2024.09.18

第11回 研究部セミナーを開催します。日程は下記のようになります。皆様の積極的なご参加をお待ちしております。

【日時】　2024年9月27日（金）15:30-

【場所】　核融合科学研究所 シミュレーション科学研究棟1階会議室　※ハイブリッド開催

【発表者】　草場 穫（核融合科学学際連携センター 先端学術研究連携部門）

【タイトル】　機械学習の材料科学への応用研究の紹介

【概要】
　発表者はこれまで、マテリアルズインフォマティクス（MI）に関わる研究に携わって来た。MIとは、統計科学や機械学習などの情報技術と材料科学の学際分野であり、情報技術の活用による革新的材料開発の高速化を主な目的としている。本セミナーでは、発表者がこれまで行ってきた以下３つの研究の概要を背景を交えつつ簡単に紹介する; ①機械学習を用いた元素置き換えによる結晶構造予測 ^[1] ②カーネル平均埋め込みによる材料の表現 ^[2] ③関数データのためのベイズカーネル回帰。①では結晶構造データを活用し、エネルギー曲面の最適化に基づかない高速な結晶構造予測を行う。②は多次元空間上の離散確率分布を、カーネル平均埋め込みを介してできるだけ情報損失なく固定長ベクトルに変換する方法論であり、材料に限らず混合物系全般に適用可能である。③はカーネル法に基づく関数出力回帰を提案した研究であり、プラズマ科学への応用 ^[3]も行っている。以上のように、本セミナーでは主に材料科学におけるインフォマティクス応用の実例を紹介し、様々な分野の研究者とインフォマティクスを通じた議論や交流の起点になることを期待する。

【発表資料】　機械学習の材料科学への応用研究の紹介

【関連文献】

[1] Kusaba, M., Liu, C., & Yoshida, R. (2022). Crystal structure prediction with machine learning-based element substitution. Computational Materials Science, 211, 111496. https://doi.org/10.1016/j.commatsci.2022.111496.

[2] Kusaba, M., Hayashi, Y., Liu, C., Wakiuchi, A., & Yoshida, R. (2023). Representation of materials by kernel mean embedding. Physical Review B, 108(13), 134107. https://doi.org/10.1103/PhysRevB.108.134107.

[3] Arellano, F. J., Kusaba, M., Wu, S., Yoshida, R., Donkó, Z., Hartmann, P., … & Hamaguchi, S. (2024). Machine learning-based prediction of the electron energy distribution function and electron density of argon plasma from the optical emission spectra. Journal of Vacuum Science & Technology A, 42(5). https://doi.org/10.1116/6.0003731.