[論文レビュー] AI-driven Inverse Design System for Organic Molecules

Seiji Takeda, Toshiyuki Hama+8 more|arXiv (Cornell University)|Jan 20, 2020

Machine Learning in Materials Science参考文献 19被引用数 7

ひとこと要約

本論文は、データ処理、特性予測モデリング、構造生成を統合したエンドツーエンドのAI駆動型逆設計システムを提示し、目的の物理的特性を持つ新規化学構造の発見を目的としている。分子データ上で回帰モデルを訓練し、逆問題を解くことで、ユーザーが指定した特性ターゲットを満たす化学的に妥当な候補を生成する。工業的応用における材料発見のための統合的ワークフローを示している。

ABSTRACT

Designing novel materials that possess desired properties is a central need across many manufacturing industries. Driven by that industrial need, a variety of algorithms and tools have been developed that combine AI (machine learning and analytics) with domain knowledge in physics, chemistry, and materials science. AI-driven materials design can be divided to mainly two stages; the first one is the modeling stage, where the goal is to build an accurate regression or classification model to predict material properties (e.g. glass transition temperature) or attributes (e.g. toxic/non-toxic). The next stage is design, where the goal is to assemble or tune material structures so that they can achieve user-demanded target property values based on a prediction model that is trained in the modeling stage. For maximum benefit, these two stages should be architected to form a coherent workflow. Today there are several emerging services and tools for AI-driven material design, however, most of them provide only partial technical components (e.g. data analyzer, regression model, structure generator, etc.), that are useful for specific purposes, but for comprehensive material design, those components need to be orchestrated appropriately. Our material design system provides an end-to-end solution to this problem, with a workflow that consists of data input, feature encoding, prediction modeling, solution search, and structure generation. The system builds a regression model to predict properties, solves an inverse problem on the trained model, and generates novel chemical structure candidates that satisfy the target properties. In this paper we will introduce the methodology of our system, and demonstrate a simple example of inverse design generating new chemical structures that satisfy targeted physical property values.

研究の動機と目的

• 特定の物理的特性を持つ新規有機材料を設計する産業的ニーズに対応すること。
• 既存のAIツールの断片化を克服し、データ入力、特徴エンコーディング、予測モデリング、解の探索、構造生成を統合したワンストップワークフローを構築すること。
• 訓練済みの回帰モデルを用いて、望ましいターゲット特性値を達成する分子構造を解くことで、逆設計を可能にすること。
• 自動化されたAI駆動型設計パイプラインを通じて、化学的に妥当で新規の有機分子を生成する可能性を実証すること。

提案手法

• システムは、分子構造とその関連する物理的特性のデータ入力から開始する。
• 分子構造を機械学習に適した数値表現に変換するための特徴エンコーディングを適用する。
• 分子特徴からターゲット物理的特性（例：転移温度）を予測するための回帰モデルを訓練する。
• 訓練済みモデルを用いて逆問題を定式化・解き、望ましい特性値を達成する分子構造を同定する。
• 構造生成モジュールが、ターゲット特性制約を満たす新規で化学的に妥当な有機分子を生成する。
• ワークフローは統合されたパイプラインとしてオーケストレーションされ、ターゲット特性から候補分子へのエンドツーエンドの逆設計を可能にする。

実験結果

リサーチクエスチョン

• RQ1 統合されたAI駆動型システムは、ユーザー定義のターゲット物理的特性を持つ新規有機分子を効果的に生成できるか？
• RQ2 機械学習モデルは、分子構造表現から主要な物理的特性をどれほど正確に予測できるか？
• RQ3 逆モデリングは、特定の特性ターゲットを満たす妥当な分子構造をどの程度特定できるか？
• RQ4 エンドツーエンドの自動化を通じて、化学的に妥当で多様な分子候補を生成する際、システムの頑健性はどの程度か？

主な発見

• 本システムは、逆設計を用いて、ユーザーが定義したターゲット物理的特性値を満たす新規の有機分子構造を効果的に生成した。
• データ処理、回帰モデリング、構造生成を統合したワンストップワークフローにより、効率的で自動化された材料発見が可能になった。
• AIを用いて分子設計における逆問題を解く可能性が実証され、前向き予測を超えて、ターゲット指向の構造生成へと進化した。
• 本システムのアーキテクチャは、さまざまな材料や特性ターゲットへの拡張性・適応性を備えており、広範な産業的応用が可能である。