[3J1-OS-15a] AI for Scienceのリアル

9:00 〜 9:15

[3J1-OS-15a-01] 材料の複数物性予測のためのマルチタスク学習(MTL)モデルの提案

〇小渕 喜一^1,2、矢作 裕太^1,2、美内 睦美¹、松井 孝太^3,4,5 (1. NEC、2. 産業技術総合研究所、3. 京都大学、4. 滋賀大学、5. 東京科学大学)

キーワード：

マテリアルズ・インフォマティクス、マルチタスク学習、転移学習

材料開発においては、複数の相互依存する物性値を同時に最適化・予測することが求められる。特に高分子材料は、プラスチックやゴムなど多様な産業分野で利用される一方、複数物性の同時設計が困難であり、機械学習の有望な応用対象として注目されている。実験コスト削減の観点からも、複数物性を同時に高精度で予測可能なモデルの構築は重要である。マルチタスク学習（MTL）は関連タスク間で情報を共有することで性能向上が期待されるが、従来のハードパラメータ共有(HPS:hard-parameter-sharing)手法ではタスク間競合により性能が低下する場合がある。本研究では、Multi-gate Mixture-of-Experts（MMoE）に基づくMTL手法と、協調ゲーム理論に基づくNash-MTL最適化を組み合わせた新たなアーキテクチャを提案する。約1,000件の高分子シミュレーションデータを用い、シングルタスク学習や従来MTL手法との比較評価を行うとともに、言語モデル、分子記述子、グラフモデルによる特徴抽出手法の違いについても検討した結果を報告する。