特許ウォッチ

公開番号2025095299
公報種別公開特許公報(A)
公開日2025-06-26
出願番号2023211218
出願日2023-12-14
発明の名称情報処理装置、情報処理システム、および方法
出願人株式会社Preferred Networks,ENEOS株式会社
代理人弁理士法人酒井国際特許事務所
主分類G06N 3/096 20230101AFI20250619BHJP(計算;計数)
要約【課題】多数の原子を対象とする高精度なシミュレーションを可能にすること。
【解決手段】実施形態に係る情報処理装置は、少なくとも1つのプロセッサと、少なくとも1つのメモリとを備える。少なくとも1つのプロセッサは、第1のデータを用いて訓練された第1のモデルの少なくとも一部のパラメータを用いて第1のモデルと異なる第2のモデルを生成する。第2のモデルは、原子構造を入力すると原子構造の解析結果を出力するモデルである。少なくとも一部のパラメータは、第2のモデルの解析対象となる原子の種類に基づいて決定される。
【選択図】図2
特許請求の範囲【請求項１】
少なくとも１つのプロセッサと、
少なくとも１つのメモリと、を備え、
前記少なくとも１つのプロセッサは、
第１のデータを用いて訓練された第１のモデルの少なくとも一部のパラメータを用いて、前記第１のモデルと異なる第２のモデルを生成し、
前記第２のモデルは、原子構造を入力すると前記原子構造の解析結果を出力するモデルであり、
前記少なくとも一部のパラメータは、前記第２のモデルの解析対象となる原子の種類に基づいて決定される、
情報処理装置。
続きを表示（約 820 文字）【請求項２】
前記少なくとも１つのプロセッサは、
前記第２のモデルを第２のデータを用いて訓練する、
請求項１に記載の情報処理装置。
【請求項３】
前記第２のデータは、前記第１のモデルとは異なる第３のモデルを用いて生成されたデータである、
請求項２に記載の情報処理装置。
【請求項４】
前記第１のデータは、前記第３のモデルを用いて生成されたデータである、
請求項３に記載の情報処理装置。
【請求項５】
前記第３のモデルは、ニューラルネットワークポテンシャルである、
請求項３に記載の情報処理装置。
【請求項６】
前記第１のデータ及び前記第２のデータは原子構造及び前記原子構造の解析結果を含み、
前記第１のデータに含まれる前記原子構造の種類は、前記第２のデータに含まれる前記原子構造の種類よりも多い、
請求項２に記載の情報処理装置。
【請求項７】
前記少なくとも１つのプロセッサは、
前記第２のモデルの解析対象となる原子の種類の情報を、他の情報処理装置から取得する、
請求項１に記載の情報処理装置。
【請求項８】
前記第１のモデルと前記第２のモデルは、同じ種類のモデルである、
請求項１に記載の情報処理装置。
【請求項９】
前記第１のモデル及び前記第２のモデルはそれぞれ複数のパラメータを含み、
前記第２のモデルに含まれるパラメータの数は、前記第１のモデルに含まれるパラメータの数より少ない、
請求項８に記載の情報処理装置。
【請求項１０】
前記モデルの種類は、ＭＴＰ（Moment Tensor Potential）モデルである、
請求項８に記載の情報処理装置。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本開示の実施形態は、情報処理装置、情報処理システム、および方法に関する。
続きを表示（約 1,800 文字）【背景技術】
【０００２】
従来、原子構造のシミュレーションの方法として、Coupled-cluster singles-and-doubles（ＣＣＳＤ）、古典分子動力学ポテンシャル（以下、古典ポテンシャルと呼ぶ）を用いたシミュレーション、密度汎関数理論（Density Functional Theory：ＤＦＴ）等の量子化学計算、およびＤＦＴを正解データとして学習した機械学習ポテンシャル等がある。
【０００３】
しかしながら、従来の古典ポテンシャルを用いたシミュレーションではシミュレーション可能な原子の数は多いものの、精度が低い場合があった。また、ＣＣＳＤ、ＤＦＴ、およびＤＦＴを正解データとして学習した機械学習ポテンシャルでは、精度は高いものの、シミュレーション可能な原子の数が限られている。このため、多数の原子を対象とする高精度なシミュレーションを可能にする手法が求められていた。
【先行技術文献】
【非特許文献】
【０００４】
Ivan S Novikov, Konstantin Gubaev, Evgeny V Podryabinkin and Alexander V Shapeev “The MLIP package: moment tensorpotentials with MPI and active learning”． Published by IOP Publishing Ltd Machine Learning: Science and Technology. Published 28 December 2020. Volume 2, Number 2.
【発明の概要】
【発明が解決しようとする課題】
【０００５】
本開示が解決しようとする課題は、多数の原子を対象とする高精度なシミュレーションを可能にすることである。
【課題を解決するための手段】
【０００６】
実施形態に係る情報処理装置は、少なくとも１つのプロセッサと、少なくとも１つのメモリとを備える。少なくとも１つのプロセッサは、第１のデータを用いて訓練された第１のモデルの少なくとも一部のパラメータを用いて第１のモデルと異なる第２のモデルを生成する。第２のモデルは、原子構造を入力すると原子構造の解析結果を出力するモデルである。少なくとも一部のパラメータは、第２のモデルの解析対象となる原子の種類に基づいて決定される。
【図面の簡単な説明】
【０００７】
図１は、実施形態に係る情報処理システムの構成の一例を示すブロック図である。
図２は、実施形態に係るプロセッサの機能ブロックの一例を示す図である。
図３は、実施形態に係る第１のモデルの構成の一例を説明する図である。
図４は、実施形態に係る第２のモデルの構成の一例を説明する図である。
図５は、実施形態に係る情報処理装置で実行される訓練から評価までの処理の流れの一例を示すフローチャートである。
【発明を実施するための形態】
【０００８】
以下、図面を参照しながら実施形態について詳細に説明する。
【０００９】
（実施形態）
図１は、本実施形態に係る情報処理システムＳの構成の一例を示すブロック図である。図１に示すように、本実施形態の情報処理システムＳは、情報処理装置１と、外部装置９Ａとを含む。
【００１０】
情報処理装置１は、ＭＤ（Molecular Dynamics、分子動力学）シミュレーションを実行する人工知能モデルの生成、及び当該人工知能モデルを用いたシミュレーションを提供するコンピュータである。情報処理装置１の機能の詳細については図２以降で後述する。人工知能モデルは、本実施形態における「モデル」の限定されない一例である。またＭＤシミュレーションは、本実施形態における「シミュレーション」の限定されない一例である。情報処理装置１は、本実施形態における第１の情報処理装置の一例である。
（【００１１】以降は省略されています）

関連特許