材料信息技术（MI）因有助于高效率材料开发而受到关注。日本神户制钢公司在进行各种金属材料开发和使用技术开发中，应用以AI和模拟技术为代表的MI技术。其代表性的事例有，基于试验数据的应用AI技术对焊接材料和薄钢板性能预测，调整化学成分和热处理条件，以得出达到目标性能材料的事例和应用MI技术使用少量实施例即可获得材料专利的事例。本文对这两个事例做了简要解说。此外，神户制钢还进行了构建评价厚钢板、铜合金的原子级材料组织和性能、部件加工性的计算机模拟系统。本文对此也做了简要介绍。本文最后对MI的扩大应用进行了展望。
1前言
在构建碳中和社会的环境下，对材料和部件的要求出现多样化、复杂化、高端化的趋势。材料和部件的开发竞争也日趋激烈。因此，需要推进高效率新材料开发技术的研究。
传统的材料开发主流模式依存于试验、理论和研究者经验，需要花费大量的时间和人力。近年来，解决这个问题的一个新的材料开发方法，材料信息技术（MI）受到关注。2011年美国的材料基因组计划首先提出了MI，2010年代中期，日本的信息集成型物质材料研发计划（MI2I）和研究结构材料的SIP-MI等国家项目，对MI进行了基础新研究。此后，材料制造厂也进行应用MI的材料开发，此外，信息技术提供商也开始提供各种服务，使MI的产业应用不断扩大。神户制钢实施数字化转型战略的一项措施是进行利用MI的材料开发。
MI中包括将AI/机器学习为代表的信息科学用于材料科学的材料信息学和SIP-MI提出的试验、理论、计算/模拟与信息科学融合的材料集成理念。代表性的应用MI的材料开发方法有，从获得实现象的演绎入手，构建物理模型，利用模拟方法，在计算机上进行材料开发的方法和从归纳入手，利用AI对试验和模拟得到的数据进行分析，得出化学成分与材料性能的关系的方法。
模拟技术包括利用第一原理计算和分子动力学进行的原子级的微观计算、利用冶金理论和相场法进行的材料组织、性能的介观尺度计算、对部件加工性和强度性能进行评价的有限元（FEM）宏观计算和相应的应用技术。AI技术中常用的技术有，根据设计信息用线性回归、高斯过程回归、神经元网络等对材料性能预测模型（正问题解析）回归，进行数据学习的技术和用贝叶斯优化技术对达到要求的材料性能的设计信息进行优化，探索问题解（逆问题解析）的技术。
神户制钢进行了钢铁、铝合金、铜合金、焊接材料等各种金属材料的化学成分和制造工艺的研究，开发出各种要求性能的材料。并进行了将材料加工为部件和保证部件性能的结构设计等材料应用的开发。在各种金属材料的开发和应用中，适宜地使用了MI技术（图1）。本文首先介绍神户制钢基于试验数据用AI预测材料性能，调整化学成分和热处理条件进行焊接材料开发的事例，其次介绍薄钢板开发的事例。最后介绍构建微观、宏观各尺度模拟模型并与AI组合进行厚钢板、铜合金开发和铜合金材料应用的事例。
2利用试验数据和AI进行焊接材料开发
下面介绍的事例是，根据试验数据，用AI学习材料性能预测模型，探索具有优良强韧性的电弧焊用药芯焊丝。
图2是该事例开发的利用AI进行预测、探索技术的概略图。传统的焊接材料的开发是考虑下述①～④的关系进行开发。①原材料调配、②许多原材料构成的焊接材料的化学成分（焊接材料成分）、③焊接后焊缝金属的化学成分（焊缝金属化学成分）、④焊缝金属的力学性能。考虑焊接材料开发特点的MI技术是①～④正逆向关系的AI预测和探索技术。预测技术构建进行①→②、②→③、③→④正向计算的预测模型，用各预测模型的连结，实现了①～④的全体预测。此外，开发出④→③→②→①逆向计算的探索技术。以下对各预测·探索技术进行说明。
