# Fileset

[Attached file- Highlight-Reviews-3P-template-MD_R2.docx](https://mdr.nims.go.jp/filesets/11372887-3373-456a-8560-fdeded6490db/download)

## Creator

[出村 雅彦](https://orcid.org/0000-0002-7308-3041)

## Rights

[In Copyright](http://rightsstatements.org/vocab/InC/1.0/)

## Other metadata

[データ時代の材料研究](https://mdr.nims.go.jp/datasets/58ddc3b1-d62e-4dd1-b362-09faabfc7afc)

## Fulltext

展望（本文1頁：24字×50行×2段＝2400字）データ時代の材料研究展望（本文1頁：24字×39行×2段＝1872字）_3頁依頼素描（本文1頁：24字×50行×2段＝2400字）展望（本文1頁：24字×50行×2段＝2400字）5出村雅彦物質・材料研究機構［305-0044］茨城県つくば市並木1-1統合型材料開発・情報基盤部門長，博士（工学）．専門はデータ駆動材料研究、金属材料．DEMURA.Masahiko@nims.go.jphttps://www.nims.go.jp/MaDIS/index.html 材料は網羅的なビッグデータ構築が困難であり、実験データの再利用を進めつつ、少量のデータを有効に活用していく手法開発が必要となる。加えて、計算シミュレーションによるデータ創出を活用していくことを重要となる。NIMSにおけるデータ駆動研究の取り組みを紹介するとともに、基盤となるデータプラットフォームの今後について俯瞰する。1．はじめにデータを効率的に集め、活用していくことが、材料開発のスピードを左右するデータ時代が到来した。インターネット上では、無償サービスを提供してソーシャルデータを集める少数のプラットフォーマーが、市場を支配する状況となっている。材料は有機から無機まで多種多様で、材料に関するデータの取得には時間とコストがかかることから、ソーシャルデータとは同じように寡占化が進行するかは現時点ではわからない。しかし、そうなってからでは遅く、将来を見据えて、データプラットフォームの開発に取り組む必要がある。本稿では、材料の研究開発においてデータ駆動型アプローチが有効であることをNIMS（National Institute for Materials Science）の事例を通して示す。さらに、材料データプラットフォーム構築に向けた取り組みを紹介する。2．データ駆動による材料研究の事例データ駆動による材料研究は、2017年ごろから急速に活発化している1-3)。NIMSにおける最近の研究事例の一部を図1にまとめた。計算シミュレーションとデータ科学による逐次最適化の組み合わせは相性が良い。例えば、図1(a)のX線鏡向け層構造の最適化の課題では、構造から特性を予測する計算シミュレーションとAlphaGoで使用されているモンテカルロ木探索という最適化アルゴリズムを接続して探索を効率化した4)。この手法は計算機で順方向の予測ができれば適用可能で汎用性が高い。この手法の実課題適用に組織的に取り組んでいるのが内閣府戦略的イノベーション創造プログラム（SIP）「統合型材料開発システムによるマテリアル革命」である5,6)。金属系構造材料を対象に様々な材料工学課題に対し、まず、材料・プロセスから構造、特性、性能を順方向で計算するワークフローを開発し、これを最適化アルゴリズムと組み合わせて逆問題を解くという取り組みを進めている。すでに、3次元積層造形向けのニッケル基超合金粉末、低温での脆性を抑制した鉄鋼材料などでの適用事例が出てきている。論文などの公知データから情報を抽出して、材料の発明につなげた事例も重要である。図1(b)の熱遮蔽膜発明7-9)では、界面熱抵抗の高い元素の組み合わせを探索するために、85論文から456種類の界面についてデータを取得。これにNIMSのデータベースAtomWork Adv.10)から抽出した記述子を加え、元素の組み合わせから熱抵抗を予測する回帰モデルを作成している。この回帰モデルを使って80,000以上の候補をスクリーニングし、Bi/Siを抽出した。実際に成膜して性能を評価し、世界最高性能の熱遮蔽性を有するBi/Si複合材料膜を発明している。論文データはそれぞれ固有の目的を持って取得されたものであるが、再利用することで、新たな発明を得ることができるという好例といえる。図1：NIMSにおけるデータ駆動研究の事例計算や公知データを使う事例に加え、最近では、実験との組み合わせで、データ駆動型アプローチが力を発揮する事例が出ている。図1(c)は、少ない実験回数で最適なプロセス条件や材料組成を見つけた事例である11)。