特許ウォッチ

公開番号2025122318
公報種別公開特許公報(A)
公開日2025-08-21
出願番号2024017689
出願日2024-02-08
発明の名称推論装置、推論方法、および訓練装置
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G16C 20/30 20190101AFI20250814BHJP(特定の用途分野に特に適合した情報通信技術)
要約【課題】ニューラルネットワークポテンシャルと同様の高い汎用性を保ちつつ、高精度な物性値を生成する。
【解決手段】実施形態に係る推論装置は、少なくとも1つのメモリと、少なくとも1つのプロセッサと、を備える。前記少なくとも1つのプロセッサは、第1手法で算出した学習データにより学習した第1学習済みモデルに原子構造を入力して、前記原子構造に対応する第1物性値を生成し、第2学習済みモデルに前記第1学習済みモデルの中間層からの出力を入力して、第3物性値を生成する。
【選択図】図3
特許請求の範囲【請求項１】
少なくとも１つのメモリと、
少なくとも１つのプロセッサと、を備える推論装置であって、
前記少なくとも１つのプロセッサは、
第１手法で算出した学習データにより学習した第１学習済みモデルに原子構造を入力して、前記原子構造に対応する第１物性値を生成し、
第２学習済みモデルに前記第１学習済みモデルの中間層からの出力を入力して、第３物性値を生成する、
推論装置。
続きを表示（約 780 文字）【請求項２】
前記第２学習済みモデルは、前記第１手法とは異なる第２手法により算出された前記原子構造に対応する物性値と前記第１物性値との差分に関する第２物性値を生成し、
前記第２物性値と前記第１物性値とに基づいて前記第３物性値を生成する、
請求項１に記載の推論装置。
【請求項３】
前記中間層からの出力に加えて前記第１物性値を前記第２学習済みモデルに入力して、前記第３物性値を出力する、
請求項１に記載の推論装置。
【請求項４】
前記第３物性値は、前記第１物性値に比べて相対的に高精度な物性値である、
請求項１に記載の推論装置。
【請求項５】
前記第２学習済みモデルは、ニューラルネットワークである、
請求項１に記載の推論装置。
【請求項６】
前記第２学習済みモデルは、前記第１学習済みモデルにおける中間層までの構造と、前記中間層の後段に接続されるニューラルネットワークとを有する、
請求項１に記載の推論装置。
【請求項７】
前記第１学習済み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１に記載の推論装置。
【請求項８】
前記第２学習済みモデルは、前記第１学習済みモデルの出力と前記第１手法とは異なる第２手法の出力との差分を推定するように学習される、
請求項１に記載の推論装置。
【請求項９】
前記第１物性値及び前記第３物性値は、エネルギー値である、
請求項１乃至８のいずれか一項に記載の推論装置。
【請求項１０】
前記第１手法はＤＦＴである、
請求項１乃至８のいずれか一項に記載の推論装置。
（【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、推論装置、推論方法、および訓練装置に関する。
続きを表示（約 3,000 文字）【背景技術】
【０００２】
従来、原子の状態の全体のエネルギーと原子１つ１つが受ける力とを予測するニューラルネットワーク（以下、ニューラルネットワークポテンシャル（ＮｅｕｒａｌＮｅｔｗｏｒｋＰｏｔｅｎｔｉａｌ：ＮＮＰと呼ぶ））が知られている。ＮＮＰは、密度汎関数法（ＤｅｎｓｉｔｙＦｕｎｃｔｉｏｎａｌＴｈｅｏｒｙ（ＤＦＴ））などの電子状態のシミュレーションに比べて、極めて短時間でエネルギーおよび／または力を出力することができる。
【０００３】
ＮＮＰは、様々な物質(幅広い元素と構造)に対して汎用的に高精度な計算が行える。一部の有機分子については実用面での要求精度が非常に高いため、ＮＮＰよりもさらに正確に予測できるモデルの需要がある。
【０００４】
また、ＮＮＰで用いられている学習データよりも高精度な学習データを用いて、小分子系に対してＮＮＰが構築されることがある。しかしながら、学習用の高精度なデータは、生成コストが大きく、ＮＮＰを学習するのに十分なデータ量を生成するのが難しい。このため、少数の分子の安定構造のみの訓練データが、学習に用いられる。このような学習だと、不安定構造に対して用いられたときの精度について問題視されることがある。
【先行技術文献】
【非特許文献】
【０００５】
