|
前年度に作成したニューラルネットワーク型原子間ポテンシャル関数の妥当性・安定性について詳細な検討を行った。様々なリファレンス構造（ひずみを受ける理想結晶、原子空孔・粒界などの欠陥を含む構造、相変態により生じる多様な結晶構造）に対してポテンシャル関数が問題なく機能することを確認（問題がある場合にはポテンシャル再構築を行う）した。さらに、構築したポテンシャル関数を拡張し、材料の電子構造起因の様々な物性を再現することが可能なマルチフィジックスポテンシャルモデルの構築を行った。すなわち、原子構造をインプットとし、そこから電子状態密度を推定（アウトプット）するためのニューラルネットワークモデルの構築に成功した。対象材料はＳｉＣやＢを中心として検証を行ったが、同様の枠組みは多様な材料（例えば磁性材料など）にそのまま適用できることも確認した。
第一原理計算によって原子構造ごとに電子状態密度を計算し、多様な構造に対して構造と電子状態密度の関係を、機械学習のためのリファレンスデータベースとして集積した。これについて、パーセプトロン型関数を用いて原子構造と電子状態密度の関係をモデリングした。ここで、エネルギーごとに個別のパーセプトロンモデルを作成、すなわち離散的なエネルギー値に対してパーセプトロンを構成しその出力を補間することで、電子状態密度の関数全体を再現した。作成したマルチフィジックスポテンシャルは、バンドギャップ等の諸物性を高い精度で再現することを第一原理計算によって確認した。
|
