特開 2020-95310 高分子を探索し製造する方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】特開2020-95310(P2020-95310A)

(43)【公開日】2020年6月18日

(54)【発明の名称】高分子を探索し製造する方法

(51)【国際特許分類】

   G06F 30/10 20200101AFI20200522BHJP

   G06F 30/27 20200101ALI20200522BHJP

   G06N 20/00 20190101ALI20200522BHJP

   G06N 3/04 20060101ALI20200522BHJP

   G16B 15/00 20190101ALI20200522BHJP

【ＦＩ】

   G06F17/50 638

   G06F17/50 604D

   G06N99/00 150

   G06N3/04

   G06F19/16

【審査請求】未請求

【請求項の数】24

【出願形態】ＯＬ

【全頁数】21

(21)【出願番号】特願2018-230667(P2018-230667)

(22)【出願日】2018年12月10日

【国等の委託研究の成果に係る記載事項】（出願人による申告）平成３０年度、国立研究開発法人科学技術振興機構 イノベーションハブ構築支援事業、情報統合型物質・材料開発イニシアティブ、産業技術力強化法第１９条の適用を受ける特許出願

(71)【出願人】

【識別番号】301023238

【氏名又は名称】国立研究開発法人物質・材料研究機構

(74)【代理人】

【識別番号】110000855

【氏名又は名称】特許業務法人浅村特許事務所

(72)【発明者】

【氏名】森川 淳子

(72)【発明者】

【氏名】吉田 亮

(72)【発明者】

【氏名】近藤 弓紀子

(72)【発明者】

【氏名】柿本 雅明

(72)【発明者】

【氏名】徐 一斌

(72)【発明者】

【氏名】桑島 功

(72)【発明者】

【氏名】ステファン ウ

【テーマコード（参考）】

5B046

【Ｆターム（参考）】

5B046DA01

5B046GA01

5B046KA05

5B046KA08

(57)【要約】

【課題】熱伝導率のデータ数が十分でないデータセットから所定の熱伝導率を有する高分子を製造する方法を提供する。
【解決手段】該方法が、データセットの中から熱伝導率と相関のある代理物性を選定するステップと、データセットの複数の分子構造及び複数の分子構造の各々に対する代理物性を使用して、所定の領域内にある代理物性を有する分子構造を予測するためのモデルを構築するステップと、データセットの複数の分子構造及び複数の分子構造の各々に対する代理物性を使用して、分子構造に対する代理物性を出力する訓練済みモデルを構築し、データセットの複数の分子構造及びデータセットの複数の分子構造の各々に対する熱伝導率を使用して、訓練済みモデルを転移して分子構造に対する熱伝導率を出力する再訓練モデルを構築するステップと、再訓練モデルを使用して、任意の分子構造に対する熱伝導率を予測するステップとを含む。
【選択図】図１

【特許請求の範囲】

【請求項1】

所定の熱伝導率を有する高分子を製造する方法であって、
（ａ）高分子に関連する複数の物性値が記録されているデータセットを準備するステップと、
（ｂ）前記データセットの中から熱伝導率と相関のある代理のターゲットの物性を選定するステップと、
（ｃ）前記データセットに記録された複数の分子構造及び前記データセットに記録された複数の分子構造の各々に対する代理のターゲットの物性を使用して、所定の領域内にある代理のターゲットの物性を有する分子構造を予測するためのモデルを構築するステップと、
（ｄ）前記データセットに記録された複数の分子構造及び前記データセットに記録された複数の分子構造の各々に対する代理のターゲットの物性を使用して、分子構造に対する代理のターゲットの物性を出力する訓練済みモデルを構築し、前記データセットに記録された複数の分子構造及び前記データセットに記録された複数の分子構造の各々に対する熱伝導率を使用して、前記訓練済みモデルを転移して分子構造に対する熱伝導率を出力する再訓練モデルを構築するステップと、
（ｅ）前記再訓練モデルを使用して、任意の分子構造に対する熱伝導率を予測するステップと
を含む方法。

【請求項2】

前記ステップ（ｃ）は、
前記データセットに記録された複数の分子構造及び前記データセットに記録された複数の分子構造の各々に対する代理のターゲットの物性を使用して、分子構造に対する代理のターゲットの物性に関する尤度としての順方向予測モデルを訓練するステップと、
前記所定の領域内にある代理のターゲットの物性を有する分子構造を同定するために、ベイズの法則に基づいて、前記順方向予測モデルを反転させた事後確率としての逆方向予測モデルにおいて高確率領域にある分子構造を引き出すステップと
を含む、請求項１に記載の方法。

【請求項3】

前記ステップ（ｃ）は、化学的に好ましくない又は非現実的な分子構造の発生を減少させる事前確率を使用して、前記順方向予測モデルを前記逆方向予測モデルに反転させている、請求項２に記載の方法。

【請求項4】

前記順方向予測モデルは、分子構造がＬＣＰ（液晶性ポリマー）様化学構造を含むか否かを判定するＬＣＰライクリネスフィルタを含む、請求項２又は３に記載の方法。

【請求項5】

前記ステップ（ｄ）は、
前記訓練済みモデルを、前記データセットに記録された複数の分子構造のうちの何れかの分子構造を入力した場合に、その分子構造に対応する、前記データセットに記録された代理のターゲットの物性を出力することができるように訓練するステップと、
前記再訓練モデルを、前記訓練済みモデルを転移して、前記データセットに記録された複数の分子構造のうちの何れかの分子構造を入力した場合に、その分子構造に対応する、前記データセットに記録された熱伝導率を出力することができるように訓練するステップと
を含む、請求項１〜４の何れか一項に記載の方法。

【請求項6】

前記訓練済みモデル及び前記再訓練モデルは、入力層、少なくとも１つの隠れ層、及び出力層から構成されているニューラルネットワークモデルであって、前記隠れ層の各々は、回帰モデル及び活性化関数によって構成されている、請求項５に記載の方法。

【請求項7】

前記再訓練モデルの前記隠れ層のうちの少なくとも１つの前記回帰モデルは、前記データセットに記録された複数の分子構造及び前記データセットに記録された複数の分子構造の各々に対する熱伝導率を使用して訓練されている、請求項６に記載の方法。

【請求項8】

前記再訓練モデルの最後の隠れ層の前記回帰モデルは、前記データセットに記録された複数の分子構造及び前記データセットに記録された複数の分子構造の各々に対する熱伝導率を使用して訓練されている、請求項６に記載の方法。

【請求項9】

前記ステップ（ｃ）において予測された分子構造に対して、前記ステップ（ｄ）において熱伝導率を予測することによって、前記所定の熱伝導率を有する高分子を設計するための候補となる分子構造を選定するステップを含む、請求項１〜８の何れか一項に記載の方法。

【請求項10】

前記選定された分子構造に対して、ＬＣＰ様化学構造を含むか否か、及び／又は合成容易であるのか否かによって分子構造を更に選定するステップを含む、請求項９に記載の方法。

