深層学習による分子動力学を基盤とする複合照射条件下リサイクリングモデルの開発

利用深度学习开发基于分子动力学的复杂辐照条件下的回收模型

• 批准号: 22K03572
• 负责人: 齋藤 誠紀
• 金额: $ 2.66万
• 依托单位: Yamagata University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (C)
• 财政年份: 2022
• 资助国家: 日本
• 起止时间: 2022-04-01 至 2026-03-31
• 项目状态: 未结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22K03572/
• 关键词: 分子動力学法; 機械学習; 並進エネルギー; 畳み込みニューラルネットワーク; 核融合発電; 水素リサイクリング; 分子活性再結合; 分子動力学; 深層学習

実際の核融合炉では、重水素・三重水素・ヘリウムが同時に炉壁に照射される。特にヘリウムは、タングステン壁に蓄積し、nmからμmオーダーの直径の気泡構造（ヘリウムバブル）を形成する。原型炉等の周辺プラズマ挙動を理解するためには、ヘリウムバブル形成下における水素リサイクリング過程の理解も重要である。また、入射エネルギー・入射角・材料温度などの多様なパラメータをカバーするモデルの開発が必要となる。しかし、膨大なパラメータ域を分子動力学モデルのみで網羅することは計算コストの観点から現実的ではない。そこで、本研究では、照射条件および材料条件を入力とし、放出粒子情報を出力とする深層学習モデルを分子動力学モデルから構築する。さらに、中性粒子輸送コードからリアルタイムに呼び出し可能なインターフェースを整え、複合的で動的に変化する照射条件下での水素リサイクリング過程を中性粒子輸送コードに境界条件として提供するモデルの開発を目指す。今年度は、既に開発が完了していた炭素壁の場合をターゲットに、分子動力学方によって得られた放出原子・分子の分布を機械学習し、計算していないパラメータの分布を予測できる深層学習モデルの構築に取り組んだ。入射エネルギー・材料温度等・H/Cの値を入力として全結合型ニューラルネットワークで結合し、さらに、標的材中水素原子の2次元分布を畳み込みニューラルネットワークで結合し、放出原子・分子の分布を予測する。反射原子の分布をある程度の精度で予測できることを確認した。

In reality, the nuclear fusion furnace で で and heavy hydroquinone, triple hydroquinone, ヘリウムが are simultaneously irradiated on the に furnace wall に. Special に ヘ リ ウ ム は, タ ン グ ス テ ン wall に accumulation し, nm か ら microns オ ー ダ ー の diameter の 気 bubble structure (ヘ リ ウ ム バ ブ ル) を form す る. Prototype furnace etc. の weeks 辺 プ ラ ズ マ 挙 dynamic を understand す る た め に は, ヘ リ ウ ム バ ブ ル formed under に お け る water element リ サ イ ク リ ン グ の understand も important で あ る. ま た, incident エ ネ ル ギ ー, incidence Angle, the material temperature な ど の many others な パ ラ メ ー タ を カ バ ー す る モ デ ル の open 発 が necessary と な る. し か し, expands な パ ラ メ ー タ domain を molecular dynamics モ デ ル の み で snare す る こ と は computing コ ス ト の 観 point か ら presently be で は な い. そ こ で, this study で は, irradiation condition お よ び を material conditions into force と し, particle intelligence を output と す る deep learning モ デ ル を molecular dynamics モ デ ル か ら build す る. さ ら に, neutral particles conveying コ ー ド か ら リ ア ル タ イ ム に shout び out し may な イ ン タ ー フ ェ ー ス を whole え, composite で move に variations change す る irradiation conditions で の water element リ サ イ ク リ ン グ process を neutral particles conveying コ ー ド に boundary conditions と し て provide す る モ デ ル の open 発 を refers す. Finished our は ", both に 発 が し て い た carbon wall の occasions を タ ー ゲ ッ ト に, molecular dynamics に よ っ て have ら れ た release distribution of atoms, molecules の を し mechanical learning, calculating し て い な い パ ラ メ ー タ を の distribution can be で き る deep learning モ デ ル の build に group take り ん だ. Incident エ ネ ル ギ ー, material temperature, H/C の numerical を と into force し て the combination type ニ ュ ー ラ ル ネ ッ ト ワ ー ク で し, さ ら に, mark water element atoms の 2 dimensional distribution を 畳 み 込 み ニ ュ ー ラ ル ネ ッ ト ワ ー ク で し, release distribution of atoms, molecules の を be す る. Reflective atom <s:1> distribution をある degree <e:1> accuracy で pre-measurement で る る <s:1> とを とを confirmation <s:1> た.

项目成果

Measurement of DNA length on video of fluorescence microscope by pix2pix trained by molecular dynamics simulation

通过分子动力学模拟训练的pix2pix在荧光显微镜视频上测量DNA长度

• 发表时间: 2023
• 期刊: Journal of Advanced Simulation in Science and Engineering
• 影响因子: 0.5
• 作者: S. Saito;A. Kobashi;H. Miura;H. Nakamura;T. Kenmotsu;Y. Oya;and Y. Hatano
• 通讯作者: and Y. Hatano

Damages of DNA in tritiated water

氚水中DNA的损伤

• DOI: 10.1016/bs.enz.2022.08.009
• 发表时间: 2022
• 期刊: The Enzimes: DNA Damage and Double Strand Breaks Part A
• 作者: Y. Hatano;H. Nakamura;S. Fujiwara;S. Seiki;T. Kenmotsu
• 通讯作者: T. Kenmotsu

Image processing for analyzing the number of DNA breaks using deep learning

使用深度学习进行图像处理来分析 DNA 断裂数量

• 发表时间: 2022
• 作者: H. Nakamura;S. Saito;T. Sawada;K. Sawada;G. Kawamura;M. Kobayashi;and M. Hasuo;Seiki Saito;Seiki Saito
• 通讯作者: Seiki Saito

小特集：プラズマ-壁相互作用研究におけるシミュレーションと機械学習

特色：等离子体-壁相互作用研究中的模拟和机器学习

• 发表时间: 2023
• 期刊: シミュレーション
• 作者: S. Saito;A. Kobashi;H. Miura;H. Nakamura;T. Kenmotsu;Y. Oya;and Y. Hatano;齋藤誠紀，中村浩章，澤田圭司，高三和己
• 通讯作者: 齋藤誠紀，中村浩章，澤田圭司，高三和己

Hydrogen Recycling Model on Carbon Materials by Machine Learning Based on Molecular Dynamics Simulation

基于分子动力学模拟的机器学习碳材料氢回收模型

• 发表时间: 2023
• 作者: H. Nakamura;S. Saito;T. Sawada;K. Sawada;G. Kawamura;M. Kobayashi;and M. Hasuo;Seiki Saito
• 通讯作者: Seiki Saito