機械学習支援進化アルゴリズムで描くアモルファスLixSiの第一原理相図

（Constructing first-principles phase diagrams of amorphous LixSi using machine-learning-assisted sampling with an evolutionary algorithm）

田中専務

拓海先生、最近うちの若い連中に「アモルファス材料の第一原理相図を機械学習で作れる」って話を聞いたんですが、正直よく分かりません。要するに現場で役に立つ話ですか？

AIメンター拓海

素晴らしい着眼点ですね！大丈夫です、一緒に整理すれば必ずわかりますよ。端的に言うと、この手法は「高精度だけれど高コストな計算」を賢く減らして、実務で扱える材料相図を作る方法なんです。

田中専務

高精度というのはDFTのことですね。でもDFTは時間も金もかかると聞きます。どこで機械学習が噛んでくるんですか？

AIメンター拓海

いい質問です。ざっくり3点で説明しますね。1) 小さめの構造で約千点のDFT計算を行いデータを作る、2) そのデータで人工ニューラルネットワーク(ANN: artificial neural network)のポテンシャルを作る、3) 進化アルゴリズム(genetic algorithm)で候補構造を効率的に探索し、見つかった低エネルギー構造を再度DFTで精査する、という流れです。

田中専務

これって要するに「安く早く候補を探して、最後に高精度で検証する」ということですか？投資対効果の観点でいくと、そのくらいなら検討の余地がありそうです。

AIメンター拓海

その通りですよ。詳しく言うと、この研究の肝は「万能型の大規模MLポテンシャルを作る前に、目的に特化した小規模で十分な精度のANNポテンシャルを作る」という点です。万能モデルを作るには数万点のデータが要りますが、要点を絞れば千点程度で十分な場合があるんです。

田中専務

なるほど。現場で言うと「試作品をたくさん作る代わりに、まずは試作品の候補を快速に絞るツールを作る」イメージですね。実際にうちの製品開発で応用できるかどうか、どこを見れば良いですか？

AIメンター拓海

チェックポイントは三つです。1) 対象とする構成空間が限定されているか、2) 小さな計算データで主要候補を網羅できるか、3) 最終検証に回すDFT計算の数でコストが許容できるか。これらが合えば投資対効果は高いです。

田中専務

それなら我々でも取り組めそうです。最後に、要点を端的に三つにまとめていただけますか？忙しい会議で使いたいので。

AIメンター拓海

もちろんです。1) 小規模な高品質DFTデータで専門特化型ANNを作る、2) 進化アルゴリズムで効率的に低エネルギー候補を探索する、3) 見つかった候補をDFTで再計算して精密な相図を得る。大丈夫、一緒にやれば必ずできますよ。

田中専務

分かりました。要するに、候補を絞るための専用の学習モデルで探索して、最後にDFTで精査して相図を作る、ということですね。ありがとうございます、これなら部長会で説明できます。