Development of nuclear density analysis method by using sparse modeling

2023 Fiscal Year Final Research Report

• Project/Area Number: 19K12628
• Research Category: Grant-in-Aid for Scientific Research (C)
• Allocation Type: Multi-year Fund
• Section: 一般
• Review Section: Basic Section 80040:Quantum beam science-related
• Research Institution: Shimane University
• Principal Investigator: Tanaka Hiroshi 島根大学, 学術研究院理工学系, 教授 (10284019)
• Project Period (FY): 2019-04-01 – 2024-03-31
• Keywords: スパースモデリング / 核密度解析 / 中性子線回折

Outline of Final Research Achievements

In this study, we developed a program to analyze neutron diffraction data using sparse modeling and applied it to materials such as KDP, confirming detailed nuclear density distributions that could not be clearly identified with conventional methods. Additionally, we introduced a G-type analysis technique for powder diffraction data, enabling detailed analysis of anharmonic vibrations in TiO2. Furthermore, we optimized the arbitrary parameters of sparse modeling to reproduce the most probable nuclear density distributions. We also attempted to detect artifacts in electron density analysis using machine learning, achieving high-precision detection. These advancements improve the accuracy and efficiency of analysis and are expected to have wide-ranging applications.

Free Research Field

計算物理学

Academic Significance and Societal Importance of the Research Achievements

この研究は、従来の解析法では明確に捉えられなかった詳細な核密度分布をスパースモデリングで明らかにすることで、物質内部の微細構造の理解を深化させるものである。特に、KDPやTiO2などの物質の解析において、新たな知見を提供した。さらに、G-type解析デクニックの導入により、幅広いデータセットへの対応が可能となり、解析手法の汎用性が向上した。機械学習を用いたアーティファクト検出の成功は、解析精度を大幅に向上させるだけでなく、新材料開発やエネルギー分野の進展に寄与する。この研究は、学術的に重要な技術革新をもたらし、社会的にも広範な応用が期待される。