[Published online Journal of Computer Chemistry, Japan Vol.20, 14-21, by J-STAGE]
<Title:> 熱硬化性樹脂コンポジットにおける物性予測に向けた機械学習モデル構築
<Author(s):> 高原 渉, 小林 優希, 森田 将司, 奥山 浩二郎, 川村 信行
<Corresponding author E-Mill:> takahara.wataru(at)jp.panasonic.com
<Abstract:> 本研究では自社の実験データを用いて，熱硬化性樹脂コンポジットを工業応用する際に重要となる比誘電率(ε)，誘電正接(tanδ)予測に向けた機械学習モデルを構築した．機械学習モデルの構築には近年注目を集めている勾配ブースティング木(GBDT)系のアルゴリズムを含む幅広い手法を採用した．複数の手法にて構築したモデルの中で，Training data setにおける交差検証(Cross-validation)時の決定係数R2CV > 0.8を満たすモデルを抽出した．更にTraining data set においてRMSE (Root Mean Square Error)及びMAE (Mean Absolute Error)の値が小さく，より定量的な物性予測が可能と考えられるモデルを選択し，Test data setにおける評価を行った．その結果，RMSEやMAEがε及びtanδそれぞれの平均値に対して10-1 10-2オーダーで物性予測可能な機械学習モデルが得られた．本結果より，熱硬化性樹脂コンポジットにおいてもMI (Materials Informatics)によるアプローチが有効であり，定量的な特性予測が可能であることを初めて実証した．今後の開発において，本アプローチを用いることで材料開発期間の短縮及び材料開発の促進を期待する．
<Keywords:>
<URL:> https://www.jstage.jst.go.jp/article/jccj/20/1/20_2021-0026/_article/-char/ja/
<Title:> 熱硬化性樹脂コンポジットにおける物性予測に向けた機械学習モデル構築
<Author(s):> 高原 渉, 小林 優希, 森田 将司, 奥山 浩二郎, 川村 信行
<Corresponding author E-Mill:> takahara.wataru(at)jp.panasonic.com
<Abstract:> 本研究では自社の実験データを用いて，熱硬化性樹脂コンポジットを工業応用する際に重要となる比誘電率(ε)，誘電正接(tanδ)予測に向けた機械学習モデルを構築した．機械学習モデルの構築には近年注目を集めている勾配ブースティング木(GBDT)系のアルゴリズムを含む幅広い手法を採用した．複数の手法にて構築したモデルの中で，Training data setにおける交差検証(Cross-validation)時の決定係数R2CV > 0.8を満たすモデルを抽出した．更にTraining data set においてRMSE (Root Mean Square Error)及びMAE (Mean Absolute Error)の値が小さく，より定量的な物性予測が可能と考えられるモデルを選択し，Test data setにおける評価を行った．その結果，RMSEやMAEがε及びtanδそれぞれの平均値に対して10-1 10-2オーダーで物性予測可能な機械学習モデルが得られた．本結果より，熱硬化性樹脂コンポジットにおいてもMI (Materials Informatics)によるアプローチが有効であり，定量的な特性予測が可能であることを初めて実証した．今後の開発において，本アプローチを用いることで材料開発期間の短縮及び材料開発の促進を期待する．
<Keywords:>
<URL:> https://www.jstage.jst.go.jp/article/jccj/20/1/20_2021-0026/_article/-char/ja/
