权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

機械学習による実計測データをもとにした帰納的な材料作製法の開発

利用机器学习开发基于实测数据的感应材料制造方法

基本信息

批准号：
22KJ2768
负责人：
永井優也
金额：
$ 1.41万
依托单位：
Chuo University
依托单位国家：
日本
项目类别：
Grant-in-Aid for JSPS Fellows
财政年份：
2023
资助国家：
日本
起止时间：
2023-03-08 至 2024-03-31
项目状态：
已结题

来源：
https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22KJ2768/
关键词：
機械学習材料作製分析データ

项目摘要

本研究では分析データを用いて帰納的にデバイス性能を最適化する計算手法の開発に取り組むことが目的である。本年度は電極材料として、酸化鉄や酸化タングステン、バナジン酸ビスマスなどの光半導体電極を作製した。分析データとして、X線回折法(XRD)や吸収スペクトル、ラマンスペクトルや光インピーダンスなどのスペクトルデータを用いた。測定した分析データには通常、ノイズやバックグラウンドが含まれており、各サンプルが持つ本質的な情報である特徴量を抽出するため、それらを除去するための種々の数理統計手法を組み合わせた。例えば、スプライン法やフーリエ変換などを用いた。さらに、光半導体電極だけでなく、一般の材料開発においても利用できうる手法として確立するために、データの平均値を0、分散を１とする標準化計算を組み込んだ。最後にスペクトルデータが持つ本質的情報として、ピークの強度や位置に相当するデータを特徴量として抜き出した。抽出した特徴量の数は多数存在したが、材料性能はその一部で記述可能であるとの仮定の下、特徴量とデバイス性能の間の相関を機械学習により予測し、特徴量の中でデバイス性能に大きく影響を与えるものを潜在因子として抽出する方法を開発した。機械学習の方法として、サポートベクター回帰（SVR）やガウス回帰過程（GPR）、ランダムフォレスト等を用いた。また、正則化項を導入するスパースモデリングや複数回モデル構築と検証を行うクロスバリデーションを用いることでオーバーフィッティングを抑制し、未知データであっても計算精度を確保し、本手法の汎用性が高くなるように設計した。

This study aims to optimize the performance of computer systems by analyzing their applications and developing methods. This year, we have been manufacturing electrode materials and optical semiconductor electrodes such as acidified iron, acidified iron, and Najinium-acid. Analysis and X-ray diffraction (XRD) can be used to determine the absorption, absorption, and absorption properties of the samples. The statistical methods used to extract and remove the essential information of each server are: For example, if you want to change your name, you can change it. In this paper, the optical semiconductor electrode is divided into two parts, the general material development method is established, the average value of the data is 0, and the dispersion is 1. Finally, the information of the nature of the information is selected, and the information of the intensity of the information is selected. The number of extracted characteristic quantities exists in most cases, and the method of extracting potential factors in material properties is developed. The methods of machine learning are used such as SVR, GPR, and so on. The regularization term is introduced to ensure the calculation accuracy and the versatility of the method.