首先，根据①原材料配比，用线性式表示成分特点，将焊接材料成分预测模型化。开发出根据焊接材料成分的、基于线性模型的效果显著的凸最佳化的原材料配比探索方法。然后，由于用物理理论难于根据②焊接材料成分建立③焊接金属成分的预测模型和难于根据③焊接金属成分建立焊接金属性能的预测模型。所以，利用基于试验数据的机器学习方法建立高斯过程回归学习预测模型。但是，预测模型的说明变量焊接材料成分和焊缝金属成分的种类多达数十个。对于有限的试验数据，使用单一的机器学习方法，不能达到良好的预测精度。为了提高预测精度，将焊接材料成分中影响小的成分去除，减少了说明变量，并开发出利用试验温度与脆性断口率关系的焊缝金属韧性预测模型。此外，根据④焊缝金属性能对焊缝金属成分和焊接材料成分关系的探索，使用了高斯过程回归和贝叶斯优化技术。
现在，已经将本开发技术用于建筑结构用高强度钢电弧焊药芯焊丝的开发。首先，收集大范围强度级别的数千个试验数据，学习预测模型。然后，设定检证项目：焊缝金属抗拉强度TS≥830MPa、0℃韧性（vE0℃，0℃夏比吸收能）≥90J。对预测的原材料配比进行探索，并试制出实际焊丝，对焊缝金属性能进行评价。将评价结果追加到评价结果，进行同样的多次试验。图3是基于人的知见的传统设计方法试制焊丝的焊缝金属性能（○）和基于MI试制焊丝的焊缝金属性能（●）。与传统设计方法相比，利用MI进行了大幅度的各成分变化的设计，其中的一个设计焊接材料的TS、vE0℃性能经优化达到目标性能。利用MI，高效率得出达到目标性能的焊接材料，并且，得到了与传统设计方法不同的成分利用的新效果。
3利用试验数据和AI进行薄钢板材料开发
下面介绍的事例是，根据神户制钢积累的试验数据，用AI构建材料性能预测模型，对备选材料探索，开发出达到目标性能的汽车用超高强薄钢板，并且，用很少的实施案例就可获得专利。
汽车用超高强薄钢板的性能要求是，为保证冲撞安全性的高抗拉强度（TS）和保证良好加工性的高伸长率（EL）及扩孔率（λ）。这是两种性能相悖的力学性能。一般来说，钢中添加较多的合金成分可以提高力学性能，但为了保证良好的焊接性和制造性，对合金添加量有上限要求。在这种制约条件下进行具有优良力学性能的超高强薄钢板的开发难度很大，开发需要的试验成本巨大。于是，对利用MI技术，用很少的试验，探索要求性能的薄钢板进行了尝试。
首先，使用神户制钢此前积累的超高强钢的360个试验数据，构建利用AI的性能预测模型。在模型的说明变量中加入了钢材成分、热处理条件和“Ae3点与均热温度的差（T1）”、“Ms点与冷却停止温度的差（T2）”。直接考察这些参数变化引起的材料组织的变化，提高了薄钢板力学性能的预测精度。Ae3点和Ms点利用热力学计算软件Thermo-Calc根据钢的成分算出。目的变量3个：TS、EL、λ。预测方法是高斯过程回归。图4是TS、EL的预测值与试验值的关系。利用AI的性能预测模型可对TS、EL进行高精度的预测。
然后，利用构建的性能预测模型和贝叶斯优化，在设定的C、Si、Mn成分范围内，探索达到目标性能：TS≥950MPa、EL≥22%、λ≥20%的材料。根据贝叶斯优化得到的达到要求性能概率最大的预测成分和热处理条件，试制材料，并进行性能评价。第一次探索得出了18种材料。第二次探索将第一次探索的试验材料追加到学习数据，进行两种材料的探索。结果是，第二次探索得到了达到目标性能的薄钢板材料。
此外，对于上述研究得到的成分和热处理条件，利用AI性能预测模型，使用很少的实施例获得了专利。具体的流程是，①首先对用大量的试验数据构建根据成分、热处理条件预测材料性能的AI模型进行说明。②利用AI模型制作申请项范围内、外的成分、热处理条件下的性能预测的虚拟数据，对申请范围的适宜性进行说明。③表示出用实际的试验数据对实施例与比较例的比较结果。通常，为了规定申请项的范围，需要提供基于参数变化的许多试验数据的实施例。现在，用AI预测的虚拟数据替代了大部分的试验数据，形成了只有两个实际的试验数据的专利。
