|
本研究の目的は材料開発をアシストする人工知能を開発すべく、1.材料の構造ー機能の相関を抽出し、材料観察データから材料物性を明らかにする、2.最適な計測法を提案する、3.材料観察データとそれを読み解く機械学習の背景にある数理を解明し、推定を高速・高精度化することである.これによって、データサイエンスの応用としてのマテリアルズ・インフォマティクスにとどまらず、数学的に妥当な新しい情報科学と物理学の融合領域の学理構築を目指すものである. 当該年度は1と2に対して[1]燃料電池電極材料の新規開発を念頭に、物質の分子式を変分オートエンコーダで学習、得られた特徴量と物性値の関係をガウス過程回帰 、3に対して[2]解へ高速に収束するマルコフ連鎖モンテカルロ法を最適化問題へ応用する際の性能評価を実施した. [1]では高分子の分子式を自然言語処理に使われる技術とVAEを併用することで学習し特徴量を抽出、得られた特徴量を用いて分子の物性をガウス過程回帰で予想した．結果、分子の構造を反映していると思われる、分子式の特徴量が似たもので近い物性値が得られており、分子構造と物性の相関を、分子式の特徴という比較的簡便な表現から抽出できると期待される.当手法では物性値の予想にガウス回帰が用いられており、物質作製の際のプロセス等、実験計画との相性も重視した．[2]では提案アルゴリズムの量子アニーリングへの応用も視野に、アニーリングを用いた最適化問題の汎用解法の性能評価を行い、最適解への収束時間と計算精度のトレードオフ関係を明らかにした．これにより、機械学習で中心的な役割を果たす最適化計算において、精度保証付き演算の一般的な枠組みが与えられ、アルゴリズム改善の方針を与えるものと期待できる．
|
