材料開発における特徴量設計とは?|組成・構造・プロセスの表現方法

この記事でわかること

  • 特徴量・記述子とは何か、材料を数値で表す意味
  • 予測時点に合わせて、組成・構造・工程・測定条件を選ぶ方法
  • 配合比・加重平均・当量比・交互作用を計算する方法
  • Pythonで特徴量を生成し、追加効果をバッチ単位で比較する方法
  • リークを防ぎ、保存した定義で新候補へ適用する方法

材料開発で機械学習を使うとき、アルゴリズムの選択以上に重要になるのが、材料をどのような数値で表すかです。材料名や組成式、顕微鏡画像、温度履歴をそのまま表計算ソフトへ並べても、モデルが材料科学的な意味を適切に理解するとは限りません。

材料開発の特徴量は、組成・構造・プロセス・測定条件の4層で整理し、「予測する時点で取得できる情報だけを使う」ことが基本です。高度な記述子を大量に生成することよりも、目的物性との関係、データ数、取得コスト、再現性を考えて表現を選ぶ方が重要です。

本記事では、組成・分子/結晶構造・製造条件を機械学習へ入力する方法と、少数データで起こりやすい失敗を、無機材料、触媒、高分子、電池材料の例とともに解説します。

第1〜4章で設計と数値例、第5〜8章で実装・評価・新候補への利用を扱います。分子・結晶・画像・時系列の表現は第9章で整理します。

1.特徴量設計とは:元の記録をモデルの入力へ変える

特徴量とは、機械学習モデルへ入力する数値やカテゴリ情報です。材料分野では「説明変数」「記述子(descriptor)」「フィンガープリント」などの言葉も使われます。

用語 主な意味 材料開発での例
特徴量 モデルへ入力する変数の総称 組成比、焼成温度、粒径
記述子 材料や構造の性質を数値で表す量 電気陰性度の平均、配位数、分子量
フィンガープリント 構造の有無や局所パターンをベクトル化した表現 Morgan fingerprint、結晶構造フィンガープリント
埋め込み表現 モデルがデータから学習した連続ベクトル 分子グラフや材料文献の埋め込み

マテリアルズ・インフォマティクス(MI)では、組成や構造、プロセスを数値表現へ変換し、物性や性能との関係を学習します。材料の表現方法は、モデル精度だけでなく、未知材料へ適用できる範囲や結果の解釈性にも影響します[1,2]。

MI全体の進め方は、マテリアルズ・インフォマティクスとは?進め方・活用例・失敗パターンで解説しています。

例えば「樹脂100 g、硬化剤25 g、充填剤25 g」という記録から、硬化剤の質量分率や反応基の当量比を作ります。元の列を使うことも特徴量設計です。加工した列を増やすこと自体が目的ではなく、モデルで表したい違いを明確にする作業です。

2.目的・予測時点・1行の単位を決める

1.何を予測するのか

最初に目的変数を明確にします。例えば、強度、導電率、触媒活性、容量維持率、良品・不良品では、必要な情報が異なります。同じ材料でも、初期性能を予測したい場合と長期耐久性を予測したい場合では、有効な特徴量は同じではありません。

2.いつ予測するのか

特徴量は、モデルを使う時点で取得できなければ実用になりません。

予測時点 利用できる情報の例 利用できない情報の例
材料設計前 候補組成、計算記述子、既知の原料情報 試作後の測定結果
試料作製後 組成、プロセス条件、外観、簡易測定 長期耐久試験の結果
製造工程中 センサー値、装置条件、原料ロット 出荷後に判明する性能

例えば、完成後にしか測れない分析値を設計段階の予測モデルへ入れると、検証時の精度は高くても、実際の材料探索では使えません。特徴量設計は、モデルを使う業務プロセスから逆算する必要があります。

3.何のためにモデルを使うのか

物性予測、材料探索、メカニズム理解、品質監視では、特徴量に求める性質が違います。探索では候補材料すべてに計算できること、メカニズム理解では材料科学的に説明できること、品質監視ではリアルタイムに取得できることが重要です。

今回の例では、1行=独立に配合・硬化した一試料、予測時点=作製前、目的変数=硬化後の強度MPaです。予定温度・時間を使い、作製後の実測架橋密度や空孔率は入力しません。sample_idは追跡用、batch_idは同じ作製日・原料ロット等の共通要因を持つ群の評価用です。どちらもモデルの特徴量へ入れません。

