2022 Fiscal Year Annual Research Report
データサイエンス技術を活用した二次元アモルファス材料における熱物性の理論研究
| Project/Area Number |
21H01816
|
|---|
| Allocation Type | Single-year Grants |
|---|
| Research Institution | Osaka University |
|---|
Principal Investigator |
南谷 英美 大阪大学, 産業科学研究所, 教授 (00457003)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
下出 敦夫 大阪大学, 産業科学研究所, 助教 (20747860)
|
|---|
| Project Period (FY) |
2021-04-01 – 2025-03-31
|
| Keywords | アモルファス / パーシステントホモロジー / 機械学習ポテンシャル |
|---|
| Outline of Annual Research Achievements |
前年度から進めていたアモルファスSiおよびアモルファスCにおける熱伝導率と構造の相関をパーシステントホモロジーによって解析する成果については、論文出版に至った。
この研究で作成したアモルファスCの第一原理計算の知見を元に、さらに、液体状態のカーボンやアモルファスCの様々な構造におけるエネルギーと力の第一原理計算結果を集積し、１６０００個以上のデータを含むデータセットを作った。そのデータセットを用いて、パーシステントホモロジーの情報から、系の原子あたりの平均エネルギーを予測する機械学習モデルの作成を行った。
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とで、Ridge回帰や、畳み込みニューラルネットワーク（CNN）を用いてエネルギーの予測を行うことができることが判明した。また、機械学習モデルの入力として扱う際にヒストグラムを正規化していることによって、学習に用いたサイズより大きい系に対してもエネルギーの予測を行うことが可能であり、機械学習ポテンシャルとしての条件を満たしていることが判明した。
パーシステントホモロジーに対する逆解析を組み合わせることで、アモルファス構造内のどの箇所がエネルギーの高低に対応しているかを可視化することができることも明らかになった。これらの結果より、パーシステントホモロジーを活用することで、空間に対する並進・回転操作や同種粒子の入れ替えに対して不変であることを満たす、機械学習ポテンシャルへの入力データを作成できることが示された。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
３次元バルクでの解析は進んでいるが、本研究のメインターゲットである２次元物質に対してはデータセットの作成と解析がやや遅れている。研究代表者の所属機関異動やそれにともなう計算機の停止期間などが生じたためである。
|
| Strategy for Future Research Activity |
アモルファスグラフェンを中心とした２次元アモルファス物質に対するデータセットの作成にまず注力する。２０２２年度に行った予備的な計算により、古典分子動力学法、第一原理分子動力学法、kinetic Monte Carlo法のそれぞれにより、アモルファスグラフェン構造を作成できることが判明している。しかし、どの方法、どの設定でシミュレーションを行うことが、実際の物質構造に近いものを得る上で最適かを詰めきれていない。次年度では、２次元アモルファス物質構造作成の手順を詰め、パーシステントホモロジー解析や機械学習ポテンシャルの作成に用いるための大規模データセットの作成を行う。
データセットが得られた後は、バルクアモルファス物質で確立された解析手法を応用し、２次元物質でも同様の構造物性相関が現れるかを明らかにする。
|
