Heterogeneous metric learning に基づく結晶構造予測

基于异构度量学习的晶体结构预测

• 批准号: 22K21292
• 负责人: 草場 穫
• 金额: $ 0.67万
• 依托单位: The Institute of Statistical Mathematics
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Research Activity Start-up
• 财政年份: 2022
• 资助国家: 日本
• 起止时间: 2022-08-31 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-22K21292/
• 关键词: 結晶構造予測; Heterogeneous距離学習; 元素置換; マテリアルズインフォマティクス; 計算による新規材料発見; 距離学習; 計算機による材料探索; 機械学習

本研究は、heterogeneous metric learningに基づいたテンプレートベースの新たな結晶構造予測手法の提案を目的としている。本手法では、与えられた化学組成と結晶構造のペアが安定構造であるか否かを判別する関数を結晶構造データベースから学習し、その関数の評価値に基づいたテンプレート構造の提案によって構造予測を行う。本研究は研究者自身による先行研究 [1] の直接的な発展手法である。この先行研究は、homogeneous metric learning に基づいたテンプレートベースの結晶構造予測手法であり、申請書を作成した段階では未採択であったが当該年度8月に公式に雑誌からpublishされた [1]。当該年度では、化学組成と結晶構造のペアが安定構造であるか否かを判別する関数の推定のために、既存のheterogeneous metric learning手法の調査、数値実験による比較を行った。その結果、9割を超える精度で判別可能な予測モデルの獲得に成功した。また、化学組成等の情報をできるだけ情報損失が少なく記述子 (=固定長ベクトル) に変換する一般的な枠組みとしてカーネル平均記述子を開発した。本手法のコードは既に公開している [2]。本記述子の使用による予測精度の改善は複数の機械学習例で確認されている。[1] Kusaba, M., Liu, C., & Yoshida, R. (2022). Crystal structure prediction with machine learning-based element substitution. Computational Materials Science, 211, 111496.[2] https://github.com/Minoru938/KmdPlus

This study aims to propose a new method for predicting crystalline structures based on heterogeneous metric learning. This method is used to determine whether the crystal structure is stable or not, and whether the crystal structure is stable or not. This study is based on the direct development method of the researcher's own prior research [1]. This advance study is based on homogeneous metric learning, and the crystal structure prediction method is used to prepare the application form. The application form is not yet available. When the August formula of the year is published,[1] When this year, chemical composition, crystalline structure, stable structure, whether or not to determine the number of estimates, existing heterogeneous metric learning method investigation, data value comparison The accuracy of the test results and the results of the test results are determined. Information loss due to chemical composition, etc., is reduced, and the average description due to change in length is developed. This method is open to the public [2]. The use of this description improves the accuracy of prediction and confirms the accuracy of multiple mechanical learning examples. [1] Kusaba, M., Liu, C., & Yoshida, R. (2022). Crystal structure prediction with machine learning-based element substitution. Computational Materials Science, 211, 111496. [2] https://github.com/Minoru938/KmdPlus