【請求項11】

前記更に選定された分子構造に基づいて化学合成を行うステップを含む、請求項１０に記載の方法。

【請求項12】

前記化学合成を行った後、アニールを行うステップを含む、請求項１１に記載の方法。

【請求項13】

前記代理のターゲットの物性は、ガラス転移温度及び／又は融解温度を含む、請求項１〜１２の何れか一項に記載の方法。

【請求項14】

高分子に関連する複数の物性値が記録されているデータセットを使用して、所定の熱伝導率を有する高分子を設計するためのプログラムであって、
（ａ）前記データセットに記録された複数の分子構造、複数の分子構造の各々に対する熱伝導率、及び複数の分子構造の各々に対する熱伝導率と相関のある代理のターゲットの物性を読み出すステップと、
（ｂ）前記読み出された複数の分子構造及び前記読み出された代理のターゲットの物性を使用して、所定の領域内にある代理のターゲットの物性を有する分子構造を予測するためのモデルを構築させるステップと、
（ｃ）前記読み出された複数の分子構造及び前記読み出された代理のターゲットの物性を使用して、分子構造に対する代理のターゲットの物性を出力する訓練済みモデルを構築させ、前記読み出された複数の分子構造及び前記読み出された熱伝導率を使用して、前記訓練済みモデルを転移して分子構造に対する熱伝導率を出力する再訓練モデルを構築させるステップと、
（ｄ）前記再訓練モデルを使用して、任意の分子構造に対する熱伝導率を予測させるステップと
を含むプログラム。

【請求項15】

前記ステップ（ｂ）は、
前記読み出された複数の分子構造及び前記読み出された代理のターゲットの物性を使用して、分子構造に対する代理のターゲットの物性に関する尤度としての順方向予測モデルを訓練させるステップと、
前記所定の領域内にある代理のターゲットの物性を有する分子構造を同定するために、ベイズの法則に基づいて、前記順方向予測モデルを反転させた事後確率としての逆方向予測モデルにおいて高確率領域にある分子構造を引き出させるステップと
を含む、請求項１４に記載のプログラム。

【請求項16】

前記ステップ（ｂ）は、化学的に好ましくない又は非現実的な分子構造の発生を減少させる事前確率を使用して、前記順方向予測モデルを前記逆方向予測モデルに反転させている、請求項１５に記載のプログラム。

【請求項17】

前記順方向予測モデルは、分子構造がＬＣＰ（液晶性ポリマー）様化学構造を含むか否かを判定するＬＣＰライクリネスフィルタを含む、請求項１５又は１６に記載のプログラム。

【請求項18】

前記ステップ（ｃ）は、
前記訓練済みモデルを、前記読み出された複数の分子構造のうちの何れかの分子構造を入力した場合に、その分子構造に対応する、前記読み出された代理のターゲットの物性を出力することができるように訓練させるステップと、
前記再訓練モデルを、前記訓練済みモデルを転移して、前記読み出された複数の分子構造のうちの何れかの分子構造を入力した場合に、その分子構造に対応する、前記読み出された熱伝導率を出力することができるように訓練させるステップと
を含む、請求項１４〜１７の何れか一項に記載のプログラム。

【請求項19】

前記訓練済みモデル及び前記再訓練モデルは、入力層、少なくとも１つの隠れ層、及び出力層から構成されているニューラルネットワークモデルであって、前記隠れ層の各々は、回帰モデル及び活性化関数によって構成されている、請求項１８に記載のプログラム。

【請求項20】

前記再訓練モデルの前記隠れ層のうちの少なくとも１つの前記回帰モデルは、前記読み出された複数の分子構造及び前記読み出された熱伝導率を使用して訓練されている、請求項１９に記載のプログラム。

【請求項21】

前記再訓練モデルの最後の隠れ層の前記回帰モデルは、前記読み出された複数の分子構造及び前記読み出された熱伝導率を使用して訓練されている、請求項１９に記載のプログラム。

【請求項22】

前記最後の隠れ層以外の隠れ層の前記活性化関数は、正規化線形関数（ＲｅＬＵ）である、請求項２１に記載のプログラム。

【請求項23】

前記回帰モデルは、全結合型の線形回帰モデルである、請求項１９〜２２の何れか一項に記載のプログラム。

【請求項24】

前記ステップ（ｂ）において予測された分子構造に対して、前記ステップ（ｃ）において熱伝導率を予測することによって、前記所定の熱伝導率を有する高分子を設計するための候補となる分子構造を選定させるステップを含む、請求項１４〜２３の何れか一項に記載のプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、所定の熱伝導率を有する高分子を製造する方法、その高分子を設計する方法、及びその設計する方法を実行するためのプログラムに関するものである。

【背景技術】

【0002】

大量のデータに基づいて訓練された人工知能の能力が、様々な分野において実証されている。このような状況の下、機械学習（Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ：ＭＬ）技術を使用して、新しい材料の発見と開発にかかる時間とコストを大幅に節約することに関心が高まっている。そして、分子設計においても、現在知られている有機分子の総数は１０^８個以下であると言われている一方で、実際には１０^６０個もの候補があると言われている巨大な化学空間から、ＭＬ技術を使用して、網羅的に様々な種類の所望の物性を有する有望な仮想的な分子を探索し、更にはその探索を加速することが期待されている。非特許文献１には、所与の分子構造の様々な物性を予測するために大量のデータによって訓練された順方向予測モデル、及び訓練された順方向予測モデルをベイズの法則を介して反転させて事後分布を導出した逆方向予測モデルを使用して、所望の物性を有する有望な仮想的な分子構造を同定することが開示されている。

【先行技術文献】

【非特許文献】

【0003】

【非特許文献1】H. Ikebata, K. Hongo, T. Isomura, R. Maezono, and R. Yoshida. Bayesian molecular design with a chemical language model. J. Comput. Aided Mol. Des., 31(379-391), 2017.

【非特許文献2】S. Otsuka, I. Kuwajima, J. Hosoya, Y. Xu, and M. Yamazaki. Polyinfo: polymer database for polymeric materials design. In 2011 Int. Conf. on Emerg. Intell. Data Web Technol., pages 22-29, Tirana, Albania, 2011. IEEE.

【非特許文献3】L. C. Blum and J.-L. Reymond. 970 million druglike small molecules for virtual screening in the chemical universe database GDB-13. J. Am. Chem. Soc., 131(25):8732-8733, 2009.

【非特許文献4】M. Rupp, A. Tkatchenko, K.-R. Muller, and O. A. von Lilienfeld. Fast and accurate modeling of molecular atomization energies with machine learning. Phys. Rev. Lett., 108(5):058301, 2012.

【非特許文献5】P. Del Moral, A. Doucet, and A. Jasra. Sequential Monte Carlo samplers. J. R. Stat. Soc. B, 68(3): 411-436, 2006.

