[3E5-GS-2] 機械学習: 説明可能AI (2)

[3E5-GS-2-02] 分子配合を対象とするグラフ畳み込みネットワークの予測根拠の可視化

〇長谷部 達也¹ (1. 株式会社 日立製作所)

キーワード：深層学習、グラフ畳み込み、解釈性

Message Passing Neural Network(MPNN)をはじめとするグラフ畳み込みネットワークは分子物性予測等のタスクにおいて利用される機会が増えており、配合材料などへの適用対象の拡大と、モデルの説明性の向上が求められている。本研究では、分子配合に対する高精度な特性予測と予測根拠説明の実現を目的とし、gradient-weighted Class Activation MappingをベースとしたMPNNに対する予測根拠の可視化手法、及び、1次元畳み込みとMPNNの転移学習を用いた複数分子の配合を入力とするグラフ畳み込みネットワークにより、分子配合特性を予測し、根拠を可視化する新しい枠組みを提案する。上記の予測根拠の可視化手法を単一分子物性予測を行うMPNNに対し適用した結果、その説明がドメイン知識と整合することを確認した。また、提案する分子配合を入力とするグラフ畳み込みネットワークを実配合特性データにて学習したところ、既知のモデルよりも高精度で予測ができ、分子の配合に対しても、ドメイン知識と整合するグラフベースの予測根拠説明が可能であることが確認できた。