3.組成・構造・プロセス・測定条件を整理する

層 表現するもの 代表例
組成 何からできているか 元素比、原料比、添加量
構造 どのように並んでいるか 分子構造、結晶構造、微細構造
プロセス どのように作られたか 温度、時間、圧力、工程順序
測定条件 どのように評価されたか 装置、測定温度、試料形状、測定方向

「組成が同じなら同じ材料」とは限りません。熱処理や成形条件が変われば構造が変わり、物性も変化します。また、同一試料でも測定条件によって観測値が変わります。したがって、材料―構造―プロセス―物性のつながりを意識して、どの層まで表現するかを決めます[1,3]。

基準 確認する質問
利用可能性 予測を使う時点で取得できるか
再現性 担当者や装置が変わっても同じ定義で得られるか
材料科学的妥当性 目的物性と関係する理由を説明できるか
識別性 材料やプロセスの違いを表現できるか
展開可能性 新しい組成、構造、バッチでも計算・測定できるか

予測精度だけで特徴量を選ぶと、高価な分析が必要で運用できないモデルや、既知材料しか扱えないモデルになりかねません。取得時間・費用と予測性能の改善量を一緒に評価します。

4.数値例で理解する:配合比・加重平均・当量比

元素・原料の含有率をそのまま使う

最も分かりやすい方法は、各元素または各原料の比率を列として持つことです。候補成分が固定されている配合最適化や、探索範囲が限定された合金・電池材料では有効です。

一方、候補元素が増えると列数が多くなり、学習データに存在しない元素を扱いにくくなります。また、含有率の合計が100%になる組成データには変数間の制約があるため、通常の独立した数値変数と同じ感覚で扱うと解釈を誤る可能性があります。

元素物性の統計量で表す

各元素の原子量、電気陰性度、原子半径、融点、価電子数などを用い、組成比による加重平均、最大値、最小値、範囲、分散を計算します。組成だけから計算でき、新しい元素の組み合わせにも一定の一般化が期待できます。Wardらは、このような組成由来の属性を利用する汎用的な材料物性予測の枠組みを報告しています[2]。

  • 加重平均:材料全体の平均的な性質
  • 最大値・最小値:構成元素の極端な性質
  • 範囲・分散:元素間の不均一性
  • 化学量論特徴:元素数や組成の偏り
  • 電子構造特徴:価電子数や軌道別の割合

組成データで区別すべき「0」と「欠損」

成分量0は「その成分を入れていない」という実験情報です。欠損値は「配合したか不明」「記録されていない」「測定していない」などを意味します。両者を同じ0で埋めると、モデルが誤った関係を学ぶため、欠損理由まで確認します。

比率の基準と単位を先に決める

質量分率、モル分率、原子分率は異なる量です。元素物性の組成加重平均では、何の分率で重みを付けたかを明示します。既知の質量から原子分率へ変換する場合は、原子量で割って物質量を求めてから正規化します。記録不明を0にしたり、合計の誤りを確認せず100%に直したりしないでください。

成分 質量[g] 質量分率
樹脂 100 100/150=0.6667
硬化剤 25 25/150=0.1667
充填剤 25 25/150=0.1667

分率の合計は1です。全3成分を切片付き線形モデルに入れると完全な線形従属が生じるため、今回の基準モデルでは硬化剤・充填剤の2列を使います。樹脂分率は1から残りを引けば求まります。省いた成分に対する置換として係数を解釈する点に注意します。

元素物性の加重平均と分散

原子分率xが0.75と0.25、ある元素物性pが2と4なら、加重平均は0.75×2+0.25×4=2.5、加重分散は0.75×(2−2.5)²+0.25×(4−2.5)²=0.75です。pは説明用の仮の数値で、実在元素の値ではありません。実データでは元素物性の出典、尺度、欠測の扱いを残します。

x = np.array([0.75, 0.25])
p = np.array([2.0, 4.0])
mean = np.sum(x * p)
variance = np.sum(x * (p - mean)**2)

