日本一やさしい マテリアルズ・インフォマティクスへの導き_柴田_nanotech2023

nano tech2023でのPFCC特別講演の資料です（公開可能な部分のみアップしております）。

タイトル
日本一やさしいマテリアルズ・インフォマティクスへの導き
~ 材料開発者は、マテリアルズ・インフォマティクスに何を求めるのか ~

概要
近年、素材産業を変革するソリューションとしてマテリアルズ・インフォマティクス（MI）への注目が高まっています。日本国内では、化学メーカーなどが積極的に取組みを継続し、成功事例が報告され、関連情報も増加してきました。一方、MI関連情報が増加したことにより「これからMIに着手する方々」にとっては、現状の整理・俯瞰が難しくなっているという側面もあります。
そこで、本講演ではMIの現状を整理・俯瞰し、その文脈における「汎用原子レベルシミュレータMatlantis（弊社提供サービス）」の位置づけを紹介します。また、ひとりの材料開発者（登壇者）のケースを例に、MIの世界に一歩踏み出すモチベーションを赤裸々にお話します。

講演者
PFCC　柴田ラビ

https://matlantis.com/ja/

Transcript

1. 日本一やさしい マテリアルズ・インフォマティクスへの導き ～ 材料開発者は、マテリアルズ・インフォマティクスに何を求めるのか ～ 1 PFCC　柴田ラビ ※ nano tech2023講演資料のうち、公開可能な部分のみ公開しております
2. イントロダクション 2
3. はじめに：事前にお伝えしたいこと 留意事項 3 1. 技術的な深い話は一切出てきません 2. わかりやすさ重視のため、表現などの厳密さに欠ける部分があります 3. 共感できる部分などありましたら、リアクション頂けると嬉しいです
4. はじめに：本講演を通じて目指すこと ご自身に適したブースで詳細なお話を聞ける状態 4 Before After ・企業で材料の研究開発に従事する技術者 ・マテリアルズ・インフォマティクスという　言葉は 聞くが、その先には進んでいない ・各論の前に全体像を整理したい ・マテリアルズ・インフォマティクス概観を理解 ・ご自身の興味 / 課題がイメージできる ・PFCC / Matlantisのことを知っている ・nano techでの情報収集がより有意義になる
5. 民間企業の研究開発者時代：私が感じたこと もう少し、技術者が報われるような世界を創れないか もう少し、技術が事業に貢献できるような世界を創れないか 5 企業活動の意思決定に与えるインパクト 市場・顧客、競合、自社事業の状況 技術 現状 理想
6. マテリアルズ・インフォマティクス：ニュース MIT・サムスンの衝撃的な事例（2015年） 6 https://www.itmedia.co.jp/smartjapan/articles/1508/21/news038.html ・安全で長寿命な「全固体リチウムイオン二次電池」を開発 ・マテリアルズ・インフォマティクスにより約1年で開発 ・日本企業（従来手法）は開発に5年要した 希望 期待 不安 研究開発現場 への浸透により、 何か変化が起こせる かもしれない
7. マテリアルズ・インフォマティクス の概観 7
8. マテリアルズ・インフォマティクス：概観 情報処理技術を活用して材料開発を推進すること 8 y x1 x2 x3 ・・・ 1 2 3 ・ ・ ・ 元となるデータ 既知 y x1 x2 x3 ・・・ 1 2 3 ・ ・ ・ ? 既知 未知のyを予測 予測対象のデータ 評価 y = f(X)
9. マテリアルズ・インフォマティクス：課題① ① データがあるか？ 9 y x1 x2 x3 ・・・ 1 2 3 ・ ・ ・ 元となるデータ 既知 y x1 x2 x3 ・・・ 1 2 3 ・ ・ ・ ? 既知 未知のyを予測 予測対象のデータ 評価 y = f(X) ・ データ数がそもそも少ない ・ データ取得の属人化　　　 　 （記録のバラツキなど） ・ データ整理 / 整形で　　　　 ギブアップ　
10. マテリアルズ・インフォマティクス：課題② ② モデルの精度は十分か？ 10 y x1 x2 x3 ・・・ 1 2 3 ・ ・ ・ 元となるデータ 既知 y x1 x2 x3 ・・・ 1 2 3 ・ ・ ・ ? 既知 未知のyを予測 予測対象のデータ 評価 y = f(X) ・ データ科学の知見不足 ・ 材料領域の知見不足 　　　 ・ 問題設定があいまい 　（目的が不明確）
11. マテリアルズ・インフォマティクス：課題③ ③ モデルの適用範囲は十分か？ 11 y x1 x2 x3 ・・・ 1 2 3 ・ ・ ・ 元となるデータ 既知 y x1 x2 x3 ・・・ 1 2 3 ・ ・ ・ ? 既知 未知のyを予測 予測対象のデータ 評価 y = f(X) ・ 信頼できる予測範囲が限定的 　（データのある領域に限られる） ・ 研究開発者の期待を満たせない ・ データベース探しの旅へ
