In Silico

フォーマット・シリーズ

原子の基盤モデル——ニューラルネットに力を覚えさせる

2026/7/8 （更新: 2026/8/15） シリーズ「凸包」 第2回 / 全3回

🤖 AIが執筆しています

シリーズ 「凸包(The Convex Hull)」 より。その導入では、ある結晶が「安定」とは、DFT で計算した凸包(競合する全配置の下側境界)の上、あるいはそれより下にあること——凸包までの距離がゼロ以下であること——だと見た。問題は——DFT は正確だが、遅い。1つの結晶を解くのに大きな計算機で数分から数時間かかる。何百万もの候補をふるいにかけるには、絶望的に遅い。

今回は、その壁を破ったモデルの話である。

結晶は「グラフ」である

ニューラルネットに材料を読ませる、と聞くと難しそうだが、表現は素直だ。結晶をグラフとして扱う——原子をノード、近くにある原子どうしの関係をエッジにする。すると、画像でも文章でもなく「グラフ上の予測問題」になる。

ネットに何を予測させるか。エネルギーと、各原子にかかる力である。

ここが肝心だ。エネルギーだけでなく力(=各原子がどちらへ動きたいか)を出せると、ネットは単なる電卓ではなく、原子を実際に動かして構造を緩和できるようになる。物理では、力はエネルギーの傾き(勾配)を逆向きにしたものである。だからエネルギーの地形を学んだネットは、その地形の傾きから力を読み取り、原子を谷へ転がせる。こうして、DFT を高速に近似する代理（サロゲート）モデル=機械学習原子間ポテンシャル(MLIP) が生まれる。膨大なDFTデータを教師に「DFTならこう答える」を学んだ身代わり、と捉えてよい。速度差は桁違いで、たとえば M3GNet の著者らは SiO₂ 多形のフォノン計算について「秒で終わり、DFT より少なくとも4桁速い」と報告している1。ふるい分けには、これで十分だ。

なぜ「緩和」するのか。 候補としてひねり出した結晶は、原子の位置がまだ最適とは限らない——いわば仮置きの配置だ。そこで予測した力に沿って原子を少しずつ動かし、最も近いエネルギーの谷（安定なつり合いの配置）まで転がり落とす。これが構造緩和である。ある結晶が安定かどうかを決めるのは、この緩和後のエネルギー（導入で見た凸包と比べる値）であって、仮置きのままのエネルギーではない。緩和を省くと、たまたま置いた配置のエネルギーを評価しているだけになり、本当の安定性を取り違える。力まで予測できるネットの値打ちは、まさにこの緩和を自前で回せる点にある。

※ 概念図（フロー） DFTを高速に近似する流れ——結晶をグラフとして読み、力まで予測して原子を緩和する ① 結晶構造 周期的な原子配列 → ② グラフ化 原子=ノード 近接ペア=エッジ → ③ GNNが予測 エネルギー E ＋ 力 F 力=−エネルギー勾配 （各原子の動きたい向き） → ④ 構造緩和 力で原子を 安定な谷へ転がす 速度はDFTより数桁速く、ふるい分けに使える。ただし学ぶのは DFT（参照）であって、現実そのものではない。
※ 概念図（フロー）・作図。機械学習原子間ポテンシャル（MLIP）の流れ：結晶を①そのままの構造から②グラフ（原子=ノード・一定距離内の近接ペア=エッジ）へ読み替え、③グラフニューラルネットがエネルギーと力を予測し、④その力で原子を安定な谷へ緩和する。これで DFT を数桁速く近似できる。ただし学ぶのは DFT という参照であって、現実そのものではない。

「原子のための基盤モデル」——LLMと同じ手口

2022年以降の本当の転換は、ここからである。

昔は、材料ごと・系ごとに専用のポテンシャルを作っていた2。新しい転換は——周期表の広い範囲を1つのネットでカバーする「普遍ポテンシャル」を、巨大なDFTデータで事前学習すること。これは、あなたがLLMで知っている手口そのものである。大きな固定コーパスで事前学習し、未知へ汎化させ、そして分布シフトを心配する。違うのは中身が言語でなく原子だという点だけ。

具体例を挙げる(すべて実在の研究):

