Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
-Fe鈴土 知明; 海老原 健一; 都留 智仁; 森 英喜*
Journal of Applied Physics, 135(7), p.075102_1 - 075102_7, 2024/02
体心立方(bcc)金属および合金では延性脆性遷移温度以下において脆性的破壊が起きる。この事象は、脆性破壊を起こすき裂先端の臨界応力拡大係数が塑性変形を起こす臨界応力拡大係数よりも小さく塑性変形よりも脆性破壊が優先的に選択されるという考え方によって理論的に説明されている。この考え方は巨視的には正しいが、このような脆性破壊は常にき裂先端近傍での小規模な塑性変形、すなわちき裂先端塑性変形を伴う。この論文では、最近開発された-Feの機械学習原子間ポテンシャルを用いて原子論的モデリングを行い、この塑性の発現メカニズムを解析した。その結果、高速なき裂進展によってき裂先端位置の原子群が動的に活性化され、それがき裂先端塑性の前駆体になっていることが判明した。
杉田 萌; 高柳 智弘; 植野 智晶*; 小野 礼人; 堀野 光喜*; 金正 倫計; 小栗 英知; 山本 風海
Proceedings of 20th Annual Meeting of Particle Accelerator Society of Japan (インターネット), p.519 - 522, 2023/11
J-PARC RCSでは、ペイント入射のビーム軌道偏向にペイントバンプ電磁石を用いている。ペイントバンプ電磁石用の電源は、IGBT制御のチョッパ回路で構成され、指令電流と指令電圧のパターンにより、ビーム軌道を時間変化させる出力電流波形(ペイントパターン)を作成することができる。ビーム軌道の制御精度は、指令電流と出力電流の波形の形状差(出力電流偏差)で決まる。現在のペイントパターン調整では、電源制御の応答関数に応じてパターンを調整するソフトを用いたうえで手動調整を行い、要求精度を達成している。しかし、この調整に1時間程度を要しており、更なる調整時間の短縮を行いたい。また、より最適な調整方法によりビームロスの低減を実現するために、従来の要求より10倍精密な出力電流偏差を実現したい。高精度なペイントパターンの作成には、負荷側のインピーダンスの解析モデルが必要になるが、時間変化する非線形のペイントパターンにおいてはインピーダンスが変化するため、解析モデルの構築は非常に困難である。機械学習では、負荷の解析モデルを構築せずとも学習によって非線形な応答を高速かつ高精度で得ることが可能である。機械学習を用いて台形波の出力パターン調整を行ったところ、学習を重ねることで立ち上り直後のリンギングを抑制した出力パターンの作成に成功した。本発表ではシステムの現状と今後の展望について報告する。
小林 恵太; 奥村 雅彦; 中村 博樹; 板倉 充洋; 町田 昌彦; 浦田 新吾*; 鈴谷 賢太郎
Scientific Reports (Internet), 13, p.18721_1 - 18721_12, 2023/11
被引用回数：1 パーセンタイル：0(Multidisciplinary Sciences)非晶質物質の構造因子に現れる鋭い第一ピークはFSDPと呼ばれ、非晶質物質中の中距離秩序構造を反映したものであると考えられているが、その構造的起源に関しては現在まで議論が続いている。今回、第一原理計算と同等の精度を持つ機械学習分子動力学を用いることにより、高密度シリカガラスにおけるFSDPの構造起源を解析した。まず、機械学習分子動力学を用いることにより、高密度シリカガラスの様々な実験データの再現に成功した。また、高密度シリカガラスにおけるFSDPの発達(減少)は、ガラス構造の圧縮に伴う、Si-O共有結合ネットワーク中のリング構造の変形挙動によって特徴付けられることを明らかにした。
加藤 正人; 中道 晋哉; 廣岡 瞬; 渡部 雅; 村上 龍敏; 石井 克典
日本原子力学会和文論文誌(インターネット), 22(2), p.51 - 58, 2023/04
高速炉燃料として使用されるウラン・プルトニウム混合酸化物(MOX)ペレットは、ボールミル,造粒,プレス,焼結などのプロセスを経て、機械的混合法によって製造されている。重要な燃料仕様の一つであるペレット密度を制御することは不可欠だが、製造工程における多くのパラメーター間の関係を理解することは困難である。日本での生産実績からMOX製造データベースを作成し、18種類の入力データを選定してデータセットを作成した。MOXペレットの焼結密度を予測するための機械学習モデルは、勾配ブーストリグレッサーによって導出され、測定された焼結密度をR
=0.996の決定係数で表すことができた。
小林 恵太; 中村 博樹; 板倉 充洋; 町田 昌彦; 奥村 雅彦
まてりあ, 62(3), p.175 - 181, 2023/03
核燃料の研究開発において、原子炉運転時からシビアアクシデント時の融点付近に至る温度領域まで、核燃料物質の高温物性を把握することが必須となるが、その取扱いの困難さから、実験研究を行うことは容易ではない。一方、シミュレーション研究は安全に実施可能であるが、高温物性評価のために必要である、高精度な大規模構造の長時間シミュレーションは、従来のシミュレーション手法では、実施が難しかった。我々は、最近開発された機械学習技術を応用して高精度な大規模構造の長時間シミュレーションが実施可能な「機械学習分子動力学法」を用いて、酸化トリウムの高温熱物性評価に成功した。本稿は、機械学習分子動力学法と我々の研究成果について概説する。