12. なぜ、このような課題が生じるのか 「元となるデータがあり、それをもとに（近似式をつくって）予測をする」 というアプローチであるため 12 y x1 x2 x3 ・・・ 1 2 3 ・ ・ ・ 元となるデータ 既知 y x1 x2 x3 ・・・ 1 2 3 ・ ・ ・ ? 既知 未知のyを予測 予測対象のデータ y = f(X) ・実験データ ・文献 ・データベース　など
13. マテリアルズ・インフォマティクス：現状① 前述の課題に向き合いながらマテリアルズ・インフォマティクス従事者 は粘り強く活動継続し、その結果、関連事例/ニュースは増加傾向 13 昭和電工など、AI予測で材料開発の実験数25分の1に（2020年） https://www.nikkei.com/article/DGXMZO58115270W0A410C2000000/ ・昭和電工、産総研、NEDO、ADMAT ・高性能フィルムの開発期間を大幅短縮 ・ベテラン完敗、経験と勘からの脱却 実験回数 の削減
14. マテリアルズ・インフォマティクス：現状② 前述の課題に向き合いながらマテリアルズ・インフォマティクス従事者 は粘り強く活動継続し、その結果、関連事例/ニュースは増加傾向 14 旭化成が「MI人材」を600人育成へ、材料開発をAIで加速（2021年） https://xtech.nikkei.com/atcl/nxt/column/18/00001/06113/ ・低燃費タイヤ用の新規ポリマー材料を半年で開発 ・3年間で630人のMI人材を育成 ・社内に育成用システム構築 社内教育 による浸透
15. マテリアルズ・インフォマティクス：現状③ 前述の課題に向き合いながらマテリアルズ・インフォマティクス従事者 は粘り強く活動継続し、その結果、関連事例/ニュースは増加傾向 15 トヨタの材料解析クラウドサービスで住友ゴムがタイヤゴム材料開発を加速（2022年） https://monoist.itmedia.co.jp/mn/articles/2204/14/news045_2.html ・住友ゴムがトヨタ自動車のサービス活用 ・タイヤゴム材料の開発加速に成功 ・解析にかかった時間はSPring-8の100分の1 商用サービス 活用での成果創出
16. マテリアルズ・インフォマティクス：現状の俯瞰 前述の課題に向き合いながらマテリアルズ・インフォマティクス従事者 は粘り強く活動継続し、その結果、関連事例/ニュースは増加傾向 16 データを 集める データを 整理する 法則を 見つける 予測する 評価する 課題 ①データは? ②精度は？ ③適用範囲は？ (リソースは？) 内製 外部 人材育成 自社ツール 人材育成 ツール提供 受託解析 アドバイザリ 8~10社 20社 < 5~8社 3社 3~5社 8~10社 5~6社 1社 4~5社 4~6社 2022年12月　柴田調べ
17. マテリアルズ・インフォマティクス：現状の俯瞰 前述の課題に向き合いながらマテリアルズ・インフォマティクス従事者 は粘り強く活動継続し、その結果、関連事例/ニュースは増加傾向 17 データを 集める データを 整理する 法則を 見つける 予測する 評価する 課題 ①データは? ②精度は？ ③適用範囲は？ (リソースは？) 内製 外部 人材育成 自社ツール 人材育成 ツール提供 受託解析 アドバイザリ 8~10社 20社 < 5~8社 3社 3~5社 8~10社 5~6社 1社 4~5社 4~6社 大手、中堅化学メーカーが注力 大手化学メーカーが注力し、サービス化もあり 多数 自動実験 ta 2022年12月　柴田調べ
18. マテリアルズ・インフォマティクス：現状の俯瞰 前述の課題に向き合いながらマテリアルズ・インフォマティクス従事者 は粘り強く活動継続し、その結果、関連事例/ニュースは増加傾向 18 データを 集める データを 整理する 法則を 見つける 予測する 評価する 課題 ①データは? ②精度は？ ③適用範囲は？ (リソースは？) 内製 外部 人材育成 自社ツール 人材育成 ツール提供 受託解析 アドバイザリ 8~10社 20社 < 5~8社 3社 3~5社 8~10社 5~6社 1社 4~5社 4~6社 大手、中堅化学メーカーが注力 大手化学メーカーが注力し、サービス化もあり 多数 MI人材育成サービスの提供は増加傾向 データベース、実験ノート 条件探索（ベイズ最適化など） （プロジェクト単位での）解析サービス 他サービスに付随して実施される場合が多い 自動実験 ta 自動実験 ta 2022年12月　柴田調べ
19. なぜ、このような課題が生じるのか　再掲 「元となるデータがあり、それをもとに（近似式をつくって）予測をする」 というアプローチであるため 19 y x1 x2 x3 ・・・ 1 2 3 ・ ・ ・ 元となるデータ 既知 y x1 x2 x3 ・・・ 1 2 3 ・ ・ ・ ? 既知 未知のyを予測 予測対象のデータ y = f(X) ・実験データ ・文献データ ・データベース　など
