Chemoinformatics / Materials Science
Discover new materials/drugs with computational science.
数値計算を用いた物性予想は、実験コストを削減し、新材料開発を促進する手段として注目されています。しかし、候補となりうる化合物や材料は非常に多く、また、材料を構成する電子、原子を１つずつ計算するには膨大なコストがかかるため、従来のシミュレーション技術で網羅的に扱うのは困難です。PFNでは深層学習と数値計算を融合させた物性予測システムを開発することで、より高速、高精度な物性予測を実現し、材料開発を促進することを目指しています。PFNではこのような技術を創薬・素材探索へ適用するための研究開発を行っています。
Publications
Nature Communications, 2022
By : So Takamoto, Chikashi Shinagawa, Daisuke Motoki, Kosuke Nakago, Wenwen Li, Iori Kurata, Taku Watanabe, Yoshihiro Yayama, Hiroki Iriguchi, Yusuke Asano, Tasuku Onodera, Takafumi Ishii, Takao Kudo, Hideki Ono, Ryohto Sawada, Ryuichiro Ishitani, Marc Ong, Taiki Yamaguchi, Toshiki Kataoka, Akihide Hayashi, Nontawat Charoenphakdee, Takeshi Ibuka
Population-based De Novo Molecule Generation, Using Grammatical Evolution
Chemistry Letters, 47, 1431-1434, 2018
By : Naruki Yoshikawa, Kei Terayama, Masato Sumita, Teruki Homma, Kenta Oono, Koji Tsuda
Semi-supervised learning of hierarchical representations of molecules with neural message passing
Machine Learning for Molecules and Materials in NIPS 2017
By : Hai Nguyen, Shin-ichi Maeda, Kenta Oono