【非特許文献6】D. Rogers and M. Hahn. Extended-connectivity fingerprints. J. Chem. Inf. Model., 50(5):742-754, 2010. doi: 10.1021/ci100050t. URL https://doi.org/10.1021/ci100050t. PMID: 20426451.

【非特許文献7】D. Weininger. SMILES, a chemical language and information system. 1. introduction to methodology and encoding rules. J. Chem. Inf. Comput. Sci., 28(1):31-36, 1988.

【非特許文献8】P. Ertl and A. Schuffenhauer. Estimation of synthetic accessibility score of drug-like molecules based on molecular complexity and fragment contributions. J. Cheminform., 1(8):8, 2009.

【発明の概要】

【発明が解決しようとする課題】

【0004】

非特許文献１のベイズの法則を使用した分子設計法は、ターゲットとする機能又は物性に関するデータ数が十分でない、或いは高分子材料のように物性がプロセスに大きく依存するために熟練者でなければデータを読み解くことができない場合には適用することができないという問題点がある。また、非特許文献１の分子設計法により所望の物性を有する仮想的な分子構造を導くことができたとしても、これらを実用的な高分子材料の開発に適用する際、化学合成上の困難さやデータの背後に存在する不確実性、熟練者の知見との大きい乖離が存在するという問題点がある。そこで、本発明は、上記問題点を解決して、ターゲットとする機能又は物性に関するデータ数が十分でないような場合であっても、ターゲットとする機能又は物性を有する有望な化学構造を導いて、所定の熱伝導率を有する高分子を製造する方法、その高分子を設計する方法、及びその設計する方法を実行するためのプログラムを提供することを目的とする。

【課題を解決するための手段】

【0005】

本発明の１つの観点によれば、所定の熱伝導率を有する高分子を製造する方法は、高分子に関連する複数の物性値が記録されているデータセットを準備するステップ（ａ）と、データセットの中から熱伝導率と相関のある代理のターゲットの物性を選定するステップ（ｂ）と、データセットに記録された複数の分子構造及びデータセットに記録された複数の分子構造の各々に対する代理のターゲットの物性を使用して、所定の領域内にある代理のターゲットの物性を有する分子構造を予測するためのモデルを構築するステップ（ｃ）と、データセットに記録された複数の分子構造及びデータセットに記録された複数の分子構造の各々に対する代理のターゲットの物性を使用して、分子構造に対する代理のターゲットの物性を出力する訓練済みモデルを構築し、データセットに記録された複数の分子構造及びデータセットに記録された複数の分子構造の各々に対する熱伝導率を使用して、訓練済みモデルを転移して分子構造に対する熱伝導率を出力する再訓練モデルを構築するステップ（ｄ）と、再訓練モデルを使用して、任意の分子構造に対する熱伝導率を予測するステップ（ｅ）とを含む。

【0006】

本発明の一具体例によれば、上記方法のステップ（ｃ）は、データセットに記録された複数の分子構造及びデータセットに記録された複数の分子構造の各々に対する代理のターゲットの物性を使用して、分子構造に対する代理のターゲットの物性に関する尤度としての順方向予測モデルを訓練するステップと、所定の領域内にある代理のターゲットの物性を有する分子構造を同定するために、ベイズの法則に基づいて、順方向予測モデルを反転させた事後確率としての逆方向予測モデルにおいて高確率領域にある分子構造を引き出すステップとを含む。

【0007】

本発明の一具体例によれば、上記方法のステップ（ｃ）は、化学的に好ましくない又は非現実的な分子構造の発生を減少させる事前確率を使用して、順方向予測モデルを逆方向予測モデルに反転させている。

【0008】

本発明の一具体例によれば、上記方法において、順方向予測モデルは、分子構造がＬＣＰ（液晶性ポリマー）様化学構造を含むか否かを判定するＬＣＰライクリネスフィルタを含む。

【0009】

本発明の一具体例によれば、上記方法のステップ（ｄ）は、訓練済みモデルを、データセットに記録された複数の分子構造のうちの何れかの分子構造を入力した場合に、その分子構造に対応する、データセットに記録された代理のターゲットの物性を出力することができるように訓練するステップと、再訓練モデルを、訓練済みモデルを転移して、データセットに記録された複数の分子構造のうちの何れかの分子構造を入力した場合に、その分子構造に対応する、データセットに記録された熱伝導率を出力することができるように訓練するステップとを含む。

【0010】

本発明の一具体例によれば、上記方法において、訓練済みモデル及び再訓練モデルは、入力層、少なくとも１つの隠れ層、及び出力層から構成されているニューラルネットワークモデルであって、隠れ層の各々は、回帰モデル及び活性化関数によって構成されている。

【0011】

本発明の一具体例によれば、上記方法において、再訓練モデルの隠れ層のうちの少なくとも１つの回帰モデルは、データセットに記録された複数の分子構造及びデータセットに記録された複数の分子構造の各々に対する熱伝導率を使用して訓練されている。

【0012】

本発明の一具体例によれば、上記方法において、再訓練モデルの最後の隠れ層の回帰モデルは、データセットに記録された複数の分子構造及びデータセットに記録された複数の分子構造の各々に対する熱伝導率を使用して訓練されている。

【0013】

本発明の一具体例によれば、上記方法は、ステップ（ｃ）において予測された分子構造に対して、ステップ（ｄ）において熱伝導率を予測することによって、所定の熱伝導率を有する高分子を設計するための候補となる分子構造を選定するステップを含む。

【0014】

本発明の一具体例によれば、上記方法は、上記のように選定された分子構造に対して、ＬＣＰ様化学構造を含むか否か、及び／又は合成容易であるのか否かによって分子構造を更に選定するステップを含む。

【0015】

本発明の一具体例によれば、上記方法は、上記のように更に選定された分子構造に基づいて化学合成を行うステップを含む。

【0016】

本発明の一具体例によれば、上記方法は、上記のように化学合成を行った後、アニールを行うステップを含む。

【0017】

本発明の一具体例によれば、上記方法において、代理のターゲットの物性は、ガラス転移温度及び／又は融解温度を含む。

【0018】

本発明の１つの観点によれば、高分子に関連する複数の物性値が記録されているデータセットを使用して、所定の熱伝導率を有する高分子を設計するためのプログラムは、データセットに記録された複数の分子構造、複数の分子構造の各々に対する熱伝導率、及び複数の分子構造の各々に対する熱伝導率と相関のある代理のターゲットの物性を読み出すステップ（ａ）と、読み出された複数の分子構造及び読み出された代理のターゲットの物性を使用して、所定の領域内にある代理のターゲットの物性を有する分子構造を予測するためのモデルを構築させるステップ（ｂ）と、読み出された複数の分子構造及び読み出された代理のターゲットの物性を使用して、分子構造に対する代理のターゲットの物性を出力する訓練済みモデルを構築させ、読み出された複数の分子構造及び読み出された熱伝導率を使用して、訓練済みモデルを転移して分子構造に対する熱伝導率を出力する再訓練モデルを構築させるステップ（ｃ）、再訓練モデルを使用して、任意の分子構造に対する熱伝導率を予測させるステップ（ｄ）とを含む。

