伊人直播app

• 化学反応の成否を决める迁移状态^※1の予测に深层学习^※2は有効だが、深层学习モデルの构筑自体が非常に烦雑なため适用范囲が限られていた
• 深层学习モデル作成の自动化に成功し、多数の溶媒分子存在下での反応でも迁移状态を効率よく予测することに成功
• 酵素反応など复雑な化学反応の解明への人工知能の応用、深层学习による物性予测?分子设计理论の深化に期待

化学反応の反応物と生成物を隔てる迁移状态は、反応の成否を决める重要な状态です。迁移状态の予测は反応制御に向けて重要ですが、多数の原子?多くの构造の候补から迁移状态を正确に予测することは难しいとされてきました。近年、础滨を活用した迁移状态予测が盛んになっており、中でも深层学习は画像认识をはじめ多くの成功を収めている强力な手法であるものの、深层学习モデルの形（ノード数などのアーキテクチャ）を决めるのが烦雑であり、化学反応への适用の大きな障害となっています。

今回、九州大学、大阪大学および分子科学研究所の共同研究グループは、深层学习モデルを自动的に决定し、化学反応の迁移状态の予测を実现する方法を开発しました。さらに、适切に设计された深层学习モデルは、アーキテクチャによらず迁移状态の特徴を正しく捉えられることを世界で初めて明らかにしました。

九州大学先导物质化学研究所の川島恭平助教、佐藤拓海氏（総合理工学府?博士前期課程修了）、森俊文准教授は、大阪大学大学院基礎工学研究科の金鋼准教授、松林伸幸教授、分子科学研究所／総合研究大学院大学の岡崎圭一准教授とともに、化学反応の遷移状態を予測する深層学習を自動的に構築する手法を開発し、これを用いて多数の原子が存在する系でも遷移状態を適切に予測できることを示しました。さらに、様々な深層学習モデルを調べることで、モデルの形が異なっても、得られる遷移状態の特徴は変わらないことを明らかにしました。

今回の発见は、深层学习による広范な化学反応の迁移状态予测の実现に重要な一歩であり、础滨を用いた化学反応の设计や、深层学习を用いた様々な课题解决の効率化に贡献できることが期待されます。

本研究成果は、米国物理学協会が発行するAPL Machine Learning誌の2025年3月14日（金）午前2時30分に掲載されました。また、特に注目すべき論文として、Editor’s Pickにも選ばれました。

(※1) 遷移状態
化学反応において反応物から生成物へ迁移する过程の途中にある不安定な活性化状态のことを言う。迁移状态理论においてはポテンシャルエネルギー曲面の鞍点に相当する。

 (※2) 深層学習
生物のシナプス结合による神経回路网を模した机械学习モデルを人工ニューラルネットワークと言う。さらに、入力层と出力层のあいだに多数の中间层を用意し、データに含まれる特徴を各层に学习させるモデルのことを深层学习もしくはディープラーニングと言う。

 (※3) ハイパーパラメータ
深层学习モデルの层の数、各层に存在する変数の数など、深层学习モデルの形を决める変数群であり、深层学习を行う际に、事前に决めておく必要がある変数のことを言う。これに対して、深层学习モデルが学习过程で最适化を行う重みを単にパラメータと呼び、ハイパーパラメータと区别される。

掲載誌：APL Machine Learning
タイトル：Investigating the hyperparameter space of deep neural network models for reaction coordinates
著者名：Kyohei Kawashima, Takumi Sato, Kei-ichi Okazaki, Kang Kim, Nobuyuki Matubayasi, Toshifumi Mori
顿翱滨：10.1063/5.0252631

• 本件の详细についてはこちら