| 研究課題/領域番号 |
17K18763
|
|---|
| 研究種目 |
挑戦的研究(萌芽)
|
| 配分区分 | 基金 |
|---|
| 研究分野 |
物性物理およびその関連分野
|
|---|
| 研究機関 | 上智大学 |
|---|
研究代表者 |
大槻 東巳 上智大学, 理工学部, 教授 (50201976)
|
|---|
| 研究期間 (年度) |
2017-06-30 – 2020-03-31
|
| 研究課題ステータス |
完了 (2019年度)
|
| 配分額 *注記 |
6,370千円 (直接経費: 4,900千円、間接経費: 1,470千円)
2019年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
2018年度: 260千円 (直接経費: 200千円、間接経費: 60千円)
2017年度: 5,200千円 (直接経費: 4,000千円、間接経費: 1,200千円)
|
|---|
| キーワード | 深層学習 / 機械学習 / 量子相転移 / トポロジカル系 / アンダーソン転移 / 量子パーコレーション / 畳み込みニューラルネットワーク / 相図 / ランダム系 / パーコレーション / アモルファス / recursive neural network / トポロジカル絶縁体 / ワイル半金属 / 量子カオス / トポロジカル物質 / ランダム電子系 / ニューラルネット |
|---|
| 研究成果の概要 |
深層学習（多層畳み込みニューラルネットワーク）による波動関数の画像解析によって，ランダム電子系における量子相転移を解析した。この手法ではすでに分かっている量子相で波動関数を学習し，汎化性能により未知の相を決定する。様々な次元でのランダム電子系のアンダーソン転移，トポロジカル転移の相図を描くことが可能となった。また，通常の手法ができないアモルファス系（量子パーコレーション系）でもこの手法が有効であることを実証した。トポロジカルな系では，実空間だけでなく波数空間の波動関数の解析が有効であることも明らかにした。この研究により固体物理学における機械学習の有効性を実証し，従来の手法との優劣を比較した。
|
| 研究成果の学術的意義や社会的意義 |
機械学習，広くは人工知能の手法が，金属や半導体，絶縁体の性質を調べる固体物理においても有効性であることを示した。動物や人の画像認識として一般に親しまれている深層学習が，固体物理学に応用できることを示し，この手法の有効性を明らかにできた。
|
