ニュースファイルのトップに戻る
CCS特集2023年冬：シュレーディンガー
M&S／機械学習の優位、材料研究デジタル化で成果
2023.12.05−シュレーディンガーは、長年のモデリング＆シミュレーション（M&S）技術をベースに、生命科学と材料科学領域の両方で“デジタルケミストリープラットフォーム”を提供。生命科学分野では、独自に創薬事業を展開し、デジタルケミストリーの威力を実証しているが、材料系Ｍ＆Ｓ機能も大幅に強化されてきており、機械学習の応用も進展している。
同社の強みは物理ベースのシミュレーションと化学・材料に関する専門知識を持つこと。人工知能（AI）専門のベンダーでは、実験データが少ないと対応が難しいが、同社の場合は大量のバーチャルライブラリーを生成する技術があり、シミュレーションデータを学習セットとする機械学習モデルを構築することも容易。M&Sの対象はミクロスケールの電子構造から原子レベル、メソスケールの現象までも扱うことができ、さまざまな物性値を導き出すことが可能。最近は電池材料の開発で利用されることが多く、固体電解質界面（SEI）膜の解析などで、この系で生じる10個ほどの反応を定義したうえで百数十ナノ秒の大規模分子動力学（MD）シミュレーションを実施した例もある。同社の高速MDエンジン「Desmond」が活躍している。
また、散逸分子動力学（DPD）を用いたソフトマターのシミュレーションではパラメーター不足が問題になるケースが多いが、全原子シミュレーションの結果を利用してDPDポテンシャルパラメーターを自動的にフィッティングする技術も確立。ナノエマルジョン中に生成する液滴のサイズが実験と一致するという結果を得ているとのことだ。
さらに、計算手順のワークフローを複数つなぎ合わせて自動化する「メタワークフロー」技術も開発しており、例えばアモルファスセルを構築して構造緩和し、MDで平衡化したあとに、拡散係数などの物性値を求めるなどの一連の処理を自動化できる。すでに、同社の「マテリアルサイエンススイート」から呼び出して使用することが可能である。
一方、機械学習は幅広い材料物性の予測に利用可能。創薬分野でも利用されている「AutoQSAR」を使って、結晶やポリマーなどの特徴量を求めることができる。また、有機材料系に適した機械学習力場（MLFF）の開発も進めているという。High-dimensional neural network potential（HDNNP）やCharge-recursive neural network（QRNN）などに対応し、電池材料などへの適用を目指しているようだ。まだ製品化はされていないが、受託サービスのための内部ツールとして利用を開始しており、比熱や粘性、拡散係数などの算出で古典力場を超える精度を達成しているという。
これらの材料系M&S、機械学習などのデジタルケミストリー技術は、ウェブベースの研究コラボレーションを実現する「LiveDesign」に統合されており、エンタープライズレベルでのデータ駆動型材料研究プラットフォームとすることができる。