Development of Self-Complementary Learning Methods for Machine Learning Molecular Dynamics

• Project Area: Foundation of "Machine Learning Physics" --- Revolutionary Transformation of Fundamental Physics by A New Field Integrating Machine Learning and Physics
• Project/Area Number: 25H01556
• Research Category: Grant-in-Aid for Transformative Research Areas (A)
• Allocation Type: Single-year Grants
• Review Section: Transformative Research Areas, Section (II)
• Research Institution: Japan Atomic Energy Agency
• Principal Investigator: 奥村 雅彦 国立研究開発法人日本原子力研究開発機構, システム計算科学センター, 研究主幹 (20386600)
• Project Period (FY): 2025-04-01 – 2027-03-31
• Project Status: Granted (Fiscal Year 2025)
• Budget Amount: ¥2,340,000 (Direct Cost: ¥1,800,000、Indirect Cost: ¥540,000); Fiscal Year 2025: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
• Keywords: 機械学習 / 分子動力学法 / 自己補完

Outline of Research at the Start

原子・分子のシミュレーションは、本来それらを量子力学で扱う必要があるが、計算コストが高いため、何らかの近似が必要とされる。近年、高計算コストな量子力学による計算結果を人工ニューラルネットワークで学習して高精度かつ低計算コストを実現する「機械学習分子動力学法」が提案された。この手法は、バルク系などの単純なスケールアップについてはうまくいくが、固液界面など大きな系に特有の構造が存在する系については、事前に学習データを用意することが難しい。本研究では、大きな系に特有な構造を量子力学による計算が可能な小さな系で実現し、学習データを自動で作り出して補完する「自己補完学習法」を提案し、実装する。