機械学習・次元削減手法による不規則構造のミクロスコピック解析

使用机器学习和降维技术对不规则结构进行微观分析

• 批准号: 21H01008
• 负责人: 田村 亮
• 金额: $ 10.98万
• 依托单位: National Institute for Materials Science
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (B)
• 财政年份: 2021
• 资助国家: 日本
• 起止时间: 2021-04-01 至 2025-03-31
• 项目状态: 未结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-21H01008/
• 关键词: 不規則構造; 分子動力学; 機械学習; 次元削減; マテリアルズ・インフォマティクス; 分子動力学シミュレーション

本年度は，2021年度に作成した不規則構造解析用アルゴリズムを用いた，応用研究をスタートさせた．2021年度は３種類の構造の違いを捉えられる低次元空間の探索を実施したが，本年度はより複雑な構造の違いを検討する応用研究を実施した．シリコンを含む２元系以上の実材料に対して，構造の違いが８種類ある場合について開発アルゴリズムを適用した．結果として，適切にすべての構造を分類することができる低次元空間を見つけられることが示され，開発手法のポテンシャルの高さを示すことができた．その一方で，不規則構造解析のターゲットとして，第一原理計算による分子動力学シミュレーションによるトラジェクトリーが必要となり，この収集にかかる時間がネックとなっていた．この問題を解決するために，予測精度の高い機械学習力場の構築手法開発を進めた．特に予測に使う記述子の定義・選定に着目することで，適用範囲の広い機械学習力場を供給できる手法の開発を進めた．本課題で利用した機械学習モデルは線形回帰をベースにしたものであり，学習データにない構造であっても大きく異なるものでなければ，精度の良い予測ができるように学習した．構築した機械学習力場を用いることで，実際に安定した分子動力学シミュレーションが実施できることが確認できた．本手法を利用することでより多くの複雑な構造を有する分子動力学計算によるトラジェクトリーを生成でき，不規則構造解析用アルゴリズムの検証が進み，実応用研究が加速化すると期待できる．

In 2021, the exploration of low-dimensional space was carried out for the analysis of irregular structures. In 2021, the exploration of low-dimensional space was carried out for the analysis of irregular structures. For materials with more than 2-element system, the structure is suitable for 8 kinds of cases. The results show that the classification of the structures in the lower dimensional space is appropriate, and the development of the structures in the lower dimensional space is appropriate. First principles calculation of molecular dynamics is necessary for the analysis of irregular structures. The problem is solved and the prediction accuracy is improved. Special prediction, description, definition, selection, application, mechanical learning, force field, development, This topic uses mechanical learning to predict the accuracy of linear regression. Construction of mechanical learning force field in the field of molecular dynamics This method uses molecular dynamics calculations to generate multiple complex structures, improves the identification of irregular structures, and accelerates the application of research.

项目成果

Structural analysis based on unsupervised learning: Search for a characteristic low-dimensional space by local structures in atomistic simulations

• DOI: 10.1103/physrevb.105.075107
• 发表时间: 2022-02-03
• 期刊: PHYSICAL REVIEW B
• 影响因子: 3.7
• 作者: Tamura，Ryo;Matsuda，Momo;Miyazaki，Tsuyoshi
• 通讯作者: Miyazaki，Tsuyoshi

Self-learning entropic population annealing for interpretable materials design

用于可解释材料设计的自学习熵布居退火

• DOI: 10.1039/d1dd00043h
• 发表时间: 2022
• 期刊: Digital Discovery
• 作者: Li Jiawen;Zhang Jinzhe;Tamura Ryo;Tsuda Koji
• 通讯作者: Tsuda Koji

Understanding Chemical Processes with Entropic Sampling

通过熵采样了解化学过程

• DOI: 10.1021/acs.oprd.2c00254
• 发表时间: 2022
• 期刊: Organic Process Research & Development
• 作者: Kaiya Yuji;Tamura Ryo;Tsuda Koji
• 通讯作者: Tsuda Koji

Search for a characteristic low-dimensional space by local structures and dimensionality reduction

通过局部结构和降维寻找特征低维空间

• 发表时间: 2022
• 作者: Ryo Tamura;Jianbo Lin;Yasunori Futamura;Tetsuya Sakurai;and Tsuyoshi Miyazaki
• 通讯作者: and Tsuyoshi Miyazaki