機械学習ポテンシャルによる協奏的現象の速度論解析

点击翻译按钮获取中文摘要

機械学習ポテンシャルによる協奏的現象の速度論解析に向けて、液体の水・リチウムイオン電池の正極材量であるLiNiO2をテスト系にPhysically Informed NNポテンシャル（PINNポテンシャル）の開発、ならびにその検証を進めた。高精度計算手法である密度汎関数法による分子動力学計算から得られたデータを学習データとしPINNポテンシャルを作成したところ、系のエネルギー、原子に働く力の両方とも従来の機械学習ポテンシャルの精度をはるかに凌駕する結果が得られた。開発しているPINNポテンシャルは従来のものとは異なり、原子間ポテンシャルをベースにしている。そのため、２原子間のポテンシャルエネルギー（結合）の振舞いを解析できることが大きな利点の１つである。作成したPINNポテンシャルの振舞いを確認したところ、原子間距離の広範囲にわたって物理的に非常に理にかなった振舞いをしていた。その一方、部分的に異なる振舞いが重なっている領域があった。これは関数形が決まっている従来の経験的原子間ポテンシャルでは表現できないものである。詳細な解析の結果、PINNポテンシャルのこの振る舞いがその精度を担保していることが判明した（論文執筆中）。また、作成したPINNポテンシャルで動作する分子動力学計算シミュレータを開発した。液体系での振舞いにはさらなる検証が必要であるが、固体系ではうまく動作することを確認できた。この結果は、PINNポテンシャルが原子変位の大きい協奏的現象への応用に対して適用可能性が高いことを示唆しており、自由エネルギーランドスケープの直接計算に向けて着実に前進しているものと考えられる。