米乐m6中国官方网站 开发出利用多个人工智能从复杂的材料数据中预测各种功能的技术

在NEDO的“超先进材料的超高速开发基础技术项目”中，米乐m6官方网站、先进材料快速开发技术研究协会和Zeon公司开发了一种技术，该技术使用多种类型的人工智能（AI）来处理复杂结构材料的数据，并高速、高精度地预测各种功能。

新开发的多模态人工智能技术是将深度学习应用于具有基础材料、添加剂和填料等多种成分的材料（复杂材料系统）的新技术。通过测量和集成图像和光谱等多种不同的数据，即使对于传统人工智能技术无法应用的复杂材料系统，也可以在不到 1/20,000 的时间内高精度预测多种不同的特性。这将导致材料开发的复杂性和速度显着提高，其中包括在各种条件下进行选择、成型和评估。

我们目前正在使用机器学习和其他技术来进一步推进和加速材料开发。深度学习^※1正在积极开展中。到目前为止，对于低分子材料和化学结构简单的无机材料，基于元素和化学键的人工智能技术^※2预言了材料的功能然而，由于许多材料系统都很复杂并且包含许多成分，因此很难根据相对简单的元素和化学键来预测它们的功能。此外，由于物理和化学结构发生复杂的变化，所需的功能变得多维，传统的人工智能技术使用单一测量数据（例如捕捉材料特性的图像），其可预测的特性受到限制，只能应用于狭窄的范围（图1）。

基于这一背景，NEDO（新能源产业技术综合开发机构）超先进材料超高速发展基础技术项目^※3''（2016财年-2022财年），我们正在推动数据驱动的研究，旨在加快功能材料的开发。在该项目中，由米乐m6官方网站 (AIST) 研究员 Shun Muroga 和研究中心主任 Kenji Hatake 领导的团队与先进材料快速开发技术研究协会 (ADMAT) 和 Zeon Corporation (Nippon Zeon) 合作，开发出更通用且可应用于复杂结构材料的创新材料。多模态人工智能^※4我们开发了一项技术。在图1所示的数据驱动技术发展中，该技术位于右上方区域，可以处理具有多种功能的复杂材料。

多模态AI技术可以测量和整合图像、光谱等不同类型的数据，并将物理和化学结构信息广泛纳入AI中（图2）。其结果是，我们在日本或海外首次成功预测了复杂材料系统的性能，该系统具有基础材料、添加剂和填料的各种组合，并且传统的人工智能技术无法应用于这些系统。多模态人工智能技术使得在5种基材、2种添加剂和3种填料的组合物的情况下，可以在一天内生成约100,000个条件的多个测量数据并输出性能预测结果。通过使用发达的人工智能技术，与实际实验所需的时间相比，可以在不到1/20,000的时间内预测性能，从而显着减少材料开发所需的时间，其中包括从大量复合条件中进行选择、成型和评估。

[1] AI 生成多重测量数据

采用新开发的技术，多种不同的测量数据生成对抗网络 (GAN)^※5已应用（图2）。 GAN是一种人工智能技术，可以学习复杂数据的特征，并将图像等数据生成为伪数据。这次，我们扩展了GAN，生成图像（图3-1）和光谱（图3-2）等多种测量数据，反映相应配方中材料的物理和化学结构。

[2] 使用结合了多个 AI 模型的集成 AI 来预测特征

生成的不同测量数据被集成并输入人工智能以预测特征（图 2）。与仅使用单次测量的测量数据的传统 AI 相比，使用多个 AI 的模型提高了预测精度（图 4）。由单一测量组成的人工智能只能获得有关材料的物理和化学结构的有限信息，而使用多个人工智能的技术是一种可以在多个维度获取广泛信息的机制，从而实现了人工智能在复杂材料系统中的应用，这是迄今为止很难的。

使用传统的单模态和多模态 AI 技术，我们预测了给定材料的八种不同属性（图 2 和 5）。独立的人工智能试图根据用于学习的数据进行预测，但因为可以获取的实质性信息很少测试数据^※6的预测显示出非常低的准确度。相比之下，由于多模态人工智能甚至可以从测试数据中获取大量材料信息，因此可以高精度地预测性能，从而可以将其应用于比传统人工智能技术更复杂和复合材料的开发。