野村 昌弘; 沖田 英史; 島田 太平; 田村 文彦; 山本 昌亘; 杉山 泰之*; 長谷川 豪志*; 原 圭吾*; 大森 千広*; 吉井 正人*
Proceedings of 19th Annual Meeting of Particle Accelerator Society of Japan (インターネット), p.215 - 217, 2023/01
J-PARC 3GeVシンクロトロン(RCS)では、機械学習の一種であるニューラルネットワークによる画像認識技術を用いることにより、ビームモニタで得た強度分布の画像から、前段のLinacからの入射ビームに関する情報が得られるようにしている。現状では、得られる情報の中で、入射ビームの運動量広がりについてはガウス分布の標準偏差として、また時間構造については強度が一定としてその時間幅として求められているが、これらの情報に関してはそれぞれの値としてではなく、運動量広がりと時間で表される位相空間上での強度分布として求められることが望まれる。そこで本研究では、ニューラルネットワークの出力を値から画像に変更し、位相空間上での強度分布の画像を学習させることにより、ニューラルネットワークの予測画像として位相空間上での強度分布が求められる様にした。その結果、シミュレーションによる画像を用いた検証ではあるが、ビームモニタで得た強度分布の画像から位相空間上での強度分布が求められることが確かめられた。
粉川 広行; 二川 正敏; 羽賀 勝洋; 都築 峰幸*; 村井 哲郎*
JAEA-Technology 2022-023, 128 Pages, 2022/11
JAEA-Technology-2022-023.pdf:9.0MB
大強度陽子加速器施設(J-PARC)の物質・生命科学実験施設では、ステンレス製の水銀標的容器内で流動する水銀にパルス陽子ビームを繰り返し入射し、核破砕反応により生成する中性子を最先端科学実験に供する。パルス陽子ビーム入射に伴い、水銀中には圧力波が発生し、圧力波の伝播と容器変形の相互干渉に起因するキャビテーション損傷、特に陽子ビーム入射部の損傷が標的容器の寿命を支配する。圧力波及び損傷の低減対策として、ヘリウムの微小気泡を水銀中に注入する方法を開発し、圧力波及び損傷の低減を実証した。所期の1MWの大強度陽子ビーム下における水銀標的容器の耐久性を向上させるには損傷をさらに低減する必要がある。微小気泡による圧力波低減効果の向上には、水銀中での直径が150
m以下である気泡の体積含有率を高めることが求められる。気泡生成器から注入した気泡は浮力による上昇や流動過程での合泡などを起こし、水銀内を流動中に気泡の体積含有率は低下する。気泡生成器の設置位置を損傷が激しいビーム入射部に近づければ、ビーム入射部近傍の気泡体積含有率の低下を防ぐことが可能である。しかし、ビーム入射部に近づくほど、気泡生成器の設置空間が狭く流動抵抗が大きくなるため、冷却に十分な水銀流量の確保が困難になることや、水銀流速の低下により生成気泡径が大きくなる等の弊害が生じる。そこで、標的容器のビーム入射部近傍でより小さな気泡を高い密度で分布できるように、標的容器内部における気泡生成器の形状や設置位置、さらに水銀流動案内羽根の形状に関して機械学習による設計の最適化を試みた。気泡分布を考慮した水銀標的構造の設計では、多数の設計変数を考慮する必要があることから、ラテン超方格法に基づき約1000ケースの設計変数について数値解析を実施し、その結果を学習データとしてビーム入射部近傍での気泡分布(サイズや数密度)が最適になる設計を決定した。水銀の流量は標的容器の温度に、気泡生成器の形状は製作性や生成気泡径に影響を及ぼすことから、これらを制約条件とした。その結果、ビーム入射部近傍で半径が150m以下の気泡の密度を約20%増大できる解を見出した。
小林 恵太; 山口 瑛子; 奥村 雅彦
Applied Clay Science, 228, p.106596_1 - 106596_11, 2022/10
被引用回数：6 パーセンタイル：77.65(Chemistry, Physical)粘土鉱物の一種であるカオリナイトの機械学習ポテンシャルを構築し、分子動力学法シミュレーションを実施することにより、カオリナイトの各種物性値を評価し、実験結果と比較した。その結果、原子構造や機械的特性を非常に良い精度で実験結果を再現することが確認された。さらに、構築した機械学習ポテンシャルを用いた分子動力学方シミュレーションで振動状態密度を評価したところ、古典分子動力学法や第一原理計算手法等の既存のシミュレーション手法では再現できなかった中性子非弾性散乱実験の結果をよく再現することがわかった。
小林 恵太; 奥村 雅彦; 中村 博樹; 板倉 充洋; 町田 昌彦; Cooper, M. W. D.*
Scientific Reports (Internet), 12(1), p.9808_1 - 9808_11, 2022/06
