In Silico

マテリアルズインフォマティクス・材料

機械学習ポテンシャルUMAのtask指定：なぜ必要で何に注意するか

2026/10/1 （更新: 2026/10/14）

🤖 AIを使用して執筆

  • UMA
  • 機械学習ポテンシャル
  • DFT
  • 理論レベル
  • task
  • 汎関数
  • fairchem
  • SevenNet-MF
  • Materials Project
  • Dyna-Mat
  • SevenNet-Omni
  • 埋め込み
  • OMat24
  • 生成エネルギー
  • Meta FAIR Chemistry
  • Δ学習
  • 転移学習
  • 吸着エネルギー
  • 分子動力学
  • Pt3Co
  • 擬ポテンシャル
  • スピン多重度
  • MP2020補正
  • PBE
  • RPBE
  • wB97M-V
  • DPA-3.1
  • fidelity
目次
背景・問い・要点
背景

機械学習ポテンシャルは、原子の配置を受け取り、その配置のエネルギーと、原子に働く力を返すモデルである。学習データには、密度汎関数理論（DFT）で計算したエネルギーと力を使う。触媒の表面、溶液中の分子、結晶を同じ研究室で扱う研究者は、これまで対象ごとに別のモデルを使い分けてきた。

対象ごとのモデルが返すエネルギーは、モデルどうしで比べられない。DFTの計算結果は、計算条件で変わるからである。代表的な計算条件は汎関数（電子どうしの相互作用を近似する式）で、同じ原子配置でも、汎関数を変えるとエネルギーの値が変わる。汎関数をはじめとする計算条件の組を、理論レベル（level of theory）と呼ぶ。分子向けのデータと結晶向けのデータは別々の理論レベルで計算されており、モデルは学習データの理論レベルの値を返す。

Meta FAIR Chemistryが公開したUMAは、分子・材料・触媒を一つのモデルで扱う1。そのためにUMAは、理論レベルの異なる複数のデータセットを、一つのモデルで学習している2。利用者は、原子の配置と一緒に、taskという名前をUMAに渡す。taskは、どの理論レベルの値を返させるかの指定である2。

問い

UMAは、なぜ理論レベルを、利用者が渡す入力にしたのか。

要点

UMAは複数の理論レベルのデータを一つのモデルで学習したので、同じ原子配置に正解のエネルギーが理論レベルの数だけあり、どれを返すかを入力で受け取る必要があったからである。1 作り手の文書は、UMAがtaskごとに固有の数値ベクトルを学習し、そのため予測のときは、どのtaskのベクトルを使うかを利用者が指定しなければならないと書く2。ソウル大学のSevenNet-MFは、UMAより先に、データの計算条件を入力にする同じ設計を採り、その理由を論文に書いた3。理論レベルが入力になった結果、taskをまたいでエネルギーの差を取らないことと、選んだtaskの学習データの範囲を確かめることが、利用者の仕事になった。

モデル・例示

正解のエネルギーは、構造と理論レベルの組で決まる

※ この節の数値は説明のための仮定で、測定値ではありません。

理論レベルは、DFT（密度汎関数理論）の計算条件の組である。計算条件の代表は汎関数（電子どうしの相互作用を近似する式）で、汎関数を変えると、同じ構造でもエネルギーの値が変わる。

同じ元素を同じ数だけ含む結晶構造を三つ用意し、X・Y・Zと呼ぶ。理論レベルは、汎関数の違う二つを用意し、A・Bと呼ぶ。各構造のエネルギーをDFTで計算し、機械学習ポテンシャル（原子の配置からエネルギーと力を返すモデル）の学習データにする。理論レベルBでは、Zを計算していない。表の単位のeV（電子ボルト）は、エネルギーの単位である。

