第5章：Python実践：matminerワークフロー

エンドツーエンドの材料探索パイプライン構築

📖 読了時間: 20-25 minutes 📊 難易度: Beginner 💻 コード例: 0個 📝 演習問題: 0問

本章の学習目標

この最終章では、Chapter 1-4で学んだ全ての知識を統合し、実際の材料探索プロジェクトで使用できる完全なワークフローを構築します。

学習目標

5.1 Materials Project APIデータ取得

Materials Projectは、DFT計算に基づく150,000以上の材料データを提供する世界最大級のオープン材料データベースです。

5.1.1 API Key取得と認証

Materials Project APIを使用するには、無料のAPI keyが必要です：

  1. Materials Projectにアクセス
  2. 右上の「Sign Up」からアカウント作成
  3. ログイン後、「Dashboard」→「API」からAPI keyを取得

Open In Colab

Example 1: Materials Project APIデータ取得（10,000化合物）

# ===================================
# Example 1: Materials Project APIデータ取得
# ===================================

# 必要なライブラリのインポート
from mp_api.client import MPRester
from pymatgen.core import Composition
import pandas as pd
import warnings
warnings.filterwarnings('ignore')

# API keyの設定（ご自身のkeyに置き換えてください）
API_KEY = "your_api_key_here"

def fetch_materials_data(api_key, max_compounds=10000):
    """Materials Projectから材料データを取得
    
    Args:
        api_key (str): Materials Project API key
        max_compounds (int): 取得する最大化合物数
        
    Returns:
        pd.DataFrame: 材料データ（化学式、形成エネルギー、バンドギャップ等）
    """
    with MPRester(api_key) as mpr:
        # 形成エネルギーとバンドギャップデータを取得
        # 安定性基準: エネルギーが凸包上または近傍（e_above_hull < 0.1 eV/atom）
        docs = mpr.materials.summary.search(
            energy_above_hull=(0, 0.1),  # 準安定材料を含む
            fields=["material_id", "formula_pretty", "formation_energy_per_atom",
                   "band_gap", "elements", "nelements"],
            num_chunks=10,
            chunk_size=1000
        )
        
        # DataFrameに変換
        data = []
        for doc in docs[:max_compounds]:
            data.append({
                'material_id': doc.material_id,
                'formula': doc.formula_pretty,
                'formation_energy': doc.formation_energy_per_atom,
                'band_gap': doc.band_gap,
                'elements': ' '.join(doc.elements),
                'n_elements': doc.nelements
            })
        
        df = pd.DataFrame(data)
        return df

# データ取得実行
df = fetch_materials_data(API_KEY, max_compounds=10000)

print(f"取得データ数: {len(df)}")
print(f"\n最初の5行:")
print(df.head())

# 統計情報
print(f"\n形成エネルギー範囲: {df['formation_energy'].min():.3f} ~ {df['formation_energy'].max():.3f} eV/atom")
print(f"バンドギャップ範囲: {df['band_gap'].min():.3f} ~ {df['band_gap'].max():.3f} eV")
print(f"元素数分布:\n{df['n_elements'].value_counts().sort_index()}")

# 期待される出力:
# 取得データ数: 10000
# 最初の5行:
#   material_id formula  formation_energy  band_gap  ...
# 0  mp-1234    Fe2O3    -2.543           2.18       ...
# 1  mp-5678    TiO2     -4.889           3.25       ...
# ...
#
# 形成エネルギー範囲: -5.234 ~ 0.099 eV/atom
# バンドギャップ範囲: 0.000 ~ 9.876 eV
# 元素数分布:
# 2    3456
# 3    4123
# 4    1892
# 5    529

5.2 AutoFeaturizerによる自動特徴量生成

matminerのAutoFeaturizerは、化学組成または結晶構造を自動判定し、適切な特徴量を生成します。

5.2.1 AutoFeaturizerの仕組み

Open In Colab

Example 2: AutoFeaturizer活用（preset=‘express’）

# ===================================
# Example 2: AutoFeaturizer活用
# ===================================

from matminer.featurizers.composition import ElementProperty
from matminer.featurizers.conversions import StrToComposition
from matminer.featurizers.base import MultipleFeaturizer
import time