【0019】

本発明の一具体例によれば、上記プログラムのステップ（ｂ）は、読み出された複数の分子構造及び読み出された代理のターゲットの物性を使用して、分子構造に対する代理のターゲットの物性に関する尤度としての順方向予測モデルを訓練させるステップと、所定の領域内にある代理のターゲットの物性を有する分子構造を同定するために、ベイズの法則に基づいて、順方向予測モデルを反転させた事後確率としての逆方向予測モデルにおいて高確率領域にある分子構造を引き出させるステップとを含む。

【0020】

本発明の一具体例によれば、上記プログラムのステップ（ｂ）は、化学的に好ましくない又は非現実的な分子構造の発生を減少させる事前確率を使用して、順方向予測モデルを逆方向予測モデルに反転させている。

【0021】

本発明の一具体例によれば、上記プログラムにおいて、順方向予測モデルは、分子構造がＬＣＰ（液晶性ポリマー）様化学構造を含むか否かを判定するＬＣＰライクリネスフィルタを含む。

【0022】

本発明の一具体例によれば、上記プログラムのステップ（ｃ）は、訓練済みモデルを、読み出された複数の分子構造のうちの何れかの分子構造を入力した場合に、その分子構造に対応する、読み出された代理のターゲットの物性を出力することができるように訓練させるステップと、再訓練モデルを、訓練済みモデルを転移して、読み出された複数の分子構造のうちの何れかの分子構造を入力した場合に、その分子構造に対応する、読み出された熱伝導率を出力することができるように訓練させるステップとを含む。

【0023】

本発明の一具体例によれば、上記プログラムにおいて、訓練済みモデル及び再訓練モデルは、入力層、少なくとも１つの隠れ層、及び出力層から構成されているニューラルネットワークモデルであって、隠れ層の各々は、回帰モデル及び活性化関数によって構成されている。

【0024】

本発明の一具体例によれば、上記プログラムにおいて、再訓練モデルの隠れ層のうちの少なくとも１つの回帰モデルは、読み出された複数の分子構造及び読み出された熱伝導率を使用して訓練されている。

【0025】

本発明の一具体例によれば、上記プログラムにおいて、再訓練モデルの最後の隠れ層の回帰モデルは、読み出された複数の分子構造及び読み出された熱伝導率を使用して訓練されている。

【0026】

本発明の一具体例によれば、上記プログラムにおいて、最後の隠れ層以外の隠れ層の活性化関数は、正規化線形関数（ＲｅＬＵ）である。

【0027】

本発明の一具体例によれば、上記プログラムにおいて、回帰モデルは、全結合型の線形回帰モデルである。

【0028】

本発明の一具体例によれば、上記プログラムは、ステップ（ｂ）において予測された分子構造に対して、ステップ（ｃ）において熱伝導率を予測することによって、所定の熱伝導率を有する高分子を設計するための候補となる分子構造を選定させるステップを含む。

【発明の効果】

【0029】

本発明によれば、データセットにターゲットとする機能又は物性に関する十分なデータ数が記録されていない場合であっても、データセットに十分なデータ数が記憶されている代理のダーゲットの機能又は物性を使用することによって、ターゲットとする機能又は物性を有する有望な化学構造を導くことができる。

【0030】

なお、本発明の他の目的、特徴及び利点は、添付図面に関する以下の本発明の実施例の記載から明らかになるであろう。

【図面の簡単な説明】

【0031】

【図1】本発明による高分子の設計方法を示す。

【図2A】データセットに記録されたポリマーの各物性値についての、±１σ（σ：標準偏差）のエラーバーを有する、昇順でプロットされた平均物性値を示す。

【図2B】５つの物性値の相関を示す。

【図3】分子構造を記述子としてのフィンガープリントで表した場合の例を示す。

【図4A】図１の高分子の設計方法のベイジアン分子設計の順方向予測モデルによって予測されたＴ_ｇと、観測されたＴ_ｇとの比較を示す。

【図4B】図１の高分子の設計方法のベイジアン分子設計の順方向予測モデルによって予測されたＴ_ｍと、観測されたＴ_ｍとの比較を示す。

【図5】ＬＣＰ様化学構造のリストの例を示す。

【図6】図１の高分子の設計方法のベイジアン分子設計によって導き出された分子構造の例を示す。

【図7A】代理のターゲットの物性としてＴ_ｇを選定した場合の、図１の高分子の設計方法によって予測されたλと、観測されたλとの比較を示す。

【図7B】代理のターゲットの物性としてＴ_ｍを選定した場合の、図１の高分子の設計方法によって予測されたλと、観測されたλとの比較を示す。

【図7C】代理のターゲットの物性としてρを選定した場合の、図１の高分子の設計方法によって予測されたλと、観測されたλとの比較を示す。

【図8A】図１の高分子の設計方法によって予測されたλ及びＳＡスコアの対比を示す。

【図8B】図１の高分子の設計方法によって予測されたρ及びＣ_ｐの対比を示す。

【図8C】図１の高分子の設計方法によって予測されたＴ_ｍ及びＴ_ｇの対比を示す。

【図9】図１の高分子の設計方法によって予測された２４個の分子構造の候補の物性値を示す。

【図10A】分子構造４によるポリマーの合成経路を示す。

【図10B】分子構造１３によるポリマーの合成経路を示す。

【図10C】分子構造１９によるポリマーの合成経路を示す。

【図10D】分子構造１９ａによるポリマーの合成経路を示す。

【発明を実施するための形態】

【0032】

以下、本発明の実施例について図面を参照して説明するが、本発明はこれらの実施例に限定されるものではない。

【0033】

所定の熱伝導率を有する高分子を探索し製造する方法を以下に詳細に説明する。図１は、本発明による所定の熱伝導率を有する高分子を設計する方法を示す。なお、この方法はコンピュータに実装されたプログラムの命令によって実行されてもよい。

【0034】

まず、ポリマー（重合体）、ポリマーの繰返し単位であるモノマー（単量体）の物性が記録されているデータセットを準備する。例えば、そのようなデータセットとしてＰｏｌｙＩｎｆｏがある（非特許文献２をご参照）。ＰｏｌｙＩｎｆｏには、構成繰返し単位の分子構造に対する約１００もの様々な種類の物性が記録されている。ＰｏｌｙＩｎｆｏの中から１４，７９８個のホモポリマーに焦点を絞ると、以下の表１に記載されるように、ガラス転移温度（Ｔ_ｇ）、融解温度（Ｔ_ｍ）、密度（ρ）、定圧比熱（Ｃ_ｐ）、熱伝導率（λ）に関する合計３９，１３４個の構造−物性相関を抽出することができる。なお、同じ実験条件下でポリマーについて複数の値が記録されている場合には、それらの平均値を換算してもよい。

