第2章：触媒設計に特化したMI手法

学習目標

1. 記述子設計 ：触媒記述子の4タイプを理解し、使い分けられる
2. 予測モデル ：活性・選択性予測モデルの構築手順を説明できる
3. ベイズ最適化 ：原理と応用方法を理解している
4. DFT統合 ：第一原理計算とMLの統合手法を把握している
5. データベース ：主要な触媒データベースの特徴と使い分けを理解している

2.1 触媒記述子（Descriptor）

2.1.1 記述子の役割

記述子とは、触媒の特性を数値で表現したものです。機械学習モデルの入力として使用されます。

良い記述子の条件 ： - ✅ 物理的意味が明確 - ✅ 計算が容易 - ✅ 活性と相関がある - ✅ 一般性がある（異なる反応系にも適用可能）

2.1.2 記述子の分類

1. 電子的記述子（Electronic Descriptors）

d-band理論（Nørskov） ：

吸着エネルギー ∝ d-bandセンター位置

d-bandがフェルミ準位に近い
  → 反結合軌道のoccupation増加
  → 吸着が強い
  → 活性が高い（ただし脱離が遅い）

最適なd-bandセンター：中間値（Sabatier原理）

2. 幾何的記述子（Geometrical Descriptors）

3. 組成記述子（Compositional Descriptors）

4. 反応記述子（Reaction Descriptors）

2.2 Sabatier原理とd-band理論

2.2.1 Sabatier原理

定義 ： 最適な触媒は、反応中間体と「ちょうど良い強さ」で相互作用する。

吸着が弱すぎる:
  → 反応物が表面に留まらない
  → 活性が低い

吸着が強すぎる:
  → 生成物が表面から脱離できない
  → 活性が低い

最適な吸着強度:
  → 火山型プロット（Volcano Plot）の頂点

火山型プロット ：

活性（TOF）
    |
    |        *
    |      /   \
    |     /     \
    |    /       \
    |   /         \
    |  /           \
    |_________________ 吸着エネルギー
   弱い  最適  強い

2.2.2 スケーリング関係（Scaling Relations）

多くの吸着エネルギーには線形関係があります：

E(OH*) = 0.5 * E(O*) + 0.25 eV

E(CHO*) = E(CO*) + 0.8 eV

⇒ 1つの記述子（例：E(O*)）で複数の吸着種を予測可能
⇒ 記述子の次元削減

2.3 活性・選択性予測モデル

2.3.1 回帰モデル（活性予測）

目的 ：触媒の活性（TOF、転化率）を予測

ワークフロー ：

1. データ収集
   - 実験データ：活性測定
   - DFTデータ：吸着エネルギー

2. 記述子計算
   - 電子的：d-band center
   - 幾何的：配位数
   - 組成的：元素組成

3. モデル訓練
   - Random Forest
   - Gradient Boosting
   - Neural Network

4. 性能評価
   - R²、RMSE、MAE
   - Cross-validation

5. 予測
   - 未知触媒の活性予測

推奨モデル ：

2.3.2 分類モデル（活性触媒のスクリーニング）

目的 ：活性触媒と不活性触媒を分類

クラス定義 ：

活性触媒：TOF > 閾値（例：1 s⁻¹）
不活性触媒：TOF ≤ 閾値

評価指標 ： - Precision ：予測した活性触媒のうち、実際に活性な割合 - Recall ：実際の活性触媒のうち、正しく予測できた割合 - F1 Score ：PrecisionとRecallの調和平均 - ROC-AUC ：分類性能の総合評価

2.4 ベイズ最適化による触媒探索

2.4.1 ベイズ最適化の原理

目的 ：最小の実験回数で最適触媒を発見

コンポーネント ： 1. サロゲートモデル （Surrogate Model）：Gaussian Process 2. 獲得関数 （Acquisition Function）：次に試す候補を選定

アルゴリズム ：

1. 初期実験（10-20サンプル）
   → 組成と活性のデータ取得

2. Gaussian Processでサロゲートモデル訓練
   → 未知組成の活性を予測（平均 + 不確実性）

3. 獲得関数で次実験を選定
   - EI（Expected Improvement）
   - UCB（Upper Confidence Bound）
   - PI（Probability of Improvement）