実験は検証のコストが高いため工夫が必要である。一つがベイズ統計の活用である。確率的に実現可能性を表現できるので、実験研究者に受け入れやすい形で逐次最適化を進めることができる。技術的な工夫も求められる。実験データはさまざまな経緯でサンプリングに偏りがある場合が多い。この場合には、機械学習で代理モデルを作成して偏りなくサンプリングした上で、最適化アルゴリズムを駆動させる方法が有効である。このような工夫によって、全組み合わせのわずか1％未満の実験回数で、意外な触媒組成を発見することに成功している。さらに最近では、自動実験と人工知能（AI）を組み合わせる事例が出てきている。計算シミュレーションと同じような自動的な最適化を実験で行うという発送である。図1（f）は、リチウムイオン電池の電解液を探索した事例12)であるが、溶液の作成、性能評価までを自動で行うことができる。これとAIを接続することで自動的に最適化が進行する。研究者は、目的と探索範囲を指定した後は介入の必要がない。現状では、従来からコンビナトリアル手法の適用が進んでいる膜や溶液などの分野で先行しているが、今後、固体リチウム電池等の開発競争が激しく波及効果が大きい分野で投資が一気に進む可能性がある。データ駆動型アプローチは理解の促進にも役立つ。筆者らのグループでは、鉄鋼材料の高温クリープ寿命に影響を与える添加元素を、ベイズ統計に基づくモデル選択から割り出している13)。クリープ実験は時間とコストがかかりNIMSクリープデータシート14）は貴重なデータ源である。ベイズ統計モデル選択によって、サンプル間で複数の元素が同時に変化している状況でも、説明性の高い元素を合理的に選択できる。他にも、機械学習のアルゴリズムに特徴量の重要度を評価できるものがあり、これを用いることで意外な因子の関与が見つかった事例もある15)。ツール開発も活発である。例えば、Lambardらが開発したSmiles-X16)を使うと、自然言語処理技術とデータ拡張技術を応用して、比較的少量のデータからでも、Smiles表現から化合物の様々な特性を高精度な予測モデルを作成できる。材料開発に必要となる分析のスペクトル解析にデータ駆動型アプローチを適用する事例も出てきている。X線光電子分光法のスペクトルから含まれている化合物を同定する研究では、スペクトル分解へのベイズ統計活用、参照データから化合物本来のプロファイルを抽出するデータプラットフォーム活用型のアプローチなどが試されている17,18)。3．NIMSでのデータプラットフォーム構築データ駆動型アプローチの鍵となるデータに関して、NIMSでは2017年から材料データプラットフォームの構築を進めてきた。NIMSはMatNavi19)というデータベースを保有し、無機材料対象のAtomWork Adv.10)、高分子対象のPoLyInfo20)は世界最大級のデータ量と品質を誇る。しかし、公知文献からのデータキュレーションに対して、科学情報を専門に扱う学会母体や出版社等の欧米企業が投資を強めており、このままデータの質・量において優位性を保てるか疑問である。そこで、材料研究所としての特長を活かし、実験装置から直接、データを収集し、これをデータ駆動研究に使えるようにするための技術開発を進めてきた21)。これをRDE（Research Data Express）システムと呼ぶ。既に、140台以上の実験装置がIoT（Internet of Things）技術によって構内ネットワークに接続され、データをサーバに転送できるようになっている。さらに、データを構造化する翻訳ソフトも開発している。構造化とは、実験装置から掃き出されるファイルから実験条件など再利用に必要な情報を抽出してメタデータとして格納し、機械学習用に使用できる形式に変換することを指す。これらの成果はDICEとして、既にNIMSの中で運用を開始している22)。3．マテリアルDXプラットフォーム構想NIMSでの取り組みを先行例として、文部科学省は日本全国のデータ駆動研究を加速するためにマテリアルDXプラットフォームの構築を進めている。全国の大学・公的機関から生み出される実験データをクラウドに収集し、これを広く共用化して再利用することを目指すものである。先端実験装置を共用してきたナノテクプラットフォーム事業にデータ共用化という新しい役割を付与する形で新たにマテリアル先端リサーチインフラ事業（ARIM）が2020年度より開始されている。そして、収集したデータを蓄積し、利活用していく基盤として、これまでの経験をもとにNIMSがクラウド上に整備する。ここでは、日本全国の材料研究者が、ARIMで共用化された実験データ、MatNavi、自身のデータを融合的に利用できるようになる予定である。3．おわりに本稿で述べてきたように、データ駆動型アプローチは材料研究に有効であることが示されつつあり、今後、必須の道具となる。今後の研究力を左右すると考えられるデータプラットフォームについては、オールジャパンでの取り組みが必要となるだろう。