| Project/Area Number |
21J14422
|
|---|
| Research Category |
Grant-in-Aid for JSPS Fellows
|
| Allocation Type | Single-year Grants |
|---|
| Section | 国内 |
|---|
| Review Section |
Basic Section 26020:Inorganic materials and properties-related
|
|---|
| Research Institution | Nagoya Institute of Technology |
|---|
Principal Investigator |
中野 高毅 名古屋工業大学, 工学研究科, 特別研究員(DC2)
|
|---|
| Project Period (FY) |
2021-04-28 – 2023-03-31
|
| Project Status |
Declined (Fiscal Year 2022)
|
| Budget Amount *help |
¥900,000 (Direct Cost: ¥900,000)
Fiscal Year 2022: ¥400,000 (Direct Cost: ¥400,000)
Fiscal Year 2021: ¥500,000 (Direct Cost: ¥500,000)
|
|---|
| Keywords | マテリアルズインフォマティクス / 分子動力学計算 / 全固体電池 |
|---|
| Outline of Research at the Start |
高イオン伝導性を有した新規固体電解質材料の提案を目指す。現在、既存のデータベースをもとに機械学習を行うことで新規材料を提案するマテリアルズ・インフォマティクスが盛んにおこなわれている。しかし、イオン伝導度のような物性値は系統だったデータベースがなく予測が困難である。そこで、リチウムイオン伝導度に関するデータベースの拡充が機械学習による提案を行う上で重要だと考えた。大規模なデータベースの作成には低コストかつ高精度な手法が理想である。そこで、高精度かつ高コストな第一原理計算と低コストだが低精度の力場計算の良い点を掛け合わせた機械学習力場を用いて数千件程度のデータベースの構築を行う。
|
| Outline of Annual Research Achievements |
本年度は組成情報のみを用いた機械学習による全固体電池材料探を行った。ターゲットとして、高いイオン伝導性を有するリチウム・硫化物系材料に着目した。機械学習に用いるデータベースの作成には高い信頼性かつ低コストな計算手法が必要である。本研究では、各材料に対して少量の第一原理計算を行い高精度力場を作成することで高信頼かつ低コストな手法でイオン伝導性を評価した。
得られたデータベースと組成情報より機械学習を行った。初めに、組成情報として電気陰性度や原子番号などを用い予測したが、十分な精度が得られなかった。この要因として、学習データ数に対して記述子の数が過剰であり、過学習に陥っていると考えられる。そこで、Lasso回帰を用いて記述子の削減を行い再度予測を行った。結果として、若干の精度向上は見られたものの、依然十分な予測精度を得ることはできなかった。そこで、機械学習のスキームをより予測が容易である分類に変更した。
学習データを高イオン伝導体、低イオン伝導体の二値に分類し学習を行った。その結果、Random Forestにより精度よく分類することができた。この予測モデルから未知材料のイオン伝導性予測を行った。疑似三元系Li2S-GeS2-P2S5に対して5000件の組成記述子を作成し分類モデルが高イオン伝導体と分類する確率を求めた。学習データに高イオン伝導性材料として知られるLi10GeP2S12を含めず予測したにもかかわらずLi10GeP2S12を最も高いイオン伝導体と予測した。これにより、本手法は未探索空間において高い精度で予測できることが分かった。
本年度は機械学習力場を用いた材料データベースの作成及び組成記述子を用いたイオン伝導性予測を行った。結果として未探索空間においてもイオン伝導性予測が可能な学習モデルの作成に成功した。
|
| 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。
|
