banner
ニュース センター
長年の経験と最新のテクノロジー

データを利用した有機低分子の腐食抑制効率の予測

Nov 21, 2023

npj 材料劣化編 7 巻、記事番号: 64 (2023) この記事を引用

260 アクセス

メトリクスの詳細

広大な化学空間から効果的な腐食防止剤を選択することは、本質的に無限であるため、簡単な作業ではありません。 幸いなことに、機械学習技術は、大規模な実験試験の前に阻害剤候補の候補リストを生成する上で大きな可能性を示しています。 この研究では、マグネシウム合金 AZ91 上の 58 個の小さな有機分子の腐食応答を使用し、それらの幾何学および密度汎関数理論の計算から導出された分子記述子を利用して、それらの分子情報をエンコードしました。 統計的手法を適用して、サポート ベクター回帰モデルとカーネル リッジ回帰モデルのターゲット特性に最も関連する特徴をそれぞれ選択し、未テストの化合物の挙動を予測しました。 2 つの教師あり学習アプローチのパフォーマンスが比較され、実験的なブラインド テストによってデータ駆動型モデルの堅牢性が評価されました。

最軽量の構造用金属であるマグネシウム (Mg) は、その優れた機械的特性により自動車および航空工学において、またその生体適合性により医療産業において有望な材料です 1、2、3。 ただし、Mg は反応性の高い金属であるため、Mg ベースの材料は高度な工学用途での応用を容易にするために腐食から保護する必要があります。 表面コーティングは、基材と使用環境の間にバリア層を追加することで Mg の腐食保護を実現する、信頼性が高く効果的な戦略を示しています3、4、5。 ただし、保護コーティングの傷や亀裂は、深刻な局部腐食反応を引き起こす可能性があります6。 これは、必要に応じて放出され、損傷した領域の腐食を抑制する腐食防止剤をコーティングに組み込むことで軽減できます6、7、8。 注目に値するのは、腐食防止剤をコーティングマトリックスに直接埋め込むと9、放出されない、または限定的に放出されることでその機能が損なわれる可能性がある10、11、あるいは欠陥が発生すると制御なしにすべての腐食防止剤が一度に放出される可能性がある12ということです。 腐食防止剤をインターカレートした層状複水酸化物 (LDH) の適用は、制御可能な積極的な腐食保護を達成するための有望な手段の 1 つです12、13、14。 LDH は、純粋な Mg(OH)2 の形でブルーサイト構造を持つ無機のシート状粘土です。 LDH 構造の陰イオン交換特性のおかげで、腐食防止剤をこの層状構造に挿入することができ、その後、攻撃的な腐食性種 (塩化物など) と交換することでその放出を引き起こし、腐食反応を抑制することができます 12。 バナジン酸塩 12、タングステン酸塩 15、モリブデン酸塩 16 など、LDH に一般的に挿入される無機腐食防止剤とは別に、有機腐食防止剤が最近ますます注目を集めています。これは、多数の有機化合物が Mg およびその合金に対して有望な腐食防止効果を示しているためです7。 さらに、小さな有機分子が LDH に挿入できることが実証されています 17、18、19。

しかし、LDH への新しい有機分子のインターカレーションに関する純粋な実験研究は、特に多数の候補分子から選択することを考慮すると、時間がかかる可能性があります 20。 それとは別に、特定のタイプの Mg 合金を保護するために LDH にインターカレートされる有効な有機腐食防止剤 (図 1 を参照) を特定することは、潜在的に有用な特性を持つ有機化合物が多数あるため、非常に困難な場合があります 21。 幸いなことに、機械学習ベースのアプローチにより、有用な化合物のスクリーニングが容易になることが期待されます。

多数の有機阻害剤候補を含む層状複水酸化物系の概略図。

機械学習 (ML) は、アルゴリズムの強化とコンピューティング ハードウェアの技術進歩により、近年急速に発展しました22。 機械学習アルゴリズムは私たちの日常生活に影響を与える 23,24 と同時に、材料科学でも重要な役割を果たしています 25,26。 化合物予測27、28、29、構造予測30、31、バンドギャップ32、超伝導率33、体積弾性率およびせん断弾性率34などの材料特性の予測などの材料発見や、定量的な構造特性関係に基づいた効果的な腐食防止剤の特定には、さまざまなアルゴリズムが適用されています。 QSPR)35、36。 後者については、さまざまな種類の Mg およびその合金に対する低分子有機化合物の腐食抑制効果を予測するために、多数の異なる機械学習アルゴリズム (ニューラル ネットワーク、カーネル リッジ回帰、ランダム フォレストなど) 21,37,38 の開発に成功しました。 、21、37、アルミニウム合金35、36、39、銅系材料40。 当然のことながら、十分に大きく、多様性があり、信頼性の高いトレーニング データセットと、適切なモデリング フレームワーク (通常は 1 つ以上の機械学習アルゴリズムに基づく) は、予測 QSPR モデルを開発するための重要な前提条件の 2 つです。 3 番目の重要なステップは、化学的直感 38 または統計的手法 37 に基づいて選択できる、関連する入力特徴の選択です。 ランダム フォレスト (RF) は、各特徴の重要性を計算できるため、特徴選択の問題に対処するための有用なアルゴリズムであることが証明されています41。 一方、相関のある特徴の存在は、重要な特徴を識別する能力に影響を与え、精度が低下する可能性があることが示されています42、43、44。 この問題に対処するために、ランダム フォレストと再帰的特徴除去 (RFE) の組み合わせが一般的に使用されており 43,44、有機小分子の腐食抑制効率 (IE) をモデル化するために関連する特徴を選択できる可能性が最近の研究で実証されています 37。

0.9) and most of the correlations (over 90%) are interpreted as weak relationships (0.1−0.39) or are negligible (<0.1) according to the definitions in the work of Schober et al.68. Moreover, the p-value between the used input features and IEs was calculated and illustrated in Supplementary Fig. 2, where the p-value is an indicative measure whether the correlation is statistically significant. The weak correlations between most of the selected features largely ensure that there is no redundant feature selected as input for the models. Although most of the selected features are only weakly correlated with the target property itself, the results indicate that they can still be used to build a predictive model when used as a group due to underlying synergistic effects which is in good agreement with previous works37,38./p>