被引用回数：9 パーセンタイル：71.37(Multidisciplinary Sciences)核燃料の一つであるトリウム酸化物に対し、機械学習分子動力学法を用い、その高温物性を調査した。様々な交換汎関数により第一原理計算を実施し、ニューラルネットによりその結果を学習することにより機械学習力場を構築した。特にSCANと呼ばれる交換汎関数を用いた第一原理計算結果を学習することにより得られた機械学習力場は、ラムダ転移温度や融点を含め、比較可能な実験データの多くに対し高精度な結果を示した。
岩元 大樹
JAEA-Conf 2021-001, p.83 - 87, 2022/03
発表者は、ガウス過程回帰を用いて、核データを生成する手法を開発した[1]。本手法は機械学習における教師あり学習法の一つであり、測定データを訓練データとみなして核データを生成する。カーネル関数および超パラメータの設定のみで、ノンパラメトリックな手法を用いて回帰を行うことができ、過学習の影響を受けにくいといった特長を有する。さらに、ベイズ推論を基にしているため、任意のエネルギー点における断面積の情報を不確実性を含めて生成することができる。本研究会では、ガウス過程の基礎について講演するとともに、本手法を用いた最新の研究成果および現在進行中の研究内容について報告する。[1] H. Iwamoto, "Generation of nuclear data using Gaussian process regression", Journal of Nuclear Science and Technology, 50:8, 932-938 (2020).
岩元 大樹; 岩本 修; 国枝 賢
Journal of Nuclear Science and Technology, 59(3), p.334 - 344, 2022/03
被引用回数：4 パーセンタイル：56.94(Nuclear Science & Technology)ガウス過程を用いたハイブリッド核データ推定モデル(G-HyND)を開発した。本モデルは、ガウス過程モデルに基づき、実験データと原子核理論モデルに基づく解析データから構成されるデータを訓練データとして学習し、断面積などの核データを不確実性も含めて推定する。本論文では、実験データと解析データが核データの推定に相補的な役割を果たすとともに、これらを組み合わせて学習することで、核データをより合理的に推定できることを示す。さらに本モデルの枠組みで、ガウス過程に固有の問題である過剰適合及び計算コストに対する解決案を提示する。
佐々木 美雪
Isotope News, (778), p.2 - 5, 2021/12
2011年の福島第一原子力発電所(1F)における事故後、日本では有人ヘリコプターや無人機(UAV)を用いた上空からの放射線モニタリングが行われてきた。上空からの放射線測定は、人が立ち入れない森林等も含め、迅速に広範囲を測定できるというメリットがある。しかしその一方で、上空での測定値から地上の線量率を換算するには、地形や地上の構造物の状況を考慮する必要があるため複雑な換算が必要になるというデメリットがある。従来、上空での放射線測定値を地上における線量率に換算するには、測定対象となる地表面は平らで線量率分布が一定と仮定した簡易的なパラメータで換算を行っていた。そのような仮定条件から逸脱する地形や線量率の変化が複雑なエリアでは不確かさが大きくなりやすい。UAVによる上空からの測定データを簡便かつ正確に換算できることは、現状の福島第一原子力発電所(1F)周辺のモニタリングの効率化が期待できるだけでなく、将来の原子力防災技術としての応用も可能である。また、地形や構造物などのジオメトリの効率的な評価は、上空からの放射線モニタリングに限らず、地上でのサーベイやひいては、原子力発電所施設内や医療用の放射線計測技術にも応用可能と考えられる。日本原子力研究開発機構(JAEA)では、1F周辺の放射線モニタリングを事故後、継続して実施しており、事故から10年以上経過した今、そのデータは膨大なものとなっている。本稿では、1F周辺において取得してきた、UAVによる上空からの放射線モニタリングデータと対になる地上における歩行サーベイのビックデータを学習データとして、機械学習を利用した新たな上空放射線測定値の解析手法についてまとめる。
須山 賢也
核データニュース(インターネット), (130), p.29 - 34, 2021/10
欧州各国が使用する核データであるJEFFの開発の統括を行うOECD/NEAデータバンクでの勤務経験に基づき、欧州から見た我が国の核データJENDLの姿、JEFFの状況、そしてそれらの経験を踏まえた核データ評価の将来について述べる。
小林 恵太; 永井 佑紀; 板倉 充洋; 志賀 基之
Journal of Chemical Physics, 155(3), p.034106_1 - 034106_9, 2021/07
被引用回数：5 パーセンタイル：44.89(Chemistry, Physical)自己学習ハイブリッドモンテカルロ法は機械学習力場を利用することにより、第一原理計算の高速化を可能にする手法である。今回、自己学習ハイブリッドモンテカルロ法をNPTアンサンブルに適用し、液体シリカの解析を行った。本論文では自己学習ハイブリッドモンテカルロ法を用いることにより、厳密に第一原理計算の精度を保ちながら、高速に液体シリカの配置空間のサンプリングが可能であることを示した。また、液体シリカの構造因子の計算を行い実験データとの比較を行ったところ、両者はよい一致を見せた。
