少ないデータ数からスタートし,機械学習による特性予測と,予測に基づく実験やシミュレーションを交互に繰り返すことで,徐々にデータを増やしながら材料特性の最適化を行う手法がブラックボックス最適化である.ブラックボックスと呼ばれる理由は,材料特性が組成,構造,プロセスなど様々な要因に依存した関数と捉えられるのに対し,最適化の対象となる関数が解析的な関数系ではないためである.
本セミナーでは,ブラックボックス最適化のうち,材料分野で最も利用されているベイズ最適化が簡単に実行できるPythonパッケージPHYSBO(optimization tool for PHYSics based on Bayesian Optimization)を紹介し,実験を対象としたベイズ最適化の応用研究について触れる.また,材料候補が膨大な場合,ベイズ最適化では計算時間が膨大となってしまう問題があった.計算時間の問題を解決するために,量子アニーリングマシン・各種イジングマシンを利用したブラックボックス最適化手法であるFMQA(Factorization Machine with Quantum Annealing)を紹介する.また,材料研究では,特性能向上だけでなく詳細な相図・状態図を描きたいというニーズがある.このニーズに対応するために,相図・状態図作成用のブラックボックス最適化手法PDC(Phase Diagram Construction)を開発してきた.これらの手法はPythonで実装されているが,ベイズ最適化および相図・状態図作成手法に関しては,Pythonのインストールなしで実行できるWindows用のアプリケーションも開発し公開している.