加重平均が同じでも構成元素や構造が同じとは限りません。記述子だけで材料を識別できるとは考えず、元の組成を保持します。

反応基の当量比を計算する

仮に樹脂のエポキシ当量を200 g/eq、硬化剤の活性水素当量を50 g/eqと定義します。上の配合なら樹脂は100/200=0.5 eq、硬化剤は25/50=0.5 eq、当量比は1です。これは硬化剤の質量比ではありません。この例は純度と原料種類を固定し、他の反応成分・溶剤を含めていません。

当量比からのずれの二乗(r−1)²を、非線形関係を表現する候補にします。また(温度−110)×(r−1)を交互作用の候補にします。110℃は固定した中心化の基準であり、最適温度という意味ではありません。これらは検証する仮説で、強度を決める法則とは扱いません。

5.Pythonで特徴量を生成し、モデルを作る

以下は編集部作成の合成データ例です。24バッチ×5試料=120件を生成し、6バッチ30件を最終評価として残します。実材料の成果や推奨配合ではありません。Python 3.12.14、numpy 2.3.5、pandas 2.2.3、scikit-learn 1.8.0で確認しています。

python -m pip install numpy pandas scikit-learn joblib
python feature_practical.py --demo --out feature_output

コードをfeature_practical.pyとしてUTF-8で保存してください。出力は新規フォルダーのみ受け付けます。再実行は–out feature_output_2など別名にします。実データでは–data measurements.csv –out my_featuresを使い、以下の列を用意します。

列 単位・用途
sample_id 空欄・重複なし、特徴量に含めない
batch_id 関連試料をまとめる群、特徴量に含めない
epoxy_g / hardener_g / filler_g 配合質量[g]。今回の原料種類を固定
cure_temp_c / cure_time_min 作製前の予定温度[℃]・時間[分]
strength_mpa 作製後に測定した目的値[MPa]

コードは未知の成分を自動認識しません。列を足しただけでは、その成分を配合合計へ含められません。原料・純度・当量定義が変わる場合はCONFIGと生成関数を変更し、新しい版で再検証します。実データの欠損は停止し、推測で0にしません。

完全なPythonコードを開く(feature_practical.py)
"""配合・硬化条件の合成データ例。原料当量は仮定値。"""
from pathlib import Path
import argparse
import json
import joblib
import numpy as np
import pandas as pd
from sklearn.model_selection import GroupShuffleSplit, GroupKFold
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import Ridge
from sklearn.metrics import mean_absolute_error, mean_squared_error

RAW = ['epoxy_g', 'hardener_g', 'filler_g', 'cure_temp_c', 'cure_time_min']
CONFIG = {'feature_version': 'formulation-v1', 'epoxy_equivalent_g': 200.0,
          'active_h_equivalent_g': 50.0}
SETS = {
 'composition': ['hardener_mass_fraction', 'filler_mass_fraction'],
 'process': ['hardener_mass_fraction', 'filler_mass_fraction', 'cure_temp_c', 'cure_time_min'],
 'derived': ['hardener_mass_fraction', 'filler_mass_fraction', 'cure_temp_c', 'cure_time_min',
             'ratio_deviation_squared', 'temperature_ratio_interaction']}

def features(frame, config=CONFIG):
    if frame.empty or not {'sample_id', *RAW}.issubset(frame.columns):
        raise ValueError('空データまたは必須列の不足')
    f = frame.copy()
    if f.sample_id.isna().any():
        raise ValueError('sample_id欠測')
    f['sample_id'] = f.sample_id.astype(str).str.strip()
    if f.sample_id.eq('').any() or f.sample_id.duplicated().any():
        raise ValueError('sample_id空欄・重複')
    f[RAW] = f[RAW].apply(pd.to_numeric, errors='raise')
    if not np.isfinite(f[RAW].to_numpy()).all():
        raise ValueError('欠損・無限値。0で埋めず原記録を確認')
    if (f[['epoxy_g','hardener_g','filler_g']] < 0).any().any():
        raise ValueError('負の配合量')
    if (f.epoxy_g <= 0).any() or (f.cure_time_min <= 0).any():
        raise ValueError('樹脂量と硬化時間は正値')
    if config['epoxy_equivalent_g'] <= 0 or config['active_h_equivalent_g'] <= 0:
        raise ValueError('当量の定義を確認')
    total = f.epoxy_g + f.hardener_g + f.filler_g
    f['hardener_mass_fraction'] = f.hardener_g / total
    f['filler_mass_fraction'] = f.filler_g / total
    # 活性水素当量数 / エポキシ当量数。純度・他の反応成分はこの例では固定。
    ratio = (f.hardener_g / config['active_h_equivalent_g']) / (
             f.epoxy_g / config['epoxy_equivalent_g'])
    f['equivalent_ratio'] = ratio
    f['ratio_deviation_squared'] = (ratio - 1.0)**2
    f['temperature_ratio_interaction'] = (f.cure_temp_c - 110.0)*(ratio - 1.0)
    return f

