飽和水和ケイ酸カルシウム中の水ダイナミクスを解明する機械学習ベースの計算アーキテクチャ
A Machine Learning-Based Computational Architecture for Unlocking Water Dynamics in Saturated Calcium Silicate Hydrate
鉄筋コンクリートの耐久性は、水和ケイ酸カルシウムのナノ多孔質ネットワーク内での水と攻撃的なイオンの輸送挙動に密接に関連している。分子動力学シミュレーションはこれらの閉じ込められた輸送挙動に関する原子論的な洞察を提供するが、計算コストが高いため複雑な構造や時間領域へのスケーラビリティが制限される。このボトルネックを克服するため、高スループット分子動力学と高度なグラフニューラルネットワークを組み合わせた新しいモジュラー計算フレームワークが提案された。局所原子環境と運動挙動のマッピングを厳密に学習することで、このモデルは飽和水和ケイ酸カルシウム中の細孔水拡散係数を高忠実度で予測し、従来の力場法と比較して計算効率を3桁向上させる。さらに、モデルは強い汎化能力を示し、粗い表面を持つマルチパーティクル細孔構造における局所的な非線形拡散特性を正確に捉えることができる。このフレームワークのモジュールの交換可能性に基づき、ナノスケール原子論的予測とメソスケールシミュレーションを動的に結合するマルチスケール計算戦略が構想されている。この研究は、多様な構造構成にわたる輸送特性のスクリーニングのための超高速かつ高精度なツールを提供するだけでなく、塩化物侵入の次世代マルチスケールモデリングの基盤を築き、最終的に回復力と持続可能性のある鉄筋コンクリートの設計を進歩させる。
- 機械学習(グラフニューラルネットワーク)と高スループット分子動力学を組み合わせたモジュラー計算フレームワークを提案
- 提案モデルは飽和水和ケイ酸カルシウム中の細孔水拡散係数を高忠実度で予測し、従来の力場法と比較して計算効率を3桁(1,000倍)向上
- モデルは粗い表面を持つマルチパーティクル細孔構造における局所的な非線形拡散特性を正確に捉える強い汎化能力を示した
本記事は、コンクリートの耐久性向上に直結する水和ケイ酸カルシウム中の水拡散挙動を、機械学習(グラフニューラルネットワーク)と分子動力学シミュレーションの融合により従来比1,000倍の計算効率で予測可能にした点が重要。これは建設分野の材料設計において、塩化物侵入による鉄筋腐食の予測を劇的に高速化し、長寿命・低メンテナンスのコンクリート構造物の設計を可能にする技術シーズ。現時点では基礎研究フェーズだが、材料インフォマティクス(MI)の建設材料への応用として注目に値し、マルチスケールシミュレーション技術の実用化が進めば、建設業界のサプライチェーンや材料サプライヤーに影響を与える可能性がある。