本文へジャンプ

計算シミュレーションとAIを連携させ、仮想実験環境を構築
―材料ビッグデータの創出と、それを用いるAI材料設計へ―

2021年4月27日
国立研究開発法人新エネルギー・産業技術総合開発機構
国立研究開発法人産業技術総合研究所

NEDOと産業技術総合研究所は「超先端材料超高速開発基盤技術プロジェクト」に取り組んでおり、今般、同プロジェクトで開発した伝導度などの計算を行う第一原理計算シミュレーターとAI技術の連携により、材料の電気伝導度計測を計算機上で再現する基盤技術を開発しました。本開発技術を用いた仮想実験により材料データを大量に生成し、そのデータにより望みの電気的な性質を持つ材料の組成や構造を予測・設計するためのさらなる技術の構築につながることが期待されます。

なお、本開発の詳細は、4月27日(火)(米国東部夏時間)に、米国物理学会の学術誌「Physical Review Letters」の電子版に掲載されます。

1.概要

国立研究開発法人新エネルギー・産業技術総合開発機構(NEDO)は、誘電材料・コンポジット材料・ポリマーブレンド・触媒・ナノカーボン材料・半導体などの有機・高分子系機能性材料を対象に、高度な計算科学や高速開発・革新プロセス技術、先端ナノ計測評価技術によって作成したデータ群と人工知能(AI)技術などの融合により、従来の経験と勘に依存する材料開発と比べ、試作回数・開発期間を1/20に削減・短縮することを目標とする「材料設計基盤技術の研究開発プロジェクト(以下、超超PJ)※1」に2016年度から取り組んでおり、2019年4月には国立研究開発法人産業技術総合研究所(産総研)、先端素材高速開発技術研究組合(ADMAT)と共同で、革新的機能性材料の開発を支援するためのシミュレーターを開発※2しました。

AI技術の材料開発への有効利用を進めている材料インフォマティクス分野では、材料組成や構造から材料物性の機能を予測することを順問題予測と呼びます。順問題予測から、AIによる材料設計に必要なビッグデータを取得するので、これを正確に行うことは非常に重要です。順問題予測を行うことは簡単ではなく、計算シミュレーションに限って言えば計算機資源が有限であるため、実材料のサイズと計算可能なサイズの間に大きな食い違いがあることが問題でした。

このような背景の下、NEDOと産総研は超超PJにおいて「計算支援次世代ナノ構造設計基盤技術」の一つとして開発した電気・光などのキャリア輸送※3を予測するシミュレーターに含まれる第一原理電気伝導計算※4機能と人工知能(AI)技術の手法の一つである深層学習法※5を連携させることにより、順問題予測を正確に行い、電気特性に関する仮想材料実験を計算機上で行うために必要な技術を開発しました。

本技術による計算機上の仮想実験を実施することにより、材料の組成・構造の数値情報からその電気的な性質を明瞭に関連付けた高精度のデータを大量に生成することができます。このようにして得た大量の順問題予測データに対してAIを利用することにより、得たいと思う機能・性質からそれを実現する材料の組成と構造の情報を逆に予測する、いわゆる逆問題の予測(逆問題予測)を行うことができます。AIを用いる逆問題予測の実施には、材料の組成・構造と明瞭にひも付けられている機能・性質データの大量で広範な入力が必要ですが、今回開発した仮想実験環境構築技術により、実際の実験では得ることが難しい材料データを大量に生成できます。今回の研究開発は計算シミュレーションの順問題予測能力がAIにより高められた大きな成果です。これまでAIを用いた計算シミュレーションの加速化研究は全世界で活発に研究されています。ヨーロッパの有力な材料インフォマティクス研究機関による古典分子動力学計算パラメーターの自動算出がその成功例として有名であり、広く利用が進んでいます。本成果はそれに次ぐ成功例として、また機能予測に関する初の成功例として、新規性や学術的価値も高いものであり、米国物理学会(APS)の学術誌「Physical Review Letters※6」に4月27日(火)(米国東部夏時間)に掲載されます。

