東京大学(東大)は、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。

同成果は、東京大学生産技術研究所の溝口照康 准教授、小田尋美氏、清原慎氏、東京大学大学院新領域創成科学研究科の津田宏治 教授らの研究グループによるもの。詳細は日本の学術誌「Jounal of the Physical Society of Japan」に掲載された。

界面は、物質の電気伝導性やイオン伝導性、耐久性などの機能に役割を果たしている。界面の構造は結晶とは異なっており、その構造が界面における機能の起源だ。つまり、界面の機能を理解するためには、界面固有の構造を明らかにすることが不可欠だ。

一方で、同じ物質でも無数の種類の界面が存在し、それぞれの界面が異なる構造をもっている。さらに、その中の1種類の界面でも、数千～数万個という候補構造が存在しており、従来はすべての候補構造について理論計算を行い、候補の中から最も安定なものを決める必要があったため、さまざまな種類の界面の構造を網羅的かつ系統的に決定することは困難だとされてきた。

研究グループはこれまで、ある問題を解くための人工知能を作成するクリギングという機械学習の手法を利用して人工知能を作成し、界面構造を探索させる手法を開発してきた。 今回の研究では、転移学習という手法をクリギングに組み込んだ。転移学習は、作成した人工知能を類似した別の問題を解くために利用するというものだ。前に学習した知識を利用して新しい問題を解くことで、より高速かつ正確に解くことが可能になる。つまり、学習した知識を転移することで、「賢い」人工知能を作ることができる。

研究グループは、転移学習を利用するために3次元だった従来の探索空間(パラメータ)を74次元に拡張した。今回の研究では、同手法の有効性を確認するために、過去に報告のある鉄の33種類の界面の構造を決定した。それらすべての界面の構造を決定するためには、実に165万660回もの膨大な理論計算が必要だった。しかし、研究グループが開発したクリギングと転移学習を組み合わせた手法を用いることで、計算コストを約1/3600まで削減し、462回の計算ですべての界面構造を決定することに成功したという。

74次元空間の模式図 (出所:東京大学Webサイト)

また、転移学習なしのクリギングでは、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、転移学習なしの場合と比較すると、約3倍速く探索を終えることができたとしている。

なお、今回の成果を受けて研究グループは、同手法を利用することで、界面の構造をより効率的に決定することができ、物質の開発スピードが加速されることが期待されるとコメントしている。