清野 淳司 (セイノ ジュンジ)

写真a

所属

理工学術院 大学院先進理工学研究科

職名

准教授(任期付)

学歴 【 表示 / 非表示

  • 2007年04月
    -
    2010年03月

    首都大学東京   理工学研究科   分子物質化学専攻  

  • 2005年04月
    -
    2007年03月

    首都大学東京   理学研究科   化学専攻  

  • 2000年04月
    -
    2005年03月

    東京都立大学   理学部   化学科  

学位 【 表示 / 非表示

  • 首都大学東京   博士(理学)

経歴 【 表示 / 非表示

  • 2021年04月
    -
    継続中

    早稲田大学   理工学術院 先進理工学部 化学・生命化学科   准教授

  • 2020年10月
    -
    2021年03月

    東京都立大学   理学部化学科   特任准教授

  • 2017年10月
    -
    2021年03月

    科学技術振興機構   さきがけ研究者

  • 2015年04月
    -
    2020年09月

    早稲田大学   理工学術院総合研究所   次席研究員(研究院講師)

  • 2012年04月
    -
    2015年03月

    日本学術振興会   特別研究員(PD)

全件表示 >>

所属学協会 【 表示 / 非表示

  •  
     
     

    理論化学会

  •  
     
     

    分子科学会

  •  
     
     

    日本化学会

  •  
     
     

    日本化学会情報化学部会

  •  
     
     

    日本コンピュータ化学会

 

研究分野 【 表示 / 非表示

  • 基礎物理化学

研究キーワード 【 表示 / 非表示

  • ケム・インフォマティクス

  • 相対論的量子化学

論文 【 表示 / 非表示

  • Machine-learned electron correlation model based on frozen core approximation

    Yasuhiro Ikabata, Ryo Fujisawa, Junji Seino, Takeshi Yoshikawa, Hiromi Nakai

    JOURNAL OF CHEMICAL PHYSICS   153 ( 18 )  2020年11月

     概要を見る

    The machine-learned electron correlation (ML-EC) model is a regression model in the form of a density functional that reproduces the correlation energy density based on wavefunction theory. In a previous study [T. Nudejima et al., J. Chem. Phys. 151, 024104 (2019)], the ML-EC model was constructed using the correlation energy density from all-electron calculations with basis sets including core polarization functions. In this study, we applied the frozen core approximation (FCA) to the correlation energy density to reduce the computational cost of the response variable used in machine learning. The coupled cluster singles, doubles, and perturbative triples [CCSD(T)] correlation energy density obtained from a grid-based energy density analysis was analyzed within FCA and correlation-consistent basis sets without core polarization functions. The complete basis set (CBS) limit of the correlation energy density was obtained using the extrapolation and composite schemes. The CCSD(T)/CBS correlation energy densities based on these schemes showed reasonable behavior, indicating its appropriateness as a response variable. As expected, the computational time was significantly reduced, especially for systems containing elements with a large number of inner-shell electrons. Based on the density-to-density relationship, a large number of data (5 662 500 points), which were accumulated from 30 molecules, were sufficient to construct the ML-EC model. The valence-electron correlation energies and reaction energies calculated using the constructed model were in good agreement with the reference values, the latter of which were superior in accuracy to density functional calculations using 71 exchange-correlation functionals. The numerical results indicate that the FCA is useful for constructing a versatile model.

    DOI

  • Solvent Selection Scheme Using Machine Learning Based on Physicochemical Description of Solvent Molecules: Application to Cyclic Organometallic Reaction

    Mikito Fujinami, Hiroki Maekawara, Ryota Isshiki, Junji Seino, Junichiro Yamaguchi, Hiromi Nakai

    BULLETIN OF THE CHEMICAL SOCIETY OF JAPAN   93 ( 7 ) 841 - 845  2020年07月

     概要を見る

    A solvent selection scheme for optimization of reactions is proposed using machine learning, based on the numerical descriptions of solvent molecules. Twenty-eight key solvents were represented using 17 physicochemical descriptors. Clustering analysis results implied that the descriptor represents the chemical characteristics of the solvent molecules. During the assessment of an organometallic reaction system, the regression analysis indicated that learning even a small number of experimental results can be useful for identifying solvents that will produce high experimental yields. Observation of the regression coefficients, and both clustering and regression analysis, can be effective when selecting a solvent to be used for an experiment.

