| 研究課題/領域番号 |
20K22456
|
|---|
| 研究種目 |
研究活動スタート支援
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
0401:材料工学、化学工学およびその関連分野
|
|---|
| 研究機関 | 北海道大学 |
|---|
研究代表者 |
山田 亮 北海道大学, 工学研究院, 助教 (60883535)
|
|---|
| 研究期間 (年度) |
2020-09-11 – 2022-03-31
|
| 研究課題ステータス |
完了 (2021年度)
|
| 配分額 *注記 |
2,080千円 (直接経費: 1,600千円、間接経費: 480千円)
2021年度: 1,040千円 (直接経費: 800千円、間接経費: 240千円)
2020年度: 1,040千円 (直接経費: 800千円、間接経費: 240千円)
|
|---|
| キーワード | 原子スケール / メゾスケール / マルチスケール / 機械学習 / フェーズフィールド法 / クラスター変分法 / Deep Learning |
|---|
| 研究開始時の研究の概要 |
金属材料の内部組織はその強度・寿命・腐食耐性等に強い影響を与える。そのため内部組織の形成過程を正確に予測し、様々な環境下に適した材料開発を行なうことが求められる。内部組織の形成過程は、本来、合金を構成する原子の配列の変化に起因するが、多くの組織形成シミュレーションでは計算コストの観点からメゾスケールの現象のみに焦点が当てられ、原子配列の変化などの原子スケールの情報は考慮されていない。そこで本研究では、近年注目されている機械学習を用いることで、原子スケールとメゾスケールの間の計算コストを大幅に削減し、従来の実験データに基づく新材料の探求を、原子番号のみから行なえる枠組みを構築する。
|
| 研究成果の概要 |
多くのメゾスケールの計算手法は原子スケールの情報は粗視化され、失われている。その主な原因は計算コストにある。本研究では機械学習を用いることで、原子スケールの情報を効率的にメゾスケールの計算に取り入れることにより、比較的容易に原子スケールの情報を取り入れたメゾスケールの計算が行える枠組みを構築することを目的とした。原子スケールの情報をマルチスケールの計算に組み込むことで従来の計算手法よりも精度良く材料内部の組織変化を予測することに成功した。また、機械学習を用いることでメゾスケールの計算で問題となっている異なる相間の局所平衡の計算が容易になることも明らかとなった。
|
| 研究成果の学術的意義や社会的意義 |
本研究により、詳細な原子スケールの情報をメゾスケールの計算に適用できれば、より高精度に信頼度の高い材料設計ができることが明らかとなった。その手段として、近年注目を集めている機械学習は非常に有力である。今後は材料物性値の予測のさらなる高精度かや、大規模化が期待されるだろう。その手法の一つとして今回用いたような機械学習の適用法は非常に重要となるだろう。
|
