抖阴旅行射

【本学研究者情报】

〇学际科学フロンティア研究所
助教　Nguyen Tuan Hung

【発表のポイント】

• 物質の物性予測に適した新しいAIモデル「GNNOpt（Graph Neural Network for Optical Spectra）」を開発しました。
• 骋狈狈翱辫迟は、量子シミュレーションと比较して100万倍の速度で、しかも高精度な光学スペクトル予测を行うことができました。
• 本成果によって、光学や量子力学による新规材料开発を大幅に加速させることが期待されます。

【概要】

エネルギー応用に最适な物质を设计する上で、固体材料の构造と物性の関係を理解することは极めて重要です。これまでは、材料构造から物性を予测するための强力なツールとしてグラフニューラルネットワーク（骋狈狈）^{（注１、２）}が活用されてきました。しかし、材料の立体构造をコンピューター上で表现するのが难しいため、従来の骋狈狈で多くの复雑な材料の特性を予测することは依然として困难です。そこで、このボトルネックを克服するための新しい骋狈狈モデルが提案されています。

东北大学学际科学フロンティア研究所のグエン タン フン（Nguyen Tuan Hung）助教は、米マサチューセッツ工科大学（MIT）のミンダ?リ(李明达, Mingda Li)教授、岡部遼太郎氏（博士課程学生）、アピチャトメティ?チョトラッタナピトゥク(Abhijatmedhi Chotrattanapituk)氏（博士課程学生）と共同で、GNNモデルに「普遍的な」アンサンブル埋め込み層を使用した新たなAIモデル「GNNOpt」を開発しました。この埋め込み層は、従来の予測力を向上させるための最適な表現と材料を自動的にマッチングさせる機能を持ち、GNNOptは結晶構造のみを基にした光学スペクトルの精密な予測と、従来の量子シミュレーション^（注３）の最大100万倍の速さでの计算が可能です。

今后、骋狈狈翱辫迟は光起电力材料や量子材料^（注４）の开発を大幅に加速させることが期待されます。

本成果は9月12日、学術誌Advanced Materialsに掲載されました。

【用语解説】

注1. グラフニューラルネットワーク（Graph Neural Networks、GNN）：グラフ構造データを扱うための深層学習技術です。ちなみにグラフ構造とは、考察する対象を頂点(ノード)で表し、対象と対象の関係を辺（エッジ）で結んで図で表示した構造です。ネットワーク分析や最適化問題、アルゴリズム、データ構造など、さまざまな分野で広く利用されている数学的概念です。

注2. 同変グラフニューラルネットワーク：GNNの一種で、空間的な変換に対して同変性（equivariance）を持つモデルです。特に、対称性や物理法則に基づいた問題において重要です。

注3. 量子シミュレーション：原子の種類と位置の情報を入力して固体の電子状態を計算する計算手法。正式には第一原理計算と呼ばれます。その手法は多岐に渡り、第一原理計算を行うパッケージとしても製品版、無料版など各種公開されています。

注4. 量子材料：量子力学の効果を示す材料。超伝導やトポロジーといった特殊な性質を持つ材料の一種です。

【论文情报】

タイトル：Universal Ensemble-Embedding Graph Neural Network for Direct Prediction of Optical Spectra from Crystal Structures
著者：Nguyen Tuan Hung*, Ryotaro Okabe, Abhijatmedhi Chotrattanapituk, Mingda Li*
*責任著者：东北大学学际科学フロンティア研究所 助教 Nguyen Tuan Hung
マサチューセッツ工科大学 准教授 Mingda Li
掲載誌：Advanced Materials
DOI:

详细（プレスリリース本文）

问い合わせ先

（研究に関すること）
东北大学学际科学フロンティア研究所
助教 Nguyen Tuan Hung
TEL: 022-795-5755
Email: nguyen.tuan.hung.e4*tohoku.ac.jp
（*を蔼に置き换えてください）

（报道に関すること）
东北大学学际科学フロンティア研究所
企画部
特任講師　児山 洋平（こやま ようへい）
TEL: 022-795-4353
Email: yohei.koyama.e2*tohoku.ac.jp
（*を蔼に置き换えてください）