[論文レビュー] A survey on Big Data and Machine Learning for Chemistry

José F. Rodrigues, Larisa Florea+3 more|arXiv (Cornell University)|Apr 23, 2019

Computational Drug Discovery Methods参考文献 12被引用数 10

ひとこと要約

本レビューでは、化学分野におけるビッグデータおよび機械学習（ML）の最近の応用進展を統合的に検討し、インテอรnet・オブ・シングス（IoT）の文脈における材料探索と化学センシングに焦点を当てている。今後の発展のためのロードマップを提示し、主な課題と制限を特定し、化学研究におけるMLの成功事例と失敗事例をレビューしている。

ABSTRACT

Herein we review aspects of leading-edge research and innovation in chemistry which exploits big data and machine learning (ML), two computer science fields that combine to yield machine intelligence. ML can accelerate the solution of intricate chemical problems and even solve problems that otherwise would not be tractable. But the potential benefits of ML come at the cost of big data production; that is, the algorithms, in order to learn, demand large volumes of data of various natures and from different sources, from materials properties to sensor data. In the survey, we propose a roadmap for future developments, with emphasis on materials discovery and chemical sensing, and within the context of the Internet of Things (IoT), both prominent research fields for ML in the context of big data. In addition to providing an overview of recent advances, we elaborate upon the conceptual and practical limitations of big data and ML applied to chemistry, outlining processes, discussing pitfalls, and reviewing cases of success and failure.

研究の動機と目的

• ビッグデータと機械学習を化学に統合した最新の研究を包括的にレビューすること。
• ビッグデータとMLを化学的問題に適用する際の概念的および実務的制限を特定・分析すること。
• 材料探索および化学センシングにおけるMLとビッグデータを用いた今後の発展のための構造的ロードマップを提言すること。
• インテอรnet・オブ・シングス（IoT）が化学的応用におけるデータ豊富な環境をいかに実現するかを検討すること。
• ML駆動の化学研究における実世界の成功事例と失敗事例を評価し、ベストプラクティスを導くこと。

提案手法

• 化学物理学および機械学習分野における最近の文献を系統的にレビューし、ビッグデータ応用に焦点を当てる。
• 教師あり学習、教師なし学習、ディープラーニングを含む化学分野で用いられるML手法の分類。
• 材料の物性、分光データ、IoT対応デバイスからのセンサ出力などのデータソースの分析。
• 化学分野固有の知識をデータ駆動型のMLモデルと統合することで、解釈可能性と信頼性を向上させること。
• データ品質、特徴量工学、モデルの汎化性能をMLパイプラインの重要な構成要素として評価すること。
• 事例研究を用いて、成功したおよび失敗したML応用を提示し、手法上の落とし穴とベストプラクティスを強調すること。

実験結果

リサーチクエスチョン

• RQ1 ビッグデータと機械学習は、現代の研究において材料探索および化学センシングをどのように加速できるか？
• RQ2 特にデータ品質とモデルの解釈可能性に関して、MLを化学的データに適用する際の主な課題と制限は何か？
• RQ3 インテอรnet・オブ・シングス（IoT）は、化学的応用におけるビッグデータの生成と利用をどのように促進または制限するか？
• RQ4 化学分野におけるML応用の成功事例と失敗事例の主な相違点は何か。そこから何を学べるか？
• RQ5 ビッグデータとMLを化学に統合するための今後の発展を導く構造的ロードマップをどのように確立できるか？

主な発見

• 機械学習は、かつて解けないと考えられていた複雑な化学的問題の解決を顕著に加速する。
• 化学分野におけるMLの成功は、特にセンサーや材料データベースなどの異種ソースからのデータの量、品質、多様性に強く依存している。
• 進展は見られるが、データ標準化、特徴表現、化学分野全体にわたるモデルの汎化性能の面で依然として大きな課題が残っている。
• 事例研究から、データ品質の低さと不十分な特徴量工学が、化学的応用におけるMLの失敗の共通原因であることが明らかになった。
• IoTの統合により、化学センシングのためのリアルタイムデータ取得が可能になったが、データセキュリティ、スケーラビリティ、ノイズの問題が新たな課題を引き起こしている。
• 化学者、データサイエンティスト、エンジニア間の協働を重視する明確な今後の発展ロードマップが提言された。