Solving trade-off properties and improving functionality of magnetic devices by first principles and machine learning
| Project/Area Number |
22K14290
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 21050:Electric and electronic materials-related
|
|---|
| Research Institution | Mie University |
|---|
Principal Investigator |
名和 憲嗣 三重大学, 工学研究科, 助教 (40872990)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2024: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2023: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
Fiscal Year 2022: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
|
|---|
| Keywords | 表面・界面物性 / 磁性 / スピントロニクス / マテリアルズ・インフォマティクス / 第一原理計算 / 機械学習 / 表面・界面磁性 |
|---|
| Outline of Research at the Start |
機械学習と第一原理計算を組み合わせた材料設計手法を開発し、高（多）機能化された人工多層膜系や磁性体／酸化物等の界面系の設計指針を考察する。特に、高い垂直磁気異方性と低い磁気ダンピング定数をはじめとする、従来報告されてきた電気・磁気・伝導特性におけるトレードオフ関係を打破し得る条件を探索し、その物理的メカニズムを明らかにする。
|
| Outline of Annual Research Achievements |
不揮発性スピントロニクスデバイスの設計において、例えばデータの書込みや読取り、保存において、大きな垂直磁気異方性と小さな磁気ダンピング定数、高い磁気抵抗効果と低い面積抵抗など、複数特性を両立することが不可欠である。一方、これら特性は多くの材料系でトレードオフ関係にあることが知られている。本研究では、第一原理計算と機械学習を組み合わせた手法により、金属多層膜系の原子層配列や、化合物系の原子組成比、原子不規則性などの観点から、複数のトレードオフ特性を両立する磁気材料の探索を目的とする。
昨年度に引き続き強磁性CoFe多層膜を例に、生成エネルギーや磁気モーメント、結晶磁気異方性エネルギーなどの基礎的な物性の機械学習、特に予測精度の向上を図った。これまで開発してきたニューラルネットワークに加え、いくつかの非線形な機械学習モデルと、多層膜構造における最近接原子など特徴的な原子配列を表現した多様な特徴変数（記述子）を用いて、予測精度を網羅的に調べた。その結果、ターゲットとする物性の予測精度を昨年度から飛躍的に向上させることに成功した。また、ベイズ最適化などの機械学習は、超膨大なデータベースに対しては材料予測の効率が著しく低下する可能性が示唆されている。この課題の解決策の一つとして、機械学習と第一原理計算に量子アニーリング法を組み合わせた手法を提案し、スピネル酸化物の原子不規則性に適用しその有用性を実証した。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
機械学習に基づく材料探索の効率は未知データに対する予測精度に左右されるため、優れた予測精度をもつ機械学習モデルを構築することが必要である。本年度は機械学習モデルや記述子を各ターゲット物性に対して最適化することで予測精度を向上させた。量子アニーリング法を導入した新規の材料探索手法を提案することができた。これまでに開発してきた手法を用いて、複数の特性の同時最適化する機械学習の検討にも着手している。
|
| Strategy for Future Research Activity |
トレードオフ特性を解消するような材料設計を進めるため、機械学習による複数の特性の同時最適化を行う。目的とする磁気特性は、大きな結晶磁気異方性と小さな磁気ダンピング定数、高いトンネル磁気抵抗効果と低い面積抵抗、などを予定している。これら特性を両立するための設計指針を理論的に提案するとともに、その物理起源の解明も進める。
|
Report
(2 results)
Research Products
(43 results)
