文献

J-GLOBAL ID：201902249011900906   整理番号：19A0891423

液体状態におけるGauss過程により訓練した機械学習力:温度と圧力への移行可能性

Machine Learning Forces Trained by Gaussian Process in Liquid States: Transferability to Temperature and Pressure

著者 (6件)： TAMURA Ryo (National Inst. for Materials Sci., Ibaraki, JPN) ,  TAMURA Ryo (Univ. Tokyo, Chiba, JPN) ,  TAMURA Ryo (RIKEN, Tokyo, JPN) ,  LIN Jianbo (National Inst. for Materials Sci., Ibaraki, JPN) ,  MIYAZAKI Tsuyoshi (National Inst. for Materials Sci., Ibaraki, JPN) ,  MIYAZAKI Tsuyoshi (Univ. Coll. London, London, GBR)
資料名： Journal of the Physical Society of Japan  (Journal of the Physical Society of Japan)
巻： 88  号： 4  ページ： 044601.1-044601.10  発行年： 2019年04月15日 
JST資料番号： G0509A  ISSN： 0031-9015  CODEN： JUPSA  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 英語 (EN)

抄録/ポイント： 密度汎関数理論(DFT)内で原子間力を予測する機械学習(ML)モデルの一般化性能を研究した。ターゲットは液体状態のSiとGeの一成分系である。機械学習モデルを訓練するため,Gauss過程回帰を,ターゲット原子の周りの局所構造を表す原子指紋により行った。訓練データと試験データはDFTに基づく分子動力学(MD)により発生した。まず,同じ温度でDFT-MDシミュレーションから試験データと訓練データ両方が発生されるとき,ML力の精度を報告した。様々な温度でML力の精度を比較して,精度が固体状態と液体状態の間の相境界付近で最低になることを見いだした。さらに,液体状態で訓練したMLモデルの温度と圧力への移行性を調べた。もし訓練が高温で行われ,体積変化がそれほど大きくなければ,液体状態のML力の移行性は十分に高いが,固体状態への移行性は非常に低いことを実証した。(翻訳著者抄録)

シソーラス用語： Gauss過程 ,  *機械学習 ,  力 ,  密度汎関数法 ,  ケイ素 ,  回帰分析 ,  ゲルマニウム ,  計算機シミュレーション ,  データ ,  *液体半導体
準シソーラス用語： Gauss過程回帰 ,  訓練データ ,  *原子間力 ,  試験データ ,  分子動力学シミュレーション

分類 (1件)： 液体構造一般  (BK02010E)

引用文献 (48件)：

• K. Rajan, Mater. Today 8 [10], 38 (2005).
• A. R. Oganov and C. W. Glass, J. Chem. Phys. 124, 244704 (2006).
• G. Hautier, C. C. Fischer, A. Jaina, T. Mueller, and G. Ceder, Chem. Mater. 22, 3762 (2010).
• M. Rupp, A. Tkatchenko, K.-R. Müller, and O. A. von Lilienfeld, Phys. Rev. Lett. 108, 058301 (2012).
• J. C. Snyder, M. Rupp, K. Hansen, K.-R. Müller, and K. Burke, Phys. Rev. Lett. 108, 253002 (2012).

タイトルに関連する用語 (5件)： Gauss過程 ,  訓練 ,  機械学習 ,  移行 ,  可能性