AIによる物性推算

埼玉大学　工学部　応用化学科　准教授　博士(工学)　松川 博亮 氏

【専門】 化学工学物性の測定と予測
AIを活用した物性推算をはじめとする研究・教育に従事。特に、熱力学状態方程式とニューラルネットワークを融合したハイブリッド型物性予測モデルを世界で初めて提唱・確立し、従来法の限界（データ希少性や外挿困難さ）を克服しつつ、物理的一貫性を維持した高精度予測を実現する新たな枠組みを構築した。

【アーカイブ（録画）配信】 ２０２６年６月８日まで受付（視聴期間：６月８日〜６月１８日まで）
※２０２６年５月２８日(木)　１０：３０〜１６：３０ Live配信の録画配信です

1名につき ５５,０００円（消費税込、資料付）
〔１社２名以上同時申込の場合のみ１名につき４９,５００円〕

〔大学、公的機関、医療機関の方には割引制度があります。詳しくは上部の「アカデミック価格」をご覧下さい〕

【講座概要】
近年、機械学習を活用した物性推算は、分子設計・プロセス最適化の加速ツールとして注目を集めている。しかし、化学工学分野特有のデータ希少性、物理法則の厳密性、外挿予測の困難さから、純粋データ駆動アプローチの適用限界が指摘されてきた。
本講座では、まずこれらの限界要因を体系的に整理した上で、Physics-Informed Neural Network（PINN）や従来の物性推算式・熱力学モデルとのハイブリッド手法により、これらの課題を克服・超越するアプローチを紹介する。さらに、グラフ畳み込みネットワーク（GCN）による分子構造表現、SMILES文字列をシーケンスとして扱うTransformerベースモデルがもたらすAI独自の強みを活かした最新の物性予測手法を概観する。
さらに、Explainable AI（XAI）によるモデル信頼性向上、AIを前提とした自動物性測定システム、プラントビッグデータとラボデータのマルチフィデリティ学習といった展望を議論し、AI×物性推算の持続的発展に向けた方向性を提示する。

1. 導入
　1-1. 化学工学における物性推算の位置づけと従来手法の限界
　1-2. AI・機械学習の基本と物性推算への適用可能性
　1-3. 「AIは物性推算に向いていない」と言われる主な理由

2. それでも広がるAI物性推算の現実
　2-1. 新規化合物に対する物性予測モデル
　2-2. 未測定条件での物性予測モデル

3. AIを活用した物性推算
　3-1. Physics-Informedニューラルネットワーク
　3-2. 従来物性推算式・熱力学モデルとの融合

4. AIアーキテクチャがもたらす「従来では不可能だった」物性推算
　4-1. 分子・結晶グラフを扱うGCN/GNN
　4-2. 空間情報・局所構造を捉えるCNN
　4-3. SMILESをテキストシーケンスとして扱うTransformer

5. AI×物性推算の今後と展望
　5-1. XAIによる予測の解釈性向上と理論的信頼性強化
　5-2. AI前提の自動実験システム
　5-3. プラントビッグデータとラボスケールデータの統合

【質疑応答】