岩元 大樹
核データニュース(インターネット), (129), p.19 - 25, 2021/06
近年、機械学習を用いた技術が注目され、様々な分野で応用されている。著者は機械学習の一種であるガウス過程に注目し、その枠組みで核データを生成する手法を開発した。本稿は、日本原子力学会2021年春の年会の核データ部会・連絡会セッション「先端データサイエンスの核データへの適用」で講演した内容をもとに、この手法の概要と核データ生成への適用性を紹介するとともに、本手法の高エネルギー粒子輸送計算への適用の可能性について記述したものである。
小林 恵太; 中村 博樹; 山口 瑛子; 板倉 充洋; 町田 昌彦; 奥村 雅彦
Computational Materials Science, 188, p.110173_1 - 110173_14, 2021/02
被引用回数：14 パーセンタイル：73.11(Materials Science, Multidisciplinary)セメント水和物(セメントペースト)は建築材はもとより、放射性セシウムの閉じ込め材料として利用される。本論文はセメント水和物の代表的なモデル物質であるトバモライトの機械学習力場の構築を行ったものである。トバモライトに対し第一原理計算を実施し、様々な原子配置とそのポテンシャルデータを大量に生成し、ニューラルネットを用いた機械学習力場の学習を行った。構築した機械学習力場はトバモライトの弾性係数,振動状態密度をほぼ第一原理と同等の精度で計算可能であることを確かめた。また、機械学習分子動力学法を実行し、トバモライト細孔における水,イオンの輸送特性の解析を行った。
岩崎 悠真*; 澤田 亮人*; Stanev, V.*; 石田 真彦*; 桐原 明宏*; 大森 康智*; 染谷 浩子*; 竹内 一郎*; 齊藤 英治; 萬 伸一*
npj Computational Materials (Internet), 5, p.103_1 - 103_6, 2019/10
被引用回数：47 パーセンタイル：87.87(Chemistry, Physical)Machine learning is becoming a valuable tool for scientific discovery. Particularly attractive is the application of machine learning methods to the field of materials development, which enables innovations by discovering new and better functional materials. To apply machine learning to actual materials development, close collaboration between scientists and machine learning tools is necessary. However, such collaboration has been so far impeded by the black box nature of many machine learning algorithms. It is often difficult for scientists to interpret the data-driven models from the viewpoint of material science and physics. Here, we demonstrate the development of spin-driven thermoelectric materials with anomalous Nernst effect by using an interpretable machine learning method called factorized asymptotic Bayesian inference hierarchical mixture of experts (FAB/HMEs). Based on prior knowledge of material science and physics, we were able to extract from the interpretable machine learning some surprising correlations and new knowledge about spin-driven thermoelectric materials. Guided by this, we carried out an actual material synthesis that led to the identification of a novel spin-driven thermoelectric material. This material shows the largest thermopower to date.