def demo():
    rng = np.random.default_rng(42)
    rows = []
    for b in range(24):
        batch_offset = rng.normal(0, .8)
        for i in range(5):
            hardener, filler = rng.uniform(15, 40), rng.uniform(0, 40)
            temp, minutes = rng.uniform(80, 140), rng.uniform(30, 120)
            ratio = hardener / 25.0
            # 説明用の架空関係。実材料への推奨条件ではない。
            strength = (45 + 10*filler/(100+hardener+filler) + .1*(temp-110)
                        + .04*(minutes-60) - 20*(ratio-1)**2
                        + .04*(temp-110)*(ratio-1) + batch_offset + rng.normal(0, .5))
            rows.append([f'S{b:02d}_{i}', f'B{b:02d}', 100, hardener, filler,
                         temp, minutes, strength])
    return pd.DataFrame(rows, columns=['sample_id','batch_id',*RAW,'strength_mpa'])

def scores(y, pred):
    return {'mae_mpa': float(mean_absolute_error(y,pred)),
            'rmse_mpa': float(np.sqrt(mean_squared_error(y,pred)))}

def main():
    parser=argparse.ArgumentParser()
    parser.add_argument('--demo',action='store_true')
    parser.add_argument('--data')
    parser.add_argument('--predict', help='自分で作成した信頼できるモデルファイル')
    parser.add_argument('--out',default='feature_output')
    args=parser.parse_args()
    if args.predict:
        if args.demo or not args.data:
            parser.error('--predictには候補CSVの--dataが必要')
        bundle=joblib.load(args.predict)
        frame=features(pd.read_csv(args.data,dtype={'sample_id':str}),bundle['config'])
        pred=bundle['model'].predict(frame[bundle['columns']])
        out=Path(args.out); out.mkdir(parents=True,exist_ok=False)
        frame['prediction_mpa']=pred
        frame.to_csv(out/'candidate_features_predictions.csv',index=False)
        print(frame[['sample_id','prediction_mpa']].to_string(index=False))
        return
    if args.demo == bool(args.data):
        parser.error('--demoまたはラベル付きCSVの--dataを一つ指定')
    raw=demo() if args.demo else pd.read_csv(args.data,dtype={'sample_id':str,'batch_id':str})
    frame=features(raw)
    if not {'batch_id','strength_mpa'}.issubset(frame):
        raise ValueError('学習にはbatch_idとstrength_mpaが必要')
    if frame.batch_id.isna().any():
        raise ValueError('batch_id欠測')
    frame['batch_id']=frame.batch_id.astype(str).str.strip()
    if frame.batch_id.eq('').any():
        raise ValueError('batch_id空欄')
    frame['strength_mpa']=pd.to_numeric(frame.strength_mpa,errors='raise')
    if not np.isfinite(frame.strength_mpa).all() or frame.batch_id.nunique()<8:
        raise ValueError('有限の目的値と、この例では8以上の独立バッチが必要')
    split=GroupShuffleSplit(n_splits=1,test_size=.25,random_state=42)
    dev_ix,test_ix=next(split.split(frame,groups=frame.batch_id))
    dev,test=frame.iloc[dev_ix].copy(),frame.iloc[test_ix].copy()
    cv=list(GroupKFold(n_splits=4).split(dev,groups=dev.batch_id))
    rows=[]; oof_table=dev[['sample_id','batch_id','strength_mpa']].copy()
    for name,cols in SETS.items():
        oof=np.full(len(dev),np.nan)
        for train_ix,valid_ix in cv:
            model=make_pipeline(StandardScaler(),Ridge(alpha=1.0))
            model.fit(dev.iloc[train_ix][cols],dev.iloc[train_ix].strength_mpa)
            oof[valid_ix]=model.predict(dev.iloc[valid_ix][cols])
        rows.append({'feature_set':name,'n_features':len(cols),**scores(dev.strength_mpa,oof)})
        oof_table[name+'_prediction']=oof
    comparison=pd.DataFrame(rows)
    chosen=comparison.sort_values('mae_mpa').iloc[0].feature_set
    cols=SETS[chosen]
    model=make_pipeline(StandardScaler(),Ridge(alpha=1.0))
    model.fit(dev[cols],dev.strength_mpa)
    predictions=model.predict(test[cols])
    final={'chosen_feature_set':chosen,'development_n':len(dev),'test_n':len(test),
           'development_batches':int(dev.batch_id.nunique()),'test_batches':int(test.batch_id.nunique()),
           **scores(test.strength_mpa,predictions)}
    out=Path(args.out); out.mkdir(parents=True,exist_ok=False)
    raw.to_csv(out/'raw_data.csv',index=False)
    frame.to_csv(out/'features.csv',index=False)
    comparison.to_csv(out/'development_comparison.csv',index=False)
    oof_table.to_csv(out/'development_oof.csv',index=False)
    result=test[['sample_id','batch_id','strength_mpa']].copy()
    result['prediction_mpa']=predictions
    result.to_csv(out/'test_predictions.csv',index=False)
    (out/'evaluation.json').write_text(json.dumps(final,ensure_ascii=False,indent=2),encoding='utf-8')
    joblib.dump({'config':CONFIG,'columns':cols,'model':model},out/'feature_model.joblib')
    print(comparison.round(3).to_string(index=False))
    print(json.dumps(final,ensure_ascii=False,indent=2))

