客观日本

人工智能通过“反复成长”将计算成本大幅降低,加速高性能材料的开发--东京大学

2017年11月22日 信息通信

由东京大学生产技术研究所沟口照康副教授,与东京大学大学院新领域创新科学研究科津田宏治教授等组成的研究小组,利用 “机械学习”的“转移学习”技术,使得人工智能通过“反复成长”,成功地将确定物质界面构造的计算量降低到原有的1/3600。

据东京大学暨国立研究开发法人科学技术振兴机构(简称JST)11月15日发表的新闻稿,该研究是JST的战略创造研究推进事业的个人型研究的成果。是“通过理论,实验、计算机科学和数据科学的融合,构筑先进的材料信息学基础技术”的研究领域,由东京大学常行真司教授和沟口照康副教授承担的 “利用信息科学方法解明界面构造功能的相关性”研究课题的一环。

界面是物质中所存在的缺陷,其构造与物质的功能有着密切的关系。并且在物质的导电性、电子传导性、耐久性等多个功能中起着决定性作用。因而,确定界面构造是物质研究中最重要的课题之一。确定一种界面,需要数千至数万的庞大的理论计算,因而,网罗所有界面的构造并系统的确定是非常困难的。在物质科学领域,近年来,世界范围内开展了利用信息科学方法的先进材料信息学的研究。

该研究小组,开发出利用“克里金”(Kriging)这种机械学习的人工智能,用于探索界面构造。并且使用转移学习的方法和“克里金”相结合,利用人工智能的已有知识更高速的解决新的问题。为了利用转移学习,把目前的3维探索空间(参数),扩展为74维(图1)。为证实该方法的有效性,就已报告的铁的33种界面构造进行认证。确定所有界面构造,需要1,650,660次庞大的理论计算。用一台计算机,需要计算30年以上。即使使用并行计算机也需数周时间。而使用“克里金”与转移学习相结合的方法,可使计算量降低到原有的1/3600,只需要462次计算就能成功地确定33种界面构造。用一台计算机仅需要几天就能完成计算。比不使用转移学习的“克里金”快3倍来完成界面确定。初始不完全的人工智能,通过多次转移学习,能更快的确定更多的界面。可见,此方法在网罗更多的界面构造,系统确定界面上非常有效。

界面在目前工业上使用的许多材料中起着重要的作用,确定界面结构和了解界面功能是提高物质开发速度必不可少的要素。通过此开发方法,可以更有效的确定界面结构,并有望加快材料的开发速度。

PHOTO

图1:74维空间的模式图

PHOTO

图2:研究成果模式图

文/ 客观日本编辑部
图/ 出处新闻稿

相关链接(日语)
<新闻稿>人工智能“反复成长”将计算成本降低到1/3600[网址]