有機薄膜太陽電池（OPV）性能予測（ハイパーパラメータのベイズ最適化）

ARIMデータポータル会員向けセミナー・ワークショップ教材です。有機薄膜太陽電池（OPV: Organic Photovoltaic）の4つの性能パラメータ（Voc・Jsc・FF・PCE）を、LightGBM・ベイズ最適化（Optuna）・SHAPを使って予測・解釈する機械学習チュートリアルを、Google Colab上で実行できます。

このノートブックで学べること

1. LightGBM + Leave-One-Group-Out（LOGO）交差検証：同じ材料の組み合わせが学習・テストに混入しないようにする、材料科学データ特有の評価手法
2. BO-Bagging：ベイズ最適化（Optuna/TPESampler）でハイパーパラメータを自動探索したバギング回帰モデル（論文の提案手法をPythonで再実装）
3. SHAP解析：どの分子構造記述子が各OPVパラメータの予測に重要かを可視化するExplainable AI（XAI）

使い方

Google Colabで開く（推奨）

上の "Open in Colab" バッジをクリックすると、OPV_BO.ipynb がColab上で開きます。ノートブック冒頭の「Google Colabにおける環境設定」セルを実行すると、必要なライブラリのインストールとこのリポジトリのクローンが自動的に行われます。

ローカル環境で実行する

git clone https://github.com/ARIM-ACADEMY-2026/Advanced_Tutorial_7_Bayesian-Optimization.git
cd Advanced_Tutorial_7_Bayesian-Optimization
pip install numpy pandas matplotlib seaborn scikit-learn scipy lightgbm optuna shap matplotlib_fontja
jupyter notebook OPV_BO.ipynb

Colab用の環境設定セル（!pip install / !git clone）はColab環境でなければ実行不要です。

リポジトリの構成

Advanced_Tutorial_7_Bayesian-Optimization/
├── OPV_BO.ipynb   # 本体のノートブック
├── data/          # OPVデータセット（4ファイル、755サンプル）
├── README.md
└── LICENSE        # MIT License

データセット・実行時間の目安

• 755サンプル、48次元の分子構造記述子（ドナー18 + アクセプター14×2 + 質量分率2）から、Voc・Jsc・FF・PCEの4パラメータを予測します
• LOGO交差検証（442グループ）は約2分、ベイズ最適化によるBO-Bagging（4ターゲット×30試行）は約2分38秒かかります（いずれもCPU実行時の実測値）

対象読者・前提知識

ARIMデータポータル会員の研究者・技術者を想定しています。Pythonの基礎文法は理解しているが、LightGBM・Optuna（ベイズ最適化）・SHAPには初めて触れる方向けに、コードの解説を充実させています。統計学・機械学習の予備知識は前提としません。詳細はノートブック冒頭の「対象読者・前提知識・動作環境・版とライセンス」ブロックを参照してください。

出典・ライセンス

• 提案手法の論文：Abdelghafar, S., Alshater, H., Abouelmagd, L. M., Darwish, A. & Hassanien, A. E. Organic photovoltaic prediction model based on Bayesian optimization and explainable AI. Scientific Reports 15, 32559 (2025). https://doi.org/10.1038/s41598-025-18632-4 （CC BY 4.0 — オープンアクセス）
• データセット原著論文：Kim, G.-H., Lee, C., Kim, K. & Ko, D.-H. Novel structural feature-descriptor platform for machine learning to accelerate the development of organic photovoltaics. Nano Energy 106, 108108 (2023). https://doi.org/10.1016/j.nanoen.2022.108108
• データセット：Kim, Gyu-Hee. Novel Structural Feature-descriptor Platform for Machine Learning to Accelerate the Development of Organic Photovoltaics. Mendeley Data, V4 (2023). https://doi.org/10.17632/7wdzg9g2br.4
• 本リポジトリのノートブック・コードは MIT License です。同梱データセットの再配布条件は上記Mendeley Dataの利用条件に従ってください
• 本ノートブックは教育目的で上記論文の手法をPythonで再実装したものであり、著者らによる公式実装ではありません

注意点

• 論文はMATLAB R2024aで実装されており、本ノートブック（Python/scikit-learn/Optuna）とはアルゴリズムの実装詳細が異なります（ベイズ最適化の代理モデルもMATLAB版はガウス過程、本実装はTPESamplerで異なります）
• 詳細な考察（評価プロトコルによる結果の違い、ハイパーパラメータ収束の挙動など）はノートブック内の該当セルを参照してください