    DOI

  • Orbital-free density functional theory calculation applying semi-local machine-learned kinetic energy density functional and kinetic potential

    Fujinami Mikito, Kageyama Ryo, Seino Junji, Ikabata Yasuhiro, Nakai Hiromi

    Chemical Physics Letters   in press  2020年  [査読有り]

  • Quantum Chemical Reaction Prediction Method Based on Machine Learning

    Fujinami Mikito, Seino Junji, Nakai Hiromi

    Bulletin of the Chemical Society of Japan   in press  2020年  [査読有り]

  • Bond Energy Density Analysis Combined with Informatics Technique

    Hiromi Nakai, Junji Seino, Kairi Nakamura

    The Journal of Physical Chemistry A   123 ( 36 ) 7777 - 7784  2019年09月  [査読有り]

    DOI PubMed

全件表示 >>

Misc 【 表示 / 非表示

  • 量子化学的記述子を用いた反応予測手法の開発と予測に寄与する記述子の解析

    藤波美起登, 清野淳司, 中井浩巳

    化学工業   70   31 - 37  2019年12月  [招待有り]

    記事・総説・解説・論説等(学術雑誌)  

  • 相対論的量子化学における理論・計算手法の基礎

    清野淳司

    フロンティア(理論化学会)   4   3 - 20  2019年10月  [招待有り]

    担当区分:筆頭著者, 責任著者

    記事・総説・解説・論説等(学術雑誌)  

  • 人工知能を用いた化学反応の予測と反応条件最適化

    藤波美起登, 清野淳司, 中井浩巳

    マテリアルズ・インフォマティクスによる材料開発と活用集(技術情報協会)、第8章     379 - 384  2019年01月  [招待有り]

    記事・総説・解説・論説等(商業誌、新聞、ウェブメディア)  

  • 理論化学とインフォマティクスの融合による反応設計

    藤波 美起登, 清野 淳司, 中井 浩巳

    化学と工業   71 ( 8 )  2018年08月  [招待有り]

  • インフォマティクスとの融合による理論化学研究

    清野 淳司, 中井 浩巳

    化学工業   69 ( 1 ) 53 - 58  2018年01月  [招待有り]

全件表示 >>

受賞 【 表示 / 非表示

  • 優秀講演賞(学術)

    2016年03月   日本化学会  

    受賞者: 清野 淳司

  • 吉田賞(論文賞)

    2015年05月   日本コンピュータ化学会  

    受賞者: 清野 淳司

  • 優秀講演賞

    2010年09月   分子科学会  

    受賞者: 清野 淳司

  • 優秀ポスター賞

    2007年09月   日本化学会第1回関東支部大会  

    受賞者: 清野 淳司

共同研究・競争的資金等の研究課題 【 表示 / 非表示

  • 精度保証を考慮したオンライン機械学習型軌道非依存密度汎関数理論の開発

    研究期間:

    2021年
    -
    2023年
     

    担当区分: 研究代表者

  • 量子化学と情報学との融合による次世代密度汎関数理論と均一系触媒における反応 予測システムの開発

    研究期間:

    2017年10月
    -
    2021年03月
     

    清野 淳司

    担当区分: 研究代表者

  • 大規模相対論的量子化学計算手法の開発と新元素戦略への応用

    研究期間:

    2012年
    -
    2014年
     

    清野 淳司

    担当区分: 研究代表者

  • 電子情報のみを記述できる大規模・高精度・汎用的相対論的量子化学理論の開発

    若手研究(B)

