上級 · 15分
データの地形としての周期表
原子半径・電気陰性度・イオン化エネルギーなどの周期特性を3D地形として描き、機械学習モデルが学ぶべき周期的傾向を見極める練習をする。
目的
周期表を回帰の地形に変える：モデルが使える特徴（周期・族）と学習しにくい不規則性を洗い出す。
器具と試薬
元素グリッドを3Dに持ち上げ、表面の高さを選んだ周期特性に比例させたもの。
手順
- モード0のまま地形を回し、各周期・族を示す谷や尾根を探す。
- モード1に切り替えて比較：周期に沿ってその特性は増えるか減るか。傾向は滑らかか、凹凸があるか。
- モード2に切り替え、単調な傾向を破る外れ値となる元素を探す。
- 各モードでモデルが学ぶべき規則（例：「上・右へ行くほど増える」）を述べ、例外を1つ挙げる。
観察すること
- 周期特性は行・列に沿って滑らかに変化する——表で隣接する元素は似ており、記述子ベースの ML がまさにこれを利用する。
- いくつかのモードでは遷移金属やランタノイドに鋭い尾根や落ち込みがあり、単純な線形モデルが破綻する領域になる。
- 同じ元素はどのモードでも同じ(行, 列)を占める——化学だけでなく表の構造も予測情報を運ぶことを示唆する。
解説
化学における機械学習はしばしば記述子から始まる。原子番号・族・周期・電気陰性度などの数値特徴を目的特性に対して回帰する。周期表上の地形として見ると、学習しやすい特性は滑らかな面、難しい特性は凹凸の面である。だから特徴量化が重要であり、周期構造を知るグラフやカーネルモデルが Z だけの素朴な回帰を上回る。
ゆかりの化学者
関連トピック
バーチャル実験は直感をつかむための簡略化したモデルです。実際の実験や安全教育の代わりにはなりません。指導者なしに自宅で再現しないでください。