東大、人工知能が「繰り返し成長すること」で計算コストを約1/3600に削減

  • このエントリーをはてなブックマークに追加

研究成果の模式図

東京大学生産技術研究所の溝口照康准教授らの研究グループは2017年11月15日、機械学習の転移学習という技術を活用して人工知能が繰り返し成長することで、物質の界面の構造を決定するための計算コストを1/3600まで削減することに成功したと発表した。

物質と物質が接する領域である「界面」は物質内部に無数に存在し、その構造は、電気やイオンの伝導性、物質の耐久性など多くの機能と密接に関係している。界面の構造を決定することは物質科学の重要な研究課題の1つだが、界面には無数の種類が存在するうえ、その1種類の構造を決定するだけでも数千〜数万回の膨大な理論計算が必要だった。

同研究グループでは、クリギングという機械学習の手法により作成した人工知能を使って界面の構造を高速に決定する手法の開発に取り組んできた。そして今回の研究では、探索空間(パラメーター)を従来の3次元から74次元に拡張して、転移学習の技術をクリギングに組み込んだ。転移学習では、ある問題を解く際に作成した人工知能を、類似した別の問題に利用する。前に学習した知識を用いて新しい問題を解くことで、人工知能は賢くなる。さらに、これを繰り返すことで人工知能はより賢くなっていく。

この手法の有効性を確認するため、過去に報告のある鉄の33種類の界面の構造決定を行った。これらの界面構造をすべて決定するためには、約165万回もの理論計算が必要であったが、クリギンクと転移学習を組み合わせた手法を用いることで、462回の計算ですべての界面構造を決定することに成功。計算コストを約1/3600まで削減した。

また転移学習なしのクリギングでも1241回の理論計算が必要だったが、知識を転移するたびにより賢くクリギングを行い、計算回数が減少して、転移学習のない場合と比べ約3倍速く探索を終えることができた。

同研究グループは、今回開発した手法を利用し界面の構造をより効率的に決定することで、物質の開発スピードの加速が期待されるとしている。

関連リンク

プレスリリース

関連記事

fabcross
meitec
next
ページ上部へ戻る