機械学習によるマルチスケール物理シミュレーションの高度化

使用机器学习推进多尺度物理模拟

• 批准号: 22KF0210
• 负责人: 鹿島 久嗣
• 金额: $ 1.02万
• 依托单位: Kyoto University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for JSPS Fellows
• 财政年份: 2023
• 资助国家: 日本
• 起止时间: 2023-03-08 至 2025-03-31
• 项目状态: 未结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22KF0210/
• 关键词: マテリアルズインフォマティクス; 機械学習; 人工知能

This research project aims at implementing nucleation of dislocation in mesoscopic scale simulation by training a machine learning model with data obtained from simulations at the atomistic scale. Since the beginning of the project, seven months ago, the fellow was able to train a model able to predict with a very high degree of precision the nucleation of dislocation in atomistic simulations by training a machine learning model with : (a) the shape of the system, (b) the strain, (c) the global potential energy, (d) at which strain interval took place the last plastic event, and (e) the size of the system. This result shows that it is indeed possible to use machine learning to predict nucleation of dislocations and allows to start the implementation of the model at the mesoscopic scale.

该研究项目旨在通过训练从原子量表中从模拟获得的数据来训练机器学习模型，以实现介绍量表模拟中的脱位成核。自七个月前项目开始以来，该研究员能够训练一个模型，能够以很高的精度预测原子学模拟中脱位的成核，通过使用以下方式训练机器学习模型：（a）系统的形状，（b）应变，（c）全球势能，（d）在该压力间隔下进行最后的塑料事件，并将其尺寸置于系统的大小。该结果表明，确实可以使用机器学习来预测位错成核，并允许以介质量表的范围启动模型的实现。