偶然も計画できる時代へ―触媒探索を効率化する新規AI技術を開発
【ポイント】
- 確信度・不確実性・意外性の指標をもとに、知識・探索・予期せぬ発⾒を調和させた⾰新的な探索⼿法
- 36,540通りの⾼次組成空間から、わずか260回の実験で未報告の⾼性能触媒90件を短期間に発⾒
【概要】
北陸先端科学技術⼤学院⼤学（学⻑・寺野稔、⽯川県能美市）物質化学フロンティア研究領域の中野渡 淳 研究員（研究当時）、⾕池 俊明 教授、共創インテリジェンス研究領域のダム ヒョウ チ 教授は、北海道⼤学⼤学院理学研究院の髙橋 啓介 教授と共同で、既存知識の活⽤・未知領域の探索[注１]・予期せぬ発⾒をバランスよく取り⼊れた、⾰新的なデータ駆動型触媒探索アルゴリズムを開発しました。
現在のマテリアルズインフォマティクス（MI）による材料開発では、活⽤と探索の両⽴を図る適応的サンプリング⼿法、特にベイズ最適化[注２]は、近年⼤きな注⽬を集めています。これらの⼿法は、従来よりも少ない実験数で⽬的物性を持つ材料を発⾒できることが⽰されており、その潮流は、触媒開発分野にも急速に波及しています。しかし、これまでの⼿法は、数種類の元素から成る組成最適化に限定されています。こうした⼩規模な最適化は熟練研究者であれば対処可能なため、MIに本当に期待されているのは、性能が保証された既知系の改良ではなく、広⼤な探索空間から現状の限界を打ち破るような、新たな傾向やルールを⽰す触媒候補を発掘することです。
本研究では、⼤規模な探索空間にも適⽤可能な新たなAI技術を開発しました。本技術は、触媒性能予測における確信度と不確実性を定量化する機能に加え、モデルの予測から⼤きく乖離した⾼性能触媒候補を特定する機能を備えています。メタン酸化カップリング[注３]に関する触媒探索の実証において、260種類の触媒をハイスループット実験で評価し、⽔準以上の性能を⽰す未報告の⾼性能触媒を90件発⾒しました。
本研究成果は、2025年5⽉8⽇（⽶国時間）に⽶国の科学誌「ACS Catalysis」のオンライン版に掲載されました。
【⽤語解説】
［注1］既存知識の活⽤・未知領域の探索 AI 技術を⽤いた材料探索においては、①過去の実験データから得られた“当たりやすい”領域を重点的に試す「活⽤（exploitation）」、②まだデータが少なく未知であるが、将来的に新たな発⾒につながる可能性がある領域を試す「探索（exploration）」の⼆つの要素をいかに両⽴させるかが重要な課題です。本研究では、これらに加えて、触媒化学の発⾒における重要な駆動⼒の⼀つである“予期せぬ発⾒（セレンディピティ）”を三つ⽬の要素として同時に定量化し、実験計画に反映できる点が最⼤の特徴となっています。
［注2］ベイズ最適化 ベイズ最適化は、⽬的関数（本研究では触媒性能）を直接評価するコストが⾼い場合に⽤いられる統計的な最適化⼿法です。①既存の実験データから性能の分布を近似する確率モデル（サロゲートモデル）と、②そのモデルが⽰す期待値や不確実性を基に「次に測定すべき点」を数式的に選ぶ獲得関数（acquisition function）から構成されます。実験を繰り返すたびにモデルを更新し、少ない試⾏回数で⾼性能材料に到達できることが特徴です。
【論⽂情報】
雑誌名：ACS Catalysis
論⽂タイトル：“A Data-Science Approach to Experimental Catalyst Discovery: Integrating Exploration, Exploitation, and Serendipity” （探索・活⽤・予期せぬ発⾒を統合した触媒発⾒のためのデータ科学的アプローチ）
著者：Sunao Nakanowatari, Keisuke Takahashi, Hieu Chi Dam, Toshiaki Taniike
DOI：10.1021/acscatal.5c00100
掲載⽇：2025年5⽉8⽇（⽶国時間）
プレスリリースはこちら
