主要成果
液状ウラン-ジルコニウム(U,Zr)混合物の熱物理的および構造的特性の予測において、機械学習ベースのSpectral Neighbor Analysis Potential (SNAP)が、従来の経験的ポテンシャルであるModified-Embedded Atom Model (MEAM)と比較して、より高い予測能力と優れた精度を示すことが明らかになりました。この研究は、粘度異常や二十面体短距離秩序といった液状合金特有の複雑な構造形成メカニズムに関する新たな洞察を提供します。
技術・臨床詳細
研究では、まず液状(U,Zr)混合物に対して密度汎関数理論（DFT）計算などの第一原理計算を実行し、高精度な原子間相互作用データを生成しました。このデータを用いて、SNAPとMEAMという2種類の原子間ポテンシャルモデルを訓練・評価しました。MEAMは原子間の相互作用を経験的に記述するポテンシャルであり、比較的計算コストが低い一方で、複雑な多体相互作用の記述には限界がありました。一方、SNAPは、原子の局所環境をスペクトル的に記述する機械学習ベースのポテンシャルであり、より高次元の相互作用を捉えることができます。評価の結果、SNAPは液状(U,Zr)の密度、拡散係数、粘度、比熱などの熱物理特性、および原子対相関関数や局所構造秩序（二十面体構造の形成など）といった構造特性の両方において、MEAMよりもDFT計算結果に優れた一致を示しました。特に、SNAPは高温における粘度異常といった現象をより正確に再現し、これは液状金属の複雑な短距離秩序に起因すると考えられます。
背景・業界文脈
ウラン-ジルコニウム合金は、高速炉や研究炉における核燃料材料として広く利用されており、その高温での挙動、特に液状状態での物性理解は、炉心溶融事故時の安全性評価や新しい燃料設計において極めて重要です。液状金属の熱物理的特性は、対流、熱伝達、材料の腐食、および凝固プロセスに影響を与えます。しかし、これらの極端な条件下での実験は困難であり、計算シミュレーションが不可欠です。従来の経験的ポテンシャルでは、液状金属の複雑な多体相互作用を十分に記述できず、予測精度に課題がありました。機械学習原子間ポテンシャル（MLIPs）は、DFTの精度を保ちつつ、MDシミュレーションの計算効率を飛躍的に向上させるものとして、この分野で大きな期待を集めています。今回の研究は、MLIPsが過酷な環境下で利用される材料のシミュレーションにおいて、その優位性を示す重要な証拠となります。
今後の展望
SNAPのような高性能MLIPsの活用は、核燃料材料だけでなく、高温超合金、金属ガラス、液体金属冷却材など、液状状態の物性が重要な他の材料システムにも広く応用されるでしょう。今後、この技術は、炉心シミュレーションの信頼性を向上させ、より安全で効率的な原子炉の設計に貢献することが期待されます。また、複雑な凝固プロセスや界面現象の解析にも応用され、材料の微細構造制御や欠陥挙動の理解を深めることが可能になります。AI駆動型原子間ポテンシャルの進化は、材料科学者がこれまでアクセスできなかったスケールと精度で材料を設計・最適化することを可能にし、エネルギー、防衛、航空宇宙など、多くの戦略的産業における技術革新を加速させることが予測されます。これは、基礎科学の進展が直接的な産業応用へと繋がる好例となるでしょう。
元記事: https://pubmed.ncbi.nlm.nih.gov/42285141/
毎週の技術動向レポートを無料でお届け
各分野の分析レポートを読む価値があるかどうか一目で判断できるインフォグラフィックをメールで受け取れます。
📢 メールマガジンに無料登録（週刊・技術動向レポート）
ご登録いただくと、Troy-Technical から週刊で技術動向レポート（メールマガジン）をお届けします。
- 取得したメールアドレス・選択分野は配信目的にのみ使用します。
- 第三者へ提供することはありません。
- 配信はいつでも解除できます（各メール下部のリンクから）。
詳しくはプライバシーポリシーをご覧ください。
登録は1分・いつでも解除できます
コメント