if __name__=='__main__':
    main()

6.特徴量群の追加効果を同じ分割で比較する

材料開発では、数十~数百件のデータに対して、数百~数千個の記述子を生成できることがあります。しかし、特徴量が多いほど精度が高くなるとは限りません。

  • 学習データだけに合う過学習が起きる
  • 似た特徴量が多数入り、多重共線性が強くなる
  • 偶然の相関を選びやすくなる
  • 特徴量重要度が不安定になる
  • 探索空間に対してデータが疎になる

材料開発の少数データで機械学習を使う方法で解説したように、少数データでは複雑なモデルよりも、データ分割と評価設計が重要です。まず少数の説明可能な特徴量で基準モデルを作り、追加特徴量が未知データでの性能を改善するか確認します。

Ridgeのalphaを1に固定し、同じ開発側90件・18バッチと同じGroupKFoldの4分割で比較します。モデルの最適化は行いません。特徴量群の選択は開発側のOOF予測のMAEで行います。

特徴量群 列数 開発OOF MAE[MPa] 開発OOF RMSE[MPa]
composition 2 2.478 3.176
process 4 1.399 1.750
derived 6 0.814 0.941

配合のみは2列、工程追加は4列、派生追加は6列です。今回は派生群を選び、開発側全体で学習し直した後、残しておいた6バッチ30件で一度評価します。最終MAEは0.585 MPa、RMSEは0.756 MPaでした。最終評価で他の群を選び直してはいません。

合成データの生成式に当量比の二乗と温度との交互作用を含めているため、今回の派生群が有利になる構造です。実材料でも同じ改善が得られる実証ではありません。追加効果がない場合は、取得コストや説明のしやすさも踏まえ、単純な表現を選べます。

実データでは独立バッチ数と試料数を分けて考えます。コードの8バッチ以上という条件は4分割を動かす説明用の最低条件であり、十分な検証件数を保証しません。モデルや特徴量の候補を増やす場合は開発側の評価も楽観的になり得るため、材料データの交差検証で扱う入れ子の評価を検討してください。

7.固定式の生成と、学習する前処理・選択を区別する

方法 用途 注意点
材料知識による選択 候補を事前に絞る 既知の考え方に偏る可能性
相関・分散の確認 定数列や重複情報を除く 非線形関係を見落とす
Lasso/Elastic Net 線形モデルで変数を絞る 相関した変数間で選択が不安定
Permutation Importance 予測への寄与を評価する 相関特徴があると重要度が分散
再帰的特徴量削減 モデル性能を見ながら削減する 計算量が増える
PCA 高次元情報を少数軸へ圧縮する 各軸の材料科学的解釈が難しい

