東大開發新的深度學習方法，大幅提高預測玻璃結構變化的精度

日本東京大學研究團隊使用名為「圖形神經網路（Graph Neural Network, GNN）」的深度學習方法，開發出了「BOnd TArgeting Network (BOTAN)」，該技術可從玻璃原子排列中預測結構會如何隨著原子運動而改變。

由於玻璃為非晶態固體，原子呈不規則排列，故想要在原子排列中找到預測玻璃性質的線索相對困難。因此，通常會以模擬方式探究原子排列的時間變化。研究顯示，在乍看之下毫無特徵的玻璃的原子排列中，其實早已嵌入了結構的時間變化訊息。然而，此方法需要定期更新粒子運動，因此計算費時是一大課題。

GNN模型將每個原子視為圖形的節點（頂點），將相鄰原子之間的關係視為邊緣，並學習了原子隨時間變化後的移動距離，因此僅需提供原子排列一瞬間的「快照」，便能預測出在長時間的未來中原子運動的情況，省去了大量運算時間。經改良後，GNN模型不僅學習了節點中原子的移動距離，還學習了邊緣上相鄰原子之間距離的變化，此模型命名為BOTAN，其誤差值降低了20-50%（以均方誤差(mean-square error、MSE)估算），且不管短時間或長時間皆能穩定並精確地預測結果。

非晶態材料如金屬和陶瓷等被廣泛應用於硬碟、燃料電池電極等高功能材料中，因此精確預測這些材料的力學性質對於研究和應用具有重要意義。

這項研究成果由東京大學的特任講師芝隼人、特任助理教授華井雅俊、鈴村豊太郎教授和下川辺隆史准教授等人組成的研究小組完成，發表於美國物理化學學術期刊《The Journal of Chemical Physics》上。

資料來源：my navi新聞（2023-02-28）
【原文/出處】