文献

J-GLOBAL ID：202002278479484127   整理番号：20A1552277

アクティブラーニングを用いた小規模データセットからのエポキシ接着剤強度の予測と最適化

Prediction and optimization of epoxy adhesive strength from a small dataset through active learning

著者 (8件)： Pruksawan Sirawit (Data-driven Polymer Design Group, Research and Services Division of Materials Data and Integrated System (MaDIS), National Institute for Materials Science (NIMS), Tsukuba, Japan) ,  Pruksawan Sirawit (Program in Materials Science and Engineering, Graduate School of Pure and Applied Sciences, University of Tsukuba, Tsukuba, Japan) ,  Lambard Guillaume (Energy Materials Design Group, Research and Services Division of Materials Data and Integrated System (MaDIS), National Institute for Materials Science (NIMS), Tsukuba, Japan) ,  Samitsu Sadaki (Data-driven Polymer Design Group, Research and Services Division of Materials Data and Integrated System (MaDIS), National Institute for Materials Science (NIMS), Tsukuba, Japan) ,  Sodeyama Keitaro (Energy Materials Design Group, Research and Services Division of Materials Data and Integrated System (MaDIS), National Institute for Materials Science (NIMS), Tsukuba, Japan) ,  Naito Masanobu (Data-driven Polymer Design Group, Research and Services Division of Materials Data and Integrated System (MaDIS), National Institute for Materials Science (NIMS), Tsukuba, Japan) ,  Naito Masanobu (Program in Materials Science and Engineering, Graduate School of Pure and Applied Sciences, University of Tsukuba, Tsukuba, Japan) ,  Naito Masanobu (Department of Advanced Materials Science, Graduate School of Frontier Sciences, The University of Tokyo, Kashiwa, Japan)
資料名： Science and Technology of Advanced Materials (Web)  (Science and Technology of Advanced Materials (Web))
巻： 20  号： 1  ページ： 1010-1021  発行年： 2019年 
JST資料番号： U7009A  ISSN： 1878-5514  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 要約:機械学習は,新規の高性能機能性材料を発見するための強力なツールとして台頭してきている。しかし,高分子科学分野の実験データセットは一般的に限られており,構築するには高価である。そのサイズ(100サンプル未満)は,関連する情報を抽出するための機械学習アルゴリズムの使用を制約するため,実験家の化学的直感の開発を制限する。著者らは,実験室での実験デザイン,アクティブラーニングパイプライン,ベイズ最適化を組み合わせることで,接着剤材料の予測と最適化を行うためにこの問題に取り組んでいる。著者らは,様々な分子量のビスフェノールAベースのエポキシ樹脂とポリエーテルアミン硬化剤,混合比,硬化温度から調製した32の接着剤サンプルの初期データセットから開始し,我々のデータ駆動型手法により,3回のアクティブラーニングサイクル(1サイクルあたり5つの調製案)の後,35.8±1.1MPaで測定された非常に高い接着接合強度を持つ接着剤材料の最適な調製案を提案することができた。アクティブラーニングパイプラインにおける接着剤接合強度の逐次予測に勾配ブースト機械学習モデルを用いたところ,決定係数0.85,二乗平均平方根誤差,平均絶対誤差はそれぞれ4.0MPa,3.0MPaと良好な精度を達成した。本研究は,非常に小さなデータセットからオーダーメイドの高機能材料の設計と開発を加速するためのアクティブラーニングの重要な影響を実証している。図の要約:Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.

シソーラス用語： 学習 ,  データ ,  *接着剤 ,  接着強さ ,  *最適化 ,  *機械学習 ,  機能材料 ,  自然科学 ,  学習アルゴリズム ,  ポリエーテル ,  硬化剤
準シソーラス用語： アクティブラーニング ,  小規模データセット ,  データセット ,  *エポキシ接着剤 ,  接着強度 ,  機能性材料 ,  高分子科学

著者キーワード (5件)： 材料情報学 ,  アクティブ学習 ,  接着継手強度 ,  エポキシ樹脂 ,  架橋ネットワーク構造

分類 (2件)： 接着剤の性質・試験  (YK02000Q) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： アクティブラーニング ,  小規模 ,  データセット ,  エポキシ接着剤 ,  予測 ,  最適化