特許ウォッチ

公開番号2025096733
公報種別公開特許公報(A)
公開日2025-06-30
出願番号2023212615
出願日2023-12-18
発明の名称選択プログラム、選択装置、及び選択方法
出願人富士通株式会社
代理人弁理士法人酒井国際特許事務所
主分類G06Q 50/10 20120101AFI20250623BHJP(計算;計数)
要約【課題】物質の構造からエネルギーを推定する機械学習モデルの訓練データを増加させる選択プログラム、選択装置及び選択方法を提供する。
【解決手段】選択装置による処理方法は、数値計算により物質の初期構造から物質の緩和構造を求め、緩和構造を求める計算過程で得られた、物質の複数の中間構造のうち、中間構造のエネルギーと緩和構造のエネルギーとの差分が所定値よりも小さい中間構造を、物質の所定の構造から所定の構造のエネルギーを推定する機械学習モデルを訓練する訓練データとして選択する。
【選択図】図2
特許請求の範囲【請求項１】
数値計算により物質の初期構造から前記物質の緩和構造を求め、
前記緩和構造を求める計算過程で得られた、前記物質の複数の中間構造のうち、中間構造のエネルギーと前記緩和構造のエネルギーとの差分が所定値よりも小さい中間構造を、前記物質の所定の構造から前記所定の構造のエネルギーを推定する機械学習モデルを訓練する訓練データとして選択する、
処理をコンピュータに実行させるための選択プログラム。
続きを表示（約 640 文字）【請求項２】
前記緩和構造と前記緩和構造のエネルギーとの組み合わせと、選択された前記中間構造と選択された前記中間構造のエネルギーとの組み合わせとを、前記訓練データとして用いて、前記機械学習モデルを訓練する処理を、前記コンピュータにさらに実行させることを特徴とする請求項１記載の選択プログラム。
【請求項３】
前記数値計算は、密度汎関数理論計算であることを特徴とする請求項１又は２記載の選択プログラム。
【請求項４】
数値計算により物質の初期構造から前記物質の緩和構造を求める計算部と、
前記緩和構造を求める計算過程で得られた、前記物質の複数の中間構造のうち、中間構造のエネルギーと前記緩和構造のエネルギーとの差分が所定値よりも小さい中間構造を、前記物質の所定の構造から前記所定の構造のエネルギーを推定する機械学習モデルを訓練する訓練データとして選択する選択部と、
を備えることを特徴とする選択装置。
【請求項５】
数値計算により物質の初期構造から前記物質の緩和構造を求め、
前記緩和構造を求める計算過程で得られた、前記物質の複数の中間構造のうち、中間構造のエネルギーと前記緩和構造のエネルギーとの差分が所定値よりも小さい中間構造を、前記物質の所定の構造から前記所定の構造のエネルギーを推定する機械学習モデルを訓練する訓練データとして選択する、
処理をコンピュータが実行することを特徴とする選択方法。

発明の詳細な説明【技術分野】
【０００１】
本発明は、機械学習モデルの訓練データを選択する選択技術に関する。
続きを表示（約 1,300 文字）【背景技術】
【０００２】
構造最適化は、物質の分子構造を最適化する技術である。構造最適化では、密度汎関数理論（Density Functional Theory，ＤＦＴ）計算が用いられることがある。ＤＦＴ計算は、分子の電子密度を近似的に計算する第１原理量子化学計算の１つであり、分子の電子的性質を効率よく計算することができる。
【０００３】
ＤＦＴ計算に関して、ＮＮＰ（Neural Network Potential）のモデルを訓練する訓練装置が知られている（例えば、特許文献１及び特許文献２を参照）。ＤＦＴ計算を用いて分子結晶のエネルギーを順位付けする方法も知られている（例えば、特許文献３を参照）。
【先行技術文献】
【特許文献】
【０００４】
国際公開第２０２２／２６０１７７号
国際公開第２０２２／２６０１７９号
米国特許出願公開第２００７／０１８５６９５号
【発明の概要】
【発明が解決しようとする課題】
【０００５】
ＤＦＴ計算を用いて構造最適化を行うことで、物質の分子の初期構造から複数の中間構造を経由して緩和構造を求めることができる。緩和構造は、物質の最適化された分子構造である。構造最適化では、分子構造の総エネルギーが最小化されて、分子構造が安定するように、各原子の位置が繰り返し調整される。総エネルギーが最小化された緩和構造では、すべての原子が平衡位置に配置されている。
【０００６】
しかしながら、ＤＦＴ計算の計算コストは非常に高く、ＤＦＴ計算には長い時間がかかる。そこで、ＤＦＴ計算よりも計算コストが低く、かつ、高速な代替手段として、ＤＦＴ代理モデルが用いられることがある。ＤＦＴ代理モデルは、機械学習により生成される学習済みモデルであり、物質の分子構造から総エネルギーを推定するために用いられる。
【０００７】
ＤＦＴ代理モデルの推定精度は訓練データの個数に大きく依存するため、少数の訓練データを用いてＤＦＴ代理モデルを訓練した場合、推定精度はＤＦＴ計算よりもかなり低くなる。したがって、推定精度を向上させるためには、多数の訓練データを用いてＤＦＴ代理モデルを訓練することが望ましい。
【０００８】
しかし、ＤＦＴ代理モデルの訓練データはＤＦＴ計算により生成され、ＤＦＴ計算により求められた緩和構造と、緩和構造の総エネルギーとの組み合わせが、訓練データとして用いられる。したがって、多数の訓練データを生成するために、訓練データの個数と同じ回数のＤＦＴ計算を繰り返すと、訓練データを生成するための計算コストが増大する。
【０００９】
なお、かかる問題は、ＤＦＴ計算に限らず、様々な数値計算を用いて訓練データを生成する場合において生ずるものである。
【００１０】
１つの側面において、本発明は、物質の構造からエネルギーを推定する機械学習モデルの訓練データを増加させることを目的とする。
【課題を解決するための手段】
（【００１１】以降は省略されています）

関連特許