構造理論レベルA理論レベルB
X−10.0 eV−12.0 eV
Y−10.5 eV−12.3 eV
Z−11.0 eVデータなし

学習データは、表の五つの値である。この五つを、一つのモデルで学習する。

入力が構造だけのモデルは、Xを受け取って値を一つ返す。学習データでは、Xの正解は−10.0 eVと−12.0 eVの二つである。−10.0 eVを返せば、理論レベルBの正解に対して2.0 eVの誤差が出る。−12.0 eVを返せば、理論レベルAの正解に対して2.0 eVの誤差が出る。中間の−11.0 eVを返せば、両方に対して1.0 eVずつの誤差が出る。どの値を返しても、二つの正解に対する誤差の合計は2.0 eVより小さくならない。

入力が構造と理論レベルの組のモデルは、XとAの組に−10.0 eV、XとBの組に−12.0 eVを返せる。五つの値のすべてに、誤差0で合わせられる。

次に、YのエネルギーからXのエネルギーを引いて、差を求める。

差の取り方計算
YもXも理論レベルA−10.5 −（−10.0）＝ −0.5 eV
YもXも理論レベルB−12.3 −（−12.0）＝ −0.3 eV
Yは理論レベルB、Xは理論レベルA−12.3 −（−10.0）＝ −2.3 eV

同じ理論レベルの値どうしの差は、−0.5 eVか−0.3 eVである。理論レベルの違う値どうしの差は−2.3 eVで、どちらとも2 eV近く違う。この2 eV近くは、構造XとYの違いから生じた値ではない。理論レベルAとBの違いから生じた値である。

最後に、ZとBの組を見る。この組の正解は、学習データに無い。モデルは、ZとBの組を受け取れば値を返す。その値は、Aの列で学習したZと、Bの列で学習したX・Yから作られる。値が合っているかは、学習のときに一度も確かめられていない。

実際のデータセットでは、同じ構造が複数の理論レベルで計算されているとは限らない。その場合も、モデルが返すべき値が理論レベルごとに違うことは変わらない。

表から言えることは三つある。

  1. 正解のエネルギーは、構造と理論レベルの組で決まる。複数の理論レベルのデータを一つのモデルで学習するには、理論レベルを入力に加える必要がある。入力に加えたモデルは、予測のときも、理論レベルの指定を受け取らなければ返す値が決まらない。
  2. エネルギーの差が構造の違いだけを表すのは、同じ理論レベルの値どうしで差を取ったときである。
  3. 理論レベルを入力で選ぶことは、表のどの列の値を返させるかを決めるだけである。選んだ列にデータが無い構造では、返る値が正解に近い保証は無い。

UMAのtaskは、この表の列、つまり理論レベルA・Bに当たる。

UMAは理論レベルをtaskで区別して学習し、予測でもtaskを受け取る

UMAは、Meta FAIR Chemistryが2025年6月に初公開した機械学習ポテンシャルで、同じチームのライブラリfairchemから呼び出して使う4。重み（学習で値が決まったモデルのパラメータ）はHugging Faceで配布されており、入手するには、連絡先の共有と、FAIR Chemistry Licenseという利用条件への同意が要る5。

作り手の狙いは、分野ごとの専門モデルと同じ精度を、一つのモデルで出すことにある。論文によると、UMAは分子・材料・触媒にまたがる5億の原子構造で学習した1。論文は、追加の学習をしない単一のモデルが、専門モデルと同等かそれ以上の性能を出せると書く1。

学習に使ったデータセットは、それぞれ別の理論レベルで計算されている。taskは、データセットと理論レベルの組に付いた名前である2。

taskと対象汎関数
omol：分子wB97M-V
omat：結晶PBE、PBE+U
oc20：触媒表面RPBE
odac：MOF（金属有機構造体）への吸着PBE+D3
omc：分子結晶PBE+D3
oc22：酸化物触媒PBE+U
oc25：電気化学触媒RPBE+D3

