機械学習ポテンシャルを用いた大規模シミュレーション技術
量子力学計算の結果を教師データとして、機械学習により原子間ポテンシャルを生成するアルゴリズムを開発しました。その結果、量子力学計算では直接扱うことのできないナノ粒子(~3000原子)表面の触媒活性や、固体Liイオン伝導体の構造相転移にともなうLi拡散挙動の予測を可能としました。

量子力学計算の結果を教師データとして、機械学習により原子間ポテンシャルを生成するアルゴリズムを開発しました。その結果、量子力学計算では直接扱うことのできないナノ粒子(~3000原子)表面の触媒活性や、固体Liイオン伝導体の構造相転移にともなうLi拡散挙動の予測を可能としました。
ディープラーニングモデル(CNN) を使ってイオン伝導体の電子顕微鏡像から伝導度が予測できるようになりました。CNNが注視している部分を可視化したところ、空孔が伝導度の低下要因であることが示唆されました。