    研究期間:

    2011年
    -
     
     

    清野 淳司

    担当区分: 研究代表者

  • 4成分Dirac-Coulomb方程式と厳密に等価な2成分相対論方程式の構築と重原子 化合物系の分子物性への応用

    研究期間:

    2008年
    -
     
     

    清野 淳司

    担当区分: 研究代表者

講演・口頭発表等 【 表示 / 非表示

  • 人工知能(AI)技術と電子状態情報を用いた化学反応予測および反応条件最適化

    清野 淳司  [招待有り]

    R&D支援センター講習会(2回目)  

    発表年月: 2020年01月

  • 相対論的量子化学における理論・計算手法の基礎

    清野 淳司  [招待有り]

    第9回量子化学スクール  

    発表年月: 2019年12月

  • Orbital-Free Density Functional Theory Calculation Combined with Semi-Local Machine-Learned Kinetic Energy Density Functional

    清野 淳司  [招待有り]

    The 2nd Global Forum on Advanced Materials and Technologies for Sustainable Development (GFMAT-2)  

    発表年月: 2019年07月

  • 人工知能(AI)技術と電子状態情報を用いた化学反応予測および反応条件最適化

    清野 淳司  [招待有り]

    R&D支援センター講習会  

    発表年月: 2019年01月

  • 相対論的量子化学における理論・計算手法の基礎

    清野 淳司  [招待有り]

    第8回量子化学スクール  

    発表年月: 2018年12月

全件表示 >>

特定課題研究 【 表示 / 非表示

  • 任意の元素を含む大規模分子系のための分子理論の開発と希土類材料・触媒への応用

    2010年  

     概要を見る

     重原子を含む化合物の電子状態を定性的または定量的に計算するためには、相対論効果が不可欠である。この相対論効果の記述にはSchroedinger方程式では不十分であり、Dirac方程式を用いる必要がある。これまでDirac方程式を高精度に解くために様々な方法が提案されてきたが、未だ適用範囲は原子数個から構成される分子のみである。本研究では以下の二点の理論拡張により、大規模分子系が計算できる汎用的な相対論的量子化学理論の開発を行った。[1]相対論的な1電子ハミルトニアン生成の高速化、[2]相対論効果を正確に記述可能な一般化非制限Hartree-Fock(GUHF)法の、分割統治 (DC) 法への拡張。 まず[1]について説明する。Dirac方程式内のハミルトニアンであるDiracハミルトニアンは電子だけでなく陽電子の状態も記述するが、電子だけを扱う限り陽電子は不要である。そのためDiracハミルトニアンにユニタリー変換を施すことによって電子状態のみを記述するハミルトニアンを生成する様々な方法が提案されてきた。しかし、この変換は通常分子全体に対して行うため、計算時間はO(n3)(nは系の大きさ)であり、大規模系の計算に適さない。そこで本研究ではユニタリー変換の局所性を考慮した近似手法、「部分系におけるユニタリー変換手法」を開発した。この方法は各原子と各相互作用に分けた部分系について変換を行うことで高速化が実現される。本手法の計算コストはO(n1)であり、テスト計算を行ったほぼすべての分子系で近似による誤差は0.01 kcal/mol以内と、高精度かつ大規模系にも適用可能であることが確認された。 続いて[2]については、スピン-軌道相互作用などのαスピンとβスピンが混ざり合う相互作用を正確に記述できるGUHF法を、大規模分子理論であるDC法へと拡張し、プログラム作成を行った。本手法の分割による計算誤差を検証した結果、従来の制限HF法を基盤にしたDC法と同等の誤差を与えることが確認された。

 

現在担当している科目 【 表示 / 非表示

 

委員歴 【 表示 / 非表示

  • 2020年
    -
    継続中

    理論化学会  将来構想委員会 委員

  • 2016年
    -
     

    第19回理論化学討論会  実行委員

  • 2011年
    -
     

    ISTCP-VII  組織委員会事務局