大規模な実験的物性データを用いた結晶構造と物性との関係性解明

本研究では、物性値と結晶構造との関係性を機械学習および解明することが目的である。今年度は、本研究における学術的問いの１つである「結晶グラフは3次元情報（原子配置など）が失われており、その失われた情報が学習や予測結果にどのような影響を及ぼすか」についての解明に向けた研究を行った。この問いを解明することで、MI分野において結晶構造の特徴化として主流となっている結晶グラフに不足している要素を明らかにでき、その上で結晶グラフの改良や結晶グラフ以外の結晶構造の新しい表現方法の開発等、様々な研究の展開が期待できる点で学術的に意義がある。具体的には、説明変数を結晶グラフ、目的変数を元の結晶構造情報（結晶系、空間群等）とした機械学習を行った。学習データには、第一原理計算データベースMaterials Projectに収録された2018年の全データを利用した。機械学習手法には、結晶グラフを利用した代表的な先行手法であるCGCNN、およびより高精度な予測が可能な手法であるALIGNNを利用した。また、計画時点では想定していなかったが、本研究の中で新たに３次元情報を保持できる３次元の結晶メッシュの特徴化手法を提案できたため、新しい提案モデルと既存のCGCNN、ALIGNNを比較することで、結晶グラフベースの先行手法の問題点を明らかにすることに取り組んだ。元の結晶構造情報の情報である結晶系や空間群に関する予測精度は、CGCNN、ALIGNNがそれぞれ50%~76%程度であるのに対して、提案手法は90%~98%程度と先行手法よりも高い精度であった。このことは、より三次元情報を保持した提案手法と比べて、結晶グラフをベースとする先行手法が３次元構造を少なくとも一部失っている可能性を示唆している。本研究の成果は、人工知能学会にて報告し、現在論文誌に投稿している。

本研究では、物性値と結晶構造との関係性を機械学習および解明することが目的である。今年度は、本研究における学術的問いの１つである「結晶グラフは3次元情報（原子配置など）が失われており、その失われた情報が学習や予測結果にどのような影響を及ぼすか」についての解明に向けた研究を行った。この問いを解明することで、MI分野において結晶構造の特徴化として主流となっている結晶グラフに不足している要素を明らかにでき、その上で結晶グラフの改良や結晶グラフ以外の結晶構造の新しい表現方法の開発等、様々な研究の展開が期待できる点で学術的に意義がある。具体的には、説明変数を結晶グラフ、目的変数を元の結晶構造情報（結晶系、空間群等）とした機械学習を行った。学習データには、第一原理計算データベースMaterials Projectに収録された2018年の全データを利用した。機械学習手法には、結晶グラフを利用した代表的な先行手法であるCGCNN、およびより高精度な予測が可能な手法であるALIGNNを利用した。また、計画時点では想定していなかったが、本研究の中で新たに３次元情報を保持できる３次元の結晶メッシュの特徴化手法を提案できたため、新しい提案モデルと既存のCGCNN、ALIGNNを比較することで、結晶グラフベースの先行手法の問題点を明らかにすることに取り組んだ。元の結晶構造情報の情報である結晶系や空間群に関する予測精度は、CGCNN、ALIGNNがそれぞれ50%~76%程度であるのに対して、提案手法は90%~98%程度と先行手法よりも高い精度であった。このことは、より三次元情報を保持した提案手法と比べて、結晶グラフをベースとする先行手法が３次元構造を少なくとも一部失っている可能性を示唆している。本研究の成果は、人工知能学会にて報告し、現在論文誌に投稿している。