高い精度と低い計算コストの両方をそなえ、物性研究に革新をもたらすと注目されている機械学習原子間ポテンシャル。
その理論的背景・利点・種類といった基礎から、学習データの生成やコスト関数の設計といった構築方法、具体的な応用事例、最新技術、現状の課題と今後の展望などについて解説します。実践するための知識や、今後の研究・開発に役立つ視座を得ることができます。
アーカイブ配信付
１．MLIPの概要
1.1 第一原理計算と学習データ
1.2 MLIPの利点
1.3 MLIPが拓く応用領域
３．MLIPの構築法
3.1 機械学習器の選択とデザイン
3.1.1 MLIPの種類と共通点
3.1.2 構造記述子とAtomic Cluster Expansion理論
3.1.3 多元素系への対応方法
3.1.4 グラフニューラルネットワーク型MLIP
3.1.5 ポテンシャル平均法
3.2 学習データ生成法
3.2.1 基本的な生成法
3.2.2 Active Learning
3.2.3 大規模系に対するデータ作成法
3.2.4 大規模公開データの利用
3.2.5 Foundation Modelの出現
3.3 コスト関数の設計
3.3.1 基本的構成と係数調整
3.3.2 正則化法による制約
４．課題と展望
4.1 ブラックボックス化の現状と解釈性向上の試み
4.2 更なる計算コスト削減の試み
4.3 顕わなクーロン相互作用・磁場等の相互作用の組み込み
4.4 電子状態計算の組み込み
□ 質疑応答 □