# 化学式文字列をCompositionオブジェクトに変換
df = StrToComposition().featurize_dataframe(df, 'formula')

# AutoFeaturizerの代わりに、expressプリセット相当を手動構築
# (実際のAutoFeaturizerはpresetに応じて最適なFeaturizerを自動選択)
featurizer = ElementProperty.from_preset("magpie")

# 特徴量生成
start_time = time.time()
df = featurizer.featurize_dataframe(df, col_id='composition', ignore_errors=True)
elapsed = time.time() - start_time

print(f"特徴量生成完了: {elapsed:.2f}秒")
print(f"生成特徴量数: {len(featurizer.feature_labels())}")
print(f"特徴量名（最初の10個）:\n{featurizer.feature_labels()[:10]}")

# DataCleanerで欠損値処理
from matminer.utils.data import MixingInfoError
# 欠損値を含む行を除去（本番環境では補完も検討）
df_clean = df.dropna()
print(f"\n欠損値処理後: {len(df_clean)}行（元: {len(df)}行）")

# 期待される出力:
# 特徴量生成完了: 8.54秒
# 生成特徴量数: 132
# 特徴量名（最初の10個）:
# ['MagpieData minimum Number', 'MagpieData maximum Number', ...]
#
# 欠損値処理後: 9876行（元: 10000行）

5.3 完全なMLパイプライン構築

scikit-learnのPipelineを活用し、データ取得から予測までを一貫したワークフローにします。

```mermaid
graph LR
    A[データ取得MP API] --> B[特徴量生成matminer]
    B --> C[前処理StandardScaler]
    C --> D[モデル訓練RandomForest]
    D --> E[評価R², MAE]
    E --> F{性能OK?}
    F -->|Yes| G[モデル保存joblib]
    F -->|No| H[ハイパーパラメータ最適化]
    H --> D
    
    style A fill:#e3f2fd
    style G fill:#e8f5e9
    style F fill:#fff3e0
```

Open In Colab

Example 3: 完全なMLパイプライン（データ→モデル→予測）

# ===================================
# Example 3: 完全なMLパイプライン
# ===================================

from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestRegressor
from sklearn.pipeline import Pipeline
from sklearn.metrics import mean_absolute_error, r2_score
import numpy as np

# 特徴量とターゲットの分離
feature_cols = [col for col in df_clean.columns 
                if col.startswith('MagpieData')]
X = df_clean[feature_cols].values
y = df_clean['formation_energy'].values

print(f"特徴量行列: {X.shape}")
print(f"ターゲット: {y.shape}")

# 訓練/テストデータ分割（80/20）
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# Pipeline構築
pipeline = Pipeline([
    ('scaler', StandardScaler()),
    ('model', RandomForestRegressor(
        n_estimators=100,
        max_depth=20,
        min_samples_split=5,
        random_state=42,
        n_jobs=-1
    ))
])

# モデル訓練
print("\nモデル訓練中...")
pipeline.fit(X_train, y_train)

# 予測と評価
y_pred = pipeline.predict(X_test)
mae = mean_absolute_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

print(f"\n=== 性能評価 ===")
print(f"MAE: {mae:.4f} eV/atom")
print(f"R²:  {r2:.4f}")

# クロスバリデーション（5分割）
cv_scores = cross_val_score(
    pipeline, X_train, y_train, 
    cv=5, scoring='neg_mean_absolute_error'
)
print(f"\nCV MAE: {-cv_scores.mean():.4f} ± {cv_scores.std():.4f} eV/atom")

# 期待される出力:
# 特徴量行列: (9876, 132)
# ターゲット: (9876,)
#
# モデル訓練中...
#
# === 性能評価 ===
# MAE: 0.1234 eV/atom
# R²:  0.8976
#
# CV MAE: 0.1298 ± 0.0087 eV/atom

5.4 モデル保存と読み込み

Open In Colab

Example 4: モデル保存と読み込み（joblib）

# ===================================
# Example 4: モデル保存と読み込み
# ===================================

import joblib
from pathlib import Path

# モデル保存
model_path = Path('composition_formation_energy_model.pkl')
joblib.dump(pipeline, model_path)
print(f"モデル保存完了: {model_path}")
print(f"ファイルサイズ: {model_path.stat().st_size / 1024 / 1024:.2f} MB")

