はじめに

共通する研究課題

• データの不整合：PHR（樹脂100部あたり）、wt%（重量％）といった異なる表記が混在

• 知識変数の扱い：NCO（イソシアネート）指数をモデルにどのように組み込み、知識化するか

• 未知成分の予測：既知データを活用して未知の成分を推定し、新規探索に展開する必要性

• 多目的最適化の困難さ：10種類以上の特性を同時に制御するのは従来手法では非効率

成功に導いたアプローチ

1. データ統合と標準化
単位やフォーマットが異なるデータを整理し、解析基盤を整備。

2. 知識変数の導入
NCO指数を説明変数として組み込み、化学的知見をモデル化。

3. 順解析と逆解析の両立
配合条件から特性値を予測するだけでなく、目標特性から条件を逆算。

4. 既知から未知への拡張
既知材料のデータをもとに未知成分を推定し、新規材料探索を効率化。

成功事例に共通する成果

• 高精度の予測モデル：95%以上の精度、MAPEは6%未満、R²は0.9以上

• 研究効率化：平均誤差率を削減し、開発サイクルを従来比で大幅に短縮

• 新材料探索の推進：未知成分の予測が可能となり、研究の幅を拡大

• 信頼性の実証：厳格な評価指標をクリアし、再現性と堅牢性を確認

考察と展望

• データ標準化と知識パラメータ（NCO指数）の導入

• 順解析と逆解析を組み合わせた設計空間探索

• 既知材料から未知材料への知見拡張