- 2018-1-29
- 技術ニュース, 電気・電子系
- MIT, マサチューセッツ工科大学, 日本原子力研究開発機構, 機械学習, 自己学習モンテカルロ法, 量子シミュレーション
オリジナルモデルに対しトライアルシミュレーションを行い、学習データを集めたあと、機械学習によって“有効モデル”を構築。有効モデルによる計算をシミュレーションの途中に挟み込むことで、高速化を達成できる。
日本原子力研究開発機構（原子力機構）は2018年1月26日、マサチューセッツ工科大学（MIT）と共同で、機械学習によって複雑な現象からその本質だけを抽出する自己学習モンテカルロ法の開発に成功し、量子シミュレーションの高速化を達成したと発表した。
物質の性質の多くは電子集団の振る舞いの違いによって説明され、その振る舞いを正確に知るためには、電子集団の量子力学的性質を考慮する量子シミュレーションが必要となる。しかし、量子シミュレーションの多くは計算量が膨大で、計算が実質的に不可能となるケースが多く、物質の性質の理解に対する障壁となっていた。
そのため、固体物理学では、余分な複雑さをそぎ落とし、現象を再現できる最低限の有効モデルを作って解析することが行われてきた。しかし、問題によってはどのように本質を抽出すれば良いかわからず、その方法は個々の科学者達のセンスに依存していた。
研究グループは今回、急速に発展している機械学習に着目し、固体中の電子集団の性質を研究する量子シミュレーションの分野に適用した。その際、有効モデルを構築するという高度な作業を、機械学習によって代替するという発想の下、モンテカルロ法を用いる量子シミュレーションに対して機械学習を適用。極めて少ない計算量でシミュレーション可能とする有効モデルの導出に成功し、シミュレーションによっては約1万倍に及ぶ計算の劇的な高速化を達成した。
同方法は、固体中電子の量子モンテカルロ法に限らず、モンテカルロ法が用いられるさまざまな問題に適用できると説明。この成果により、高温超伝導体や重元素化合物など、電子集団の複雑な挙動が鍵となる物質の量子シミュレーションの高速化が達成されるとし、それらの物性の機構解明に繋がることが期待されるとしている。