20. マテリアルズ・インフォマティクス：別の視点 シミュレーションの活用 20 人間 コンピュータ※ 帰納的 演繹的 実験 理論 機械学習アプローチ （～前ページ） シミュレーション 元となるデータ不要 ※ 実際には「コンピュータ」の活用においても 　 人間が考えて実行することが必要です。 　 また、機会学習アプローチとシミュレーション 　 を組み合わせることもしばしば行われます。
21. PFCCのご紹介 21
22. PFCCの会社概要 PFNとENEOSのジョイント・ベンチャーとして設立 22
23. アピールポイント 23 サービスのコア技術がnature communicationsに採択 URL：https://www.nature.com/articles/s41467-022-30687-9
24. Matlantisのご紹介 24
25. Matlantisの基本機能① 25 Matlantisは構造情報からエネルギー・力を高速に算出するシミュレータ y = f(X) 結晶・分子などの構造
26. Matlantisの基本機能② 26 エネルギー・力を算出することで、様々な物性・現象を計算できる
27. Matlantisの基本機能③ 27 ブラウザのみで実行できるクラウドサービスとして提供（JupyterLab）
28. 約10万倍 高速 Matlantisの性能①：従来手法に対する優位性 第一原理計算 Matlantis 2ヶ月 （外挿値） 0.3秒 0.1秒 2時間 第一原 理計算 原子数 第一原理 計算 約2千万倍 高速 第一原理計算条件 ・solver = QUANTUM ESPRESSO (PWscf) ・ver：6.4.1 ・PP：Pt.pbe-n-kjpaw_psl.1.0.0.UPF ・Ecutoff：40 Ry (≒544 eV) ・Xeon Gold 6254 3.1GHz x 2 (36 cores) ・RAM：384 GB Fcc Ptバルク構造一点計算時間 28 従来手法（第一原理計算）と比べて圧倒的に速い
29. 29 Matlantisの性能②：従来手法に対する優位性 汎用性が高い（72元素対応）
30. … 教師データ（数千万） 分子・結晶等様々な構造の第一原理計算を実施 （PFNの強力計算設備を活用） GNN 物理知識を取り込んだ 独自のAIモデル構築 エネルギー Matlantis予測値 学習・出力 教師データを再現できるまで モデルの学習を実施 　エネルギー DFT（テストデータ） Ex. molecule Ex. cluster Ex. slab Ex. crystal Ex. adsorption Ex. disordered ・観測バイアス ・モデルバイアス ・学習バイアス 参考書籍：AI技術の最前線 これからのAIを読み解く先端技術 73 | 岡野原 大輔 |本 | 通販 | Amazon Matlantisの仕組み：どのようにして実現しているのか 大量の学習データと独自ノウハウにより、最強のモデルを作っている 30
31. 分野・材料テーマの実績 31 弊社ミッションに関連する分野・材料テーマに対して実績あり （計算事例の詳細などは、弊社ブースにてご紹介）
32. 最後に 32
33. マテリアルズ・インフォマティクスとMatlantisの関係 33 ここまでの話を踏まえての俯瞰 人間 コンピュータ 帰納的 演繹的 実験 理論 機械学習アプローチ シミュレーション 企画 基礎研究 製品開発 工業化 検討 生産 演繹的アプローチ 帰納的アプローチ マテリアルズ・インフォマティクス （の文脈で語られることが多い）
34. もし、今の私が材料開発をするとしたら・・・ 実験をしながら、製品を生み出していく仕事をまたやりたい 9:00 出社 計画・チームMTG 10:00 実験 12:00 ランチ 13:00 MTG 14:00 実験 解析・まとめ 17:00 18:00 雑務 退社 34
35. もし、今の私が材料開発をするとしたら・・・ 9:00 出社 計画・チームMTG 10:00 実験 12:00 ランチ 13:00 MTG 14:00 実験 解析・まとめ 17:00 18:00 雑務 退社 社内の業務アップデートの取り組みには、きっちりと参画する ターゲット MTG 雑務 実験操作 データ解析 アプローチ ・自動実験装置 ・実験計画（DoE） ・電子実験ノート ・機械学習による解析 ・ムダ削減 ・生産性向上マインド 研究開発 DX 働き方 改革 35
36. もし、今の私が材料開発をするとしたら・・・ シミュレーション（計算屋の友人）の力を借りて、楽しむ心を育み続ける 9:00 出社 計画・チームMTG 10:00 実験 12:00 ランチ 13:00 MTG 14:00 実験 解析・まとめ 17:00 計算セット 18:00 雑務 退社 企画 基礎研究 製品開発 工業化 検討 生産 計算化学が発展した元々のモチベーション ：安全にアイディアを試したい（大野公一 氏） 楽しむ心 MTG 雑務 実験操作 データ解析 ・自動実験装置 ・実験計画（DoE） ・電子実験ノート ・機械学習による解析 ・ムダ削減 ・生産性向上マインド 研究開発 DX 働き方 改革 ターゲット アプローチ 36