【表1】

【0035】

データの量は、物性によって大幅に異なる。例えば、ＰｏｌｙＩｎｆｏでは、表１のように、５，９１７個のホモポリマーに対してＴ_ｇの複数の値が記録され、３，２３４個のホモポリマーに対してＴ_ｍの複数の値が記録されている。一方、室温（１０〜３５℃）のＣ_ｐについては、１２９個のホモポリマーのみに対して８２４個の観測値が記録され、室温（１０〜３５℃）のλについては、２８個のホモポリマーのみに対して３２２個の観測値が記録されているだけであって、λをターゲットの物性として新規高分子を設計する場合に、参照として使用するλのデータ数があまりにも不足している。更に、図２Ａに示すように、各物性値は、同じポリマーであっても大幅に変動する。このようなデータベースにおける物性値の変動は、様々な研究において変化する処理操作及び他の測定条件から生じると考えられる。このようなターゲットとなる物性のデータ数の不足に対して、そのターゲットの物性の代わりとして、多くのデータ数を有する代理のターゲットの物性を使用する必要がある。なお、このようなデータセットとしてその他に、モノマーに対する定積比熱（Ｃ_ｖ）等の値が記録されているＱＭ９がある（非特許文献３及び４を参照）。

【0036】

そこで、λを直接ターゲットとするのではなく、λと相関のある代理のターゲットとなる物性をデータセットの中から選定する。例えば、そのような代理のターゲットとなり得る物性としてＴ_ｇ、Ｔ_ｍがある。λとＴ_ｇ及びＴ_ｍとの関係は完全には明らかではないが、それを支持する幾つかの証拠がある。まずλと、Ｔ_ｇ及びＴ_ｍとは経験的に相関があることが知られている。例えば、ガラス相におけるλの最大値は、Ｔ_ｇのレベルに依存することが報告され、理論的には、結晶中の格子熱伝導は、熱伝導率が熱容量、群速度、及びフォノンの平均自由行程によって決定される伝搬フォノンの動力学的な観点から理解することができる。平均自由行程の速度は、調和原子間／分子間力定数（Ｉｎｔｅｒａｔｏｍｉｃ／Ｉｎｔｅｒｍｏｌｅｃｕｌａｒ Ｆｏｒｃｅ Ｃｏｎｓｔａｎｔｓ：ＩＦＣ）に関連し、平均自由行程の寿命は非調和ＩＦＣに関連している。ポリマーは、フォノンが伝播しないように平均自由行程を減少させる不規則な構造であることが多く、熱伝導率は、調和ＩＦＣによって得られる熱容量及びモード拡散率によって表されることができる。しかし、不規則性によって、フォノンの全ての伝播が終わることはなく、アモルファスであっても、フォノンの一部は、周波数に依存して伝播することがある。調和分子間力と非調和分子間力との両方の強さが熱伝導率に影響を及ぼす。このように、転移によって調和力及び非調和力が小さい分子間変位及び大きい分子間変位にそれぞれ対応して結合破壊に至るので、分子間力の強さによって強く影響されるλとＴ_ｇ及びＴ_ｍとの間には、直接的又は間接的な相関があることが予想される。実際に、図２Ｂに示すように、λとＴ_ｇ及びＴ_ｍとの間には弱い正の相関がある。また、Ｔ_ｇ及びＴ_ｍに対してターゲットとする所定の領域Ｕを選定する。例えば、Ｔ_ｇ、Ｔ_ｍに対してターゲットとする所定の領域Ｕとして、それぞれ２００〜５００℃、３００〜６００℃を選定してもよい。なお、これは例であって、Ｔ_ｇ、Ｔ_ｍ以外の他の物性をλと相関のある代理のターゲットとなる物性としてデータセットの中から選定してもよい。この場合にも同様に、この選定された物性に対して所定の領域Ｕを選定する。

【0037】

次に、データセットに記録された複数の分子構造Ｓとその複数の分子構造Ｓの各々に対する代理のターゲットとなる物性Ｙとを使用して、所定の領域Ｕ内にある代理のターゲットとなる物性Ｙを有する分子構造Ｓを予測するためのモデルを構築する。このような予測するためのモデルを、図１に示すベイジアン分子設計に基づいて構築する。ここでベイズの法則を使用する目的は、ポリマーのｎ種類の物性Ｙ＝（Ｙ_１，．．．，Ｙ_ｎ）が所定の領域Ｕ内にあるポリマーの繰返し単位、すなわちモノマーの分子構造Ｓをアルゴリズム的に作成することである。ベイジアン分子設計は、式（１）に示すようにベイズの法則に基づき計算が行われる。

【数1】

この法則は、事後確率ｐ（Ｓ│Ｙ∈Ｕ）が、尤度ｐ（Ｙ∈Ｕ│Ｓ）と事前確率ｐ（Ｓ）との積に比例することを意味する。なお、ｐ（Ａ│Ｂ）は、事象Ｂが発生した下において事象Ａが発生する条件付き確率分布であって、Ｙ∈Ｕは、物性Ｙが所定の領域Ｕ内にあることを意味する。また、この法則は、事後確率の高い領域を探索することにより、所定の領域Ｕ内にある有望な仮想的な分子構造Ｓを同定することを目指している。分子構造Ｓに対するｎ個の特性Ｙに関する尤度としての順方向予測モデルｐ（Ｙ│Ｓ）が、構造‐物性相関データセットを使用して訓練される。ここで、ｐ（Ｙ│Ｓ）は、式（２）のように表される。

【数2】

事前確率ｐ（Ｓ）は、化学的に好ましくない又は非現実的な構造の発生を減少させる機能を有する。所与のｐ（Ｓ）を使用して、ベイズの法則は、順方向予測モデルｐ（Ｙ│Ｓ）（Ｓ→Ｙ）を事後確率としての逆方向予測モデルｐ（Ｓ│Ｙ∈Ｕ）（Ｙ→Ｓ）に反転させる。所定の領域Ｕ内にある有望な仮想的な分子構造Ｓを同定するために、逆方向予測モデルの高確率領域にある仮想的な分子構造Ｓをランダムに引き出す。例えば、ランダムに引き出すために、逐次モンテカルロ（ＳＭＣ）法が使用されてもよい（非特許文献５を参照）。なお、順方向予測モデルの計算と逆方向予測モデルとの計算をパイプライン処理するために、Ｒ言語パッケージｉｑｓｐｒが使用されてもよい（非特許文献１を参照）。