汎関数の名前を覚える必要はない。表から読み取ることは、多くのtaskで汎関数が違うことである（odacとomcはどちらもPBE+D3、omatとoc22はどちらもPBE+Uを使う）。上の五つは文書がtaskの一覧に挙げるもので、下の二つは2026年3月に出たUMA-1.2で加わった24。作り手の文書は、応用の分野に合わせてtaskを選ぶよう勧め、各taskの理論レベルはその分野に合わせてあると書く2。

作り手の文書は、UMAが理論レベルをどう受け取るかを書いている。UMAは、taskの名前ごとに数値ベクトルを一つ持つ。このベクトルを埋め込みと呼び、値は学習で決まる。モデルは、どのtaskの埋め込みを受け取ったかで、返す値を変える。文書は「UMAは理論レベルの異なる5つのDFTデータセットで学習する。UMAのtaskは、そのDFTデータセットに結びついた特定の理論レベルを指す。UMAは与えられたtaskの埋め込みを学習する」と書く2。

文書は続けて、そのため予測のときは、どの埋め込みを使うかを利用者が指定しなければならないと書く2。UMAは、理論レベルを区別して学習したので、予測のときも理論レベルの指定を受け取る。UMAの論文も、原子番号と位置がまったく同じ二つの入力でも、DFTの設定が違えば正解の値は違うと書く。そのうえで、taskを入力に加えたのは、データセットごとに計算プログラムと理論レベルが違うためだと説明する1。

task入力になる前は、理論レベルを選ぶ手段はモデルの選択だった。fairchemの旧版（v1）では、利用者はモデル名で重みを選んだ。作り手の移行文書が例に挙げるモデル名EquiformerV2-31M-S2EF-OC20-All+MDは、学習に使ったデータセットの名前（OC20）を含む6。OC20の汎関数はRPBEなので、このモデルを選んだ利用者は、RPBEの理論レベルも選んだことになる。v1のモデル一覧には、OC20とOC22を合同で学習したモデル（GemNet-OC-S2EFS-OC20+OC22など）も在る7。OC22の汎関数はPBE+Uなので、このモデルは二つの理論レベルのデータを一つの重みで学習している。

fairchem 2.0で、作り手はモデルと、モデルを呼び出すコードを全面的に書き直し、v1のコードは復活させないと書いた6。2.0では、利用者は一つの重みを読み込み、task名を渡す。理論レベルを選ぶ場所が、モデル名から、計算のたびに渡す入力へ移った。READMEは「単一のumaモデルは、ドメイン固有の予測のために適切なtask名を選ぶことで、化学と材料科学の幅広い応用に使える」と書く4。

taskは、モデルの中で、計算に使う重みを決める入力にもなっている。UMAは重みを複数組持ち、系ごとにそれらを混ぜた一組の重みで計算する2。混ぜ方を決める入力は、task、系全体の電荷、スピン多重度（不対電子の数で決まる量）、元素組成の四つである2。この設計により、UMAの中型モデルは14億のパラメータを持つが、一つの原子構造の計算に使うパラメータは約5,000万で済む1。論文の付録は、UMA-1.2で出力の層もtaskごとに分けたと書く1。

SevenNet-MFは、同じ設計を二つの代替と比べて選んだ

計算条件を入力にする設計は、UMAより先に、別の作り手も採っていた。SevenNetは、ソウル大学の研究室MDIL-SNUが開発する機械学習ポテンシャルのライブラリである3。ソウル大学のKimらは、SevenNetを基にして、計算条件の違う複数のデータベースを一つのモデルで同時に学習する枠組みを作った。この枠組みのモデルが、SevenNet-MFである。論文は2024年12月にJ. Am. Chem. Soc.で公開された3。

論文は、計算条件の精度の段階をfidelityと呼ぶ。SevenNet-MFは、どのfidelityのデータかを、学習と予測の入力にする。狙いは、高精度の計算条件で作ったデータが少なくても、低精度の大規模なデータと同時に学習して、高精度の予測を得ることである3。

