データ品質

📋 要約（TL;DR） # PolymerGPTは、pSMILESを自己回帰的に生成するデコーダ型Transformerへ、最大37個の高分子特性を条件付けする逆設計モデルである。 1M高分子データでの5特性同時条件生成では、目標値に近い候補を得られた一方、疎な目標領域のvalidityは64.68%まで低下した。 1〜37特性の比較では、37特性条件のvalidityは98.78%、noveltyは99.96%だが、uniquenessは96.52%へ下がり、制約追加の影響が見える。 特性一致は実測ではなく、主にTransPolymerなどの予測器による評価である。結晶化度の予測器はtest R² 0.4445で、ここが主要な不確実性になる。 材料開発での適切な役割は、合成候補の探索・優先順位付けであり、実測・熱力学整合性・合成可能性・工程依存性を省略する根拠にはならない。 高分子の逆設計は、目標特性から構造を探す問題である。ガラス転移温度だけを高める候補を探すのと、耐熱性、誘電特性、機械特性、透過性、密度、結晶化度などを同時に満たす候補を探すのとでは、探索空間の形が変わる。個別特性で候補を大量生成し、後段で順番にふるいにかける方法は、特性間の相関や希少な組合せを扱いにくい。 候補論文のPolymerGPTは、この問題をpSMILESの生成分布を複数の目標値で条件付けする問題として定式化した。論文は2026年8月2日にarXivへ提出されたv1であり、査読前研究である。1Mおよび100MのPolyOne由来データ、約1M〜38Mパラメータのモデル、1〜37特性の条件付けを比較し、構造文字列の妥当性と、別の予測器で計算した特性一致度を評価している。 ここで重要なのは、生成モデルが「望ましい特性を持つ実在材料」を直接証明するわけではないことである。モデルが生成するのは構造表現であり、特性値は予測器を介して確認される。したがって、生成器、特性予測器、実験検証を分離した検証系として読む必要がある。以下では、条件付き生成の原理、定量結果、データと予測器の限界、材料研究開発へ導入する際の判断軸を順に整理する。 1. 逆設計の論点――単一特性から制約付き構造探索へ # 高分子の物性は、繰り返し単位の官能基、主鎖の柔軟性、芳香族性、分子間相互作用、自由体積、結晶性などの組合せで決まる。単一の数値を最大化する設計でも、別の特性や加工性が悪化することがある。例えば誘電材料では、誘電率だけでなく、バンドギャップ、ガラス転移温度、損失、溶解性、熱安定性を同時に見なければ、用途条件を満たす材料候補にはならない。 単一特性条件付き生成を順次繰り返す方法は、各段階の候補分布が次の制約を満たすとは限らない。特に学習サンプルが少ない特性を後処理で選ぶと、候補が一つも残らない可能性がある。PolymerGPTが学習する分布は、概念的には次の条件付き分布で表せる。