2022 Fiscal Year Annual Research Report
Theoretical analyses of phonon-related properties of layered materials and their local structures
| Project/Area Number |
19H02544
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
渡邉 聡 東京大学, 大学院工学系研究科(工学部), 教授 (00292772)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
南谷 英美 分子科学研究所, 理論・計算分子科学研究領域, 教授(兼任) (00457003)
清水 康司 東京大学, 大学院工学系研究科(工学部), 助教 (00838378)
|
|---|
| Project Period (FY) |
2019-04-01 – 2023-03-31
|
| Keywords | 層状物質 / フォノン / 第一原理計算 / 機械学習ポテンシャル |
|---|
| Outline of Annual Research Achievements |
機械学習原子間ポテンシャルを用いたフォノン関連物性の解析に関連して本年度は以下の成果を得た。
（１）WS2薄膜の解析に利用できる高次元ニューラルネットワークポテンシャルを作成した。バルクモデルと薄膜モデルを併用する、予測精度の粗いポテンシャルをまず作成し、それを用いて学習データ用構造を生成する等の工夫により、エネルギーについて約5meV/原子、力について約100meV/Åの予測精度を有するポテンシャルを作成できた。これを用いてS原子欠損を導入したWS2薄膜に対して分子動力学計算を行い、S原子空孔から特徴的な多環構造が生成される等、この薄膜における欠陥構造の振舞いを明らかにした。
（２）欠陥の荷電状態の違いを考慮できる高次元ニューラルネットワークポテンシャルを開発した。既存の方法に系の荷電状態と体積から成る入力情報を追加するという簡単な改変により、エネルギーの予測精度を大きく向上させることができた。さらに、開発したポテンシャルを用い、N原子空孔の荷電状態の違いによるフォノンバンド構造の変化もよい精度で予測できることを確認した。これを用いた熱伝導特性の解析も進めている。
（３）パーシステント図を用いて機械学習ポテンシャル用の新しい構造記述子を生成する方法を開発した。具体的には、パーシステント図を２次元のヒストグラムに変換し、それを正規化する。この記述子をアモルファスカーボン構造に適用し、学習に用いたサイズより大きい系も含めてエネルギーを数十meV/原子程度の精度で予測可能であることを示すことができた。高次元ニューラルネットワークポテンシャルによく用いられる構造記述子である対称性関数ではハイパーパラメータの最適化が面倒であるのに対し、これが不要である優位性を持っており、今後の発展が期待できる方法である。
|
| Research Progress Status |
令和4年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
令和4年度が最終年度であるため、記入しない。
|
