テクノロジー・イノベーションセンター

MIによる高分子材料開発の限界突破が、逆に日本のチャンスに！

ーー理論計算と機械学習を活用したデジタル材料設計、マテリアルズ・インフォマティクス（以下、MI：Materials Informatics）
     による新素材開発のアプローチと課題について教えて下さい。

茂本：MIは統計学や機械学習などの情報科学を活用し、素材開発を効率よく行う取り組みです。具体的には有機、無機、金属などの材料開発において、求める性能を満たす組み合わせや製造方法の予測に大変役立つと期待されています。近年、デジタル技術の進歩により、膨大な実験データや論文情報を解析することで、材料設計を効果的に支援できるようになりました。ただし、現在のところ高分子材料にMIを活用するのは課題が多く、根本的な技術開発が必要な段階です。

例えば、創薬分野のMIでは化学構造式を入力し、そこから出力として薬理活性を予測することで、新しい薬を開発できます。つまり入力パラメータを構造式として明確に定義できる世界なので、入出力の関係を予測する機械学習モデル（関数）を作りやすいわけです。

MIでは、材料の候補(x)を与えて物性(y)を予測／yを満足するxを設計する。

ところが高分子材料の開発では、入力パラメータを一意に定義できません。例えば、容器や包装用フィルムなどに広く利用されるポリエチレン（PE）の分子構造を考えてみましょう。PEは単純な構造を持つエチレン（C2H4、CH2＝CH2）が重合した高分子化合物で、CH2単位がたくさん繋がった構造をしていますが、一口にPEと言っても種類がたくさんあります。分子鎖の長さや形状（分岐）によって、構造が無数のバリエーションを持つからです。

高分子材料の開発では入力パラメータを一意に定義できないため、MIの適用が難しい。例えば、PEは分子鎖の長さや形状により、多種多様な構造がある。

さらに面倒な点は、同じ種類のPEでも、成形加工法によって物性が異なります。そのため、分子構造と成形加工法の組合せを工夫することで、安価で破れやすいレジ袋から、防弾チョッキに使われる強靱な繊維、さらには耐熱性や耐酸・アルカリ性まで特性が違うものを作り分けられるのです。分子構造・分子鎖長・分岐・成形加工などの様々なファクターが考えられる中で、我々が求める材料をどんなレベルで開発するのか、そのコンセプトを明確にすることが最も大事で、高分子屋の知恵の見せ所です。ところが現在主流のMIの機械学習モデルは、化学構造レベルしか扱えません。そこで逆に化学構造ではないところで勝負すれば、様々な機能性材料の知見を蓄積してきた日本の化学メーカーの勝ち筋になるため、そこに注力したいと考えています。

現在、ダイキンが取り組んでいるMIによる有機高分子（ポリマー）の材料開発、および複合材料の開発。

ーー創薬と高分子材料の開発では、同じ化学系のMIといっても、扱う入力パラメータの性質がまったく異なり、
　　化学構造だけでは物性を予測できないため、学習モデルを作ることが非常に難しくなってしまうのですね。
      
茂本：ええ、そういう「ややこしさ」を面白いと思えるかで好き嫌いが分れますが、これを私は面白いと感じています。もしAIだけで高分子材料の開発が完結できると考えているなら、ITベンダーに転職していたと思います。しかし現実には、どれほど優れたAI技術を持っていても、それだけで材料設計するのは無理で、材料の研究開発や製品の生産現場があるようなメーカーでなければAIは活用できない。これもダイキンに来た理由の1つです。

ダイキンが目指す新たなデジタル材料設計の姿とアプローチとは？ 

MIの導入で見えてきたテーマ設定の難しさと今後の展望

ーー MIによるデジタル材料開発を進めていくなかで、見えてきたことはありますか？

茂本：大きい点では2つあります。1つ目はビジネスとしての要求と、現時点のデジタル技術で実現できることがかみ合う領域を見つけることが難しい点です。例えば、1年以内で作れたら売れる材料があるとして、それを設計するデジタル技術が必ずしも手元にあるわけではありません。「できること」と「やるべきこと」をいかに一致させていくか、つまりデジタルで取り組むべきテーマの設定が難しいことを強く感じています。そういう意味では、闇雲にデジタル技術の強化に取り組むだけではなく、いかに「目利き」に優れた人材を育成するかということも重要です。