機械学習に基づく材料探索技術の開発

• Project Area: Exploration of nanostructure-property relationships for materials innovation
• Project/Area Number: 26106505
• Research Category: Grant-in-Aid for Scientific Research on Innovative Areas (Research in a proposed research area)
• Allocation Type: Single-year Grants
• Review Section: Science and Engineering
• Research Institution: Kyoto University
• Principal Investigator: 鹿島 久嗣 京都大学, 情報学研究科, 教授 (80545583)
• Project Period (FY): 2014-04-01 – 2016-03-31
• Project Status: Completed (Fiscal Year 2015)
• Budget Amount: ¥5,720,000 (Direct Cost: ¥4,400,000、Indirect Cost: ¥1,320,000); Fiscal Year 2015: ¥2,860,000 (Direct Cost: ¥2,200,000、Indirect Cost: ¥660,000); Fiscal Year 2014: ¥2,860,000 (Direct Cost: ¥2,200,000、Indirect Cost: ¥660,000)
• Keywords: 機械学習 / 材料科学

Outline of Annual Research Achievements

材料として有効な新規化合物の発見は材料科学における主要な課題の一つである。量子力学により化合物を構成する原子からその物性を計算によって予測する手法は第一原理計算とよばれ、望ましい物性値をもつ材料をコンピュータ上で探索することのできる方法として普及している。しかしながら第一原理計算の計算コストや、組み合わせ的に大きくなる化合物種候補数のため、材料の探索を網羅的に行うことは極めて困難であり、その解決策として機械学習を用いたデータに基づく予測への期待が高まっている。第一原理計算と機械学習を組みわせた効率的な新規材料探索を実現するにあたり、第一原理計算の回数をできるだけ抑えつつ精度のよい物性値予測が重要であり、本研究ではその実現を目指した。
機械学習による効率的な新規材料探索を実現するにあたって重要なのが、できるだけ少ないデータによって精度のよい物性値予測を行うための技術開発である。本研究では材料の結晶構造をグラフとして表現し、これに対してグラフカーネルと呼ばれる機械学習法を適用することによって予測精度向上に取り組んだ。実データを用いた計算機実験では原子についてのドメイン知識等を組み込んだグラフカーネル法が、特にデータ数が少量のときに良好な予測精度を与える可能性を示した。

Research Progress Status

27年度が最終年度であるため、記入しない。

Strategy for Future Research Activity

27年度が最終年度であるため、記入しない。

Research Products

• [Journal Article] Quantum Energy Prediction using Graph Kernel (2015)
  • Author(s): Jiuding Duan, Atsuto Seko, Hisashi Kashima
  • Journal Title: Proceedings of the 2015 IEEE International Conference on Systems, Man, and Cybernetics (IEEE SMC) Volume: 1 Pages: 1651-1656
  • DOI: 10.1109/smc.2015.291
  • Peer Reviewed / Acknowledgement Compliant
• [Journal Article] Regret Lower Bound and Optimal Algorithm in Dueling Bandit Problem (2015)
  • Author(s): Junpei Komiyama, Junya Honda, Hisashi Kashima, Hiroshi Nakagawa
  • Journal Title: Proceedings of the 28nd Annual Conference on Learning Theory (COLT) Volume: 28 Pages: 1141-1154
  • Peer Reviewed / Open Access
• [Book] " Augmented Lagrangian Methods for Learning, Selecting, and Combining Features." In J. Suykens, M. Signoretto, & A. Argyriou (editors), Regularization, Optimization, Kernels, and Support Vector Machines (2014)
  • Author(s): Ryota Tomioka, Taiji Suzuki, Kohei Hayashi, Hisashi Kashima
  • Publisher: MIT Press