作り手は、既存の二つの方法と比べて、この設計を選んだ。低精度の計算条件のデータと高精度の計算条件のデータがあるとき、三つの方法の違いは次のようになる。

方法データの使い方
転移学習低精度のデータで学習したあと、高精度のデータで追加の学習をする
Δ学習低精度と高精度の値の差を学習する。両方の値がある構造しか使えない
fidelityを入力にする学習全部の値を、計算条件の指定と一緒に同時に学習する

論文は、二つの方法の難点を挙げる。Δ学習は、同じ原子配置について低精度と高精度の両方のデータを要する。転移学習は、追加の学習で前に学んだ内容を失う問題や、前の学習がかえって精度を下げる問題を起こしやすい3。比較の題材は、InGaN合金を混ぜる前後のエネルギーの差（混合エネルギー）の予測である。決定係数は、高精度の計算条件のデータだけで学習した参照用のモデルの値に、予測がどれだけ合うかを表す。1に近いほどよく合い、負なら平均値を答えるより悪い。転移学習は−4.55、Δ学習は0.31、fidelityを入力にする学習は0.98だった3。

Meta FAIRとソウル大学は、どちらも計算条件を入力にする設計を採った。UMAの論文は、SevenNet-MFの事前学習モデル（SevenNet-MF-ompa）を比較表の既存モデルの一つに挙げ、SevenNet-MFの論文を参考文献に引いている1。SevenNet-Omniの論文は、DPA-3.1とSevenNet-Omni自身を、UMAと並ぶ多taskのモデルに数える8。理論レベルを入力に加える設計は、UMAだけのものではない。

taskをまたいだ差には、汎関数の違いが混ざる

同じ結晶をUMAに渡しても、taskがomatのときとoc20のときでは、返るエネルギーが違う。omatはPBEまたはPBE+Uの値を返し、oc20はRPBEの値を返すからである。そのため、あるtaskで計算した構造のエネルギーから、別のtaskで計算した構造のエネルギーを引くと、構造の違いに汎関数の違いが混ざる。

同じ注意は、UMAの外の計算値と比べるときにも要る。Materials Projectは、結晶のDFT計算を集めた公開データベースである。READMEは、UMAと、OMat24で学習した旧来のモデルについて、「これらはMaterials Projectの計算とは互換でない」と書く4。omatの計算条件はMaterials Projectの推奨に従っているが、内殻の電子をまとめて扱う近似（擬ポテンシャル）だけは、Materials Projectと違うものを使っている24。READMEは、Materials Projectの計算とエネルギーの差を比べるときの注意として、磁気的な基底状態が違いうることも挙げる4。Materials Projectは、計算値に経験的な補正（MP2020補正）も加えている。

生成エネルギーを求めるときのREADMEの指示は、この注意の一例である。生成エネルギーは、化合物のエネルギーと、基準にする物質（基準化合物）のエネルギーの差で求める。READMEは、OMat24専用に計算した基準化合物と補正を配布していると書く。そのうえで「OMat24で学習したモデルを使うとき、MP2020補正やMPの基準化合物を使ってはならない」と定める4。引く値と引かれる値を、同じ理論レベルの計算から取る、という指示である。

taskごとの学習データが別の汎関数で計算されている限り、この注意は無くならない。本稿は、これを恒久の制約と判定する。

taskを選んでも、予測が合う範囲は学習データで決まる

作り手の文書の注意事項は、taskごとに、学習データに含まれないものを書いている。oc20については「OC20には酸化物も明示的な溶媒も含まれない」と書く2。odacについては「ODAC23データセットはCO2/H2Oの吸着だけを含むので、それ以上のもの（たとえばMOF中の炭化水素）は不正確になりうる」と書く2。

電荷とスピンについても、範囲はtaskで違う。系全体の電荷とスピン多重度を入力として使うのは、omolだけである2。電荷やスピン多重度を変えたデータを学習したtaskが、omolだけだからである2。omatについては、作り手自身が、スピン分極の効果は含むが磁気状態は指定できず、学習データは取りうるスピン状態を十分に含んでいないと書く2。

