慶應・東大らの研究チームがスパースモデリングを活用し、世界最高水準の有機負極材料を発見

課題

電池の効率化に向けて、金属を使わない有機材料でできた電池に関する研究が世界的に進んでいます。しかし、リチウム電池やナトリウム電池などの負極材料の高容量、高耐久性、高速充放電特性を両立する新しい有機負極を実現するための探索は、研究者の経験と勘に頼らざるをえず、どのような構造の分子が高い性能を示すのか設計指針の確立が求められていました。

また、マテリアルズインフォマティクス(材料情報科学)の学問分野では、これまで理論科学者、計算科学者、データ科学者の主導で、新材料や新機能の探索手法として発展してきました。そのため、実験科学者が小規模なデータや経験知をどう活用するかは課題でした。文献に出ている性能を示す数値は、測定条件の違いや誤差などがあるため、マテリアルズインフォマティクスのデータセットとして用いることに慎重にならざるをえませんでした。

解決方法

慶應義塾大学理工学部の緒明佑哉准教授らの研究グループは、東京大学大学院新領域創成科学研究科の五十嵐康彦助教らと共同で、マテリアルズインフォマティクスにより、リチウムイオン二次電池の負極となる有機材料の新たな設計指針を確立し、極めて少ない実験数で高容量・高耐久性の材料を得ることに成功しました。

本研究では、まず16個の有機化合物の負極としての容量を実測し、容量を決定付けている少数の要因を、スパースモデリングにより抽出しました。これは現象を説明する要因は少数(スパース)であるという仮定に基づき、適切な規範に従ってデータの主要因を抽出する手法です。スパースモデリングでは、予測の誤差とパラメータの絶対値の合計(L1ノルム)が小さくなるように、パラメータ(係数)が調整されます。これにより、予測に不必要とされたパラメータは0となり、必要とされるパラメータのみが残り、これを「主要因」とみなして重要な変数であるとみなします。

学習結果により、抽出した因子を変数とした予測モデルを構築しました。次に、市販の化合物の中から、負極としてある程度の容量が予想される11個の化合物を選び、あらかじめ容量の予測値を算出しました。

どうなったか

結果的に、予測値の高かった3個の化合物の容量のうち2個の化合物で高容量を示しました。さらに、この中のひとつであるチオフェン化合物(硫黄を環内にもつ5員環複素環式化合物の一つで、ベンゼンに似た構造)を重合すると、容量、耐久性などが向上した高分子の負極材料を得ることができました。この重合体は、世界でも最高水準の高容量と高耐久性を両立しています。

まとめ

予測モデルはそれほど正確ではないと報告されていますが、今回研究グループが確立した設計指針により、さらなる性能向上や新物質の発見が期待されます。また、機械学習に全面的に依存することなく、研究者の経験と勘も取り入れて実験数を最小化することを目指したと研究チームは述べています。小規模なデータ、経験および直観を大事にする実験科学者にとって受け入れやすい実験主導のマテリアルインフォマティクスにより材料探索ができるということが、示されたといえます。

参考資料

(蒲生由紀子・森裕紀)