| Project/Area Number |
23K28105
|
|---|
| Project/Area Number (Other) |
23H03415 (2023)
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund (2024)
Single-year Grants (2023) |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 60100:Computational science-related
|
|---|
| Research Institution | Toyota Technological Institute |
|---|
Principal Investigator |
椎原 良典 豊田工業大学, 工学(系)研究科(研究院), 准教授 (90466855)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
森 英喜 産業技術短期大学, その他部局等, 准教授 (00456998)
松中 大介 信州大学, 学術研究院工学系, 教授 (60403151)
都留 智仁 国立研究開発法人日本原子力研究開発機構, 原子力科学研究部門 原子力科学研究所 原子力基礎工学研究センター, 研究主幹 (80455295)
|
|---|
| Project Period (FY) |
2023-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥17,940,000 (Direct Cost: ¥13,800,000、Indirect Cost: ¥4,140,000)
Fiscal Year 2025: ¥7,280,000 (Direct Cost: ¥5,600,000、Indirect Cost: ¥1,680,000)
Fiscal Year 2024: ¥5,590,000 (Direct Cost: ¥4,300,000、Indirect Cost: ¥1,290,000)
Fiscal Year 2023: ¥5,070,000 (Direct Cost: ¥3,900,000、Indirect Cost: ¥1,170,000)
|
|---|
| Keywords | 機械学習 / 分子動力学法 / 第一原理計算 / 格子欠陥 / 原子エネルギー / ニューラルネットワーク / 機械学習ポテンシャル |
|---|
| Outline of Research at the Start |
機械学習分子動力学法は高精度で汎用性に富む原子シミュレーション法であるが，その構築は容易ではなく，高度なノウハウと大量の計算資源を必要とする．この問題の解決を目指す本研究課題では，自律的に機械学習データを追加し自らを高精度化できるシステムの構築を目的とする．その特徴は，決して一般的物理量でない原子エネルギーを学習の対象とすることにある．システムの構築と異なる合金系での手法検証を通じて，材料開発における革新的技術の実現を目指す．
|
| Outline of Annual Research Achievements |
本研究課題では，「第一原理原子エネルギーを用いて自律的（オートノマス）な機械学習分子動力学法を構築すること」を目的としている．新奇な物理量である第一原理原子エネルギーを機械学習に導入することによって，原子シミュレーションの途中でプログラムが自律的に学習データを追加し自ら高精度化するシステムを実現することを目指す．
原子ごとにその周囲の原子構造を表す特徴量と原子エネルギーを直接関連付けることにより，精度の悪いサンプルを特定できること，また，サンプルの取捨選択が可能となること，がアイデアの核である．今年度は，この有用性を確認するために均衡データの構築とその精度への影響について基礎的検討を実施した．具体的には，原子間相互作用が解析的に与えられているEAMポテンシャルにより原子エネルギー学習のデータセットを構築し，重複したデータの削除（ダウンサンプリング）の精度への影響を検証した．その結果，ダウンサンプリングによって精度が向上することを確認した．
上記の作業によって，構築した原子エネルギー学習システムの妥当性についても確認できた．また，分担研究者の支援により，アルミニウム単体系，2元半導体系において原子エネルギーのデータセットを構築することができた．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
今年度成果は，(1)原子エネルギー学習の有用性を証明した，(2) 原子エネルギー学習システムを構築しその妥当性を確認した，(3) 原子エネルギーのデータセットを準備した，という意味で十分な成果であった．
|
| Strategy for Future Research Activity |
今年度成果をベースとして，第一原理計算から得たデータセットでの学習を進める．第一原理計算での学習にはさらなる工夫が必要であることが予備研究から明らかとなっており，グラフニューラルネットワークの導入等を通じた解決を狙う．
|
