九州大学 研究AIを活用し化学反応の理解を自動化する仕組みを開発
―深層学習による反応機構の解明をより容易に―
【産学連携対象 全学共通分野 Discovery Saga】
【持続可能な開発目標（SDGs）】
【Sagaキーワード】
アーキテクチャ/学習過程/AI/ディープラーニング/ニューラルネットワーク/画像認識/機械学習/最適化/深層学習/人工知能/反応機構/反応制御/遷移状態/持続可能/持続可能な開発/ニューラルネット/自動化/シナプス/神経回路網/酵素反応/神経回路/分子設計
先導物質化学研究所
森 俊文 准教授
2025.03.14 研究成果Math & DataPhysics & ChemistryTechnology発表のポイント
発表概要
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。
（上）深層学習モデルの概要。入力変数と出力変数をつなぐ中間層の数、各層におけるノード（丸）の数などを事前に指定する必要がある。（中央）ハイパーパラメータ※3の自動探索過程。ベイズ最適化によって層の数、各層のノードの数などを調整する。（下）最適化した深層学習モデルを用いて予測した水中での反応の遷移状態構造。多数の原子が関与する反応であっても遷移状態を適切に予測できることを明らかにした。
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。
論文情報
掲載誌：APL Machine Learningタイトル：Investigating the hyperparameter space of deep neural network models for reaction coordinates
著者名：Kyohei Kawashima, Takumi Sato, Kei-ichi Okazaki, Kang Kim, Nobuyuki Matubayasi, Toshifumi Mori
DOI：10.1063/5.0252631