# モデル読み込み
loaded_pipeline = joblib.load(model_path)
print("\nモデル読み込み完了")

# 読み込んだモデルで予測（検証）
y_pred_loaded = loaded_pipeline.predict(X_test[:5])
y_pred_original = pipeline.predict(X_test[:5])

print("\n予測値比較（最初の5サンプル）:")
print("元のモデル:    ", y_pred_original)
print("読み込みモデル:", y_pred_loaded)
print("一致:", np.allclose(y_pred_original, y_pred_loaded))

# 期待される出力:
# モデル保存完了: composition_formation_energy_model.pkl
# ファイルサイズ: 24.56 MB
#
# モデル読み込み完了
#
# 予測値比較（最初の5サンプル）:
# 元のモデル:     [-2.543 -4.889 -1.234 -3.456 -0.987]
# 読み込みモデル: [-2.543 -4.889 -1.234 -3.456 -0.987]
# 一致: True

5.5 新規材料予測と可視化

Open In Colab

Example 4: モデル保存と読み込み（joblib）

# ===================================
# Example 4: モデル保存と読み込み
# ===================================

import joblib
from pathlib import Path

# モデル保存
model_path = Path('composition_formation_energy_model.pkl')
joblib.dump(pipeline, model_path)
print(f"モデル保存完了: {model_path}")
print(f"ファイルサイズ: {model_path.stat().st_size / 1024 / 1024:.2f} MB")

# モデル読み込み
loaded_pipeline = joblib.load(model_path)
print("\nモデル読み込み完了")

# 読み込んだモデルで予測（検証）
y_pred_loaded = loaded_pipeline.predict(X_test[:5])
y_pred_original = pipeline.predict(X_test[:5])

print("\n予測値比較（最初の5サンプル）:")
print("元のモデル:    ", y_pred_original)
print("読み込みモデル:", y_pred_loaded)
print("一致:", np.allclose(y_pred_original, y_pred_loaded))

# 期待される出力:
# モデル保存完了: composition_formation_energy_model.pkl
# ファイルサイズ: 24.56 MB
#
# モデル読み込み完了
#
# 予測値比較（最初の5サンプル）:
# 元のモデル:     [-2.543 -4.889 -1.234 -3.456 -0.987]
# 読み込みモデル: [-2.543 -4.889 -1.234 -3.456 -0.987]
# 一致: True

5.5 新規材料予測と可視化

訓練したモデルを使用して、未知の材料の特性を予測します。Random Forestの場合、全決定木の予測分布から不確実性も推定できます。

学習目標の確認

この章を完了すると、以下を実行できるようになります：

基本理解

実践スキル

応用力

演習問題

Easy（基礎確認）

Q1 : Materials Project APIで酸化物（O含有）のみを取得する方法は？

正解 :

docs = mpr.materials.summary.search(
    elements=["O"],  # O含有
    energy_above_hull=(0, 0.1),
    fields=["material_id", "formula_pretty", ...]
)

解説 : elementsパラメータで特定元素を含む材料に絞り込みます。

参考文献

  1. Ward, L. et al. (2018). “Matminer: An open source toolkit for materials data mining.” Computational Materials Science , 152, 60-69.
  2. Dunn, A. et al. (2020). “Benchmarking materials property prediction methods: the Matbench test set and Automatminer reference algorithm.” npj Computational Materials , 6, 138, pp. 5-8.
  3. Ong, S.P. et al. (2015). “The Materials Application Programming Interface (API).” Computational Materials Science , 97, 209-215.
  4. Materials Project API Documentation. https://docs.materialsproject.org/
  5. matminer Examples Gallery. https://hackingmaterials.lbl.gov/matminer/examples/
  6. pandas Documentation: Data manipulation. https://pandas.pydata.org/docs/
  7. matplotlib/seaborn Documentation. https://matplotlib.org/

次のステップ

🎉 おめでとうございます！ 組成ベース特徴量入門シリーズを完了しました。

次の学習リソース:

← 第4章: 機械学習モデルとの統合（準備中） シリーズ目次に戻る

免責事項

← 前の章 シリーズ目次に戻る 次の章 →
🎬 この章を動画で見る