岩崎 悠真*; 竹内 一郎*; Stanev, V.*; Gilad Kusne, A.*; 石田 真彦*; 桐原 明宏*; 井原 和紀*; 澤田 亮人*; 寺島 浩一*; 染谷 浩子*; et al.
Scientific Reports (Internet), 9, p.2751_1 - 2751_7, 2019/02
被引用回数：61 パーセンタイル：92.99(Multidisciplinary Sciences)Thermoelectric technologies are becoming indispensable in the quest for a sustainable future. Recently, an emerging phenomenon, the spin-driven thermoelectric effect (STE), has garnered much attention as a promising path towards low cost and versatile thermoelectric technology with easily scalable manufacturing. However, progress in development of STE devices is hindered by the lack of understanding of the fundamental physics and materials properties responsible for the effect. In such nascent scientific field, data-driven approaches relying on statistics and machine learning, instead of more traditional modeling methods, can exhibit their full potential. Here, we use machine learning modeling to establish the key physical parameters controlling STE. Guided by the models, we have carried out actual material synthesis which led to the identification of a novel STE material with a thermopower an order of magnitude larger than that of the current generation of STE devices.
椹木 哲夫*
PNC TJ9604 98-001, 83 Pages, 1997/03
現在までに原子力プラントで発生したトラブルの多くは、運転操作ミスなどの人的要因に関係したものである。そこで安全性、信頼性向上を目的として、従来人間の運転員や保守員の果たしてきた役割を人工知能技術を主体とした自動化システムに代替し、できるかぎり人的要因を排除していこうとする自律型プラントの開発研究が盛んに進められている。自律型プラントにおいては、プラントに関する膨大な量の知識を実施し、この知識を実時間で利用可能にしていくものであるが、そこで問題になるのが、これら膨大な知識の獲得と管理である。すなわち合理的な知識として実装できる知識の量には自ずと限界があり、このような不完全な知識を用いる限り、想定外事象の生起に対しては極めて脆弱なものにならざるを得ない。もちろん最終的には人間オペレータの判断に委ねることが考えられるが近年の人間オペレータへの監視業務一辺倒に偏りがちな自動化システムとの役割分担やモニターすべき情報の飛躍的な拡大は自律機能のみならず、オペレータに対して想定外事象が生じた差異の緊急時に冷静沈着な判断を支援することも併ねた知識化が必須となる。すなわち自律型プラントに求められるのは、このような状況で生起している事象を自身の知識の不備をも考慮した解釈を行うことで的確に現時点での矛盾を検知し、その解消策の提案をオペレータに対して提示したり、自らその解消を試みることで、自身の知識を常に更新していける機構の実現である。さらに知識ベースの実時間運用を考える際には、時間的に不変な知識ばかりを想定することは難しく、対象システムの時間的推移に合せて適用すべき知識もダイナミックに追従しながら更新していくことが求められるが、この意味においても、いつどの時点で現状の知識の確認し、これを改定していけばよいかについてのメンタルモデル判断機能が不可欠となる。本報告ではこのような状況に際して、想定外の事象に対して現在の知識ベースの知識との矛盾を速やかに検知し、自律プラント自らが、あるいはオペレータがその矛盾を解消を的確に行うことを可能にするための方策について、人工知能における機械学習(machine learning)分野から、帰納学習、演繹学習を中心に概説する。そしてそれらの学習手法における矛盾検知とその解消による知識獲得がそのように実現されるかについて、1)既存知識の矛盾検知、2)合理的
神崎 訓枝; 迫田 晃弘; 片岡 隆浩*; 山岡 聖典*
no journal, ,
低線量放射線の曖昧な生体影響評価は、基本的な統計手法や機械学習を用いても容易ではない。本研究では、このような影響の評価手法の確立を目的とし、機械学習の一種である自己組織化マップの改良を行った。具体的には、(1)似通ったトポロジーを持つクラス毎に、自己組織化マップによって、入力データを学習させた参照ベクトルを作成する。(2)得られた参照ベクトルすべてを自己組織化マップによって再解析する。この手順で、ベンチマークと低線量放射線に関するデータセットを解析したところ、複雑なトポロジーやデータ分布にも対応できることがわかった。
