昭和电工株式会社（社长：森川航平，以下简称昭和电工）、米乐m6官方网站（AIST）、米乐m6官方网站（会长：中钵良二，以下简称AIST）、先进材料快速开发技术研究会（会长：小静邦宏）ADMAT（以下简称ADMAT）发现通过利用人工智能（AI），设计满足所需性能的聚合物时所需的试验次数可以减少到大约1/40。
这项开发是作为国家研究开发机构新能源产业技术综合开发机构（NEDO）的委托项目，在“超先进材料的超高速开发基础技术项目”（项目代码：P16010，项目负责人：Nobumitsu Murayama，以下简称“超超级项目”）下进行的。在Super Super Project中，我们的目标是摆脱依赖经验和直觉的传统材料开发，通过积极利用多尺度模拟和人工智能，我们的目标是将开发周期缩短到传统材料开发的1/20。
Showa Denko、AIST 和 ADMAT 利用 AI 来搜索满足所需性能的聚合物，以证明 AI 技术在聚合物设计中的有用性。我们以耐热性指标玻璃化转变点为模型案例，利用人工智能在已知结构和玻璃化转变点的417种聚合物结构中寻找玻璃化转变点最高的聚合物，并验证是否可以缩短发现它所需的试验周期。
首先，让 AI 学习 10 个随机选择的数据项。用于训练数据扩展连接圆形指纹(ECFP) 的方法来量化聚合物的结构特征。接下来，我们使用贝叶斯优化*从剩余的 407 种聚合物中反复预测和验证了玻璃化转变温度最高的聚合物，并调查了实际发现所需聚合物所需的试验次数（图 1）。为了防止结果因数据选择而发生变化，我们用不同的初始数据进行了500次测试，并评估了试验次数的平均值。
 |
| 图1 聚合物设计/验证试验次数的评估测试图像 |
测试结果是，我们在极少数的试验中成功发现了玻璃化转变点最高的聚合物，平均试验次数为 46 次（图 2）。该值约为随机选择聚合物时获得的值的1/40，这被认为是支持使用AI进行聚合物设计的有用性的结果。
 |
| 图2证明人工智能可以高效搜索聚合物 |
为了构建人工智能，我们需要将聚合物的特征转换为数字。在此开发中，我们发现通过应用 ECFP（一种表示单体结构的方法），可以自动提取分子子结构（例如官能团），并将结构特征适当地表示为数值向量（图 3）。通过利用这些数据构建的人工智能，我们在025秒的极短时间内实现了对每种聚合物物理性质的高精度预测，使得在有限的时间内全面预测大量候选聚合物的物理性质成为可能。此外，通过使用贝叶斯优化*作为预测方法，我们使用136个训练数据从约400种候选聚合物中发现了玻璃化转变温度最高的聚合物。过去，当训练数据较少时，人工智能的预测精度往往较低，人们认为需要大量的训练数据才能利用人工智能。这一发展的结果表明，即使在尖端材料的开发中，假设可用于学习的数据很少，也可以使用人工智能来解决问题。
 |
| 图 3 构建 AI |
未来，我们将进一步推进和开发这项技术，使其能够用于实际功能材料的开发。有关此事的详细信息，请参阅2018年11月27日（美国东部时间）发表的文章。MRS 秋季会议公布
*贝叶斯优化：一种不仅考虑预测值而且考虑估计误差来选择下一个候选的方法。