1

量子アニーリングを用いたマテリアルズ・インフォマティクス手法-量子アニーリングで材料開発を加速する-

物質・材料研究機構/東京大学 田村 亮

共同研究グループ

東京大学津田研究室

東京大学塩見研究室

早稲田大学田中准教授

2

機械学習による材料特性予測と材料探索

(Li3BO3)1-x(Li2SO4)x

組成

FeaNibCucSid

構造

プロセス

SmFeAs(O1-xFx)

材料特性

特性予測モデル

機械学習により特性を予測

機械学習による予測

材料データベース

特性予測モデル

所望の特性を持つ材料候補

計算or実験データの追加

候補すべての予測値を評価

次の計算/実験候補を選定

機械学習

ブラックボックス最適化

少ない計算/実験でより良い材料を探索

アニーリングマシンで解決

組合せ爆発が起こる

0-1変数で表現

3

量子アニーリングを用いたMIの新手法

全ての候補から

予測特性が一番よい

候補をアニーリング

マシンで選ぶ．

一番良い候補の特性を

計算or実験する．

既存の材料シミュレータの

置き換え不要(導入コスト低)

特性予測用

イジングモデル

を学習する．

Factorization Machine

Kitai et al., arXiv:1902.06573

FMQA（提案手法）：機械学習

4

放射冷却用メタマテリアル開発

スコアを評価 大きいと良い

大気の窓大気の影響が少なく光の透過率が高い

-複雑構造を持つ人工材料最適化-構造候補がさいの目数に指数関数的増大全計算は不可能

電磁波が宇宙空間に放出され温度が低下Kitai et al., arXiv:1902.06573

5

計算時間と探索結果計算時間比較 FMQAが見つけた最適構造

計算時間の短縮により多数の条件を網羅的に検討可能に組成やプロセス違いなどの材料探索空間の拡大に貢献

アニーリングマシン使用

アニーリングマシン不使用

使用ビット数

計算時間

[秒]

候補選択

機械学習

シミュレーション

最高FOM構造

Kitai et al., arXiv:1902.06573

6

今後の展望

アニーリングマシンを用いた高速ブラックボックス最適化（既存シミュレータ使用可，実験結果適用可：導入コスト低）

0-1変数で表現(整数値適用可)

有機材料 無機材料 薬 測定 加工 製造