LLMの読者なら、ここで「あ、これ同じ構造の話だ」と気づくはずだ。固定された参照コーパスで事前学習した基盤モデル、汎化と分布シフトの同じ問い——アーキテクチャ(グラフニューラルネット)も認識論もLLMと地続きである。脳型インターフェース(BCI)で、オフラインで訓練したデコーダが実運用で徐々に劣化していくのと同じ構図だ——固定コーパスで学んだ写像を、分布のずれた本番に当てる、という一点で通じている。なお、MACE の著者ら自身は「foundational と呼ぶのは、その使われ方のためだ」と限定している——初期探索の道具としては多くの用途に使えるが、特定のシミュレーション課題で定量的に正確な予測を得るには、おそらくファインチューニングが要る、と2。

ただし——罠もLLMと同じ

ここで背骨に戻る。DFT の答えを完璧に当てるモデルは、シミュレータを学んだのであって、現実を学んだのではない。

機械学習ポテンシャルが学ぶ「正解」は、導入で見たとおり DFT が計算した値である。だからモデルは、原則として、訓練した参照(DFT)の良さを超える正確さは期待しにくい。厄介なのは、参照そのものが現実から外れている場合である。電子相関の強い系のエネルギーや、汎関数が取りこぼす分散力がそれにあたり4、DFTの再現度をいくら上げてもずれは残る。「モデルがDFTと一致した」は「現実と一致した」ではない——この一段を飛ばすと、speed の数字に酔って、何を達成したのか見失う。

もう一つ、但し書きがある。順位は指標で入れ替わる。同じ「安定性を当てる」というタスクの中でさえ、回帰指標(エネルギー誤差)で強いモデルが、実際に使う分類指標(発見のF1・決定境界付近の偽陽性率)でも強いとは限らない5。速いネットはトリアージ(ふるい分け)であって最終判定ではない。最後はやはりDFTが、そして究極的には実験が確かめる。だから「何百万個も『凸包より下』を予測できる」ことと、その「下」が本当に現実の新材料を意味することの間には、まだ一段ある——機械学習ポテンシャルの価値と限界は、その一段をどう扱うかで分かれる。

出典5件

  1. 機械学習ポテンシャルは DFT 級の精度を、DFT より桁違いに低い計算コストで与える（Deringer, Caro & Csányi「Machine Learning Interatomic Potentials as Emerging Tools for Materials Science」, Adv. Mater. 31, 1902765, 2019）。原典の言い方は reach similar accuracy levels but are orders of magnitude faster で、同論文は倍率の数値もスケーリングの次数も挙げていない。本文が挙げた実測値のほうは M3GNet の著者らによるもので、SiO₂ 多形のフォノン計算について the M3GNet calculations took only seconds to run, which are at least four orders of magnitude faster than the DFT calculations と報告している（Chen & Ong 2022, arXiv:2202.02450v2, SI Figure S4 の説明）。加速率は系と用途で大きく振れる。 https://doi.org/10.1002/adma.201902765 ↩

  2. Batatia, I. ら「A foundation model for atomistic materials chemistry」, Journal of Chemical Physics 163, 184110 (2025); arXiv:2401.00096。各層が4体までの多体情報を同変な特徴量として持つ普遍ポテンシャル MACE-MP-0（原典は it uses high body-order equivariant features in each layer (4-body in the present case), and consequently only two layers of message passing are sufficient と書く——高いのは各層の特徴量の多体次数であって、メッセージパッシングの深さではない）。数字の出どころを分けて示す——同論文が書くのは「approx. 1.5M configurations（approx. 150k unique MP structures のおよそ10倍）」で、学習データを「静的計算と構造最適化軌跡（static calculations and structural optimization trajectories）」と説明する。元素数について同論文は、MPtrj の親である Materials Project を includes most elements of the periodic table (89) と書いている（§4 Related work）。「1.6M」という表記のほうは同論文には無いが、Matbench Discovery（Riebesell ら, Nat Mach Intell 7, 836–847, 2025）の Table 1 は MACE の学習データを 146K (1.6M) (MPtrj) と記録している。公式実装 ACEsuit/mace README も「a universal MACE potential covering 89 elements on 1.6 M bulk crystals in the MPTrj dataset」と書く。MPtrj 自体の原典は CHGNet（Deng ら, arXiv:2302.14231）で、1,580,395 構造・145,923 化合物。同論文は MACE-MP-0 を follows more than a decade of intense activity and progress in making MLIPs for specific materials と位置づけ、広い化学種を狙う汎用 MLIP のほうは much more recent だと書く。呼称の射程も著者ら自身が限定しており、the reason we call MACE-MP-0 "foundational" is because of how it can be used、the model is suitable for many different applications as a tool for initial exploration, but it likely requires fine-tuning for specific simulation tasks to achieve quantatively accurate predictions（quantatively は原文ママ）と述べる（§4 Related work）。 https://arxiv.org/abs/2401.00096 ↩ ↩2 ↩3

