| Project/Area Number |
20J20845
|
|---|
| Research Category |
Grant-in-Aid for JSPS Fellows
|
| Allocation Type | Single-year Grants |
|---|
| Section | 国内 |
|---|
| Review Section |
Basic Section 32010:Fundamental physical chemistry-related
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
永井 瞭 東京大学, 理学系研究科, 特別研究員(DC1)
|
|---|
| Project Period (FY) |
2020-04-24 – 2023-03-31
|
| Project Status |
Completed (Fiscal Year 2021)
|
| Budget Amount *help |
¥3,100,000 (Direct Cost: ¥3,100,000)
Fiscal Year 2021: ¥1,000,000 (Direct Cost: ¥1,000,000)
Fiscal Year 2020: ¥1,100,000 (Direct Cost: ¥1,100,000)
|
|---|
| Keywords | 第一原理計算 / 機械学習 / 密度汎関数理論 / 物性物理学 / ニューラルネットワーク |
|---|
| Outline of Research at the Start |
物質の中には多量の電子が含まれており、電子のふるまいを理論的にシミュレーションすることで物質のもつ性質が説明できるようになる。しかし、複数の電子が互いに相互作用しあうとそのふるまいは非常に複雑になり、その様子を計算する方程式を得るのが難しくなってしまう。この研究では、AI技術などに使われる機械学習手法を応用し、電子の状態を正確に再現する方程式を構築する方法を開発する。
|
| Outline of Annual Research Achievements |
本年度は主に物理的条件を課した機械学習汎関数についての研究を行った。密度汎関数理論は様々な物質の物性を計算するのに役立つ理論であるが、その表式の中に未知の項（汎関数）が含まれている。その未知の項を、ほかの高精度計算や実験値などのデータを用いて機械学習することで構築する手法を、機械学習汎関数とよぶ。従来の機械学習汎関数には物理的条件が課されておらず、汎化性能に問題があった。とくに、分子のみのデータを用いて学習された汎関数は金属などの固体に対して収束性が不安定になることがあった。分子の学習データは確保可能であるが、固体に対しては収集が難しいため、なるべく分子のデータから汎用性の高い機械学習汎関数を作ることがこの分野の課題であった。
報告者は機械学習モデルに解析的な物理条件を課す方法を開発し、適用した。具体的には、ラグランジュ補間の形式を応用し、ニューラルネットワークに様々な漸近形を課すものである。実際、汎関数の満たすべき物理条件の殆どは漸近形式で書かれる（一様電子ガス条件など）。解析条件を満たす汎関数を作成し、分子のデータのみで学習した結果、構築された機械学習汎関数は半導体、金属などの固体系にも安定して適用可能であることが示された。従来の解析型汎関数と同等以上の精度を示したうえ、これまでの機械学習汎関数では収束が不安定だった系に対しても十分な速度で収束することが判明した。これは、機械学習汎関数の汎用性を高める効果的な手法であると考えられる。
|
| Research Progress Status |
翌年度、交付申請を辞退するため、記入しない。
|
| Strategy for Future Research Activity |
翌年度、交付申請を辞退するため、記入しない。
|
