| Budget Amount *help |
¥15,470,000 (Direct Cost: ¥11,900,000、Indirect Cost: ¥3,570,000)
Fiscal Year 2023: ¥1,820,000 (Direct Cost: ¥1,400,000、Indirect Cost: ¥420,000)
Fiscal Year 2022: ¥4,550,000 (Direct Cost: ¥3,500,000、Indirect Cost: ¥1,050,000)
Fiscal Year 2021: ¥4,550,000 (Direct Cost: ¥3,500,000、Indirect Cost: ¥1,050,000)
Fiscal Year 2020: ¥4,550,000 (Direct Cost: ¥3,500,000、Indirect Cost: ¥1,050,000)
|
|---|
| Outline of Annual Research Achievements |
最終年度となる本年度は、従来までに作成した組成による合成可能性評価アルゴリズムの見直しを行い、分類項目を合成可能性に対して「高」「中」「低」の３段階に分類し、より分類精度(F1 score)の高い分類法を確立した。あわせて記述子を作成するためのアルゴリズムも改良している。これらの成果をアウトリーチするために、作成したソフトウェアーを公開した（1.https://github.com/NakayamaLab-NITech/Recommender , https://github.com/NakayamaLab-NITech/composional-histogram-descriptor ）。
材料地図についても、主要な成果を論文化しオープンアクセス論文としてデータとともに公開した。(Yamaguchi et. al, Sci.Rep. 13, 16799 (2023)) 材料地図のアイデアは当初の目的である、組成と構造をつなぐ「理解型」の機械学習に加えて、新たな材料を創生する「発見型」研究にも応用できることが示唆された。オートエンコーダーで２次元圧縮された空間から、有望な座標（緯度経度）を指定することで、組成と構造の記述子を得ることができる。組成については復元可能であるが、現状では構造情報の復元が困難である。構造記述子から実際の結晶構造への再変換が必要であり、reverse monte carlo法やGA法を適用し、構造復元にも取り組んだ。GA法のソフトウェアーについても、https://github.com/NakayamaLab-NITech/GA-for-materialにて公開している。組成を基軸としているが、材料全体を理解し、さらに有望な材料を発見する一貫スキームについて可能性が見出せた。
|
