データ化学工学研究室(金子弘昌専任教授主宰)から発表された論文が、国際学術雑誌 Journal of Chemical Information and Modeling における Volume 66, Issue 1 (2026) の表紙絵を飾りました。
本研究では、学習データに含まれない「未知の金属元素」を持つ触媒の吸着エネルギーを高精度に予測し、その性能を正しく評価する新手法「EGISV（Elemental Grouping Iterative Split Validation, 元素グループ化反復分割検証）」を開発しました。これはゼロショット学習とも関連するアプローチです。EGISVは、従来のランダムなデータ分割とは異なり、特定の元素を学習データから完全に除外して検証を行うことで、未知の元素に対するモデルの予測能力（外挿性能）をシミュレーションします。予測精度の向上のため、多次元的な原子特性や、軌道充填数と電気陰性度の交差項、幾何学的特徴量などを組み合わせた新たな記述子セットを導入しました。検証の結果、特にCO吸着において幾何学的特徴量が有効に機能し、大幅な精度向上が確認されました。本手法は、既存データベースの元素範囲を超えた新規触媒の発見を加速させる重要な基盤となると期待されます。