2.今回の成果

1)AIを用いた計算シミュレーションの順問題解決能力の高度化

超超PJでは、現実の実験結果と同等な材料データを生成するための技術開発を重視し、その中核に計算シミュレーションの利用を位置付け、AIを用いる計算シミュレーションの順問題解決能力の高度化研究を行なっています。今回開発した手法を図1に模式的にまとめました。まず、材料を構成する全原子の相対的位置情報を局所的情報に単純化します。これを記述子※7とすると同時に、さまざまな構造・組成に対する電気伝導度の第一原理計算シミュレーションを実施し、その結果のデータを深層学習法により学習します。記述子は構造の局所情報により構成しているので、それを構成要素として第一原理計算が直接適用できないような大きなサイズ領域の記述子を構築することができます。その記述子と電気伝導度を双方向に関連付けるよう学習により決められた層を多層化し、その配列をデザインします。その結果、第一原理計算では計算機性能の制約により直接適用できないような大きいサイズ領域における記述子を電気伝導度とひも付けることができ、電気伝導度を極めて高い精度で予測できることを検証しました。

  • 第一原理計算シミュレーションと深層学習を連携させた材料機能推定手法の手順の図
    ※AIの学習のステップ(第一原理計算シミュレーションの実施と学習データ生成)を青色、
    学習済みAIによる予測のステップをオレンジ色で表示。

    図1 第一原理計算シミュレーションと深層学習を連携させた材料機能推定手法の手順

2)検証結果(1)伝導度予測の精度

第一原理計算シミュレーション結果との比較による検証結果を図2に示しました。図2挿入の左図は、学習用に作成した第一原理計算による電気伝導度の計算結果値を横軸(真の数値)成分とし、学習済みの深層学習AIからの予測値を縦軸(予測)成分としてプロットした結果を示しています。予測値と計算結果値はよく一致しており、予測の精度を表す決定係数(R2)は極めて1に近い値をとり、学習用データに対して良い推定が行われていることを示します。学習に用いていないデータで検証を行った結果を図2挿入の右図に示しました。学習データよりも大きなサイズ領域での第一原理計算による電気伝導度の計算結果値を横軸(真の数値)成分とし、図1に説明した手順に沿って、小さなサイズ領域で学習済みの層から構成した深層学習を用いた予測値を縦軸(予測値)成分としました。予測値と計算結果値はこれもよく一致しており、決定係数は極めて1に近い値をとり、この場合も良い推定が行われていることを示します。このように、学習データ領域より大きなサイズ領域において、未知の組成・構造に対しても図1で説明した手順に沿った深層学習法は極めて良い推定結果を与えることが検証されました。

3)検証結果(2)破断接合実験(マクロスケール実験)

本技術が計算シミュレーションのサイズ制限を受けないことを検証しました。その結果を図2の本体に示します。検証対象の実験としては、金属ロッドに引張と圧縮を繰り返しながら同時に電気伝導度を計測解析する破断接合実験法を選びました。この実験法の特徴は、実験過程で非常に多くの構造が形成され、その全ての構造の電気伝導度を含む膨大な量のデータが得られることです。AIを用いる材料組成・構造情報の逆問題予測には広範な組成・構造に由来する膨大な機能物性データが必要であり、この実験法は、今回開発した計算・AI融合技術の能力を検証するには理想的な実験法です。破断接合過程を計算によりシミュレーションし、そこで得られた構造を入力データとして図1で説明した深層学習法によりその電気伝導度を推定し、ヒストグラムプロットを行った結果を図2に示しました。深層学習法によるヒストグラムは、実際の破断接合実験で得られているヒストグラムを非常に良く再現しており、第一原理計算と深層学習を融合した本技術は、計算機上で実験を完全に再現できる仮想実験技術として非常に高いレベルに到達しています。さらにこの技術には、実際の実験における、組成・構造と機能・性質間のひも付けの不明瞭さや、データの偏りや少量性といった問題が存在せず、逆問題予測に必要なデータの良質性を備えており、単なる仮想実験にとどまらないメリットがあります。

