構造材料の材料設計・プロセス最適化のための新たな逆解析手法の確立

结构材料材料设计和工艺优化的新型逆分析方法的建立

基本信息

批准号：
22KJ0946
负责人：
野口聖史
金额：
$ 1.09万
依托单位：
Japan Agency for Marine-Earth Science and Technology (2023)The University of Tokyo (2022)
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 2024-03-31
项目状态：
已结题

来源：
https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22KJ0946/
关键词：
材料設計深層学習プロセス・構造・特性連関分子構造最適化

项目摘要

本研究は鉄鋼材料などの構造材料や分子構造を対象に，深層学習を用いてプロセス・構造・特製連関を，不確実性を含めて抽出・解析し得る枠組みを確立することを目的とし，深層学習ネットワークを基礎とする方法論を検討した．特に，材料構造の確率的特徴付けを中心として，連関獲得のための枠組みの構築を目指した．また，構築した枠組みの獲得する相関の物理的な意味や既知の物理的・材料的知見との親和性の観点から，材料設計・プロセス最適化への展開を検討した．以下に，本研究の与える重要な結果をいくつか示す．(1) 本研究の枠組みが，明示的な物理的メカニズムなどの問題固有の情報を直接導入することなく，材料的・物理的に説明可能な知識を獲得できるかを検討した．特に，人工二相鋼組織の強度・伸びに関する構造最適化の文脈で，破断伸びに支配的影響を与える部分構造を同定する問題を考察した．物理モデルの与える結果と比較したところ，支配的影響部の定性的な分布に関して十分な精度での一致を確認した．この結果は，本研究の与える枠組みが物理的に説明可能な知識を抽出することを示唆するものである．(2) 他の材料設計の文脈への展開として，本研究の枠組みを分子構造最適化問題へ適用した．具体的には，特定の部分構造を有する枠組みのうち，ある性能に関する最適分子を探索する文脈において，従来手法であるRecurrent Neural Network (RNN)と本研究の枠組みの一部であるPixelCNNを比較した．その結果，PixelCNN(本研究)は探索開始分子によらずロバストに探索可能である点で，従来手法よりも優位であった．さらに，探索可能領域に関しても従来手法より広く，より高性能な分子を含んでいることが確認された．以上の結果は，分子構造最適化問題における，従来手法と比較した本手法の優位性を示すものである．

这项研究的目的是建立一个框架，可以使用深度学习来提取和分析过程、结构和特殊关系（包括不确定性），例如钢铁材料和分子结构。我们研究了一种基于学习网络的方法。特别是，我们的目标是构建一个获取关联的框架，重点关注材料结构的概率表征。我们还从所构建的框架所获得的相关性的物理意义及其与已知物理和材料知识的兼容性的角度考虑了材料设计和工艺优化的发展。以下是这项研究的一些重要结果。（1）我们调查了本研究的框架是否能够获得可以在物质和物理上解释的知识，而无需直接引入特定问题的信息（例如显式物理机制）。特别是，在工程双相钢结构强度和伸长率的结构优化背景下，我们考虑了识别对断裂伸长率具有主导影响的子结构的问题。与物理模型给出的结果进行比较，证实了主导影响区的定性分布具有足够的精度。这一结果表明本研究提供的框架提取了物理上可解释的知识。 (2)作为对其他材料设计背景的延伸，本研究的框架被应用于分子结构优化问题。具体来说，我们比较了循环神经网络（RNN）（一种传统方法）和 PixelCNN（本研究框架的一部分），在具有特定子结构的框架内搜索特定性能的最佳分子。．因此，PixelCNN（本研究）优于传统方法，因为无论搜索起始分子如何，它都能够执行稳健的搜索。此外，已证实可搜索区域比传统方法更宽，并且包括具有更高性能的分子。上述结果证明了该方法在分子结构优化问题上相对于传统方法的优越性。