【0038】

図１の高分子を設計する方法において、モノマーの分子構造Ｓは、図３に示すように、多数の分子のフィンガープリントからなるバイナリーベクターにエンコードされる。エンコードする方法として、例えば、Ｅｘｔｅｎｄｅｄ Ｃｏｎｎｅｃｔｉｖｉｔｙ Ｆｉｎｇｅｒｐｒｉｎｔ（ＥＣＦＰ）を使用してもよい（非特許文献６を参照）。分子構造Ｓが、定義された構造的特徴を含む場合は１とし、含まないときは０とするように、例えば、ベンゼン環を含む場合には１列目を１とし、含まない場合には０とするように、バイナリ値の記述子として表される。そして、データセットに記録された分子構造Ｓとその分子構造Ｓに対する物性Ｙを使用して、順方向予測モデルが、分子構造Ｓの記述子の関数としてポリマーの物性を記述する回帰モデルによって訓練される。回帰モデルは、線形回帰モデルであってもよい。

【0039】

図４Ａ及び図４Ｂに、Ｔ_ｇ及びＴ_ｍに対する、訓練された順方向予測モデルによる予測値と、観測値との比較をそれぞれ示す。図４Ａ及び図４Ｂは、データセットを５つに分割して１つをテストデータとし残りを訓練データとする５分割交差検証を使用して、線形回帰モデルによって訓練された順方向予測モデルによる予測値であって、５回の検証の全ての予測値をプロットする。また、Ｔ_ｇ並びにＴ_ｍの平均絶対誤差（ＭＡＥ）、二乗平均平方根誤差（ＲＭＳＥ）、及び相関係数（Ｒ）はそれぞれ、３０．２１７５、４５．９６９２、及び０．９１６、並びに４９．０６３４、７２．８３６、０．７８９５である。

【0040】

高いλは、高いＴ_ｇ又はＴ_ｍを有するポリマー主鎖の剛性だけでなく、超延伸繊維、軸配向薄膜、及び射出成形品で観察される高度に配向した分子鎖によっても生成される。また、高分子材料をフィルム、繊維、等に成形するためには、加工の容易さが不可欠である。そこで、更なる開発及び産業応用の観点から、ＬＣＰ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌｌｉｎｅ Ｐｏｌｙｍｅｒ：液晶性ポリマー）ライクリネスフィルタを使用してもよい。一般に、ポリマーは、その半結晶構造及び電気絶縁構造のために、かなり低いλ、典型的には０．１〜０．２Ｗ／ｍＫを有する。ＬＣＰの側鎖又は主鎖は、高い熱抵抗性及び耐性、高い電気抵抗、並びに高い耐薬品性を示す熱可塑性樹脂の族を構成する。ＬＣＰの一方向に沿って配列された積み重ねられた配向は、それらのλを他の方向よりも分子配向の方向に著しく大きくする。このように設計される高分子のλを高めるために、ＬＣＰライクリネスがＬＣＰの固有の加工性及び剛性のために設定されてもよい。ＬＣＰライクリネスフィルタを設定するためには、図５に示すように、ＬＣＰ様化学構造のリストを作成する。なお、図５は一例であってこれに限定されるものではない。分子構造がこのリストの中の１つ以上のＬＣＰ様化学構造を含む場合には、その分子構造にはより高いスコアが与えられる。これは、式（１）の順方向予測モデルが式（３）になることを意味する。

【数3】

ここで、Ｉ（・）は、引数が真であれば値１であって、偽であれば０であるインジケータ関数を示す。式（３）においては、分子構造Ｓの物性Ｙ_ｉが所定の領域Ｕ_ｉにある確率に加えて、分子構造Ｓの部分構造Ｙ_ｆ（Ｓ）がＬＣＰライクリネスフィルタＵ_ｆで列挙された少なくとも１つの化学構造と一致する場合には、追加スコアθ＞１が分子構造Ｓに割り当てられる。例えば、θを１０と設定してもよい。なお、物性Ｙ_ｉをＴ_ｇ及びＴ_ｍとし、Ｔ_ｇ及びＴ_ｍに対してそれぞれターゲットとする設計範囲Ｕ_Ｔｇ及びＵ_Ｔｍを選定すれば、順方向予測モデルは式（４）になる。

【数4】

【0041】

上記のように、逆方向予測モデルｐ（Ｓ│Ｙ）は、順方向予測モデルｐ（Ｙ│Ｓ）と事前確率ｐ（Ｓ）とを使用して計算され、事前確率ｐ（Ｓ）は、逆方向予測モデルｐ（Ｓ│Ｙ）を使用して設計される分子における化学的に好ましくない又は非現実的な構造の発生を減少させる機能を有する。事前確率ｐ（Ｓ）は、確率的言語モデルの形態を取る。分子構造は、Ｓｉｍｐｌｉｆｉｅｄ Ｍｏｌｅｃｕｌａｒ−Ｉｎｐｕｔ Ｌｉｎｅ−Ｅｎｔｒｙ Ｓｙｓｔｅｍ（ＳＭＩＬＥＳ）化学言語に従ってＡＳＣＩＩ文字列として表され（非特許文献７を参照）、データセットに記録されたポリマーのＳＭＩＬＥＳ文字列についてモデルが訓練される。訓練された事前確率のモデルは、ＳＭＩＬＥＳ文字列の所与のインスタンスを有する既存のポリマーにおいて頻繁に現れる原子配置及び化学結合を暗にエンコードする。

【0042】

分子構造Ｓの物性Ｙが設定されたターゲットとする所定の領域Ｕにある場合の順方向予測モデルｐ（Ｙ∈Ｕ│Ｓ）と事前確率ｐ（Ｓ）を使用して、式（１）に示すように、所定の領域Ｕにある物性Ｙから分子構造Ｓを導く逆方向予測モデルｐ（Ｓ│Ｙ∈Ｕ）を構築する。この逆方向予測モデル（Ｓ│Ｙ∈Ｕ）を使用すれば、記述子として表された任意の分子構造Ｓに対する、その物性Ｙが所定の領域Ｕにあって、且つ化学的に好ましい構造である確率を導き出すことができる。そして、記述子として表すことができる分子構造Ｓの数は大量に存在するので、その中からランダムに複数個抽出し、その逆方向予測モデル（Ｓ│Ｙ∈Ｕ）の確率が高いものを、物性Ｙが所定の領域Ｕにあって、且つ化学的に好ましい構造である分子構造Ｓの候補として引き出すことができる。また、式（３）のようにＬＣＰライクリネスフィルタＵ_ｆを使用すれば、物性Ｙが所定の領域Ｕにあって、化学的に好ましい構造であって、且つＬＣＰ様化学構造を有する分子構造Ｓの候補として引き出すことができる。例えば、式（４）のように、物性Ｙ_ｉをＴ_ｇ及びＴ_ｍとし、Ｔ_ｇ及びＴ_ｍに対してそれぞれターゲットとする設計範囲Ｕ_Ｔｇ及びＵ_Ｔｍを選定すれば、Ｔ_ｇ及びＴ_ｍがそれぞれ所定の領域Ｕ_Ｔｇ及びＵ_Ｔｍにあって、化学的に好ましい構造であって、且つＬＣＰ様化学構造を有する分子構造Ｓの候補として引き出すことができる。図６に、逆方向予測モデル（Ｓ│Ｙ∈Ｕ）によって導き出された分子構造Ｓの一例を示す。ベイジアン分子設計の逆方向予測モデル（Ｓ│Ｙ∈Ｕ）によって導き出される分子構造Ｓの数は特に限定されるものではないが、例えば１０００個導き出してもよい。

