構造材料の材料設計・プロセス最適化のための新たな逆解析手法の確立

点击翻译按钮获取中文摘要

本研究は鉄鋼材料などの構造材料や分子構造を対象に，深層学習を用いてプロセス・構造・特製連関を，不確実性を含めて抽出・解析し得る枠組みを確立することを目的とし，深層学習ネットワークを基礎とする方法論を検討した．特に，材料構造の確率的特徴付けを中心として，連関獲得のための枠組みの構築を目指した．また，構築した枠組みの獲得する相関の物理的な意味や既知の物理的・材料的知見との親和性の観点から，材料設計・プロセス最適化への展開を検討した．以下に，本研究の与える重要な結果をいくつか示す．(1) 本研究の枠組みが，明示的な物理的メカニズムなどの問題固有の情報を直接導入することなく，材料的・物理的に説明可能な知識を獲得できるかを検討した．特に，人工二相鋼組織の強度・伸びに関する構造最適化の文脈で，破断伸びに支配的影響を与える部分構造を同定する問題を考察した．物理モデルの与える結果と比較したところ，支配的影響部の定性的な分布に関して十分な精度での一致を確認した．この結果は，本研究の与える枠組みが物理的に説明可能な知識を抽出することを示唆するものである．(2) 他の材料設計の文脈への展開として，本研究の枠組みを分子構造最適化問題へ適用した．具体的には，特定の部分構造を有する枠組みのうち，ある性能に関する最適分子を探索する文脈において，従来手法であるRecurrent Neural Network (RNN)と本研究の枠組みの一部であるPixelCNNを比較した．その結果，PixelCNN(本研究)は探索開始分子によらずロバストに探索可能である点で，従来手法よりも優位であった．さらに，探索可能領域に関しても従来手法より広く，より高性能な分子を含んでいることが確認された．以上の結果は，分子構造最適化問題における，従来手法と比較した本手法の優位性を示すものである．