データから有効な変数を選ぶ特徴量選択は、データ分割前に全体で行わないことが重要です。全データを使って特徴量を選び、その後に交差検証すると、検証データの情報が選択へ混入します。スケーリング、欠損補完、特徴量選択は、原則として交差検証の各学習データ内で実行します。

処理 参照するもの 実行位置
当量比・固定式の加重平均 その試料の入力と事前の定義 目的値や他試料を使わなければ分割前でも計算可能
標準化・補完・PCA 学習集合の分布 各foldの学習側でfit
相関による選択・Lasso等 学習集合、場合により目的値 各foldの学習側で選択
生成式・特徴量群の変更 評価結果 開発側で比較し、最終評価は温存

今回のfeaturesは、事前に固定した当量と各試料の入力だけから計算するため、分割前に適用しています。StandardScalerはPipeline内にあり、各学習側の平均・標準偏差だけでfitします。固定式でも、最終評価の誤差を見て式を繰り返し変更すれば、そのデータを開発に使ったことになります。[6]

SHAPやPermutation Importanceで重要度が高い特徴量は、モデルの予測に使われたことを示します。しかし、それだけで物性変化の原因だとは証明できません。

例えば、焼成温度が重要でも、実際には温度と一緒に変化した装置、時期、原料ロットを捉えている可能性があります。相関した特徴量が複数ある場合は、重要度が分散したり、モデルによって順位が変わったりします。

重要度は、追加実験や解析の仮説を作るための手掛かりとして使い、因果関係は条件を制御した実験や材料科学的検討で確認します。

8.新候補にも同じ特徴量を作り、定義を保存する

構築後のfeature_model.joblibには、選ばれた列、標準化・回帰モデル、当量と特徴量の版を保存します。新候補は同じfeatures関数に保存済みCONFIGを渡し、再学習せず予測します。

sample_id,epoxy_g,hardener_g,filler_g,cure_temp_c,cure_time_min
NEW001,100,25,25,110,60
python feature_practical.py --predict feature_output/feature_model.joblib --data candidates.csv --out feature_predictions

候補CSVにbatch_idや実測強度は不要です。candidate_features_predictions.csvへ派生列と予測値を出力します。モデルと同じ環境で利用し、外部の未信頼joblibを読み込まないでください。

特徴量定義には、列名・式・単位・原料当量の出典・取得時点・欠損処理・版を残します。固定値200、50は本記事の仮定値で、実データへの流用前に原料情報を確認してください。作製条件と原ファイルの対応は研究開発データベースの設計で扱っています。

このコードは学習範囲からの逸脱や未知原料を判定するADを実装していません。数値を計算できても未知材料への適用が検証できたとは限りません。モデルの適用範囲(AD)の設定・検証と併せて確認します。

9.分子・結晶・画像・時系列へ拡張する

分子構造の表現

分子材料では、SMILESなどの文字列表現から、分子量、官能基数、極性表面積、環の数などの分子記述子を計算できます。局所部分構造をビット列で表すMorgan fingerprintも広く使われます。RDKitは、分子記述子やフィンガープリントを生成できるオープンソースのケモインフォマティクスツールです[4]。

表現 長所 注意点
分子記述子 解釈しやすい 立体構造や材料状態を十分に表さない場合がある
フィンガープリント 部分構造や類似性を扱いやすい ビットの意味が直感的でない場合がある
分子グラフ 原子と結合を直接扱える 一般に多くのデータと計算資源が必要

結晶構造の表現

無機結晶では、結晶系、空間群、格子定数、密度、配位数、原子間距離、局所環境などを特徴量にできます。SOAPのように、原子近傍環境を回転・並進・原子順序に対して不変な形で表現する記述子も提案されています[5]。

結晶構造が得られない初期探索では、組成特徴だけで基準モデルを作り、構造データが揃った段階で構造特徴を追加する進め方が現実的です。matminerには、組成、結晶構造、局所サイトなどから特徴量を生成する仕組みが用意されています[3]。

高分子構造の表現

高分子では、モノマー構造だけでは材料状態を十分に表せません。必要に応じて、分子量、分子量分布、共重合組成、分岐、結晶化度、架橋密度、立体規則性などを加えます。ただし、予測候補ごとに実測が必要な変数を入力すると、探索時に使えないモデルになるため注意が必要です。

