Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
永井 佑紀; 田中 章詞*; 富谷 昭夫*
Physical Review D, 107(5), p.054501_1 - 054501_16, 2023/03
被引用回数:3 パーセンタイル:84.41(Astronomy & Astrophysics)近年我々が開発している自己学習モンテカルロ法は、モンテカルロ法を機械学習によって加速する方法であり、あらゆるマルコフ連鎖モンテカルロ法を加速する可能性を秘める応用範囲の広い手法である。本論文では、数値シミュレーションが極めて難しく計算コストの高い格子量子色力学のモンテカルロシミュレーションに対して、自己学習モンテカルロ法を適用できたことを報告したものである。このシミュレーションではゲージ場を扱うため、通常のモンテカルロシミュレーションよりも複雑である。特に、ゲージ場とフェルミオン場が含まれる際には計算コストが跳ね上がる特徴をもつ。このような数値的にチャレンジングである系に対して、自己学習モンテカルロ法による有効模型構築を実施することに成功した。その結果、自己学習モンテカルロ法の応用範囲が極めて広いことを示すとともに、格子量子色力学モンテカルロシミュレーションを高速化できることを示した。
永井 佑紀; 奥村 雅彦; 田中 章詞*
Physical Review B, 101(11), p.115111_1 - 115111_12, 2020/03
被引用回数:17 パーセンタイル:74.78(Materials Science, Multidisciplinary)モンテカルロ法は原子力分野以外にも様々な分野で利用される極めて汎用的な手法である。近年、機械学習の手法を取り込むことで、高速なモンテカルロ法が開発されている。本稿では、銅酸化物高温超伝導体をはじめとする様々な物質のシミュレーションにおいて汎用的に用いられている連続時間量子モンテカルロ法に対して機械学習の手法を適用した結果を報告する。なお、上記課題の解決にあたり、モンテカルロ法でネックの一つとなる次の配置をどう決めるか、という問題に対して、ニューラルネットワークを用いた構築した有効模型を用いて自動的に決定するという手法を提案した。この手法の開発により、より高精度な超伝導体シミュレーションや、ウランなどの重い元素を含む第一原理計算の高速化が期待できる。
永井 佑紀; 奥村 雅彦; 田中 章詞*
no journal, ,
モンテカルロ法は原子力分野以外にも様々な分野で利用される極めて汎用的な手法である。近年、機械学習の手法を取り込むことで、高速なモンテカルロ法が開発されている。本招待講演では、銅酸化物高温超伝導体をはじめとする様々な物質のシミュレーションにおいて汎用的に用いられている連続時間量子モンテカルロ法に対して、ニューラルネットワークを用いた機械学習の手法を適用した結果を報告する。なお、上記課題の解決にあたり、モンテカルロ法でネックの一つとなる次の配置をどう決めるか、という問題に対して、機械学習によって自動的に決めるという手法を提案した。その際、分子動力学法の分野で使われているニューラルネットワーク構築手法をこの手法に取り込むことで、高精度な計算が可能となった。この手法の開発により、より高精度な超伝導体シミュレーションや、ウランなどの重い元素を含む第一原理計算の高速化が期待できる。これらの結果は、広く原子力分野のためのシミュレーション技術開発に資する成果である。
永井 佑紀; 奥村 雅彦; 田中 章詞*
no journal, ,
モンテカルロ法は原子力分野以外にも様々な分野で利用される極めて汎用的な手法である。近年、機械学習の手法を取り込むことで、高速なモンテカルロ法が開発されている。本講演では、銅酸化物高温超伝導体をはじめとする様々な物質のシミュレーションにおいて汎用的に用いられている連続時間量子モンテカルロ法に対して 機械学習の手法を適用した結果を報告する。なお、上記課題の解決にあたり、モンテカルロ法でネックの一つとなる次の配置をどう決めるか、という問題に対して、ニューラルネットワークを用いた構築した有効模型を用いて自動的に決定するという手法を提案した。この手法の開発により、より高精度な超伝導体シミュレーションや、ウランなどの重い元素を含む第一原理計算の高速化が期待できる。これらの結果は、広く原子力分野のためのシミュレーション技術開発に資する成果である。
永井 佑紀; 奥村 雅彦; 田中 章詞*
no journal, ,
機械学習的手法を用いた高速なモンテカルロ法である「自己学習モンテカルロ法」は、モンテカルロ法における次の配置を、機械学習によって生成された有効模型を用いて提案し、受け入れ確率の高い配置によって自己相関時間を劇的に短縮する手法である。有効模型は、オリジナルの配置と対応する重みのデータセットから学習によって決定される。この時、なるべく良い有効模型を得ることが重要であるが、どのような有効模型を作れば良いかは自明ではなかった。そこで、分子動力学法で使われているBehler-Parrinello型と呼ばれるニューラルネットをSLMC法に用いることで、有効模型を自動構築する方法を見出した。Behler-Parrinello型ニューラルネットワークは、モンテカルロ配位をそれぞれの「原子」に分割し、同じ「原子」種では同じニューラルネットを使うことに特徴がある。本招待講演では、このニューラルネットワークの概略と連続時間量子モンテカルロ法に対してこの手法を適用した結果を示す。