2026年11月16日（日）に、バンドギャップ予測アプリの作成を試みた。

 

↓WSLを使用
↓sudo pip install mp-api pandas
↓bandgap_dataset_from_MP.pyという名でスクリプトを作成

スクリプトは下記
“””
Materials Project からバンドギャップ付きデータを取得して
bandgap_dataset_from_MP.csv を作るスクリプト
“””

from mp_api.client import MPRester
import pandas as pd

======================================================

★ここに「新しい APIキー」を貼る

======================================================

API_KEY = “YOUR_API_KEY_HERE” # <– ダブルクォート必須 # どれくらいデータを取るか N_DOCS = 1500 # 最初は1500件くらいがバランス良い def main(): fields = [ “material_id”, “formula_pretty”, “band_gap”, “density”, “volume”, “nsites”, “symmetry”, ] rows = [] with MPRester(API_KEY) as mpr: docs = mpr.materials.summary.search( band_gap=(0.01, None), # 半導体に絞る fields=fields, chunk_size=500, ) for i, doc in enumerate(docs): if i >= N_DOCS:
break

crystal_system = getattr(doc.symmetry, “crystal_system”, None)
spacegroup_symbol = getattr(doc.symmetry, “symbol”, None)

rows.append(
{
“material_id”: str(doc.material_id),
“formula”: doc.formula_pretty,
“band_gap”: doc.band_gap,
“density”: doc.density,
“volume”: doc.volume,
“nsites”: doc.nsites,
“crystal_system”: crystal_system,
“spacegroup_symbol”: spacegroup_symbol,
}
)

df = pd.DataFrame(rows)
df = df.dropna(subset=[“band_gap”, “density”, “volume”])

print(“Fetched rows:”, len(df))

out_name = “bandgap_dataset_from_MP.csv”
df.to_csv(out_name, index=False)
print(f”Saved: {out_name}”)

if name == “main“:
main()

↓APIキーをスクリプトに挿入し、デスクトップに保存
↓Ubuntuの~/ishik/materials-ai/に配置

＊メモ
・フォルダーをつくるときは、mkdir
・ファイルをつくるときは、touch
・編集は　nano
・移動させるときは、mv 移動したいもの 移動先/
・上書きを確認したい場合は -i を付ける：mv -i a.txt docs/
・コピーは、cp file.txt コピー先/

↓python環境作りのやり直し
sudo apt update
sudo apt install -y python3 python3-venv python3-pip
↓プロジェクト用フォルダの作成
↓venv（専用Python環境）を作る
python3 -m venv .venv
↓venv（専用Python環境）をアクティベート
source .venv/bin/activate
↓pipとpandasをインストール
pip install –upgrade pip
pip install mp-api pandas
↓仮想環境で、python bandgap_dataset_from_MP.py実行。

Q:なんで仮想環境をつくったか？
A：「WSL のシステムPythonは “勝手に pip install を禁止している” から、
あなた自身の環境（venv）を作らないとライブラリを入れられない。」ためです。

↓KNIMEを使うために、取得したCSVをウィンドウズから読める場所におく
単純に、windowsのデスクトップにドラグした。

↓KNIMEのHPからKNIMEをダウンロードし、インストールした。
↓起動後にやったこと
KNIME 起動
「File → Preferences」
「KNIME → Memory Policy」
１６Gのメモリなので、8000MBとした。
理由は、KNIME が大きいCSV（今回の1500行 × 7列なら余裕）を扱うときに
高速 + エラーになりにくくするため。

KNIME での操作：
KNIME を起動
左上「New Workflow」から新しいワークフローを作成
例：Bandgap_MP_Model

「File Reader」をワークフロ―画面にドラッグ
ダブルクリックして設定画面を開く
bandgap_dataset_from_MP.csv を選ぶ
「Apply & Close」して実行（右クリック → Execute）

One to Many をワークフローにドラッグ
File Reader → One to Many を線で接続
One to Many を ダブルクリック（設定画面を開く）

設定：
“Columns” で
→ crystal_system を選択
Apply & Execute

メモ：今回の特徴量は以下。
density
volume
nsites
crystal_system（ダミー化済み）
次回以降にやること
🔥 追加できる特徴量の例（matminer）
元素組成の平均イオン化エネルギー
カチオン・アニオン半径
元素電気陰性度の統計量
Mendeleev Number
Valence orbital 平均
Ewald energy
Composition Entrpy …などを Python で作り、
CSV に 20〜100列の特徴量 を追加し、予測精度をあげる。

Column Filter ノードを接続。
「Include（残す列）」
band_gap
density
volume
nsites
crystal_system_*（One to Many で増えた0/1列全部）

「Exclude（消す列）」
material_id
formula
spacegroup_symbol
→ Apply and Execute

Column Filter → Normalizer を接続。
Normalizer 設定：
Include：
density
volume
nsites
crystal_system_*（全部）
Exclude：
band_gap（目的変数なので正規化不要）
Normalize method：
Z-Score (mean=0, variance=1) でOK
→ Apply and Execute

Row Sampleを接続
＊ここでChatGPT間違いつづける。

グルグルしたが、アイキャッチ画像のワークフローになった。

以下で混乱。

① Prediction (band_gap)
これは 最終的な予測値
→ ランダムフォレストが算出した band_gap の「予測結果」。
入力した材料の band_gap を 2.31 eV と予測した
みたいな最終アウトプット。
② Prediction (band_gap) (Prediction Variance)
これは 予測のバラつき（不確かさ） の指標。

KNIMEのモデルの出力

CSV writerで以下のファイルを出力した。
C:\Users\ishik\test_data.csv
C:\Users\ishik\train_data.csv
その後、WSLのフォルダーに移動させた。

pythonで軽量データの作成を行った。
仮想環境で、pip install pandas scikit-learn