4. 選定した組成で実験

5. データ更新してステップ2に戻る

6. 収束条件達成まで反復

2.4.2 獲得関数の比較

パラメータ調整 ： - β（UCBの探索度）：初期は大きく（3.0）、後期は小さく（1.0） - ξ（EIのtrade-off）：通常0.01-0.1

2.4.3 多目的ベイズ最適化

目的 ：活性と選択性を同時最適化

パレートフロント ：

選択性
    |
100%|      * (理想)
    |    *   *
    |  *       *
    | *         *
    |*___________*___ 活性（TOF）
   0%           高

パレートフロント：どちらかを改善すると、もう一方が悪化する境界

手法 ： - ParEGO（Pareto Efficient Global Optimization） - NSGA-II（Non-dominated Sorting Genetic Algorithm II） - EHVI（Expected Hypervolume Improvement）

2.5 DFT計算との統合

2.5.1 DFT（Density Functional Theory）とは

目的 ：量子力学に基づき、原子レベルで電子状態を計算

計算可能な物性 ： - 吸着エネルギー - 活性化エネルギー（遷移状態） - 電子密度分布 - バンド構造

計算コスト ： - 1構造：数時間〜数日（CPUコア数による） - 遷移状態探索：数日〜数週間

2.5.2 Multi-Fidelity Optimization

戦略 ：安価な低精度計算と高精度計算を組み合わせ

Low-Fidelity:
- 経験的モデル（結合価力場）
- 小さなk-pointメッシュ
- 低カットオフエネルギー
- コスト：1分/構造

High-Fidelity:
- 収束したDFT計算
- 密なk-pointメッシュ
- 高カットオフエネルギー
- コスト：10時間/構造

Multi-Fidelity:
1. Low-Fidelityで1万構造スクリーニング（約7日）
2. 上位100構造をHigh-Fidelityで計算（約42日）
3. 両方のデータでML訓練
4. 予測精度：High-Fidelity単独と同等
5. 総コスト：約1/10

2.5.3 Transfer Learning

アイデア ：既存の反応系の知識を新しい反応系に転移

例 ：

Source Task: CO酸化（大量データあり）
Target Task: NO還元（データ少ない）

手順:
1. Source TaskでDNN訓練
2. Target Taskで転移学習
   - 下層（汎用的特徴）：固定
   - 上層（タスク固有）：再訓練
3. 必要データ：1/5〜1/10

2.6 主要データベースとツール

2.6.1 触媒データベース

1. Catalysis-Hub.org - 内容 ：20,000以上の触媒反応エネルギー - データ ：DFT計算結果（吸着エネルギー、遷移状態） - 形式 ：JSON API、Python API - URL ：https://www.catalysis-hub.org/

2. Materials Project - 内容 ：140,000以上の無機材料 - データ ：結晶構造、バンドギャップ、形成エネルギー - API ：Python（pymatgen） - URL ：https://materialsproject.org/

3. NIST Kinetics Database - 内容 ：化学反応速度定数 - データ ：Arrhenius parameters（A, Ea） - 形式 ：Web検索 - URL ：https://kinetics.nist.gov/

2.6.2 計算ツール

1. ASE（Atomic Simulation Environment） - 言語 ：Python - 機能 ： - 構造最適化 - 振動解析 - NEB（遷移状態探索） - 各種計算エンジンとの連携（VASP, Quantum ESPRESSO） - インストール ：conda install -c conda-forge ase

2. Pymatgen - 機能 ： - 結晶構造の読み書き - 対称性解析 - 相図計算 - Materials Projectとの連携 - インストール ：pip install pymatgen

3. matminer - 機能 ： - 記述子の自動計算（200種類以上） - データベースからのデータ取得 - 特徴量エンジニアリング - インストール ：pip install matminer

