2C-02
CGCNNを用いた材料特性値予測モデルにおけるハイパパラメータ最適化による効果
近年,材料インフォマティクス分野で,Crystal Graph Convolutional Neural Network (CGCNN) をはじめ深層学習に基づく特性値予測モデルの開発が進んでいる.一方,機械学習のハイパパラメータ探索に関する技術開発も進んでおり,中でもOptunaは複数の計算プロセスで探索条件を共有しながら並列にベイズ最適化を行う機能を有する. 本研究では,CGCNNを用いた材料データベースMaterials Projectの学習時にOptunaを適用し,公開モデルと比較した特性値予測誤差の改善効果,およびCGCNNの開発者らが適用したランダムサーチと比べた探索効率の評価について報告する.