| Project/Area Number |
20K15012
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 26010:Metallic material properties-related
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
河村 光晶 東京大学, 情報基盤センター, 特任講師 (30760574)
|
|---|
| Project Period (FY) |
2020-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥3,510,000 (Direct Cost: ¥2,700,000、Indirect Cost: ¥810,000)
Fiscal Year 2023: ¥650,000 (Direct Cost: ¥500,000、Indirect Cost: ¥150,000)
Fiscal Year 2022: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2021: ¥650,000 (Direct Cost: ¥500,000、Indirect Cost: ¥150,000)
Fiscal Year 2020: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
|
|---|
| Keywords | 超伝導 / 第一原理計算 / グラフニューラルネットワーク / 超伝導密度汎関数理論 / 電子フォノン相互作用 / 水素化物超伝導体 / GPGPU / スピン揺らぎ / スピン軌道相互作用 / ウルトラソフト擬ポテンシャル / マテリアルズインフォマティクス / ベイズ推定 / 電子-フォノン相互作用 |
|---|
| Outline of Research at the Start |
フォノン型超伝導体の多くは線材に加工し易い利点を持つが、超伝導転移温度(Tc)が低く冷却にコストがかかる為に、よりTcの高いものが望まれている。本研究ではTcの高いフォノン型超伝導体を共有結合を持つ金属、特にホウ素と炭素を含む化合物の中から探索する。その為に、硫化水素や MgB2等のフォノン型超伝導体に適用され、その構造や超伝導機構の解明に役立ってきた超伝導密度汎関数理論を用いてターゲット物質群中の少数の物質に対してTcの第一原理計算を行い、残りの物質に対してはマテリアルズインフォマティクスによる外挿によってTcを求め、それらを再帰的に繰り返す事により少ない計算コストで物質群全体のTcを得る。
|
| Outline of Annual Research Achievements |
機械学習によりギャップ関数等の超伝導物性効率よく計算し物質探索を加速するために、グラフニューラルネットワークを用いた、計算済みの学習データより結晶中の原子ごとの特性を予測する手法の開発および自ら生成したデータを用いた検証を行った。その結果、回帰が精度よく行える量と、そうではないものが明確に現れた。いかに詳細を述べる。
無期結晶データベース(ICSD)のなかの13,984の物質についてDFT毛離散を行い、(1)Lowdin電荷を用いた孤立原子からの電荷移動、(2)磁化、(3)フェルミ面近傍の部分状態密度(PDOS)という、原子ごとの特性の計算を行い、Crystal Graph Comvolutional Neural Network (CGCNN)を流用した原子分解量の予測を行うモデルを作成し、データの一部を訓練、残りをテストデータとして機械学習モデルの検証を行った。その結果、電荷移動に関しては非常に精度よく回帰が行えたのに対して、磁化については一部０磁化の原子を有限の値に予測してしまい、またPDOSに関しては非常に大きな予測誤差が生じることが分かった。また、PDOSに関してはフェルミ面直上だけでなく、幅を持たせて積分をした量では回帰の精度が改善することが分かった。PDOSと磁化はともに値0のデータの割合が非常に大きいがこれらの量の回帰の振る舞いに差が出たことは興味深いと考えられる。理由としては磁化はおおむね最大7という上限があるがPDOSには上限がない、という事が関係すると考えられる。
|
| Current Status of Research Progress |
Current Status of Research Progress
4: Progress in research has been delayed.
Reason
CGCNNを用いたプログラムを製作するという新しい方針を採用したことによって、新規分野の手法を習得したり、先行研究でのコードの流用のために当該プログラムを詳細に調べるなどする部分で時間を要した。現在はグラフニューラルネットワークの分野にキャッチアップすることができ、また当該プログラムを自在に改変することができるようになったため、遅れを取り戻すことができると考えている。また、GPUを利用した高速計算にも対応できるようになったため、今後加速が期待できる。
|
| Strategy for Future Research Activity |
上で述べたように、電荷移動については我々の適用した機械学習モデルが精密な予測を与えることができるため、今後は転移学習によってその他の量の予測精度向上を試す予定である。すなわち、いったん電荷移動についてのグラフニューラルネットワークモデルの学習を行ったのち、ネットワークの層を増やして、ほかの量に対して増やした層のみの最適化を行うというものである。これは、背後にある物理法則が共通であるため効果があるのではないかと期待できる。そののちに原子分解された超伝導ギャップ関数への適用を行い、本来の目的である超伝導転移温度へと研究を発展させる。
|
