第1章 多結晶材料の基礎
1.1 多結晶の構造特性
1.1 1 粒界の結晶学的性質と原子配列
1.1 2 結晶学的な粒界の分類
1.1 3 対応格子理論
1.2 多結晶の材料特性
1.2 1 機械的特性
1.2 2 電気的特性
1.2 3 光学的特性
1.2 4 磁気的特性
1.3 多結晶の評価・解析
1.3 1 マイクロ計測:多結晶組織の観察と評価
1.3 2 メゾ計測:粒界特性の観測と評価
1.3 3 ナノ計測:粒界構造の観測と評価
1.3 4 マルチスケール相関解析
参考文献
第2章 情報学の基礎
2.1 ニューラルネットワークの基本的な構成
2.1 1 神経細胞の機能
2.1 2 神経細胞のモデル
2.2 対象のモデル化
2.2 1 物理現象のモデル化
2.2 2 ニューラルネットワークによるモデル化
2.3 ニューラルネットワークの学習則
2.3 1 教師なし学習
2.3 2 教師あり学習
2.3 3 ネットワークの構造
2.4 多層構造のニューラルネットワーク
2.4 1 単純パーセプトロン
2.4 2 多層パーセプトロン
2.4 3 オートエンコーダ
2.5 重みの更新とベイズ推定
参考文献
第3章 画像データ×機械学習で分かること
3.1 蛍光画像から欠陥分布を3次元可視化
3.1 1 蛍光画像の収集と画像処理
3.1 2 転位クラスターの3次元構造の解析
3.2 光学画像から結晶方位分布を予測
3.2 1 はじめに
3.2 2 表面の光学特性と結晶方位推定問題
3.2 3 装置の構成
3.2 4 機械学習モデルと学習データ
3.3 光学画像を蛍光画像に変換
3.3 1 問題設定
3.3 2 Convolutional Neural Network による実現
3.3 3 ネットワークの重みによる光学画像と蛍光画像間の関係性の解釈
3.3 4 Generative Adversarial Networks による実現
参考文献
第4章 結晶方位データ×理論計算で分かること
4.1 核形成サイトを予測
4.1 1 はじめに
4.1 2 ボロノイ図による結晶粒分布の再現
4.1 3 核形成サイトの解析
4.2 多結晶組織の発生関係を予測
4.2 1 はじめに
4.2 2 グラフネットワークによる多結晶組織の表現
4.2 3 双晶形成ネットワーク
4.3 多結晶組織内の熱応力分布を予測
4.3 1 結晶粒界の抽出
4.3 2 組織構造に依存する弾性定数の同定
4.3 3 結晶成長時の荷重拘束条件の同定
4.3 4 熱応力の3 次元分布の同定
参考文献
第5章 理論計算×機械学習で分かること
5.1 背景
5.2 方法
5.2 1 ANNポテンシャルの構成
5.2 2 学習・テストデータの作成
5.2 3 ANNポテンシャルの学習アルゴリズム
5.2 4 ANN分子シミュレーションへの統合と粒界構造の探索
5.3 ANNポテンシャルによるシリコンおよびゲルマニウムの粒界構造の探索
5.4 他物質への展開
5.5 シリコンにおける点欠陥クラスターへの展開
5.6 まとめ
参考文献
第6章 実験×理論計算×機械学習で分かること
6.1 粒界の電気的特性を予測
6.1 1 粒界再結合速度の定量法
6.1 2 機械学習による粒界再結合速度の予測
6.1 3 粒界構造と粒界の電気的特性との関係
6.2 結晶欠陥の発生メカニズム
6.2 1 キャスト成長シリコンにおける転位クラスターの発生メカニズム
6.2 2 キャスト成長シリコンにおける不純物の粒界集積メカニズム
6.2 3 固液界面形状と粒界構造に依存した粒界の成長方向
6.3 結晶成長装置のデザインとプロセス最適化
6.3 1 太陽電池用シリコン結晶成長の概要
6.3 2 結晶成長シミュレーションとその応用
6.3 3 機械学習を活用した結晶成長シーケンスの最適化
6.3 4 機械学習を活用した装置内センサ位置の最適化
参考文献
あとがき
索引