使用我们构建的 AI 模型，我们能够研究各种条件下的特性变化，并使用 AI 输出和可视化不同成分组合的特性（图 6）。例如，如果我们关注组分B，随着添加量的增加，属性X的预测值减小，但属性Y的预测值增加，表明其贡献较大。该技术不仅可以在通过组合多种成分的混合条件来控制性能时检查性能的变化。当性能出现冲突时，控制两者的最佳组成、确定所需性能的上限和下限、在考虑制造成本的同时调整配方和工艺也是有效的。与实际材料成型和评估相比，使用多模态人工智能进行性能预测可以非常快速地进行。该技术每天可以针对不同的配方条件做出大约 100,000 次预测。这个速度相当于实验所需时间的不到1/20,000。另外，本研究中的AI计算是AIST AI 桥接云 (ABCI)^※7完成的

基于新开发的多模态人工智能技术，我们正在致力于开发可应用于广泛材料系统的技术，包括聚合物复合材料、纤维增强塑料^※8、精细陶瓷^※9、多种材质^※10材料信息学^※11和流程信息学^※12通过进一步开发这项技术，我们将快速有效地探索复杂的材料系统和制造工艺，并在每个组织中传承和创造专业技术，从而增强日本的产业竞争力。

※1 深度学习

它是一种通过向计算机输入大量数据来识别复杂特征的技术，广泛应用于人工智能领域。其中，使用多层神经网络（模仿人类神经回路（神经元）的系统）的方法称为深度学习。它连接输入和输出之间的复杂关系，可广泛应用于分类和预测问题。[返回来源]

※2 基于元素和化学键的人工智能技术

例如，在低分子化合物和药物发现领域，从元素和化学键预测材料的性质和生理活性的技术称为化学信息学。机器学习是使用表示元素和化学键的字符串、指纹以及称为分子描述符的数据等数据来执行的。[返回来源]

※3超先进材料超高速发展基础技术项目

项目周期：2016-2022
商家页面：https://wwwnedogojp/activities/ZZJP_100119html [返回来源]

※4 多模态人工智能

正如人类利用五种感官处理来自外部的多条信息并做出复杂的决策一样，这是一种人工智能技术，它结合了多条数据以链接输入和输出之间的复杂关系，并将其应用于我们想要分类或预测的问题。[返回来源]

※5 生成对抗网络 (GAN)

GAN 代表生成对抗网络。使用神经网络从输入数据和图像生成新伪数据的模型称为 GAN。例如，通过提取和学习人脸特征，可以生成不存在的人的照片。它被称为对抗网络，因为两个神经网络相互竞争来学习输入数据。[返回来源]

※6测试数据

为使 AI 更智能而提供给模型的数据称为训练数据，当给定数据与训练数据不同时，通过观察模型的行为来调整模型的数据称为验证数据，用于在不用于学习和验证数据的条件下检查模型性能的数据称为测试数据。在这里，我们使用学习/验证数据中根本没有使用的材料成分数据作为测试数据来检查所构建模型的性能。[返回来源]

※7 AIST AI桥接云（ABCI）

ABCI 是 AI 桥接云基础设施的缩写。它是全球最大的人工智能云平台之一，为人工智能技术的发展提供必要的计算资源。 AIST 于 2018 年 8 月开始运营。[返回来源]

※8 纤维增强塑料

指用玻璃纤维和碳纤维复合材料增强的塑料。与环氧树脂等热固性树脂和聚丙烯等热塑性树脂结合，作为金属替代品，作为具有优异机械性能的轻质材料应用于汽车、建筑和航空工业。[返回来源]

※9 精细陶瓷

陶瓷中，是指通过提高材料的纯度和精度，控制缺陷和晶界结构，使其具有耐热、耐摩擦、耐腐蚀、电绝缘等优异物理化学性能的陶瓷。广泛应用于半导体器件、汽车、信息通信、产业机械、医药等领域。[返回来源]

※10 多种材质

这是一种通过将钢、铝等金属与碳纤维复合材料等树脂材料相结合来减轻重量并增加强度的方法。这是减轻运输设备（主要是汽车和飞机）重量的重要技术。 [返回来源]

※11 材料信息学

利用信息科学（信息学）方法分析与材料相关的实验数据和模拟结果，高效、快速地寻找新材料。[返回来源]

※12 过程信息学

这是一种整合数据科学并分析从小规模原型设计到工业规模扩大的各种制造过程中的材料开发的努力。它也是确定制造条件、缩短直至商业化的试错过程以及将特定工匠独有的技术数字化的重要技术。[返回来源]