CGCNN を用いた材料特性値予測モデルにおけるハイパパラメータ最適化による効果

摘要

計算科学技術を用いて材料開発の効率化を行う「マテリアルズ・インフォマティクス」の研究が進hでいる．これまでも個々の電子の動きをシミュレーションする第一原理計算による物性予測が行われてきたが，材料の結晶構造中の原子数の3 乗程度に比例して計算量が増加するため，原子数の大きい結晶への適用が困難であった．そこで近年は，多数の材料の第一原理計算の結果を集約したMaterials Project[1] 等の材料データベースに対し機械学習モデル用い物性予測を行う試みが盛hである．中でもXie らによる，結晶構造をグラフ表現した深層学習モデルを用いるCrystal Graph ConvolutionalNeural Network (CGCNN)[2] は電池材料をはじめとする無機材料の物性予測性能の高さで注目を集める．