材料プロセスデータ科学でMOFを狙った大きさに合成 ―自動実験と連動した全自動プロセス最適化に期待―

2026-07-13 東北大学

東北大学の笘居高明教授らの研究グループは、金属有機構造体（MOF）の粒子径を狙い通りに制御するため、材料プロセスデータ科学に基づく機械学習モデルを開発した。代表的なMOFであるZIF-8について、130報の論文から合成条件と粒子径を整理したデータベースを構築し、原料濃度や溶媒、反応時間などの条件から粒径を高精度に予測できるモデルを作成した。さらに、自動実験システムで実際にZIF-8を合成した結果、予測値と実測値が良好に一致し、モデルの有効性を実証した。また、SHAP解析により粒径に影響する主要因を可視化し、予測根拠の解釈性も確保した。本成果は、目的に応じた粒径を持つMOFを効率的に設計・合成できることを示すものであり、将来的には機械学習と自動実験を連携させた自律型材料開発システムの実現に貢献すると期待される。触媒、ガス吸着・分離、エネルギー貯蔵など幅広い分野での高機能材料開発の加速が見込まれる。

図1. MOFの粒径を制御するための、AI・データ解析を活用した材料作製の流れ。

＜関連情報＞

材料プロセス情報学を活用した金属有機構造体の精密な粒子サイズ制御
Materials process informatics-assisted precise particle size control of metal–organic frameworks

Yuan Wang;Heng Liu;Yusuke Hashimoto;Kazuyuki Iwase;Hao Li;Takaaki Tomai
Chemical Science Published:20 June 2026
DOI:https://doi.org/10.1039/d6sc03212e

Precise control over the particle size of metal–organic frameworks (MOFs) is pivotal for optimizing their performance in catalysis, separation, and drug delivery. However, conventional synthetic strategies largely depend on empirical trial-and-error, which lacks predictive power and fails to decode the complex interplay between nucleation and growth kinetics. Herein, we report a materials process informatics framework for the predictive control of MOF particle size, using zeolitic imidazolate framework-8 (ZIF-8) as a representative model system. A comprehensive database was constructed through systematic curation from the literature, with seven process descriptors employed as input features. Multiple machine-learning algorithms were benchmarked, among which the Categorical Boosting (CB) model achieved the best predictive performance after hyperparameter optimization, with a coefficient of determination (R²) of 0.90 on the test set. Furthermore, SHapley Additive exPlanations (SHAP) analysis identified the precursor concentration ratio and reaction time as the most influential parameters governing particle size. Experimental validation using an automated synthesis platform showed excellent agreement between predicted and measured particle sizes, confirming the model’s robustness and predictive reliability. Overall, the proposed framework enables intelligent synthesis optimization and targeted experimental design, thereby providing a practical route toward controllable MOF synthesis. This work demonstrates how materials process informatics can shift MOF particle-size engineering from empirical optimization toward data-driven design, offering a broadly applicable strategy for advanced materials synthesis.