記化合物の物性値を出力データとするデータセットをニューラルネットワークに学習させる学習ステップと、
予測対象化合物の分子構造を前記学習ステップで学習された前記ニューラルネットワークへ入力することにより、前記予測対象化合物の物性値を予測する予測ステップを有し、
前記学習ステップは、
前記分子構造に対応する波動関数を算出する第一のステップと、
前記第一のステップで算出された前記波動関数を用いて前記分子構造における電子密度を算出する第二のステップと、
前記第二のステップで算出された前記電子密度を入力データとし、前記分子構造から算出された前記化合物のポテンシャルを出力データとするデータセットを第一のニューラルネットワークに学習させる第三のステップと、
前記第一のステップで算出された前記波動関数を入力データとし、前記化合物の物性値を出力データとするデータセットを第二のニューラルネットワークに学習させる第四のステップを含み、
前記予測ステップは、
前記予測対象化合物の分子構造に対応する波動関数を算出する第五のステップと、
前記第五のステップで算出された前記波動関数を用いて前記分子構造における電子密度を算出する第六のステップと、
前記第六のステップで算出された前記電子密度を学習済みの前記第一のニューラルネットワークへ入力することにより、前記予測対象化合物のポテンシャルを予測する第七のステップと、
前記第七のステップで予測された前記ポテンシャルが、前記予測対象化合物の分子構造から算出された前記予測対象化合物のポテンシャルと合致するよう、前記予測対象化合物の分子構造に対応する波動関数を特定する第八のステップと、
前記第八のステップで特定された前記波動関数を学習済みの前記第二のニューラルネットワークへ入力することにより、前記予測対象化合物の物性値を予測する第九のステップを含む、物性予測方法。
前記分子構造は、前記分子構造を構成する原子の種類と前記原子の位置座標により特定される、請求項１に記載の物性予測方法。
前記第一のステップ及び前記第五のステップは、
前記分子構造を構成する原子の波動関数を算出するステップと、
算出された前記原子の波動関数の重ね合わせにより、前記分子構造に対応する波動関数を算出するステップを含む、請求項１に記載の物性予測方法。
予測対象化合物の分子構造から前記予測対象化合物の物性値を予測する物性予測装置であって、
化合物の分子構造に対応する波動関数から算出された前記分子構造の電子密度を入力データとし、前記化合物の分子構造から算出された前記化合物のポテンシャルを出力データとするデータセットで学習された第一のニューラルネットワーク演算部と、
前記化合物の分子構造に対応する波動関数を入力データとし、前記化合物の物性値を出力データとするデータセットで学習された第二のニューラルネットワーク演算部と、
前記予測対象化合物の分子構造に対応する波動関数を用いて算出された前記予測対象化合物の分子構造における電子密度を前記第一のニューラルネットワーク演算部へ入力することにより得られる出力が、前記予測対象化合物の分子構造から算出された前記予測対象化合物のポテンシャルと合致するよう、前記予測対象化合物の分子構造に対応する波動関数を特定し、特定された前記波動関数を前記第二のニューラルネットワーク演算部へ入力する制御部を備えた物性予測装置。
前記分子構造は、前記分子構造を構成する原子の種類と前記原子の位置座標により特定される、請求項４に記載の物性予測装置。
前記分子構造に対応する波動関数は、前記分子構造を構成する原子の波動関数を重ね合わせることにより算出される、請求項４に記載の物性予測装置。