Personal Page for Ryuki Kayano

萱野 琉輝(千葉大学) — Interest: Machine Learning, Machine Learning Potentials, Glass Science and Interfacial Chemistry

Last Updated:

経歴と所属

  • 2019年3月 志学館高等部普通科 卒業
  • 2020年4月 千葉大学工学部総合工学科共生応用化学コース 入学
  • 2024年3月 千葉大学工学部総合工学科共生応用化学コース 卒業
  • 2024年4月 千葉大学大学院融合理工学府先進理化学専攻共生応用化学コース博士前期課程 入学
  • 2025年9月 千葉大学大学院融合理工学府先進理化学専攻共生応用化学コース博士前期課程 修了 (修士 (工学))
  • 2025年10月 千葉大学大学院融合理工学府先進理化学専攻共生応用化学コース博士後期課程 (博士課程) 入学
  • 所属研究室:極限環境材料化学研究室 (指導教官: 大窪 貴洋准教授)
  • その他:千葉大学大学院融合理工学府先進科学プログラム

連絡先と外部リンク

プログラムの公開

これまでの研究活動中で構築したプログラムのうち,それなりに利用できそうなものを公開しています。汎用的に使える指針で書いていないため,ご了承下さい。動作しない場合などはご一報いただけると幸いです。更新は今後進めていきます。公開中のプログラムは、萱野のgithub上においてあります。

dump2glassanalysis.py

lammpsのMDシミュレーションで得られたdump (.lammpstrj) ファイルから配位数とX-O-X (X: ネットワークフォーマー) の計算を行うプログラム。

./dump2glassanalysis.py example.lammpstrj -v

で実行ができます。計算結果は時間平均されたものが標準出力と,Excelファイル (dump2analysis.xlsx) に吐き出されます。 結合の有無を判断するためカットオフ距離は,if __name__ == "__main__": 以下で直接指定しています。 例えば,リン酸ガラス中のP-Oの配位数を追加で求めたい場合は

CUTOFF["P"] = 2.2 # P-Oのカットオフを2.2 Åにしたい場合

と書き加えるだけで良いです。

dump2glassdescript.py

lammpsのMDシミュレーションで得られたdumpファイルから,配位数,\(Q^n\),ガラス構造を表現する構造記述子を計算するプログラムです。

./dump2glassdescript.py example.lammpstrj -v
  • スラブがある系で表面のみに着目したい場合は,最も露出しているSiからの距離 (CUTOFF (default: 5.0 Å))をプログラムで指定して,-s オプションを追加する。
  • 進行状況を非表示にする場合は,-v オプションを追加する。
  • 各カチオンと酸素のカットオフ距離は,下記のようにプログラム中で指定してください。dump2glassanalysis.pyと異なり,Si-Siなどの配位数も求められます。
    CUTOFF["Si-O"] = 2.2 # Si-Oのカットオフを2.2 Åにしたい場合
  • \(Q^n\) とは,あるカチオンの周囲に存在するフォーマーカチオン同士を結ぶ架橋酸素 (BO) の数 (\(n\))でカチオンを種別するものです。
  • 構造記述子に関しては,先行研究で利用された,$$F_{\rm net} = \frac{1}{N} \sum_{X}^{\mathrm{cations}} n_{X} \cdot CN_{\rm XO} \cdot SBS_{\rm XO} \cdot m_{X}$$を実装しました。Xはガラス中に存在するカチオン元素 (e.g. Si, Al, B, Na, and etc.) を表します。CNとSBSはXのO(酸素)に対する配位数と酸化物中での単結合エネルギー (Single Bond Strength)をそれぞれ意味しています。
  • mutiple factor, \(m_X\) はX-O ペア毎に決められた定数です。この組成依存性のない\(m_X\) の代わりに,ネットワーク接続性 (NC) を用いた記述子,$$F_{\rm net} = \frac{1}{N} \sum_{X}^{\mathrm{cations}} n_{X} \cdot CN_{\rm XO} \cdot SBS_{\rm XO} \cdot M_{NC}$$も実装しました。NCを用いた構造記述子の方が \(m_x\) を用いた場合と比べて高い精度で物性値 (密度,ヤング率,初期溶解速度,など) を予測する傾向が見られるようです。より詳細な情報は,論文とそこで引用されている構造記述子に関する論文を参照してください。