材料インフォマティクス分野において、計算シミュレーションとAI技術を連携させ、シミュレーションの加速に成功したこれまでの例は、ヨーロッパの有力材料インフォマティクス機関を中心に開発された、材料や分子を構成する原子の力場やエネルギーを予測する手法のみでした。今回の成果はそれに次ぐ第2例目であり、さらに電気伝導度のような物性の予測に関しては初の成果です。

  • 学習済み深層学習により予測された破断接合のヒストグラムプロットの図
    ※グラフに挿入の図は第一原理計算シミュレーション結果を用いた検定と検証を示した。決定係数(R2値)を数値で記載した。
    左は学習データに対するテスト結果、右は検証データを用いたテスト結果

    図2 学習済み深層学習により予測された破断接合のヒストグラムプロット

3.今後の予定

本開発方法をもとに、計算機上での仮想実験で、実際の実験や材料試作に応じた大量のデータを系統的かつ網羅的に生成し、このビックデータを用いて電気伝導物性(材料機能)から材料組成・構造を予測する、逆問題予測手法の開発につなげていきます。

【注釈】

※1 材料設計基盤技術の研究開発プロジェクト(以下、超超PJ)
:超先端材料超高速開発基盤技術プロジェクト
事業期間:2016~2021年度
※2 革新的機能性材料の開発を支援するためのシミュレーターを開発
参考:NEDOニュースリリース 2019年4月1日 サイト内リンク 「革新的機能性材料開発のためのシミュレーターを公開」
※3 キャリア輸送
材料は電気や熱、さらには光などを伝える媒体となります。媒体側から見て、それが伝える電気、熱、光などをキャリアと呼び、それが伝わる現象をキャリアの輸送またはキャリア輸送と呼びます。
※4 第一原理電気伝導計算
計算対象を構成する各元素の種類と、計算対象の構造だけを入力パラメーターとし、調整パラメーターや実験結果を用いないで、シュレディンガー方程式などに基づく基礎方程式を数値的に解いて、計算対象の電子状態を求める方法を第一原理計算といいます。第一原理計算をもとに電気伝導度や電流を求める計算を、ここでは第一原理電気伝導計算と呼んでいます。
※5 深層学習法
AI技術の一つで、人の脳神経回路網をモデル化したもので、ニューラルネットワークの層を多層化し、各ニューロンの重みや活性関数、ニューラル間の結合を調整することで、入力データの特徴量の設定や、その組み合わせ、データの相関関係などを自動的に学習する方法です。
※6 Physical Review Letters
米国物理学会が刊行する物理学全分野の研究成果を掲載対象とする速報誌。最も審査が厳しいとされ、この分野の研究者に大きな影響を与える雑誌です。
※7 記述子
予測する物性についてのデータベースをもとに、その物性の予測モデルを構築するための説明変数。予測すべき材料は、記述子を用いて表現され、その物性は記述子を入力とする予測モデル(関数)の出力として予測されます。

4.問い合わせ先

(本ニュースリリースの内容についての問い合わせ先)

NEDO 材料・ナノテクノロジー部 担当:三宅、原 TEL:044-520-5223­
産総研 機能材料コンピュテーショナルデザイン研究センター 担当:中村 TEL:029-861-3192­

(その他NEDO事業についての一般的な問い合わせ先)

NEDO 広報部 担当:坂本 TEL:044-520-5151­ E-mail:nedo_press@ml.nedo.go.jp

(産総研 広報に関する一般的な問い合わせ先)

産総研 広報部 報道室 TEL:029-862-6216­ E-mail:hodo-ml@aist.go.jp

関連ページ