ＳｏＴａｋａｍｏｔｏ，ＣｈｉｋａｓｈｉＳｈｉｎａｇａｗａ，ＤａｉｓｕｋｅＭｏｔｏｋｉ，ＫｏｓｕｋｅＮａｋａｇｏ，ＷｅｎｗｅｎＬｉ，ＩｏｒｉＫｕｒａｔａ，ＴａｋｕＷａｔａｎａｂｅ，ＹｏｓｈｉｈｉｒｏＹａｙａｍａ，ＨｉｒｏｋｉＩｒｉｇｕｃｈｉ，ＹｕｓｕｋｅＡｓａｎｏ，ＴａｓｕｋｕＯｎｏｄｅｒａ，ＴａｋａｆｕｍｉＩｓｈｉｉ，ＴａｋａｏＫｕｄｏ，ＨｉｄｅｋｉＯｎｏ，ＲｙｏｈｔｏＳａｗａｄａ，ＲｙｕｉｃｈｉｒｏＩｓｈｉｔａｎｉ，ＭａｒｃＯｎｇ，ＴａｉｋｉＹａｍａｇｕｃｈｉ，ＴｏｓｈｉｋｉＫａｔａｏｋａ，ＡｋｉｈｉｄｅＨａｙａｓｈｉ，ＮｏｎｔａｗａｔＣｈａｒｏｅｎｐｈａｋｄｅｅ，ＴａｋｅｓｈｉＩｂｕｋａ， “Ｔｏｗａｒｄｓｕｎｉｖｅｒｓａｌｎｅｕｒａｌｎｅｔｗｏｒｋｐｏｔｅｎｔｉａｌｆｏｒｍａｔｅｒｉａｌｄｉｓｃｏｖｅｒｙａｐｐｌｉｃａｂｌｅｔｏａｒｂｉｔｒａｒｙｃｏｍｂｉｎａｔｉｏｎｏｆ４５ｅｌｅｍｅｎｔｓ” ＮａｔｕｒｅＣｏｍｍｕｎｉｃａｔｉｏｎｓｖｏｌｕｍｅ１３，Ａｒｔｉｃｌｅｎｕｍｂｅｒ：２９９１（２０２２），ＵＲＬ：ｈｔｔｐｓ：／／ｗｗｗ．ｎａｔｕｒｅ．ｃｏｍ／ａｒｔｉｃｌｅｓ／ｓ４１４６７－０２２－３０６８７－９
ＪｕｓｔｉｎＳ．Ｓｍｉｔｈ，ＲｏｍａｎＺｕｂａｔｙｕｋ，ＢｅｎｊａｍｉｎＮｅｂｇｅｎ，ＮｉｃｈｏｌａｓＬｕｂｂｅｒｓ，ＫｉｐｔｏｎＢａｒｒｏｓ，ＡｄｒｉａｎＥ．Ｒｏｉｔｂｅｒｇ，ＯｌｅｘａｎｄｒＩｓａｙｅｖ，ＳｅｒｇｅｉＴｒｅｔｉａｋ，“ＴｈｅＡＮＩ－１ｃｃｘａｎｄＡＮＩ－１ｘｄａｔａｓｅｔｓ，ｃｏｕｐｌｅｄ－ｃｌｕｓｔｅｒａｎｄｄｅｎｓｉｔｙｆｕｎｃｔｉｏｎａｌｔｈｅｏｒｙｐｒｏｐｅｒｔｉｅｓｆｏｒｍｏｌｅｃｕｌｅｓ” ＳｃｉｅｎｔｉｆｉｃＤａｔａ．２０２０；７：１３４．Ｐｕｂｌｉｓｈｅｄｏｎｌｉｎｅ２０２０Ｍａｙ１．ｄｏｉ：１０．１０３８／ｓ４１５９７－０２０－０４７３－ｚ，ＵＲＬ：ｈｔｔｐｓ：／／ｗｗｗ．ｎｃｂｉ．ｎｌｍ．ｎｉｈ．ｇｏｖ／ｐｍｃ／ａｒｔｉｃｌｅｓ／ＰＭＣ７１９５４６７／
【発明の概要】
【発明が解決しようとする課題】
【０００６】
本開示が解決しようとする課題は、ニューラルネットワークポテンシャルと同様の高い汎用性を保ちつつ、高精度な物性値を生成することにある。
【課題を解決するための手段】
【０００７】
実施形態に係る推論装置は、少なくとも１つのメモリと、少なくとも１つのプロセッサと、を備える。前記少なくとも１つのプロセッサは、第１手法で算出した学習データにより学習した第１学習済みモデルに原子構造を入力して、前記原子構造に対応する第１物性値を生成し、第２学習済みモデルに前記第１学習済みモデルの中間層からの出力を入力して、第３物性値を生成する。
【図面の簡単な説明】
【０００８】
図１は、実施形態に係る推論装置のハードウェア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における機能ブロックの一例を示す図である。
図３は、実施形態に係るエネルギー推論処理の手順の一例を示すフローチャートである。
図４は、実施形態に係り、学習装置におけるプロセッサにおける機能ブロックの一例を示す図である。
図５は、実施形態に係る学習処理の手順の一例を示すフローチャートである。
図６は、実施形態に係り、初期エネルギー値と、高精度エネルギー値と、初期エネルギー値と高精度エネルギー値との差分（補正値）との一例を示す図である。
【発明を実施するための形態】
【０００９】
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。
【００１０】
（実施形態）
図１は、本実施形態に係る推論装置１のハードウェア構成の一例を示すブロック図である。図１に示すように、推論装置１は、通信ネットワーク５を介して外部装置９Ａと接続されてもよい。また、推論装置１は、デバイスインタフェース３９を介して接続された外部装置９Ｂを備えてもよい。推論装置１は、ユーザにより入力された複数の原子により構成される物質の構造を示す記法を入力してもよい。物質は、例えば、分子である。なお、物質は分子に限定されず、各種結晶などであってもよい。記法は、例えば、当該物質に関連し、ユーザにより入力されたＳＭＩＬＥＳ（ＳｉｍｐｌｉｆｉｅｄＭｏｌｅｃｕｌａｒＩｎｐｕｔＬｉｎｅＥｎｔｒｙＳｙｓｔｅｍ）記法である。ＳＭＩＬＥＳ記法は、例えば、ある特定の分子の情報（原子とそれらがどうつながっているのかの情報）を一定のルールで表したものである。例えば、ＳＭＩＬＥＳ記法は、メタンであれば１個のＣ（炭素）にＨ（水素）が４個つながっているといった粒度の情報である。なお、記法は、ＳＭＩＬＥＳ記法に限定されず、物質が一意に特定できれば、既知の他の記法であってもよい。以下、説明を具体的にするために、ユーザにより後述の入力装置を介して入力される情報は、ＳＭＩＬＥＳ記法に対応する情報（以下、ＳＭＩＬＥＳ情報と呼ぶ）であるものとする。
（【００１１】以降は省略されています）

関連特許