機械学習により、材料モデリングのための大規模な電子構造の正確な計算が可能になります

2023 年 7 月 7 日

この記事は、Science X の編集プロセスとポリシーに従ってレビューされています。 編集者は、コンテンツの信頼性を確保しながら、次の属性を強調しました。

事実確認済み

信頼できる情報源

校正する

ヘルムホルツドイツ研究センター協会による

電子構造として知られる物質中の電子の配置は、創薬やエネルギー貯蔵などの基礎研究だけでなく応用研究においても重要な役割を果たします。 しかし、さまざまな時間や長さのスケールにわたって高い忠実性とスケーラビリティの両方を提供するシミュレーション技術の欠如が、長い間、これらの技術の進歩の障害となってきました。

ドイツのゲルリッツにあるドレスデン・ロッセンドルフ・ヘルムホルツツェントルム（HZDR）の先進システム理解センター（CASUS）と、米国ニューメキシコ州アルバカーキにあるサンディア国立研究所の研究者らは現在、機械学習ベースのシミュレーション手法を開発した。従来の電子構造シミュレーション技術に取って代わります。

同社の Materials Learning Algorithm (MALA) ソフトウェア スタックにより、これまで達成できなかった長さスケールへのアクセスが可能になります。 この研究は、学術誌 npj Computational Materials に掲載されています。

電子は基本的に重要な素粒子です。 それらの相互作用および原子核との量子力学的相互作用は、化学および材料科学で観察される多数の現象を引き起こします。 物質の電子構造を理解して制御することにより、分子の反応性、惑星内の構造とエネルギー輸送、物質の破損メカニズムについての洞察が得られます。

科学的課題は、ハイパフォーマンス コンピューティングの機能を活用した、計算モデリングとシミュレーションを通じてますます対処されるようになってきています。 しかし、量子精度を備えた現実的なシミュレーションを実現する上での大きな障害は、高精度と、さまざまな長さと時間スケールにわたるスケーラビリティを組み合わせた予測モデリング技術が欠如していることです。

古典的な原子シミュレーション手法は、大規模で複雑なシステムを扱うことができますが、量子電子構造が省略されているため、適用可能性が制限されます。 逆に、経験的モデリングやパラメータフィッティングなどの仮定に依存しないシミュレーション方法 (第一原理法) は、高い忠実度を提供しますが、計算量が多くなります。 たとえば、広く使用されている第一原理手法である密度汎関数理論 (DFT) は、システム サイズに応じて 3 次スケーリングを示すため、その予測能力は小規模なスケールに制限されます。

研究チームは今回、マテリアル学習アルゴリズム (MALA) ソフトウェア スタックと呼ばれる新しいシミュレーション手法を発表しました。 コンピューター サイエンスでは、ソフトウェア スタックは、特定の問題を解決するためのソフトウェア アプリケーションを作成するために組み合わされるアルゴリズムとソフトウェア コンポーネントのコレクションです。

レンツ・フィードラー博士 CASUS の学生で MALA の主な開発者である彼は、「MALA は、機械学習と物理ベースのアプローチを統合して、材料の電子構造を予測します。これは、ディープラーニングと呼ばれる確立された機械学習手法を利用したハイブリッド アプローチを採用し、局所的な量を正確に予測します。対象となる地球規模の量を計算するための物理アルゴリズムによって補完されます。」

MALA ソフトウェア スタックは、空間内の原子の配置を入力として受け取り、バイスペクトル コンポーネントとして知られるフィンガープリントを生成します。これは、デカルト格子点の周りの原子の空間配置をエンコードします。 MALA の機械学習モデルは、この原子近傍に基づいて電子構造を予測するようにトレーニングされています。 MALA の大きな利点は、機械学習モデルがシステムの規模に依存しないため、小規模システムのデータでトレーニングし、あらゆる規模で展開できることです。