データ化学工学研究室 (金子研) では、ケモインフォマティクス・マテリアルズインフォマティクス・プロセスインフォマティクスに関する、いろいろな研究をしています。企業や大学・研究所との共同研究もしています。金子研の研究、特に共同研究をするときに、相手が難しいと感じ、金子研の工夫が必要なのは、主に以下の段階です。
- データの収集の仕方
- データの前処理
- 特徴量設計
- モデルの逆解析
- 化学構造生成
データの収集の仕方
基本的には、縦にサンプルを並べて、横に変数 (パラメータ) を並べたような csv ファイル (エクセルのファイル) を準備することになります。ただ場合によっては、キレイには整理できなかったり、ところどころ値がなかったり (穴あきデータだったり)、一つの数値で表現できないデータが存在したりします。たとえば、一部のみに時系列のデータがあると、基本的にはキレイには整理できません。こんなとき、どのように収集してまとめれば成果が出やすいのか、金子研の腕の見せ所です。
データの前処理
エクセルでデータをそろえたら、基本的にはすべてのデータを用いますが、研究目的によっては、すべてのデータを用いないほうが逆によい場合もあります。研究目的を達成するためのデータ解析をするとき、どのデータを用いるべきで、どのデータは用いないべきか、工夫して検討する必要があります。
特徴量設計
用いるデータが決まって、たとえば説明変数 X と目的変数 Y との間で回帰モデル・クラス分類モデル Y=f(X) を構築するとします。このとき、予測精度の高いモデルを構築するために、X をどうすればよいのか、検討しなければなりません。特徴量の設計です。
画像であれば畳み込みニューラルネットワークでなんとかなるかもしれませんが (ただ実は、畳み込みニューラルネットワークのハイパーパラメータを設計しなかったり、画像によってはあまり使えなかったりしますので注意です！)、他のデータでは上手くいかなかったりも。たとえばバッチプロセスにおいて、バッチごとに時系列データから Y を説明するための有効な特徴量をどうすればよいのか、化学構造から物性・活性を推定するためにどのような特徴量を計算すればよいのか、といった工夫によって、モデルの予測精度を向上させることもできます。
どのような特徴量にすれば、予測精度の高いモデルを構築できるか、特徴量の組合せを選択することも含めて、金子研では検討しています。
モデルの逆解析
モデルを構築できたら、目標の Y の値になるような、X (の組合せ) を設計します。モデルの逆解析です。
ただ、X の組合せの候補は無限にあります。効率的に X を生成するには、乱数が必要です。乱数を用いると、X としてありえない候補も出てきてしまいます。X の上限下限内にしても、他の X との組合せでありえない候補もあります。
またモデルの適用範囲 (Applicability Domain, AD) [詳細はこちら] の完全に外では、Y の推定値を信用することできませんので、AD の中に X の候補を生成する必要があります。
もちろん、極端に内挿ばかりでは面白くありません。ギリギリの外挿をねらうための X の候補をどう生成するか、工夫する必要があります。
化学構造生成
モデルの逆解析によって得られた X の候補がそのまま解になればよいですが、たとえば分子設計の場合は、X だけ得られても意味はなく、所望の Y の値をもつと考えられる化学構造を獲得しなければなりません。望ましい特徴をもった化学構造をどう生成するか、検討する必要があるわけです。
特に金子研との共同研究では、相手方の企業や大学・研究所において、以上の項目について難しいと感じているようです。逆にいえば、上の項目において難しいと感じている方は、金子研のいろいろな知見が活用できるかもしれません。
以上です。
質問やコメントなどありましたら、twitter, facebook, メールなどでご連絡いただけるとうれしいです。
