GPT-assisted learning of structure-property relationships by graph neural networks: Application to rare-earth doped phosphors
1. 本研究の学術的な背景と研究が解決する問題は何ですか？
==> 材料科学において、基本的な手法は、材料の特性と組成を記述するための記述子と、データベースに基づく特性値の調査です。しかしながら、人工知能技術の進歩により、経験的な記述子の使用を回避し、材料構造と物性の関係を直接的にマッピングする方法が可能になっています。
2. 本研究の目的及び学術的独自性と創造性は何ですか？
==> 本研究では、大規模言語モデルの使用とグラフニューラルネットワーク、具体的にはCGCNNの使用を組み合わせて、固体照明用レアアースドープの蛍光体を開発することを目指します。また、このモデルにより、'inorganic materials'と呼ばれる40,000種類以上の材料をスクリーニングして、蛍光体の発光波長を予測します。
3. 研究の着想を得た経緯や、関連する国内外の研究動向とは何ですか？
==> 本研究では、グラフニューラルネットワーク、大規模言語モデルを用いて、材料科学の分野においてより精度の高いモデル作成を目指します。最近、自然言語処理の技術が精度を向上させ、材料データベース作成を促進することが期待されています。
4. 本研究で何をどのように、どこまで明らかにした？
==> 本研究では、大規模言語モデルのGPT-4とグラフニューラルネットワークであるCGCNNを組み合わせて、材料データベースの作成や発光波長の予測に成功しました。モデル作成は人の監視が少なく、少ないドメイン知識の必要があり、他の材料特性にも拡張可能です。
5. 本研究の有効性はどのように検証した？
==> 本研究では、274の論文から収集した264のEu(II)-ドープした蛍光体の化学式と発光波長のデータを用いてCGCNNをトレーニングし、40,000以上の無機材料から蛍光体発光波長を予測することができることを示しました。