画像・スペクトル・微細構造の表現

顕微鏡画像では、粒径、円形度、相分率、空孔率、配向度など、人が定義した特徴量を使う方法があります。画像をCNNへ直接入力する方法もありますが、データ数が少ない場合は、画像解析で得た少数の意味ある特徴量から始める方が検証しやすいことがあります。

スペクトルでは、ピーク位置、強度、半値幅、面積比などを使うほか、前処理後の波形をそのまま入力する方法があります。平滑化やベースライン補正の条件が違うと特徴量も変わるため、処理手順をメタデータとして残します。

温度・時間・圧力を列にする

単一工程であれば、温度、保持時間、圧力、回転数、流量、雰囲気などを数値またはカテゴリとして入力します。単位を統一し、装置設定値と実測値を区別することが重要です。

履歴を要約する

材料特性は、最高温度だけでなく、そこへ至る履歴に左右されます。温度や圧力の時系列から、次のような特徴量を作れます。

  • 昇温・冷却速度
  • 特定温度以上に滞在した時間
  • 時間積分値
  • 最大値、最小値、平均値、標準偏差
  • ピーク数、変化点、周期性
  • 工程別の所要時間

ただし、要約しすぎると重要な局所変化を失います。まず材料知識に基づく要約特徴を作り、その後に時系列モデルとの比較を行うと、複雑化による改善効果を判断しやすくなります。

工程順序を表現する

同じ条件の集合でも、混合、乾燥、熱処理などの順番が違えば結果が変わる場合があります。このときは、工程ごとの変数を分ける、工程順序をカテゴリ化する、シーケンスとして扱うなどの方法があります。「処理温度」という1列に異なる工程の温度を混在させないことが重要です。

工程ログからの特徴量は、製造プロセスの時系列解析で、時刻・欠測・工程区間を含む実装を扱います。

材料データでは、測定装置、試料形状、測定方向、測定温度、前処理、解析方法などが目的値に影響します。これらを記録しなければ、材料差と測定差を分けられません。

  • 測定装置と校正状態
  • 測定規格・解析条件
  • 試料形状、寸法、方向
  • 測定温度・湿度
  • 試料の保管時間と前処理
  • 繰り返し測定か独立試料か

装置番号や測定日は、ばらつきを把握するうえでは有用ですが、モデルが特定装置や時期を答えの代理として使うこともあります。将来の装置や別拠点へ展開する場合は、装置・時期・バッチを分けた検証が必要です。

材料別に検討する入力

無機・セラミックス材料

元素組成、結晶相、格子定数、粒径、成形圧力、焼成温度、保持時間、雰囲気、密度、空孔率などが候補です。設計段階では組成と計算可能な記述子、試作後の品質予測では構造・微細組織も利用するなど、予測時点で使い分けます。

触媒材料

活性元素、担体、担持量、前駆体、調製条件、焼成・還元条件、比表面積、細孔特性、反応温度、圧力、原料組成などを検討します。触媒そのものの特徴と反応条件を分けて持つと、どの触媒をどの条件で使ったかを整理しやすくなります。

高分子材料

モノマー構造、共重合組成、分子量、分子量分布、官能基、添加剤量、混合・成形条件、熱履歴などが候補です。モノマー由来の分子記述子だけでなく、高分子化後の状態やプロセスが物性を左右する点に注意します。

電池・電極材料

活物質組成、結晶構造、粒径、導電助剤やバインダーの比率、電極密度、塗工・乾燥条件、電解液、充放電レート、温度、サイクル数などがあります。材料特徴と評価プロトコルを分離して記録しないと、材料差と試験条件差を混同します。

10.実務の手順・チェックリスト・FAQ

実務での特徴量設計9ステップ

  1. 目的変数を定義する:何をどの単位で予測するかを決める。
  2. 予測時点を決める:設計前、試作後、工程中など、モデルを使う場面を明確にする。
  3. 4層で候補を洗い出す:組成・構造・プロセス・測定条件を整理する。
  4. 利用できない情報を除く:予測時点より後に得られる情報や目的値の代理変数を外す。
  5. 定義を統一する:単位、カテゴリ名、欠損の意味、計算式を揃える。
  6. 単純な基準モデルを作る:少数の特徴量と線形モデルなどから始める。
  7. 特徴量群を段階的に追加する:組成、構造、プロセスの追加効果を比較する。
  8. 適切に検証する:試料、材料系、バッチ、時期を考慮して分割する。
  9. 運用可能性を確認する:取得コスト、計算時間、将来データでの再現性を評価する。