ここでは、図2に示すシェア領域の充実が鍵となる。研究データに加え、データ駆動型アプローチから生み出される様々な情報資産を、産と学で共用化できるようになると、他にはない、我が国独自のプラットフォームとして、マテリアル革新力の強化に貢献できるものと期待される。なお、本稿で紹介した研究の一部は、内閣府総合科学技術・イノベーション会議の戦略的イノベーション創造プログラム(SIP)「革新的構造材料」及び 「統合型材料開発システムによるマテリアル革命」(管理法人:JST（Japan Science and Technology Agency）)によって実施された。ここに記して感謝する。文　　献1) M. Demura, in: 第70回白石記念講座, 2018, pp. 1–17.2) M. Demura, "J. Smart Process.", 10, 78, (2021).3) M. Demura, "情報の科学と技術", 71, 252, (2021).4) S. Dieb, Z. Song, W.-J. Yin and M. Ishii, "J. Appl. Phys.", 128, 074901, (2020).5) M. Demura, "Mater. Trans.", 62, MT, (2021).図2：重要となる産学シェアプラットフォーム6) M. Demura and T. Koseki, "Mater. Trans.", 61, 2041, (2020).7) T. Zhan, L. Fang and Y. Xu, "Sci. Rep.", 7, 1, (2017).8) Y.J. Wu, M. Sasaki, M. Goto, L. Fang and Y. Xu, "ACS Appl. Nano Mater.", 1, 3355, (2018).9) Y.J. Wu, L. Fang and Y. Xu, "Npj Comput. Mater.", 5, 1, (2019).10) NIMS, “AtomWork Adv.”, https://atomwork-adv.nims.go.jp, 2022/03/10.11) A.S. Nugraha, G. Lambard, J. Na, M.S.A. Hossain, T. Asahi, W. Chaikittisilp and Y. Yamauchi, "J. Mater. Chem. A", 8, 13532, (2020).12) S. Matsuda, K. Nishioka and S. Nakanishi, "Sci. Rep.", 9, 1, (2019).13) J. Sakurai, M. Demura, Y.-I. Mototake, M. Okada, M. Yamazaki and J. Inoue, "Sci. Technol. Adv. Mater. Methods", 1, 98, (2021).14) K. Sawada, K. Kimura, F. Abe, Y. Taniuchi, K. Sekido, T. Nojima, T. Ohba, H. Kushima, H. Miyazaki, H. Hongo and T. Watanabe, "Sci. Technol. Adv. Mater.", 20, 1131, (2019).15) Y.J. Wu, T. Tanaka, T. Komori, M. Fujii, H. Mizuno, S. Itoh, T. Takada, E. Fujita and Y. Xu, "Sci. Technol. Adv. Mater.", 21, 712, (2020).16) G. Lambard and E. Gracheva, "Mach. Learn. Sci. Technol.", 1, 025004, (2020).17) R. Murakami, H. Tanaka, H. Shinotsuka, K. Nagata, H. Shouno and H. Yoshikawa, "J. Electron Spectros. Relat. Phenomena", 245, 147003, (2020).18) R. Murakami, H. Shouno, K. Nagata, H. Shinotsuka and H. Yoshikawa, "Sci. Technol. Adv. Mater. Methods", 1, 182, (2021).19) NIMS, “MatNavi”, https://mits.nims.go.jp, 2022/03/10.20) NIMS, “PoLyInfo”, https://polymer.nims.go.jp, 2022/03/10.21) 松波 成行 ,松田 朝彦 ,知京 豊裕 ,原田 善之, 吉川 英樹, "情報処理学会論文誌デジタルプラクティス", 2, 80, (2021).22) NIMS, “DICE”, https://dice.nims.go.jp, 2022/03/10.