特許ウォッチ

公開番号2025128394
公報種別公開特許公報(A)
公開日2025-09-02
出願番号2025105516,2021098302
出願日2025-06-23,2021-06-11
発明の名称評価装置、推論装置、評価方法、プログラム及び非一時的コンピュータ可読媒体
出願人ENEOS株式会社,株式会社Preferred Networks
代理人個人,個人,個人
主分類G16C 20/30 20190101AFI20250826BHJP(特定の用途分野に特に適合した情報通信技術)
要約【課題】様々な化学構造の第一原理計算を学習したNNPの汎化性能と精度を評価する。
【解決手段】評価装置は、原子構造から当該原子構造の物性値を推論する訓練済みモデルに、原子構造を入力して順伝播し、推論結果を取得する、推論部と、前記推論結果と、前記原子構造について量子化学計算を実行して取得された物性値と、を比較して評価する、評価部と、を備える。前記推論部は、複数のドメインに属する前記原子構造について、それぞれの前記推論結果を取得する。前記評価部は、前記複数のドメインに属する前記原子構造それぞれについての前記物性値を用いて評価する。前記推論部及び前記評価部が推論及び評価に用いる前記原子構造と前記物性値のデータセットは、前記訓練済みモデルの訓練には用いられていないデータセットである。
【選択図】図1
特許請求の範囲【請求項１】
1又は複数のプロセッサを備え、
前記プロセッサは、
原子構造に関する化学領域を示す複数のドメインのいずれかにそれぞれが属する複数の原子構造それぞれをニューラルネットワークである訓練済みモデルに入力して前記複数の原子構造それぞれの第1の物性値を取得し、
前記複数の原子構造それぞれの第2の物性値と前記訓練済みモデルから取得した前記第1の物性値とに基づいて、前記訓練済みモデルを評価する、
評価装置。
続きを表示（約 920 文字）【請求項２】
前記プロセッサは、所定の元素を含む前記複数の原子構造ごとに、前記訓練済みモデルの評価を行う、
請求項1に記載の評価装置。
【請求項３】
前記複数の原子構造それぞれの前記第2の物性値は、第一原理計算により取得される、
請求項1又は請求項2に記載の評価装置。
【請求項４】
前記訓練済みモデルは、NNP(Neural Network Potential)に用いられるニューラルネットワークモデルである、
請求項1から請求項3のいずれかに記載の評価装置。
【請求項５】
前記複数のドメインは、結晶構造、アモルファス構造、二原子分子、分子構造、表面構造又は吸着構造のうち少なくとも1つの前記ドメインを含む、
請求項1から請求項4のいずれかに記載の評価装置。
【請求項６】
前記プロセッサは、前記複数のドメインそれぞれの評価値を算出し、前記評価を行う、
請求項1から請求項5のいずれかに記載の評価装置。
【請求項７】
前記プロセッサは、前記複数の原子構造それぞれの前記第2の物性値と前記訓練済みモデルから取得した前記第1の物性値との平均絶対誤差、平均二乗誤差、二乗平均平方根誤差又は決定係数の内の少なくとも一つを評価値として算出し、前記評価値に基づいて、前記訓練済みモデルを評価する、
請求項1から請求項6のいずれかに記載の評価装置。
【請求項８】
前記プロセッサは、前記評価値として前記ドメインごとの前記平均絶対誤差を算出し、前記評価を行う、
請求項7に記載の評価装置。
【請求項９】
前記プロセッサは、前記評価値として前記ドメインごとの前記平均絶対誤差の分散又は標準偏差を算出し、前記評価を行う、
請求項7に記載の評価装置。
【請求項１０】
前記プロセッサは、前記評価値が所定しきい値未満であるか否かに基づいて、評価を行う、
請求項6から請求項9のいずれかに記載の評価装置。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本開示は、評価装置、推論装置、評価方法、プログラム及び非一時的コンピュータ可読媒体に関する。
続きを表示（約 1,900 文字）【背景技術】
【０００２】
分子、結晶等におけるエネルギーを求めるためには、第一原理計算等の手法により計算する必要がある。この第一原理計算により取得された結果に基づいた推論を実現する手法としてNNP(Neural Network Potential)の研究が行われている。
【０００３】
しかしながら、ニューラルネットワークモデルに共通する問題として、高精度な推論を実現するために学習度を高めたNNPのモデルは、外挿問題に弱くなる。この結果、精度の高い推論をするように訓練すると汎化性能が下がり、逆に汎化性能を高めるようなモデルの訓練だと、精度の問題が大きくなる。このため、NNPの汎化性能と精度の双方を評価する指標が必要となるが、このような指標として適切なものが、現在示されていない。特定の元素の組み合わせなど限られたドメインのみを学習したNNPでは、精度と汎化性能を評価する手法は報告されているが、様々な化学構造の第一原理計算により取得された結果を学習したNNPについて、様々な化学構造を精度よく推論する方法については、報告がない。
【先行技術文献】
【非特許文献】
【０００４】
J. Behler, “Neural Network Potential-Energy Surfaces in Chemistry: A Tool for Large-Scale Simulations,” J. Phys. Chem. Chem. Phys., 2011, 13, 17930-17955
J. S. Smith, et. al., “ANI-1: an extensible neural network potential with DFT accuracy at force field computational cost,” Chem. Sci., 2017, 8, 3192-3203
C. L. Zitnick, et. al., “An Introduction to Electrocatalyst Design using Machine Learning for Renewable Energy Storage,” arXiv, 2010.09435, https://arxiv.org/abs/2010.09435
【発明の概要】
【発明が解決しようとする課題】
【０００５】
本開示は、様々な化学構造を学習したNNPの汎化性能と精度を評価する評価装置を提供する。
【課題を解決するための手段】
【０００６】
一実施形態によれば、評価装置は、原子構造から当該原子構造の物性値を推論する訓練済みモデルに、原子構造を入力して順伝播し、推論結果を取得する、推論部と、前記推論結果と、前記原子構造について量子化学計算を実行して取得された物性値と、を比較して評価する、評価部と、を備える。前記推論部は、複数のドメインに属する前記原子構造について、それぞれの前記推論結果を取得する。前記評価部は、前記複数のドメインに属する前記原子構造それぞれについての前記物性値を用いて評価する。前記推論部及び前記評価部が推論及び評価に用いる前記原子構造と前記物性値のデータセットは、前記訓練済みモデルの訓練には用いられていないデータセットである。
【０００７】
この評価装置により評価された訓練済みモデルは、推論装置における推論を実行するモデルとして備えられてもよい。
【０００８】
この評価装置は、訓練装置に備えられてもよく、訓練装置は、評価装置の評価により訓練対象のモデルの精度及び汎化性能を評価しながらモデルの訓練を実行してもよい。
【図面の簡単な説明】
【０００９】
一実施形態に係る評価装置を模式的に示すブロック図。
一実施形態に係る評価装置の処理を示すフローチャート。
一実施形態に係るドメインと計算条件の関係を示す図。
一実施形態に係る推論装置を模式的に示すブロック図。
一実施形態に係る訓練装置を模式的に示すブロック図。
一実施形態に係るハードウェア実装の一例を示すブロック図。
【発明を実施するための形態】
【００１０】
以下、図面を参照して本発明の実施形態について説明する。図面及び実施形態の説明は一例として示すものであり、本発明を限定するものではない。
（【００１１】以降は省略されています）

関連特許