九州大學研究生院工學研究院的加藤幸一郎教授、藤谷剛彥教授以及研究生院工學府博士三年級學生Phua Yin Kan等人組成的研究團隊，針對燃料電池和水電解裝置核心部件的陰離子交換膜（AEM）材料，構建了融合「可解釋AI」、ChatGPT及專家知識的「人機協同（Human-in-the-loop）」框架。通過該框架，針對以往高度依賴經驗法則的設計指南，研究團隊成功在分子描述符層面將結構與物性的關係進行定量關聯，並提取出了聯苯骨架的有效性、側鏈長度為8個鍵長的重要性等可供實驗人員應用的定量設計指針。由此，AI不再僅能進行預測，研究者還能理解其為何做出該預測並將其反映到材料設計中，進而有望減少材料開發過程中的試錯次數，實現候選材料的高效篩選。相關研究成果已發表在期刊《ChemElectroChem》上。
圖1 材料圖譜製作流程（供圖：九州大學）
通過讓無監督機器學習模型學習已報導化學結構的自建數據庫，製作材料探索圖譜。
燃料電池和水電解裝置核心部件的陰離子交換膜（AEM），是實現氫能社會的關鍵材料。在AEM聚合體的分子設計中，需要同時實現高離子傳導性與長期鹼性穩定性，但這兩項要求存在相互競爭的關係，因此其設計至今仍高度依賴經驗法則。機器學習技術，尤其是類神經網路（ANN），雖然能夠高精度預測聚合體材料的物性，但由於其判斷依據是難以理解的「黑箱」，實驗研究者要將預測結果應用於分子設計並非易事。此外，可解釋AI（XAI）方法在處理高維分子描述符的ANN模型時計算成本高昂，難以應用於實際材料體系。
研究團隊此前已構建了系統收錄346種陰離子交換膜（AEM）聚合體的化學結構與物性的自建數據庫，並通過無監督機器學習生木材料圖譜，進而實現了結構與性能關係的俯瞰式視覺化。然而，從材料圖譜中定量提取單個結構特徵與物性的關係，並將其作為實驗人員可用於合成策略的設計指針加以提出，此前一直是個難題。
在本次研究中，研究團隊利用自建數據庫，構建了能夠從「黑箱」ANN模型中提取實驗研究者可應用的定量分子設計指針的框架。
首先，研究團隊通過基於統計方法與可解釋AI的獨創兩階段降維策略，將數千維的分子描述符空間壓縮至67維。這一降維不僅實現了以往因計算成本壁壘難以開展的高維ANN模型可解釋AI（SHAP）分析，同時也帶來了ANN模型預測精度的提升。
其次，研究團隊在以SHAP分析識別出的重要描述符的解釋中利用了ChatGPT。通過向ChatGPT提供描述符的原始碼與公式定義，輔助其將數學上抽象的描述符轉化為化學上直觀的語言。在此過程中，研究團隊發現ChatGPT的輸出存在解釋偏差與侷限性，因此通過納入專家驗證與修正流程，確保瞭解釋結果的可靠性。
通過這一系列流程，研究團隊成功提取出多項定量分子設計指針，包括聯苯骨架的有效性、主鏈至陽離子位點的側鏈長度為8個鍵長的重要性、每4個碳原子引入一個雜原子的重要性等。
這些指導原則與最新的實驗性知識獨立吻合，為以往以經驗法則形式流傳的設計知識，提供了分子描述符層面的定量依據。
此外，研究團隊基於提取出的設計指針提出的4種概念性AEM聚合體之中的2種被預測在80℃條件下會表現出0.1S/cm以上的陰離子傳導率。訓練數據庫中滿足相同條件的聚合體僅佔14.4%，這提示該框架可高效篩選有前景的候選材料。
該框架適用於所有采用分子描述符的材料體系，因此能夠在各類功能聚合體材料領域，從「黑箱」AI的預測結果中提取出實驗研究者能夠理解並應用的設計指針。該框架有望為減少材料開發中的試錯做出貢獻，有助於降低合成與評價所需的時間和成本。
研究團隊今後將與論文共同作者之一、東京都立大學的田中學副教授合作，推進通過框架提出的概念性聚合體結構的實驗合成與評價，通過實驗驗證預測精度與設計指針的合理性。相關數據庫與原始碼已在GitHub公開，該框架由其他研究團隊在其他材料中的拓展應用與驗證也值得期待。
原文：《科學新聞》
翻譯：JST客觀日本編輯部
【論文資訊】
期刊： ChemElectroChem
論文：Unsupervised Machine Learning-Derived Anion-Exchange Membrane Polymers Map: a Guideline for Polymers Exploration and Design
DOI：10.1002/celc.202400252
