News Release 

電子状態が変化する前の姿から、変化後の姿をAIが正確に予想

~電子の励起状態を高速で計算、構造解析のアクセルに~

Institute of Industrial Science, The University of Tokyo

IMAGE

IMAGE: Scientists at The University of Tokyo use machine learning to predict the excited electronic states of materials--research that can accelerate both the characterization of materials as well as the formulation... view more 

Credit: Institute of Industrial Science, The University of Tokyo

東京大学 生産技術研究所の溝口 照康 教授、清原 慎 大学院生(研究当時)、産業技術総合研究所の椿 真史 研究員らの研究グループは、励起状態にある電子構造を人工知能で予測する新手法を開発しました。

半導体設計や電池開発、触媒解析など、物質開発の現場では、物質の構造を調べるためにスペクトルが日常的に測定されています。例えば、X線や電子線を照射して物質中の電子を励起し、励起状態に応じて測定されるスペクトルを解析することで、物質の原子配列と電子構造を調べます。ところが、測定されたスペクトルの意味を理解するにはコンピューターで励起状態を再現して、スペクトルを理論計算する必要があり、その大規模で複雑な計算には膨大な時間がかかっていました。また、励起状態を利用するスペクトルは環境物質の同定や、血液診断など、さまざまな分野で使用されています。その重要性に反して、励起状態は複雑で、十分には理解されていませんでした。

そこで、本研究グループは高速・高精度で励起状態を予測する手法の開発を目指し、まずは酸化シリコンの結晶とアモルファスから、励起状態と基底状態のスペクトルをそれぞれ約1,200個計算し、データベース化しました。次にこのデータをもとに、励起する前(基底状態)と励起した後(励起状態)の関係性を、ニューラルネットワークに学習させました。その結果、基底状態の情報を入力すると、励起状態の情報を高精度に出力する人工知能を構築することに成功しました。

本手法により、時間を要するスペクトルの理論計算を人工知能に置き換えることで、従来よりも数百倍と大幅に高速化することが可能になりました。また、本研究を通して、励起状態に関する重要な知見を得ることができました。例えば、酸化シリコンの励起状態が、酸化マグネシウムや酸化アルミニウムなどの酸化物の励起状態と類似していることや、“結晶”と“アモルファス”ではその励起状態が異なることも突き止めました。これらの知見は、人工知能技術を利用することで、初めて明らかになりました。

本手法は励起状態が関わるスペクトルに使用することが可能です。本手法を活用することで、物質の構造解析や、環境物質調査、医療診断に要する時間を大幅に短縮することができ、物質科学や環境問題の解決や、医療技術の発展にも大きく貢献できると期待されます。

###

本研究成果は令和2年6月3日(英国夏時間)に英国Nature Publishing Group発行の「npj Computational Materials」オンライン版に掲載されます。

Disclaimer: AAAS and EurekAlert! are not responsible for the accuracy of news releases posted to EurekAlert! by contributing institutions or for the use of any information through the EurekAlert system.