Deep Learning for Understanding Multiscale Particle Transport Phenomena Inside Fuel Cells

申請書で計画した通り、まず触媒層内の水輸送をミクロなスケールで深層学習モデリングした。プロトン交換膜型燃料電池の触媒層（CL）内の水管理は、その実用化・普及のために極めて重要である。しかし、水の分布や拡散を得るための高い実験コストや計算コストが、既存の実験手法やシミュレーションアルゴリズムのボトルネックとなっており、ナノスケールでのさらなるメカニズムの解明が必要である。ここでは、分子動力学シミュレーションを、多属性点群データセットと高度な深層学習ネットワークに基づきカスタマイズした解析フレームワークと初めて統合した。これは、トレーニングおよびテストデータセットとして、CL内の水分子のシミュレーション輸送データを生成する我々のワークフローによって達成された。ディープラーニングフレームワークは、CLのマルチボディ固液系を分子スケールでモデル化し、Pt/C基板構造やNafion凝集体から水分子の密度分布や拡散係数へのマッピングを完了させた。予測結果を総合的に解析し、誤差を評価することで、50000対の相互作用するナノ粒子間の異方性の高い相互作用を明らかにし、水和ナフィオン膜の構造と水輸送特性の関係を分子スケールで説明することができた。提案した深層学習フレームワークは、従来の手法と比較して、計算コスト効率、精度、良好な視覚的表示を示している。さらに、燃料電池の異なる構成要素における巨視的および微視的な物質輸送をモデル化する際の一般性を与えるものとなっている。本フレームワークは、CLにおける水分子の分布や拡散をリアルタイムで予測するとともに、CLや燃料電池の他のコンポーネントの構造最適化や設計における統計的有意性を確立することが期待される。

申請書で計画した通り、まず触媒層内の水輸送をミクロなスケールで深層学習モデリングした。プロトン交換膜型燃料電池の触媒層（CL）内の水管理は、その実用化・普及のために極めて重要である。しかし、水の分布や拡散を得るための高い実験コストや計算コストが、既存の実験手法やシミュレーションアルゴリズムのボトルネックとなっており、ナノスケールでのさらなるメカニズムの解明が必要である。ここでは、分子動力学シミュレーションを、多属性点群データセットと高度な深層学習ネットワークに基づきカスタマイズした解析フレームワークと初めて統合した。これは、トレーニングおよびテストデータセットとして、CL内の水分子のシミュレーション輸送データを生成する我々のワークフローによって達成された。ディープラーニングフレームワークは、CLのマルチボディ固液系を分子スケールでモデル化し、Pt/C基板構造やNafion凝集体から水分子の密度分布や拡散係数へのマッピングを完了させた。予測結果を総合的に解析し、誤差を評価することで、50000対の相互作用するナノ粒子間の異方性の高い相互作用を明らかにし、水和ナフィオン膜の構造と水輸送特性の関係を分子スケールで説明することができた。提案した深層学習フレームワークは、従来の手法と比較して、計算コスト効率、精度、良好な視覚的表示を示している。さらに、燃料電池の異なる構成要素における巨視的および微視的な物質輸送をモデル化する際の一般性を与えるものとなっている。本フレームワークは、CLにおける水分子の分布や拡散をリアルタイムで予測するとともに、CLや燃料電池の他のコンポーネントの構造最適化や設計における統計的有意性を確立することが期待される。