テーマ自体の適性を評価する場合は、MIプロジェクトのテーマ選定方法|向いている課題・向かない課題も参考にしてください。

特徴量設計チェックリスト

  • 目的変数と予測時点は明確か
  • 予測時点で取得できない情報が入っていないか
  • 組成・構造・プロセス・測定条件を検討したか
  • 0、未実施、未記録を区別しているか
  • 単位とカテゴリ表記が統一されているか
  • 試料、バッチ、装置、時期の関係を確認したか
  • 特徴量数はデータ数に対して過大でないか
  • 固定式の生成と、学習する前処理・選択を区別しているか
  • 重要度を因果関係と解釈していないか
  • 取得コストに見合う精度改善があるか
  • 未知の材料候補にも同じ方法で計算できるか
  • 特徴量の定義とバージョンを記録しているか

材料開発では特徴量を何個に絞るべきですか?

一律の正解はありません。データ数、ノイズ、特徴量間の相関、モデルによって異なります。まず材料知識で説明できる少数の特徴量から始め、交差検証で追加効果を確認する方法が安全です。

組成比をそのまま機械学習へ使えますか?

候補成分が固定された範囲では使えます。ただし、合計100%の制約、欠損と未配合の違い、学習データにない成分をどう扱うかに注意が必要です。広い材料空間へ展開する場合は、元素物性由来の記述子も検討します。

ディープラーニングなら特徴量設計は不要ですか?

モデルが表現を学習する範囲は広がりますが、目的変数、データ品質、予測時点、プロセスや測定条件の記録は依然として必要です。材料開発の少数データでは、手作業で設計した特徴量と単純なモデルが有力な比較対象になります。

特徴量重要度が高ければ、物性の原因と考えてよいですか?

いいえ。重要度はモデルが予測に利用した度合いであり、因果関係を直接示しません。交絡、相関した変数、データの偏りを確認し、必要に応じて追加実験で検証します。

まとめ

材料開発の特徴量設計では、材料を単なる数値表へ変換するのではなく、組成・構造・プロセス・測定条件の関係を、予測目的に合わせて表現することが重要です。

  • 特徴量設計は目的変数と予測時点から逆算する
  • 組成だけでなく、構造・プロセス・測定条件も候補にする
  • 高度な記述子を大量に作る前に、単純な基準モデルを作る
  • 少数データでは特徴量選択と検証を同じパイプライン内で行う
  • 重要度は仮説形成に使い、因果関係は別途検証する

良い特徴量は、精度が高いだけでなく、将来の候補にも計算でき、現場で再現でき、取得コストが許容できる特徴量です。モデルの複雑さよりも、「何を、いつ、どの定義で記録するか」を丁寧に設計することが、MIを実際の材料開発へつなげます。

参考文献

  1. Butler, K. T. et al., “Machine learning for molecular and materials science,” Nature, 559, 547–555 (2018). https://doi.org/10.1038/s41586-018-0337-2
  2. Ward, L. et al., “A general-purpose machine learning framework for predicting properties of inorganic materials,” npj Computational Materials, 2, 16028 (2016). https://doi.org/10.1038/npjcompumats.2016.28
  3. Ward, L. et al., “Matminer: An open source toolkit for materials data mining,” Computational Materials Science, 152, 60–69 (2018). https://doi.org/10.1016/j.commatsci.2018.05.018
  4. RDKit, “RDKit: Open-Source Cheminformatics Software.” https://www.rdkit.org/(2026年10月4日閲覧)
  5. Bartók, A. P., Kondor, R. and Csányi, G., “On representing chemical environments,” Physical Review B, 87, 184115 (2013). https://doi.org/10.1103/PhysRevB.87.184115

[6]scikit-learn developers. Common pitfalls and recommended practices。前処理・特徴量選択のリークとPipelineの使用を参照。追加公式資料・実装の確認日:2026年10月9日。配合・当量の仮定値と合成データ・コード・比較結果は編集部作成です。

コメントする

メールアドレスが公開されることはありません。 ※ が付いている欄は必須項目です

CAPTCHA


上部へスクロール