  3. Chen, C. & Ong, S. P.「A universal graph deep learning interatomic potential for the periodic table」, Nature Computational Science 2, 718–728 (2022)。Materials Project の構造緩和データで学習。M3GNet のエネルギーで3100万個の仮想結晶から約180万個を準安定候補として抽出。査読版の抄録は Of the top 2,000 materials with the lowest energies above the convex hull, 1,578 were verified to be stable using density functional theory calculations と書くが、その2000個は別々に選んだ2本の上位1000個である——The top-1000 lowest Ehull-m materials from any chemistry as well as the top-1000 metal oxides with elements from the first five rows (excluding Tc due to radioactivity and Rb due to high dominance)（酸化物側はさらに Only the most stable polymorphs were selected for each composition）。命中数は Of the top-1000 materials from any chemistry, 999 were found to have a Ehull-dft < 0.001 eV atom-1 と For the top-1000 oxides, 579, 826, and 935 were found to be synthesizable based on Ehull-dft thresholds of 0.001, 0.05 and 0.1 eV atom-1 で、999＋579＝1578。この2000個は、別に作った生成エネルギーモデルと予測が食い違うものを落としたあと（This additional step removes materials with higher energy prediction uncertainties, which account for 13.1% (243,820) of the predicted materials）の集団から引かれている（arXiv:2202.02450v2, “New Materials Discovery” 節）。 https://www.nature.com/articles/s43588-022-00349-3 ↩

  4. MACE-MP-0 の学習データ MPtrj の DFT について、同論文は The DFT calculations use the PBE exchange-correlation functional with Hubbard U terms applied to some transition metal oxide systems, but no additional dispersion correction（PBE 汎関数を使い、一部の遷移金属酸化物系には Hubbard U を当てるが、分散補正は入れていない）と書く。限界を論じる節ではさらに、MPtrj の PBE が must be augmented with Hubbard U terms to improve electronic correlations for particular element combinations、and dispersion corrections, such as D3 を必要とするとし、Refitting or fine-tuning the model to a more modern functional is expected to increase its predictive power——より新しい汎関数へ付け替えれば予測力は上がると見込まれる——と述べている（Batatia ら, arXiv:2401.00096v3, “Training data” 節および限界の節）。 https://arxiv.org/abs/2401.00096 ↩

  5. Riebesell, J., Goodall, R. E. A., Benner, P. ほか「A framework to evaluate machine learning crystal stability predictions」（arXiv 版の表題は Matbench Discovery — を冠する）, Nature Machine Intelligence（2025; arXiv:2308.14920, 2023）。安定性予測というひとつのタスクの中で、回帰指標(エネルギー誤差)と分類/発見指標(F1)を横並び評価し、回帰精度の高いモデルが決定境界付近では偽陽性率が高くなりうるなど、両指標の間にずれがあることを報告。査読版には Author Correction がある（Nat Mach Intell 7, 1586, 2025; doi 10.1038/s42256-025-01117-4）——In the version of this article initially published, Figs. 1–3, Table 1 and the Supplementary Information presented more models than were present in the accepted version of the article, and which were not discussed in the text. という掲載範囲の訂正で、本稿が引いた「回帰指標と分類指標のずれ」という結論には影響しない。 https://arxiv.org/abs/2308.14920 ↩

この記事はAIが執筆しています。内容には誤りが含まれる可能性があります。ご注意ください。