Sartaaj Takrim Khan Seyed Mohamad Moosavi

要約

毎年、研究者は数10万もの新しい材料を創出しており、それぞれが独自の構造と物性を有している。たとえば、昨年だけで5000以上の新しい金属有機フレームワーク（MOF）が報告されている。これらの材料はしばしば特定の用途に向けて合成されるが、実際にはまったく異なる分野での応用可能性を秘めている場合もある。しかし、新規材料とその最適な応用先を結びつけることは依然として大きな課題である。本研究では、MOFが合成された直後に入手可能な情報、すなわち粉末X線回折パターン（PXRD）および合成に用いられた化学物質の情報を活用して、その材料の潜在的な物性や応用を予測するマルチモーダルなアプローチを提示する。MOFデータベースから入手可能な結晶構造を用いた自己教師あり事前学習により、本モデルは少量のデータでも、孔構造関連、化学依存性、量子化学的性質など、多様な物性について高精度な予測を実現した。さらに、実験測定における不完全性を想定した状況下でも、本手法の堅牢性を評価した。このアプローチを活用することで、MOFの合成から応用へのマッピングを構築し、さまざまな用途における最適な材料クラスに関する知見を提供した。最後に、本モデルに推薦システムを組み合わせることで、当初報告された用途とは異なる応用に有望なMOFを同定した。本研究で開発したツールは、オープンソースコードおよびウェブアプリとして公開しており、新規材料とその産業応用とのマッチングを加速することを目的としている。