[3J1-OS-15a] AI for Scienceのリアル

9:30 〜 9:45

[3J1-OS-15a-03] 化学的知見を利用した異質ドメイン間転移学習による物性予測

〇矢作 裕太^1,2、小渕 喜一^1,2、高坂 文彦²、松井 孝太^3,4,5 (1. 日本電気、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、転移学習

材料分野においてはデータ取得コストが高く、またデータドメインやタスクも多様であるため学習に使えるデータが少ないという課題がある。そこで、データが豊富な領域から少ない領域へと知識を転移する「転移学習」が解決策として期待されている。一方で、既存の転移学習手法は転移元と転移先のデータドメインが同質であることを前提とするものが多く、適用できる課題に制限がある。本研究では、化学的知見を活用することで異質ドメイン間での転移学習を効率的に実現する方法について提案する。本手法では、元ドメインのデータに対して化学法則に基づく変換を適用することで目標ドメインへと変換し、データドメインを揃えたのちに同質ドメイン適応を実行する。具体的な例として、触媒材料の活性予測において本手法の有効性を実証した。分子吸着エネルギーに関する第一原理計算データを元ドメイン、触媒活性に関する実験データを目標ドメインとし、本手法を用いて予測器を学習したのち、性能評価を行った。数値実験の結果、全体的に正の転移が確認でき、特に少数ショット学習で顕著な予測精度の向上が見られた。