作り手以外の測定は、データの無い組み合わせで、UMAの誤差が大きくなった例を示している。あるtaskのデータで学んだことが、別のtaskの予測に役立つことを、知識の転移と呼ぶ。SevenNet-Omniの論文（第一著者はSevenNet-MFと同じKim、Nature Communications、2026年）は、UMAの中型モデルUMA-m-1p1（UMA-1.2より前の版）の同じ重みに、taskを変えて予測させた8。

対象は、OC20に含まれる貴金属表面の吸着エネルギー（分子が表面に付くときのエネルギーの変化）である。この系をomatのtaskで正しく予測するには、OC20のデータで学んだことが、omatのtaskの予測に役立たなければならない。結果は、omatのtaskの誤差が、oc20のtaskの誤差よりはるかに大きかった。論文はこの結果を、知識の転移が非効率であることの表れと書く8。同じ試験で、SevenNet-OmniとDPAでは逆に、PBEの値を返すtaskの誤差が、RPBEの値を返すtaskの誤差より小さかった8。別のtaskのデータで学んだことが役立つかは、モデルによって違う。

同じ論文は、有機分子と無機の骨格の両方を含むハイブリッドペロブスカイトでも、taskによる違いを測った。生成エネルギーの予測で、omatのtaskは分子のエネルギーを不正確に返し、omcのtaskは無機結晶の安定な構造を見つけにくかった8。

独立のベンチマークは、UMAの予測が大きく外れた系を一つ報告している。Dyna-Matは、2026年7月3日にarXivへ投稿されたベンチマークである。15の機械学習ポテンシャルに、有限温度の分子動力学（原子に働く力から、原子の動きを時間を追って計算する方法）を実行させ、原子の並び方や圧力の誤差を測った9。評価されたUMAは、五つのデータセットで学習した版の小型と中型（UMA-S-P1、UMA-M-P1）である。Dyna-Matは、モデルを四つの階層に分け、UMAを第4階層に置く9。第4階層は、複数の参照データセットと計算設定にまたがって学習した、多ヘッドまたは多taskのモデルの階層である9。

Dyna-Matの本文が失敗の実例として名指すのは、UMAで計算したPt3Co（白金とコバルトの合金）である。実験で観測された単位胞（結晶の繰り返しの単位）を使い、300 Kで計算すると、UMA-M-P1では、原子の並び方を表す動径分布関数の誤差が21.5%になった。各階層で最も誤差の大きいモデルどうしを比べると、第1階層のMACE-MP-0は12.2%で、Dyna-MatはUMA-M-P1をこの系の外れ値と書く9。UMAの二つのモデルの圧力の誤差は、この系で1000%を超えた。Dyna-Matは、これをモデル固有の失敗と呼ぶ9。Dyna-Matの説明では、実験で観測した単位胞は、UMAにとって平衡から遠い配置だった。UMAをどのtaskで計算したかは書かれていない9。

この失敗には、回避策が示されている。UMA-S-P1では、同じモデルで先にセルを緩和する（単位胞の形と大きさを、圧力がゼロになるまで調整する）と、体積を一定に保つ分子動力学の圧力は妥当な値に戻った9。Dyna-Matの圧力の比較では、純金属とTMD（遷移金属ジカルコゲナイド）で第4階層の平均誤差が最も小さく、UMA-M-P1は純金属で0.1 GPa、UMA-S-P1はTMDで0.1 GPa未満だった9。

力の誤差は、モデルが予測した力と、DFTで計算した力の差である。Dyna-Matによると、力の誤差が小さいモデルは、平均では、原子の並び方や動力学の量の誤差も小さい。ただし、力の誤差が小さくても、予測した構造が定性的に外れる系がある9。

