米アルゴンヌ国立研究所(ALN)の研究チームは、機械学習を利用して、スズの二次元材料「スタネン」の物性予測を行った。医療診断や株価予測などさまざまな分野で使われるようになっている機械学習だが、これを材料科学分野の研究に応用した事例として注目される。研究成果は、学術論文誌「The Journal of Physical Chemistry Letters」に掲載された。

スタネンは、スズの原子がグラフェンのように二次元状に結合してできた原子層薄膜材料である。研究チームは今回、機械学習の手法によって原子レベルのモデリングを行い、スタネンの熱特性などを精密に予測した。

新たに発見された材料を研究する際、モデリングによる物性予測は特に重要となる。その材料がどんな特性を持っているか、異なる刺激に対してどう反応するか、また商用を考えたときにどれだけ効率よく材料を作れるかといったことを、コストのかかる実物作製の前に予想しておく必要があるためである。

原子スケールの材料のモデリングには通常、数年スパンの時間がかかる。また、モデル構築の基となるパラメータの決定については、研究者の経験と直観に依存する部分が大きい。研究チームは、この作業に機械学習を導入することによって、人間の労力を減らし、精密なモデル構築にかかる時間を数カ月にまで短縮した。

研究者は、実験から得られたデータおよび理論計算の結果を学習用データセットとして入力し、これらの特性すべてを説明できるモデルを機械学習の手法によってコンピュータに探させる。構造最適化、欠陥の導入、材料の調整などによって、欲しい特性を得られるかどうかについても、機会学習で調べさせることができるという。

今回の研究では、第一原理計算に基づいて原子の結合状態を詳細に計算する「ボンドオーダーポテンシャル(BOP)」と呼ばれるモデルを、機械学習によって構築した。このモデルから、グラフェンと比べてスタネンの表面が大きくうねっており、うねりの度合いの温度依存性もグラフェンより大きいこと、またグラフェンより熱伝導度が低いことなどがわかったという。

従来のほとんどのモデリングと違って、機械学習によるモデリングでは、BOP計算によって原子の結合状態や破断などを正確にとらえることができる。これによって、熱伝導度などの物性予測の信頼性が増すだけでなく、化学反応を正確に把握し、特殊な材料合成の理解に役立てることができる。また、同手法は、材料の種類に依存せず、さまざまな材料の研究に幅広く応用できるという。