| 研究課題/領域番号 |
23K23024
|
|---|
| 補助金の研究課題番号 |
22H01756 (2022-2023)
|
|---|
| 研究種目 |
基盤研究(B)
|
| 配分区分 | 基金 (2024)
補助金 (2022-2023) |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分26010:金属材料物性関連
|
|---|
| 研究機関 | 京都大学 |
|---|
研究代表者 |
世古 敦人 京都大学, 工学研究科, 准教授 (10452319)
|
|---|
| 研究期間 (年度) |
2022-04-01 – 2025-03-31
|
| 研究課題ステータス |
交付 (2024年度)
|
| 配分額 *注記 |
17,290千円 (直接経費: 13,300千円、間接経費: 3,990千円)
2024年度: 5,200千円 (直接経費: 4,000千円、間接経費: 1,200千円)
2023年度: 5,200千円 (直接経費: 4,000千円、間接経費: 1,200千円)
2022年度: 6,890千円 (直接経費: 5,300千円、間接経費: 1,590千円)
|
|---|
| キーワード | 第一原理計算 / 機械学習 / 原子間ポテンシャル / 構造探索 / 大域的構造探索 / 機械学習ポテンシャル / 結晶構造探索 |
|---|
| 研究開始時の研究の概要 |
第一原理計算の多重実行と機械学習に基づいた原子間ポテンシャル（機械学習ポテンシャル）は，従来の経験的ポテンシャルとほぼ同じ計算コストにより，第一原理計算に近い精度での計算が可能となる革新的なアプローチである．本研究では，機械学習ポテンシャルの構築手法をさらに発展させ，様々な系への応用を実施する．また，計算材料科学の中心的課題の一つである結晶構造探索を対象とし，機械学習ポテンシャルと化学組成のみを入力とする第一原理的な大域的結晶構造探索手法を開発する．
|
| 研究実績の概要 |
本研究が対象としている機械学習ポテンシャルは，従来の経験的ポテンシャルとほぼ同じ計算コストにより，第一原理計算に近い精度での計算が可能となる革新的なアプローチである．本研究では，機械学習ポテンシャルの構築手法をさらに発展させ，様々な系への応用を実施する．また，計算材料科学の中心的課題の一つである結晶構造探索を対象とし，機械学習ポテンシャルと化学組成のみを入力とする第一原理的な大域的結晶構造探索手法を開発する．本研究では，１億を超える構造のエネルギー計算を前提とした広範囲な構造探索を目指す．本研究の予想される成果により，これまでは不可能であった多くの興味ある系での第一原理的な結晶構造予測，高精度な大規模分子動力学計算，探索範囲の広い新物質探索など幅広い応用が期待される．
令和4年度は，単体・二元系合金についての機械学習ポテンシャルの構築を行った．これまでの機械学習ポテンシャルの構築に用いてきたポテンシャルモデルにより，高精度なポテンシャルが構築できた．具体的には，それぞれの系において，幅広い構造から生成された数万程度のモデル構造について第一原理計算を行い，モデル構造とエネルギー・原子に働く力・応力のセットを準備し，それぞれのモデル構造を数万程度の構造特徴量へと変換し，構造特徴量とエネルギーの関係を回帰分析により推定した．また，三元系を超える系においても，二元系のモデルを拡張することにより，ポテンシャルモデルを導入し，機械学習ポテンシャルを構築した．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
1: 当初の計画以上に進展している
理由
想定していた単体，二元系でのポテンシャル構築だけでなく，機械学習ポテンシャルの構築手法を拡張し，三元系におけるポテンシャル構築を進めることができた．
|
| 今後の研究の推進方策 |
引き続き，機械学習ポテンシャルの構築手法をさらに発展させ，様々な系への応用を実施する．具体的には，引き続き3元系以上への手法拡張を行う．構造特徴量は元素の組み合わせに対して指数関数的に増えるため，現実的な計算機において全データを同時に保持できないなどの技術的な問題が発生する．そのため，全データの保持を必要としない逐次的な回帰分析手法の適用を試みる．また，相互作用を表現する良い構造特徴量の導入，あるいは主成分分析などの機械学習手法により，特徴量の数を削減することも選択肢の一つである．その際，エネルギーが構造の回転に対して不変であることを考慮して構造特徴量の導出を行う．
さらに，計算材料科学の中心的課題の一つである結晶構造探索を対象とし，機械学習ポテンシャルと化学組成のみを入力とする第一原理的な大域的結晶構造探索手法を開発する．本研究では，１億を超える構造のエネルギー計算を前提とした広範囲な構造探索を目指す．具体的には，機械学習ポテンシャルは，経験的ポテンシャルの予測精度が低い多くの結晶構造に対して高精度なエネルギー予測が可能である．この特徴を利用し，膨大な数の結晶構造に対するエネルギー計算に基づいた高効率な大域的構造探索および準安定構造列挙手法を開発する．本研究では，膨大な数のエネルギー計算が可能であるため，探索空間の分割に基づいたDIRECT法 [D. Jones, 1993] およびその類似手法による構造探索を行う．DIRECT法では，解の存在する可能性の高い探索領域の判定および分割，エネルギー計算を繰り返すことで，構造探索を行う．
|
