| 研究課題/領域番号 |
18K14184
|
|---|
| 研究種目 |
若手研究
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
小区分32010:基礎物理化学関連
|
|---|
| 研究機関 | 早稲田大学 |
|---|
研究代表者 |
五十幡 康弘 早稲田大学, 理工学術院, 次席研究員(研究院講師) (10728166)
|
|---|
| 研究期間 (年度) |
2018-04-01 – 2021-03-31
|
| 研究課題ステータス |
完了 (2020年度)
|
| 配分額 *注記 |
4,030千円 (直接経費: 3,100千円、間接経費: 930千円)
2020年度: 650千円 (直接経費: 500千円、間接経費: 150千円)
2019年度: 520千円 (直接経費: 400千円、間接経費: 120千円)
2018年度: 2,860千円 (直接経費: 2,200千円、間接経費: 660千円)
|
|---|
| キーワード | インフォマティクス / 機械学習 / 電子相関 / 密度汎関数理論 / ニューラルネットワーク / 群知能 / 相対論的量子化学 |
|---|
| 研究成果の概要 |
本研究課題では、Hartree-Fock計算で得た電子密度等からCCSD(T)法の完全基底関数で得られる相関エネルギー密度を予測する機械学習型電子相関（ML-EC）モデルを開発した。グリッドエネルギー密度解析と複合法により相関エネルギー密度を定義し、機械学習の目的変数とした。機械学習のモデルとしてニューラルネットワークを採用し、相関エネルギーや化学物性の高精度な再現に成功した。さらに凍結内殻近似の適用により目的変数の計算コストが削減され、重元素を含む系の学習が可能となった。これらの成果により、高速かつ汎用的な電子相関モデルの構築への道が拓けた。
|
| 研究成果の学術的意義や社会的意義 |
量子化学計算は化学における研究開発の多くで普及しているが、より高精度かつ高速な計算手法の開発は依然として重要である。近年、計算手法の開発に機械学習を用いるアプローチが注目されており、本研究課題で開発した機械学習型電子相関（ML-EC）モデルはその一つとして位置づけられる。相関エネルギー密度を電子密度の汎関数としてフィッティングする方法は以前から報告されていたが、ニューラルネットワークの使用により精度が飛躍的に向上した。本研究課題の成果に基づき汎用性の高い機械学習モデルを構築し公開することで、量子化学計算を用いた研究開発の促進に貢献することが期待される。
|