2.7 触媒MIワークフロー

統合ワークフロー

```mermaid
flowchart TD
    A[ターゲット反応設定] --> B[初期データ収集]
    B --> C[記述子計算]
    C --> D[MLモデル訓練]
    D --> E[ベイズ最適化]
    E --> F[候補触媒選定]
    F --> G{DFT検証}
    G -->|低活性| E
    G -->|高活性| H[実験検証]
    H --> I{目標達成?}
    I -->|No| C
    I -->|Yes| J[最適触媒]
```

実装例（疑似コード）

# ステップ1：データ収集
data = load_catalysis_hub_data(reaction='CO_oxidation')

# ステップ2：記述子計算
descriptors = calculate_descriptors(data['structures'])

# ステップ3：MLモデル訓練
X_train, X_test, y_train, y_test = train_test_split(descriptors, data['activity'])
model = RandomForestRegressor()
model.fit(X_train, y_train)

# ステップ4：ベイズ最適化
optimizer = BayesianOptimization(model, acquisition='EI')
for i in range(50):
    next_candidate = optimizer.suggest()
    dft_energy = run_dft(next_candidate)  # DFT計算
    optimizer.update(next_candidate, dft_energy)

# ステップ5：最適触媒
best_catalyst = optimizer.get_best()

まとめ

本章では、触媒設計に特化したMI手法を学びました：

学んだこと

1. 記述子 ：電子的、幾何的、組成的、反応記述子の4タイプ
2. Sabatier原理 ：最適な吸着強度、火山型プロット
3. 予測モデル ：Random Forest、XGBoost、Neural Networkの使い分け
4. ベイズ最適化 ：効率的探索、獲得関数（EI, UCB, PI）
5. DFT統合 ：Multi-Fidelity、Transfer Learning
6. データベース ：Catalysis-Hub、Materials Project、ASE

次のステップ

第3章では、Pythonで実際に触媒MIを実装します： - ASEによる構造操作 - 活性予測モデルの構築 - ベイズ最適化による組成探索 - DFT計算との統合 - 30個の実行可能なコード例

第3章へ進む →

演習問題

基礎レベル

問題1 ：d-band理論において、d-bandセンターがフェルミ準位に近いとき、吸着が強くなる理由を説明してください。

問題2 ：以下の記述子を、電子的・幾何的・組成的・反応記述子に分類してください： - 配位数 - 吸着エネルギー - 電気陰性度 - 仕事関数

問題3 ：Sabatier原理を「吸着が弱すぎる場合」「強すぎる場合」「最適な場合」の3つに分けて説明してください。

中級レベル

問題4 ：ベイズ最適化の3つの獲得関数（EI, UCB, PI）を比較し、それぞれどのような状況で使用すべきか説明してください。

問題5 ：Multi-Fidelity Optimizationが計算コストを削減できる理由を、Low-FidelityとHigh-Fidelityの特徴を含めて説明してください。

上級レベル

問題6 ：CO2還元触媒の設計において、活性と選択性を同時に最適化する必要があります。多目的ベイズ最適化を用いた探索戦略を提案してください。以下を含めること： - 目的関数の定義 - パレートフロントの概念 - 具体的な獲得関数

問題7 ：Transfer Learningを用いて、データが少ない新規反応系（例：アンモニア分解）の触媒設計を行う場合の戦略を設計してください。Source Taskとして何を選ぶべきか、その理由も含めて説明してください。

参考文献

重要論文

1. Nørskov, J. K., et al. (2011). “Towards the computational design of solid catalysts.” Nature Chemistry , 3, 273-278.

2. Ulissi, Z. W., et al. (2017). “To address surface reaction network complexity using scaling relations machine learning and DFT calculations.” Nature Communications , 8, 14621.

3. Wertheim, M. K., et al. (2020). “Bayesian optimization for catalysis.” ACS Catalysis , 10(20), 12186-12200.

データベース・ツール

• Catalysis-Hub : https://www.catalysis-hub.org/
• Materials Project : https://materialsproject.org/
• ASE Documentation : https://wiki.fysik.dtu.dk/ase/
• matminer : https://hackingmaterials.lbl.gov/matminer/

最終更新 : 2025年10月19日 バージョン : 1.0