各taskの範囲がそのtaskの学習データで決まる限り、範囲を確かめるのは利用者の仕事になる。本稿は、これも恒久の制約と判定する。

出典9件

  1. Brandon M. Wood ほか「UMA: A Family of Universal Models for Atoms」NeurIPS, 2025. https://arxiv.org/abs/2506.23971 — 5億の原子構造で学習した単一のモデルを示し、同じ原子配置でもDFTの設定が違えば正解が違うので、再現するDFT設定をtaskとして入力に加えると書く。 https://doi.org/10.52202/085713-4310 ↩ ↩2 ↩3 ↩4 ↩5 ↩6 ↩7 ↩8

  2. FAIR Chemistry（Meta）「UMA Models」fairchem docs, 2026年9月22日取得. https://github.com/facebookresearch/fairchem/blob/main/docs/core/uma.md — taskは学習データセットの理論レベルを指し、UMAはtaskごとの埋め込みを学ぶので予測時に利用者が指定すると書き、各taskの汎関数と学習データに含まれないものを並べる。 ↩ ↩2 ↩3 ↩4 ↩5 ↩6 ↩7 ↩8 ↩9 ↩10 ↩11 ↩12 ↩13 ↩14 ↩15 ↩16

  3. Jaesun Kim ほか「Data-Efficient Multifidelity Training for High-Fidelity Machine Learning Interatomic Potentials」JACS, 2025. https://arxiv.org/abs/2409.07947 — 計算条件の精度を入力にして複数のデータベースを同時に学習する。 https://doi.org/10.1021/jacs.4c14455 ↩ ↩2 ↩3 ↩4 ↩5 ↩6

  4. FAIR Chemistry（Meta）「fairchem README」GitHub, 2026年9月22日取得. https://github.com/facebookresearch/fairchem — 単一のUMAをtask名で使い分けると書き、OMat24で学習したモデルはMaterials Projectの計算と互換でなく、MP2020補正やMPの基準化合物を使ってはならないと定める。 ↩ ↩2 ↩3 ↩4 ↩5 ↩6 ↩7

  5. Hugging Face「facebook/UMA」model card, 2026年9月22日取得. https://huggingface.co/facebook/UMA — 重みはFAIR Chemistry License v1の下で配布され、ファイルを得るには連絡先の共有と条件への同意が要ると書く。本稿は条項を解釈しない。 ↩

  6. FAIR Chemistry（Meta）「fairchem>=2.0」fairchem docs, 2026年9月22日取得. https://github.com/facebookresearch/fairchem/blob/main/docs/core/fairchemv1_v2.md — 2.0はモデルとcalculatorを全面的に書き直した改訂で旧コードは復活しないと書き、v1の呼び出し例にモデル名EquiformerV2-31M-S2EF-OC20-All+MDを示す。 ↩ ↩2

  7. FAIR Chemistry（Meta）「pretrained_models.json」fairchem v1.10.0, 2026年10月9日取得. https://github.com/facebookresearch/fairchem/blob/fairchem_core-1.10.0/src/fairchem/core/models/pretrained_models.json — v1の学習済みモデルの一覧で、OC20とOC22を合同で学習したGemNet-OC-S2EFS-OC20+OC22を含む。 ↩

  8. Jaesun Kim ほか「Optimizing cross-domain transfer for universal machine learning interatomic potentials」Nat. Commun., 2026. https://www.nature.com/articles/s41467-026-70195-8 — 吸着でUMAのomatのtaskがoc20のtaskより大きく外れると書く。 ↩ ↩2 ↩3 ↩4 ↩5

  9. Gawkowski ほか「Dyna-Mat: End-to-end benchmarking of foundation machine learning interatomic potentials in finite-temperature ensembles」 https://arxiv.org/abs/2607.03433 — Pt3CoでUMAを外れ値と書く。 ↩ ↩2 ↩3 ↩4 ↩5 ↩6 ↩7 ↩8 ↩9

この記事はAIを使用して執筆されました。内容には誤りが含まれる可能性があります。事実や数字の出典は脚注から確かめられます。