スパースガウス過程機械学習ポテンシャルによる材料発見の加速 | JoVE Visualize

科学分野:

計算材料科学;化学における機械学習;量子力学

背景:

量子力学計算は高い精度を提供しますが、計算コストが高いため、シミュレーションは小規模なシステムに限定されます。;バッテリーや太陽電池などの高度なアプリケーションのための材料発見には、現実的なスケールでのシミュレーションが必要です。;既存の機械学習ポテンシャルは、広範なトレーニングデータを必要とすることが多く、広範な採用のボトルネックとなっています。

研究の目的:

統計的に厳密な機械学習フレームワークとしてスパースガウス過程回帰（SGPR）を材料シミュレーションに提示すること。;最小限のトレーニングデータを使用して量子レベルの精度を達成し、校正された不確実性推定値を提供すること。;材料発見のための、より高速で正確なシミュレーションを可能にすること。

主な方法:

ランク削減と情報量の多い化学環境のインテリジェントな選択を利用したスパースガウス過程回帰（SGPR）フレームワークを開発しました。;モデルの不確実性に基づいて新しい量子計算をトリガーするためのオンザフライ適応サンプリング戦略を実装しました。;複雑なシステムのために専門化されたエキスパートモデルを分割および結合するための堅牢なベイズアンサンブルマシン（RBCM）アーキテクチャを採用しました。

主要な成果:

SGPRは、100〜1000回の量子計算で実用的な精度を達成し、他の手法と比較してデータ要件を大幅に削減しました。;SGPRの多用途性を、固体電解質（Li7P3S11）、ペロブスカイト太陽電池、電気触媒（Pt-C2N2）、有機システムのシミュレーションで実証しました。;実質的な高速化（最大10^4倍）を達成し、ペロブスカイト太陽電池における安定化中間層のようなメカニズムの洞察を明らかにしました。

結論:

SGPR-RBCMフレームワークは、トレーニングデータが限られており、不確実性定量化が重要な材料シミュレーションにおいて大きな利点を提供します。;ほぼ古典的な計算コストで量子精度シミュレーションを可能にし、ハイスループットスクリーニングを加速します。;クリーンエネルギーおよびエレクトロニクスにおける材料発見を変革するための、包括的な機械学習ポテンシャルへの道筋を提供します。