研究活動

出版物

  • [1] ◯R. Kayano, Y. Inagaki, R. Matsubara, K. Ishida, T. Ohkubo. “Development and Validation of Neural Network Potentials for Multicomponent Oxide Glasses”, J. Phys. Chem. C, 128(41), 17686-17702 (2024) [selected as a coverart]
  • [2] ◯R. Kayano, R. Shimoyama, R. Matsubara, K. Ishida, Y. Inagaki, T. Ohkubo. “Integrated Modeling of Short-Term Glass Dissolution: Combining Experimental and Computational Approaches for Accurate Predictions." Available at SSRN 4874443 (2023).
  • [3] ◯T. Kato, R. Kayano, T. Ohkubo., “Machine-Learning Molecular Dynamics Study on the Structure and Glass Transition of Calcium Aluminosilicate Glasses” J. Phys. Chem. B, 129, 33, 8561–8572 (2025).

学会発表

国際学会・会議・シンポジウムでの発表

  • [1] (Poster) ◯R. Kayano, T. Ohkubo, R. Matsubara, K. Ishida. “Predicting alteration layers volume for the glasses with 20 compositions”, Sumglass 2023, Sept. 2023, Nîmes, France.
  • [2] (Poster) ◯R. Kayano, T. Ohkubo, R. Matsubara, K. Ishida. “A machine-learning potential to model multi-component oxide glasses”, GOMD 2024, Las Vegas, U.S.A, May 2024.
  • [3] (Oral) ◯R. Kayano, R. Matsubara, K. Ishida, T. Ohkubo. “Transferable Approach to Model Multi-component Oxide Glasses Using Machine-learning Potentials”, International Workshop on Hyperordered Structures and Quantum Materials, Saskatchewan, Canada, Jul. 2024.
  • [4] (Poster) ◯R. Kayano, I. Sato, A. Masuno, T. Ohkubo, “Machine Learning Molecular Dynamics Study: Insights into Structures of ZrO2-Mullite Glasses”, Symposium on Hyper-Ordered Structure Sciences in London, London, U.K., Jan. 2025.
  • [5] (Poster) ◯R. Kayano, I. Sato, A. Masuno, T. Ohkubo “Revealing Local Environment Network Topology of ZrO2-containing Mullite Glasses using Machine Learning Potential”, 16th PACRIM and GOMD 2025, Vancouver, May 2025.
  • [6] (Poster) ◯R. Kayano, T. Ohkubo, J.M. Delaye, S. Gin “Investigation of Water-Aluminoborosilicate Glass Interfaces using Machine Learning Potentials”, International Congress of Glass work shop (TC27), Aug. 2025.

国内の学会・会議・シンポジウムでの発表

  • [1] (口頭) ◯萱野 琉輝,松原竜太,石田圭輔,大窪 貴洋 「ガラス構造データを利用したガラス溶解モデルの開発」,第5回放射性廃棄物固化体討論会,滋賀,2023年10月
  • [2] (ポスター) ◯萱野 琉輝,大窪 貴洋,松原竜太,石田 圭輔 「機械学習ポテンシャルを利用した多成分系酸化物ガラスのモデリング」,学術変革領域研究 (A) 「超秩序構造が創造する物性科学」第7回成果報告会,岡山県岡山市,2024年3月. [ポスター賞受賞]
  • [3] (口頭) ◯萱野 琉輝,佐藤 宇應,増野 敦信,大窪 貴洋 「機械学習ポテンシャルを用いた ZrO2-Al2O3-SiO2 ガラスネットワーク構造のモデリング」,第 65回ガラスおよびフォトニクス材料討論会,福岡県福岡市,2024年11月.
  • [4] (口頭) ◯Kim Jinhyun,萱野 琉輝,大窪 貴洋,丸山 一平 「カルシウムシリケート化合物と炭酸塩鉱物の機械学習ポテンシャルの開発と 応用」,第79回セメント技術大会,東京都千代田区,2025年5月.
  • [5] (ポスター) ◯ R. Kayano , T. Ohkubo, J.M. Delaye, S. Gin 「多成分系ガラス-水界面のモデリング」,第56回ガラス部会若手セミナー,滋賀県高島市,2025年8月. [奨励ポスター賞受賞]
  • [6] (口頭) ◯萱野 琉輝,大窪 貴洋 「機械学習ポテンシャルを用いたボロシリケイト―水界面で起こるボロンの溶解反応を含んだ水和反応への原子論的洞察」,第7回放射性廃棄物固化体討論会,秋田県秋田市,2025年10月.