-------------------------本文ここまで----------------------4image1.emfBi/Si λ=0.16W/mKBi/Si(b) 過去の論文データを再利用世界成功性能の熱遮蔽膜Wu et al. npj comp. mater. 5, 56 (2019).Zhan et al. Sci. Rep. 7, 7109 (2017).徐ら、特開2019-119652.Au極少量の組合せPt: Pd: Au=59: 40: 1を発⾒従来はPt: Pd: Au同分量あたりが良いとされてきた(c) わずか1%の回数の実験で意外な触媒成分を発見Nugraha et al. J. Mater. Chem. A 8, 13532 (2020).(d) 自動実験とAIを連結リチウムイオン電池の電解質の探索Matsuda et al. Scientific Reports 9, 6211 (2019).論文データスモールデータスマートラボラトリ(a) AlphaGoのAI技術でX線鏡の最適構造を高速探索Dieb et al. J. Appl. Phys..128, 074901 (2020).計算Bi/Si λ=0.16W/mKBi/Si(b) 過去の論文データを再利用世界成功性能の熱遮蔽膜Wu et al. npjcomp. mater. 5, 56 (2019).Zhan et al. Sci. Rep. 7, 7109 (2017).徐ら、特開2019-119652.Au極少量の組合せPt: Pd: Au=59: 40: 1を発⾒従来はPt: Pd: Au同分量あたりが良いとされてきた(c) わずか1%の回数の実験で意外な触媒成分を発見Nugrahaet al. J. Mater. Chem. A 8, 13532 (2020).(d) 自動実験とAIを連結リチウムイオン電池の電解質の探索Matsuda et al. Scientific Reports 9, 6211 (2019).論文データスモールデータスマートラボラトリ(a) AlphaGoのAI技術でX線鏡の最適構造を高速探索Diebet al. J.Appl. Phys..128, 074901 (2020).計算image10.emfBi/Si λ=0.16W/mKBi/Si(b) 過去の論文データを再利用世界成功性能の熱遮蔽膜Wu et al. npj comp. mater. 5, 56 (2019).Zhan et al. Sci. Rep. 7, 7109 (2017).徐ら、特開2019-119652.Au極少量の組合せPt: Pd: Au=59: 40: 1を発⾒従来はPt: Pd: Au同分量あたりが良いとされてきた(c) わずか1%の回数の実験で意外な触媒成分を発見Nugraha et al. J. Mater. Chem. A 8, 13532 (2020).(d) 自動実験とAIを連結リチウムイオン電池の電解質の探索Matsuda et al. Scientific Reports 9, 6211 (2019).論文データスモールデータスマートラボラトリ(a) AlphaGoのAI技術でX線鏡の最適構造を高速探索Dieb et al. J. Appl. Phys..128, 074901 (2020).計算Bi/Si λ=0.16W/mKBi/Si(b) 過去の論文データを再利用世界成功性能の熱遮蔽膜Wu et al. npjcomp. mater. 5, 56 (2019).Zhan et al. Sci. Rep. 7, 7109 (2017).徐ら、特開2019-119652.Au極少量の組合せPt: Pd: Au=59: 40: 1を発⾒従来はPt: Pd: Au同分量あたりが良いとされてきた(c) わずか1%の回数の実験で意外な触媒成分を発見Nugrahaet al. J. Mater. Chem. A 8, 13532 (2020).(d) 自動実験とAIを連結リチウムイオン電池の電解質の探索Matsuda et al. Scientific Reports 9, 6211 (2019).論文データスモールデータスマートラボラトリ(a) AlphaGoのAI技術でX線鏡の最適構造を高速探索Diebet al. J.Appl. Phys..128, 074901 (2020).計算image2.emfシェアのためのプラットフォームマテリアル革新力強化産業界 アカデミアデータ予測モデル解析手順シェアのためのプラットフォームマテリアル革新力強化産業界 アカデミアデータ予測モデル解析手順image20.emfシェアのためのプラットフォームマテリアル革新力強化産業界 アカデミアデータ予測モデル解析手順シェアのためのプラットフォームマテリアル革新力強化産業界 アカデミアデータ予測モデル解析手順