| 研究課題/領域番号 |
21K04998
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 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 |
清野 淳司 早稲田大学, 理工学術院, 准教授(任期付) (60580371)
|
|---|
| 研究期間 (年度) |
2021-04-01 – 2024-03-31
|
| 研究課題ステータス |
完了 (2023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)
2023年度: 520千円 (直接経費: 400千円、間接経費: 120千円)
2022年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2021年度: 2,210千円 (直接経費: 1,700千円、間接経費: 510千円)
|
|---|
| キーワード | 密度汎関数理論 / オンライン機械学習 / 精度保証 / シンボリック回帰 / 解釈可能な人工知能技術 / 軌道非依存密度汎関数理論 / モデル適用領域 / クラスタリング |
|---|
| 研究開始時の研究の概要 |
密度汎関数理論(DFT)は電子状態を得るための実用性の高い計算方法であり、現在の化学・物理の分野における電子状態計算の多くの場面で使用される。本研究では、膨大な分子の密度情報データベースとインフォマティクス技術を融合することで、常に学習し汎用性を向上し続けるオンライン機械学習型軌道非依存DFTを確立する。これにより、あらゆる分子に対して（高汎用性）、1 kcal/mol以下の誤差である化学的精度を保証した（高精度）、大規模電子状態計算（高速）が実現できる。さらに、学習したデータに対するモデル適用領域を決定することで、学習の途中段階における未知分子に対する精度保証を与える手法とする。
|
| 研究成果の概要 |
本研究では、膨大な分子の密度情報データベースとインフォマティクス技術を融合することで、常に学習し、汎用性を向上し続けるオンライン機械学習型OF-DFTの確立を目指した研究を行った。また、機械学習は学習データに依存して精度が変動するため、学習の途中段階における未知分子に対する精度保証を与えるためのシステムを開発した。さらに、高い解釈性を有する明示的なDFT汎関数の開発に向けて、AI技術の解釈性および外挿的な予測性能の現状について検証した。
|
| 研究成果の学術的意義や社会的意義 |
量子化学計算は電子状態を得るための一種の測定装置としての地位を築きつつある。また、近年では機械学習を導入することで、より高精度かつ高速な計算を実現する手法が開発されている。本研究では、量子化学計算の手法選択および機械学習を用いた手法における精度保証を与えるシステムを開発した。本システムにより、より信頼性の高い量子化学計算が実現される。また、効率的に未学習データを抽出することが可能になり、機械学習を導入した手法の発展に寄与する。さらに、解釈性や外挿性の高い人工知能技術の性能を検証することで、汎用性の高い明示的なDFT汎関数開発の実現可能性について示唆を与えた。
|
