シュレーディンガー株式会社 【事例集】材料研究のための機械学習
- 最終更新日：2023-04-14 16:18:44.0
- 印刷用ページ
高品質の物理ベースのシミュレーションと機械学習アプローチは、
新規材料の研究を加速し、市場投入までの時間を短縮します。
ワークフローによって、代表的な機械学習の手法(部分的最小二乗回帰(PLS)法、重回帰分析(MLR)、主成分回帰(PCR)、カーネルPLS法)と、記述子とフィンガープリントの組み合わせで数百以上の予測モデルを自動作成し、その中から高い予測性能をもつモデルを選択することが可能(AutoQSAR)。
数千個以上のデータを持つデータセットに対しては、AutoQSAR同様に、ワークフローによってディープラーニング（深層学習）を用いた予測モデルを自動作成することが可能（DeepAutoQSAR, DeepChem/AutoQSAR）。
幅広い材料（ポリマー、分子、固体）の特性を表現するため、それぞれの系のためにカスタマイズされた効果的な記述子を使用可能。
関連動画【事例集】材料研究のための機械学習
基本情報【事例集】材料研究のための機械学習
【掲載事例】
■biceranoデータセットに含まれるポリマーのガラス転移温度(Tg)の予測では、カスタマイズされたポリマー用記述子を使用した予測モデルでは、一般的な記述子を使用した場合と比較して、二乗平均平方根誤差(RMSE)が、38Kから11Kへと大幅に減少
■周期的な3次元記述子を使用して、窒化ケイ素の29Si NMR化学シフトを正確に予測できるモデルの構築
■化学組成や構造に基づいた140個の記述子を使用したモデルによって、1181個(60元素以上)の無機結晶の体積弾性率を高精度に予測(R2=0.913)
■NOMAD 2018 Kaggle challengeに含まれる3000個の透明導電性酸化物のバンドギャップを、10 SOAP-PCA 3D記述子とAutoQSAR/DeepChemを使用して構築したディープラーニング予測モデルによって高精度に予測
■文献から集めた8773分子の水溶性を予測できるディープラーニング予想モデルを、AutoQSAR/DeepChemを使用して構築(R2=0.88)
※お気軽にお問い合わせ下さい。
| 価格帯 | お問い合わせください |
|---|---|
| 納期 | お問い合わせください |
| 用途／実績例 | ※詳しくは、お気軽にお問い合わせ下さい。 【その他の掲載事例】 ■小分子の味（甘い/苦い）の正確な予測を可能なディープラーニング予想モデル(分類モデル)をAutoQSAR/DeepChemのハイパーパラメータ最適化を使用して構築 2428分子の(苦い/苦くない)の分類に関しては、R2=0.926。2366分子の(甘い/甘くない)の分類に関しては、R2=0.936。 ■酸化物を添加したケイ酸塩ガラスの特性の予測 ■鉄合金の降伏強度の予測モデルの構築 |
詳細情報【事例集】材料研究のための機械学習
-
MS Maestro
-
LiveDesign
カタログ【事例集】材料研究のための機械学習
取扱企業【事例集】材料研究のための機械学習
-
-
【ソフトウェア開発・販売】 ■高速分子シミュレーションにより、ポリマー、有機EL、半導体をはじめとして、さまざまな材料開発を総合支援する Materials Science Suite ■計算化学の導入障壁を取り除く、マテリアルズ・インフォマティクス向けAIプラットフォーム LiveDesign ■製薬およびバイオテクノロジー研究を加速する、化学シミュレーション・ソフトウェア 【ソリューション提案・コラボレーション・共同研究】 お客様のご状況に応じて、各分野の専門サイエンティストが適切なソリューションをご提案いたします。 グローバルな医薬品会社、材料会社との共同研究の実績がございます。
【事例集】材料研究のための機械学習へのお問い合わせ
お問い合わせ内容をご記入ください。
