Modeling of materials and its applications using density functional theory calculation and machine learning

第一原理計算は, 物質や材料のエネルギーや基礎的な物性, 電子状態を得るための手段として不可欠であるだけでなく, より高度な計算である材料スクリーニング, 結晶構造探索, 未知物質予測, 熱力学計算, 分子動力学計算などを行う手段としても一般的になりつつある. しかし, このような高度な計算は, 網羅的な第一原理計算を必要とするため, 実行可能な対象は限定的であるというのが現状である. 本稿では, 機械学習手法や効率的データ構造を導入することにより, 第一原理計算に基づいた高度な計算を効率的に実施し, それらの応用範囲(原子数, 時間範囲, 自由度)を大幅に拡大するための手法について紹介する. 第一原理計算は, 物質や材料のエネルギーや基礎的な物性, 電子状態を得るための手段として不可欠であるだけでなく, より高度な計算である材料スクリーニング, 結晶構造探索, 未知物質予測, 熱力学計算, 分子動力学計算などを行う手段としても一般的になりつつある. しかし, このような高度な計算は, 網羅的な第一原理計算を必要とするため, 実行可能な対象は限定的であるというのが現状である. 本稿では, 機械学習手法や効率的データ構造を導入することにより, 第一原理計算に基づいた高度な計算を効率的に実施し, それらの応用範囲(原子数, 時間範囲, 自由度)を大幅に拡大するための手法について紹介する.This paper demonstrates machine learning potential, providing an accurate description of the relationship between the energy and the crystal structure and its potential applications such as large-scale molecular dynamics simulations and global structure optimizations. This paper also describes machine-learning-based methods to perform crystal structure optimization from a vast number of candidate structures. Finally, the paper introduces a novel compact data structure of the zero-suppressed binary decision diagram (ZDD) to enumerate structures much more efficiently