| 研究領域 | 「学習物理学」の創成－機械学習と物理学の融合新領域による基礎物理学の変革 |
|---|
| 研究課題/領域番号 |
23H04503
|
|---|
| 研究種目 |
学術変革領域研究(A)
|
| 配分区分 | 補助金 |
|---|
| 審査区分 |
学術変革領域研究区分(Ⅱ)
|
|---|
| 研究機関 | 名古屋大学 |
|---|
研究代表者 |
川崎 猛史 名古屋大学, 理学研究科, 講師 (10760978)
|
|---|
| 研究期間 (年度) |
2023-04-01 – 2025-03-31
|
| 研究課題ステータス |
完了 (2024年度)
|
| 配分額 *注記 |
13,000千円 (直接経費: 10,000千円、間接経費: 3,000千円)
2024年度: 6,500千円 (直接経費: 5,000千円、間接経費: 1,500千円)
2023年度: 6,500千円 (直接経費: 5,000千円、間接経費: 1,500千円)
|
|---|
| キーワード | 機械学習 / 分子動力学法 / ガラス転移 / ニューラルネット |
|---|
| 研究開始時の研究の概要 |
ガラス転移は，様々な物質系で広く観察される普遍性の高い現象である．しかしその物理起源は明らかではない．特に，ガラス転移に伴う粒子構造の発達の有無は重要な未解決問題である．申請者らは近年，深層学習によるガラスの特徴構造抽出に関する新手法を開発し，複数のガラス形成モデルに対して汎用的に特徴構造を特定できることを示した．本研究では，多様なガラス系に対して本手法を適用することで，(1)ガラス転移を支配する構造の有無の解明，(2)系の詳細によらない普遍的構造抽出手法の開拓，(3)得られた構造に人間が理解可能な解釈を与えることを目標とする．
|
| 研究実績の概要 |
ガラス転移は，様々な物質系で広く観察される普遍性の高い現象であるが，その物理起源は明らかではない．特に，ガラス転移に伴う特徴的な粒子構造の発達の有無は重要な未解決問題である．私は本研究において、深層学習を用いてガラスの特徴的構造を抽出する新たな手法を開発した。特に、ニューラルネットワークと、解釈可能な深層学習技術である勾配荷重クラス活性化マッピング（Grad-CAM）を組み合わせることで、ネットワークが粒子構造を識別する際の判断根拠を可視化・定量化し、質的に異なるガラス形成モデルに対して汎用的に特徴構造を特定できることを実証した。まずは従来の畳み込み型ニューラルネットワーク（CNN）を基盤として手法を構築し、さらにグラフニューラルネットワーク（GNN）へと拡張することで、計算効率および構造識別性能の大幅な向上に成功した。今後は、実験系を含む多様なガラス系に本手法を適用し、(1)ガラス転移を支配する構造の有無を明らかにし、(2)系の詳細に依存しない普遍的な構造抽出法を確立し、(3)得られた構造に対して人間に理解可能な物理的解釈を与えることを目指していきたい。このように、最先端の情報科学的アプローチを物理学に導入することで、ガラスの本質的理解に貢献することを目指している。さらに、本スキームを発展させ、細胞動態の予測、機能性材料の設計、非線形レオロジーの理解といった幅広い分野へと本手法を適用し、基礎から応用にわたる幅広い学際研究へと展開していきたい。
|
| 現在までの達成度 (段落) |
令和6年度が最終年度であるため、記入しない。
|
| 今後の研究の推進方策 |
令和6年度が最終年度であるため、記入しない。
|