【0043】

次に、データセットに記録された複数の分子構造Ｓとその複数の分子構造Ｓの各々に対する代理のターゲットの物性Ｙ_ｔとを使用して、分子構造Ｓに対する代理のターゲットの物性Ｙ_ｔを出力する訓練済みモデルを構築し、データセットに記録された複数の分子構造Ｓとその複数の分子構造Ｓの各々に対するターゲットとなる物性Ｙ_ｒｔとを使用して、訓練済みモデルを転移して分子構造Ｓに対するターゲットとなる物性Ｙ_ｒｔを出力する再訓練モデルを構築し、再訓練モデルを使用して、任意の分子構造Ｓに対するターゲットとなる物性Ｙ_ｒｔを予測する。このような訓練済みモデル、再訓練モデルを、図１に示すニューラルネットワーク分子設計に基づいて構築する。ここでニューラルネットワークを使用する目的は、データ数の不足しているターゲットとなる物性Ｙ_ｒｔの代わりに、多くのデータ数を有する代理のターゲットの物性Ｙ_ｔを分子構造Ｓに対して出力するニューラルネットワークモデルを「転移学習」として適用して、データ数の不足しているターゲットとなる物性Ｙ_ｒｔを分子構造Ｓに対して予測することである。

【0044】

まずは、ターゲットとなる物性Ｙ_ｒｔである熱伝導率λと相関のある代理のターゲットとなる物性Ｙ_ｔを選定する。例えば、λと相関のある代理のターゲットとなり得る物性Ｙ_ｔとして、上記のようにＴ_ｇ、Ｔ_ｍがある。次に、図１に示すように、入力層において分子構造Ｓの記述子としてのフィンガープリントＸを入力して、出力層においてターゲットとなる物性Ｙ_ｒｔと相関のある代理のターゲットとなる物性Ｙ_ｔを出力するための訓練済みモデルとして、ニューラルネットワークモデルを構築する。ニューラルネットワークモデルは、入力層、少なくとも１つの隠れ層（図１でのｎ層の隠れ層）、及び出力層から構成され、各隠れ層は、回帰モデル及び活性化関数から構成される。各隠れ層の回帰モデルは、式（５）のような各層のニューロンが直ぐ下の層の全てのニューロンに結合された全結合型の線形回帰モデルであってもよい。

【数5】

ｙ_ｌ，ｊはニューロン数がＮ_ｌである隠れ層ｌの線形回帰モデルの出力の１つであって、ｙ_ｌは（ｙ_ｌ，１，．．．，ｙ_ｌ，Ｎｌ）のベクトルとして表される。ｙ’_{ｌ−１，ｉ}は各層の直ぐ下の層の出力であって、ｙ’_ｌ−１は（ｙ’_{ｌ−１，１}，．．．，ｙ’_{ｌ−１，Ｎｌ−１}）のベクトルとして表される。ｗ_ｌ，ｊｉは重みパラメータあって、ｂ_ｌ，ｊはバイアスパラメータである。隠れ層の数は任意に選択され、例えば３層又は４層であってもよい。また、各層のニューロンの数も任意に選択されてもよい。例えば、各層のニューロンの数を直ぐ下の層のニューロンの数に対して２０〜８０％の割合で減少させるようにして、ニューラルネットワークモデルを各層のニューロンの数が上層に向かって徐々に減少していくピラミッド型にしてもよく、この場合には、入力層のニューロンの数は、４００〜６００個であって、最後の隠れ層（入力層から最も離れ、出力層に最も近い隠れ層（図１での第ｎの隠れ層））のニューロンの数は、１０〜３０個であることが好ましい。各隠れ層の活性化関数として、式（６）のような正規化線形関数（Ｒｅｃｔｉｆｉｅｄ Ｌｉｎｅａｒ Ｕｎｉｔ：ＲｅＬＵ）を適用してもよい。

【数6】

また、活性化関数として、式（７）のような線形活性化関数を適用してもよい。

【数7】

例えば、最後の隠れ層の活性化関数のみ、線形活性化関数を適用し、他の隠れ層の活性化関数については正規化線形関数を適用してもよい。このようにして、データセットに記録されている多くのデータ数を有する代理のターゲットの物性Ｙ_ｔを使用して、そのデータセットにある任意の分子構造ＳのフィンガープリントＸを入力層に代入し、各隠れ層の重みパラメータ、バイアスパラメータを訓練して、その分子構造Ｓの代理のターゲットとなる物性Ｙ_ｔを出力するための訓練済みモデルを構築する。例えば、データセットの中から代理のターゲットの物性Ｙ_ｔとしてＴ_ｇ、Ｔ_ｍ、又はρを選定し、データセットにある任意の分子構造ＳのフィンガープリントＸを入力層に代入し、各隠れ層の重みパラメータ、バイアスパラメータを訓練して、その分子構造ＳのＴ_ｇ、Ｔ_ｍ、又はρを出力するための訓練済みモデルを構築する。

【0045】

そして、図１に示すように、「転移学習」を適用して、多くのデータ数を有する代理のターゲットの物性Ｙ_ｔによって訓練されて構築された訓練済みモデルを、データ数の不足しているターゲットとなる物性Ｙ_ｒｔによって再訓練する。訓練済みモデルにおいては、多くのデータ数を有する代理のターゲットの物性Ｙ_ｔによって各隠れ層の線形回帰モデルの重みパラメータ、バイアスパラメータが訓練されたが、転移学習を適用して、入力層において分子構造Ｓの記述子としてのフィンガープリントＸを入力し、訓練済みモデルの隠れ層のうちの少なくとも１つの隠れ層の線形回帰モデルの重みパラメータ、バイアスパラメータを、データ数の不足しているターゲットとなる物性Ｙ_ｒｔによって再訓練して、出力層においてターゲットとなる物性Ｙ_ｒｔを出力するための再訓練モデルとして、ニューラルネットワークモデルを構築する。なお、訓練済みモデルの隠れ層のうちの残りの隠れ層の線形回帰モデルの重みパラメータ、バイアスパラメータについては再訓練を行わず、訓練済みモデルの重みパラメータ、バイアスパラメータをそのまま再訓練モデルにおいて使用する。再訓練する隠れ層は、何れの隠れ層であってもよく、最後の隠れ層であってもよい。このように再訓練モデルを構築することによって、任意の分子構造Ｓのターゲットとなる物性Ｙ_ｒｔを予測することができ、更には、ターゲットとなる物性Ｙ_ｒｔが所定の範囲にある分子構造Ｓの候補を引き出すことできる。例えば、データセットの中から代理のターゲットの物性Ｙ_ｔとしてＴ_ｇ、Ｔ_ｍ、又はρを選定し、データセットに記録されている分子構造ＳのＴ_ｇ、Ｔ_ｍ、又はρ（例えば、ＰｏｌｙＩｎｆｏに記録されているＴ_ｇ、Ｔ_ｍ、及びρのデータをそれぞれ使用）を使用して訓練済みモデルを構築した後、ターゲットとなる物性Ｙ_ｒｔであるλについて、データセットに記録されているその分子構造Ｓのλ（例えば、ＰｏｌｙＩｎｆｏに記録されているλのデータを使用）を使用して訓練済みモデルの最後の隠れ層の線形回帰モデルを再訓練して、その分子構造Ｓのλを出力するための再訓練モデルを構築してもよい。このようにして再訓練モデルを構築することによって、任意の分子構造Ｓのλを予測することができる。図７Ａ〜図７Ｃにそれぞれ、代理のターゲットの物性Ｙ_ｔとしてＴ_ｇ、Ｔ_ｍ、及びρを選定して、ターゲットの物性Ｙ_ｒｔであるλを予測するために構築された再訓練モデルよる予測値と、観測値との比較を示す。

