―深層学習による反応機構の解明をより容易に―
先導物質化学研究所
森 俊文 准教授
ポイント
・化学反応の成否を決める遷移状態※1の予測に深層学習※2は有効だが、深層学習モデルの構築自体が非常に煩雑なため適用範囲が限られていた
・深層学習モデル作成の自動化に成功し、多数の溶媒分子存在下での反応でも遷移状態を効率よく予測することに成功
・酵素反応など複雑な化学反応の解明への人工知能の応用、深層学習による物性予測・分子設計理論の深化に期待
概要
化学反応の反応物と生成物を隔てる遷移状態は、反応の成否を決める重要な状態です。遷移状態の予測は反応制御に向けて重要ですが、多数の原子・多くの構造の候補から遷移状態を正確に予測することは難しいとされてきました。近年、AIを活用した遷移状態予測が盛んになっており、中でも深層学習は画像認識をはじめ多くの成功を収めている強力な手法であるものの、深層学習モデルの形（ノード数などのアーキテクチャ）を決めるのが煩雑であり、化学反応への適用の大きな障害となっています。
今回、九州大学、大阪大学および分子科学研究所の共同研究グループは、深層学習モデルを自動的に決定し、化学反応の遷移状態の予測を実現する方法を開発しました。さらに、適切に設計された深層学習モデルは、アーキテクチャによらず遷移状態の特徴を正しく捉えられることを世界で初めて明らかにしました。
九州大学先導物質化学研究所の川島恭平助教、佐藤拓海氏（総合理工学府・博士前期課程修了）、森俊文准教授は、大阪大学大学院基礎工学研究科の金鋼准教授、松林伸幸教授、分子科学研究所／総合研究大学院大学の岡崎圭一准教授とともに、化学反応の遷移状態を予測する深層学習を自動的に構築する手法を開発し、これを用いて多数の原子が存在する系でも遷移状態を適切に予測できることを示しました。さらに、様々な深層学習モデルを調べることで、モデルの形が異なっても、得られる遷移状態の特徴は変わらないことを明らかにしました。
今回の発見は、深層学習による広範な化学反応の遷移状態予測の実現に重要な一歩であり、AIを用いた化学反応の設計や、深層学習を用いた様々な課題解決の効率化に貢献できることが期待されます。
本研究成果は、米国物理学協会が発行するAPL Machine Learning誌の2025年3月14日（金）午前2時30分に掲載されました。また、特に注目すべき論文として、Editor’s Pickにも選ばれました。
用語解説
(※1) 遷移状態
化学反応において反応物から生成物へ遷移する過程の途中にある不安定な活性化状態のことを言う。遷移状態理論においてはポテンシャルエネルギー曲面の鞍点に相当する。
(※2) 深層学習
生物のシナプス結合による神経回路網を模した機械学習モデルを人工ニューラルネットワークと言う。さらに、入力層と出力層のあいだに多数の中間層を用意し、データに含まれる特徴を各層に学習させるモデルのことを深層学習もしくはディープラーニングと言う。
(※3) ハイパーパラメータ
深層学習モデルの層の数、各層に存在する変数の数など、深層学習モデルの形を決める変数群であり、深層学習を行う際に、事前に決めておく必要がある変数のことを言う。これに対して、深層学習モデルが学習過程で最適化を行う重みを単にパラメータと呼び、ハイパーパラメータと区別される。
詳細
本研究の詳細はこちらをご参照ください。
お問合せは
先導物質化学研究所 森俊文 准教授
