More Related Content Similar to Matlantisがもたらす革新的なマテリアルの創出_POL共催セミナー_20220304 (20) Matlantisがもたらす革新的なマテリアルの創出_POL共催セミナー_202203044. 応用
領域
PFN
基盤
技術
PFN: 事業の要として”AI × Simulation”に注力
Supercomputer
AI
Machine Learning and Deep Learning
Simulation
1
2
3
Transportion
Manufacturing
Plant
Optimization
Materials
Science
Healthcare
Pharmaceutical
Medical
Science
Education
and
more
Construction
Energy
Personal
Robot
Entertainment
3
12. ● 材料開発に時間とコストがかかる
● 候補は無限といってもいいほど多い
○ 複数材料の組み合わせ、材料の組成、合成・反応条件
● 実験結果や文献から学習して予測する場合、異なる材料の予測精度が低い
○ 現在の機械学習/深層学習は外挿は難しい
● シミュレーション精度が低い、モデルの条件設定が難しい
○ スキルのある計算化学者だけがよいシミュレーションができる
● 計算資源を自ら用意する必要がある
○ スパコンを借りたり、自社・自研究室で計算クラスタを用意する必要がある
従来の材料探索の問題
11
14. Matlantis 開発の背景 世の中のMI状況
マテリアルズ・インフォマティクス(MI)
・ 材料開発にAIを用いて 膨大な候補物質から有望材料を見出す技術
・ 研究者の経験や勘に頼る 従来の手法を加速できる
・ 近年 各国で開発が活発化
世の中の取組状況
材料探索の加速
MI活用
バーチャル実験
シミュレータ
~10回/月
実験
~10回/月
従来
数千回/月
米国 2011年 Materials Genome
Initiative(MGI)立上げ
低コスト・高速の材料開発を目指す
欧州 2015年 Novel Material Discovery
Laboratory(NOMAD)設立
中国 2015年 中国科学院・中国工学院が
連携して中国版MGIに着手
日本 2014年ごろから国家プロジェクト増加
(内閣府、文科省、経産省)
企業 素材メーカを中心に、単独あるいは
IT企業と連携しての取組みが増加
開発に時間がかかる
13
23. ● 観測バイアス
○ 学習に使うデータセットを工夫する
○ オーグメンテーション(データへの前処理)を工夫する
● モデルバイアス:使うモデルに物理で分かっていることを導入する
○ 対称性/不変性/同変性
○ 保存則や制約
● 学習バイアス
○ 学習時に使う目的関数(損失関数)、制約、推論時に導入する
Matlantisはこれら三つをいずれも使っている
物理を機械学習に埋め込む三つのアプローチ
22
25. ● 物理現象は対称性 & 一様性を持つ
○ 同変なネットワークを利用
○ 並進、回転、鏡像反転ついて結果が同変(結果も同様に変わる)
● エネルギーは示量性である(部分系の和が全体の和となる)
● ポテンシャルエネルギー曲面が連続である
モデルバイアスによる物理知識の導入
24