2026 AIChE Annual Meetingにて口頭発表

Matlantis株式会社は、2026年11月8日～11月12日（米国中部標準時／CST）に米国ミネアポリス（Minneapolis Convention Center）で開催される「2026 AIChE Annual Meeting」において、口頭発表を行います。内容は以下ご参照ください。

プレゼンテーション詳細（口頭発表）

ルーム: Room 103C（Level 1, Minneapolis Convention Center）
講演番号: 566b
発表者: 渡邊 卓（Taku Watanabe）
著者: Qingjie Li, Joshua Young, Taku Watanabe（Matlantis Inc.）
セッション: 566 Accelerated Discovery of Inorganic Materials: High-Throughput Experiments, Modeling, & Data Science
日時: 2026年11月11日（水）12:55 PM～1:09 PM（米国中部標準時／CST）
（日本時間：2026年11月12日（木）3:55～4:09）
部門: Materials Engineering and Sciences Division（08D Inorganic Materials）
セッションタイプ: オーラル
タイトル: Accelerating Solid Electrolyte Discovery with an Interpretable, Multimodal, and Probabilistic Machine Learning Framework
概要:
The discovery of solid electrolytes for all-solid-state batteries is currently constrained by two major modeling challenges. First, ionic conductivity depends on a complex interplay of structural and dynamic factors that conventional, single-modality machine learning models fail to fully capture. Second, models trained on computationally efficient, short-timescale molecular dynamics simulations suffer from severe data noise. Specifically, transient phenomena such as local ion “cage rattling” artificially inflate mobility metrics, causing models to overfit to subdiffusive artifacts rather than true macroscopic diffusion.
To bridge this simulation-to-reality gap, we introduce MuLiCon, a multimodal, probabilistic deep learning framework. MuLiCon integrates 1D structural data (X-ray diffraction), vibrational dynamics (phonon density of states), and pre-trained chemical embeddings (Matlantis PFP) into a dual-task architecture for simultaneous material classification and conductivity regression. By employing deep ensembles for Uncertainty Quantification (UQ), MuLiCon acts as a probabilistic filter, explicitly isolating and rejecting simulation noise.
Ablation studies reveal a distinct physical learning hierarchy: PFP descriptors serve as the primary chemical foundation, while XRD and PDOS offer structural gating and vibrational refinement. By filtering for high-confidence predictions, MuLiCon achieves precise conductivity regression on true conductors. Furthermore, model interpretability analyses confirm that the network autonomously identifies underlying physical mechanisms, including phonon resonance and structural bottlenecks. Ultimately, MuLiCon provides a robust, physics-aware pathway to accelerate next-generation energy storage design.

発表者プロフィール

渡邊 卓（わたなべ たく）

Matlantis Inc.

プリンシパルリサーチャー／グローバルカスタマーサクセス統括

フロリダ大学にて博士号（Ph.D.）を取得後、ジョージア工科大学でポスドクとして最先端の多孔質材料（ゼオライト、MOF）研究に従事。帰国後はサムスン日本研究所やENEOSにて、次世代電池やエネルギー分野の材料開発をリードしてきた。これまでの多様なシミュレーションと実験の経験を基に、現在は機械学習や計算化学を用いた革新的な材料研究手法によるカスタマーサクセス活動に従事している。無機材料全般の計算技術開発に加え、海外カスタマーサポートの組織運営も統括している。