【0046】

上記のようなベイズの法則を使用して、所定の領域Ｕ内にある代理のターゲットとなる物性Ｙを有する分子構造Ｓを予測し、上記のようなニューラルネットワークを使用して、その予測された分子構造Ｓに対してターゲットとなる物性Ｙ_ｒｔを予測することによって、所定のターゲットとなる物性Ｙ_ｒｔを有する高分子を設計するための候補となる分子構造Ｓを選定することができる。このように選定された分子構造Ｓの候補に対して、更にスクリーニングを課してもよい。例えば、候補の分子構造Ｓが図５に示すようなＬＣＰ様化学構造を１つ以上含んでいるのか、候補の分子構造Ｓが合成容易であるのか（例えば、合成容易性（Ｓｙｎｔｈｅｔｉｃ Ａｃｃｅｓｓｉｂｉｌｉｔｙ：ＳＡ）スコア（非特許文献８を参照）を使用）、ターゲットとなる物性を含む様々な予測された物性を検証したか、等のスクリーニング項目がある。このようなスクリーニング項目の総合的な判断から、図６のような２４個の分子構造Ｓの候補が引き出される。図８Ａ〜図８Ｃに、図１のベイジアン分子設計及びニューラルネットワーク分子設計によって引き出された１０００個の候補の分子構造Ｓに加えて、１０００個の候補からこのようなスクリーニング項目による２４個の候補の分子構造Ｓの、図１に示すベイズの法則及びニューラルネットワークによって予測された物性の対比を示す。図８Ａはλ対ＳＡスコア、図８Ｂはρ対Ｃ_ｐ、図８ＣはＴ_ｍ対Ｔ_ｇを示す。また、図９に、スクリーニング項目による２４個の候補の分子構造Ｓの、ベイズの法則及びニューラルネットワークによって予測された物性を示す。このようにして、所定のターゲットとなる物性を有する高分子を設計することができる。

【0047】

そして、図６の２４個の候補の分子構造Ｓの中から、４、１３、及び１９の３種類を選択して実際に化学合成を行った。分子構造４、１３、及び１９によるポリマーはそれぞれ、全芳香族ポリアミド、芳香族ポリヒドラジド、及び脂肪族−芳香族ポリアミドである。分子構造４及び１３によるポリマーを、図１０Ａ及び図１０Ｂにそれぞれ示すように、ジカルボン酸（塩化ジカルボン酸）とジアミンとの間の反応によって合成し、分子構造１９によるポリマーを、図１０Ｃに示すように、自己縮合ＡＢ型モノマーから出発して合成した。また、図１０Ｄに示すように、非対称ジカルボン酸モノマー及びｍ−フェニレンジアミンから、分子構造１９に類似する分子構造１９ａによるポリマーを合成した。分子構造１９ａによるポリマーは３つの異なる配列を有する。なお、分子構造１９及び１９ａによるポリマーは新規の合成された物質である。

【0048】

元素分析、核磁気共鳴（^１Ｈ−ＮＭＲ）、及び赤外線（ＦＴＩＲ）スペクトルによって化学分析を行い、オストワルド粘度計、温度波法（ＴＷＡ）、示差走査熱量計（ＤＳＣ）、アルキメデス法、及び高速走査熱量計（ＦＳＣ）によって、固有粘度（η_ｉｎｈ）、熱拡散率（α）、Ｃ_ｐ、ρ、Ｔ_ｇ、及びＴ_ｍの熱物性を測定した。熱重量分析（ＴＧＡ）及び熱機械分析（ＴＭＡ）の結果は、分子構造４及び１３によるポリマーの重量損失が５００℃であっても５％、２０％と低く（１０％の重量損失の温度はＴＧ_１０で表される）、耐熱性が高いことを示す。分子構造４、１３、及び１９によるポリマーは、Ｘ線回折測定によって結晶性を有することが確認された（結晶化度はＸ_ｃで表される）。室温付近の熱伝導率について、圧縮設計された分子構造４及び１３によるポリマーは、それぞれ０．２６Ｗ／ｍＫ及び０．２２Ｗ／ｍＫに達した。分子構造１９によるポリマーは、有機溶媒に可溶であって、フィルム形成が可能である。分子構造１９によるポリマーは、超高速ＤＳＣやＸ線回折測定によってはわずかな結晶性が認められたが、従来のＤＳＣによってはアモルファスポリマーとして分類することができ、０．１９５Ｗ／ｍＫであるその熱伝導率は、アモルファスポリマーとしてはかなり高い。また、化学合成されたポリマーはアニール（熱処理）されてもよい。３７０℃又は４２０℃において熱処理された分子構造１３及び４によるポリマーは、それぞれ０．３９Ｗ／ｍＫ及び０．４１Ｗ／ｍＫの熱伝導率に達した。これは、非複合熱可塑性プラスチックの中における最先端のポリマーに匹敵する。分子構造４、１３、１９、及び１９ａによるポリマーの特性を表２に示す。なお表２は、図１の高分子を設計する方法によって予測された値（予測値）、上記方法により観測された値（観測値）、アニール後の観測値（熱処理）を示す。

【表2】

表２は、予測値と観測値とが一致する傾向にあることを示しており、特に、λの予測値と観測値は一致する。図１の高分子を設計する方法によって、所定の熱伝導率を有する高分子を適切に設計することができることを支持している。

【0049】

上記記載は特定の実施例についてなされたが、本発明はそれに限らず、本発明の原理と添付の特許請求の範囲の範囲内で種々の変更及び修正をすることができることは当業者に明らかである。

【図1】

【図2A】

【図2B】

【図3】

【図4A】

【図4B】

【図5】

【図6】

【図7A】

【図7B】

【図7C】

【図8A】

【図8B】

【図8C】

【図9】

【図10A】

【図10B】

【図10C】

【図10D】