生成AIを用いた材料探索高速化

材料知財を創出するためには、社内外の情報ソースにある膨大な量のデータの中から探索すべき領域をいかに速く絞り込んでいくかが重要になります。
従来は時間をかけて人手で検索し、行っていた活動を、データを知識グラフとして構造化し、生成AIによって探索すべき領域を超高速に検索することを可能にし、戦略的に取り組む必要がある領域を迅速に特定し、競争力ある材料知財開発につなげることを可能にします。

ソリューション例

MI向けの機械学習フレームワーク

MIを導入しようとする際、データが少ないという課題に往々にして直面します。そのようなスモールデータ(少データ)問題に対する処方箋として、（1）特徴量の設計、（2）転移学習、（3）自動実験などに取り組んでいます。それぞれの材料領域やデータ数・種に応じて適切にアプローチすることで、まだデータが十分蓄積されていない先端領域におけるMIを可能にすることが期待できます。特に高分子や磁性体材料、触媒などの事例があります。

物性予測／調色支援MI

再生プラスチックペレット製品の製造においては、物性値を把握しきれない廃プラスチックが原材料になります。そこで、素材名のほかに、商品グレード名から判別可能な物性的特性（強度、熱流動性など）で分類分けを行い、各分類分けに属するサンプルから計測した代表値を用いて学習を行い、これら分類分けの結果と代表値をMIの特徴量に反映することで、より汎用的に使える物性予測MI技術として開発しました。

色は色素の粒子の吸収と反射によって説明されます。再生プラスチックペレットの製造に用いるために、素材ごとの違いや染料・顔料の違いなどを特徴量として学習・補正し、リサイクル材に適用できるデータドリブンな調色支援MIシステムを開発しました。これにはリサイクルする原料に添加された色素の量による色の出方の違いも特徴量として取り入れ、廃プラスチックに含まれる様々な色素メーカーのデータをより簡単に扱える方法を確立しました。

これらの技術を用いて、再生プラスチックペレット製品の製造に必要な廃プラスチック原料の配合を俗人的なノウハウからDX化が可能になります。NECでは、丸喜産業様との間で、これらのMI技術を用いた再生プラスチックペレット製品の製造を効率化し、普及を促進する活動を行っております。

ハイスループット材料計算システムの導入

ハイスループット材料計算システムは、従来は材料計算の専門家が行っていた、計算ワークフローの実行から計算結果の解析、データベース化といった一連の工程を自動化します。このシステムの導入と運用においては、情報システム関連の高度な専門知識の習得なしに、有望材料のハイスループットスクリーニングや大規模データセットの創出を容易に行うことができるようになります。結果、探索すべき候補の絞り込みや大規模計算データを活用した高性能AIの作成が可能になります。

ソリューション例