コンピュータチップの中のシリコンから、食卓の塩に至るまで、私たちの世界を構成する物質を理解するために、科学者たちはしばしば「分子動力学」と呼ばれる強力なツールに頼ります。これは、原子が時間の経過とともにどのように動き、相互作用するかをシミュレーションする方法ですが、これらのシミュレーションを実行するには、原子の特定の配置の中にどれだけのエネルギーが蓄えられているかを教える信頼できる地図が必要です。数十年にわたり、これらの地図を作成するためのゴールドスタンダード(標準的な手法)は、量子力学の法則に基づいた手法でした。これは非常に正確ですが、計算コストが極めて高いため、ごく少数の原子の集まりを非常に短い期間扱うことしかできません。より大きなシステムや、より長いタイムスケールを研究するために、科学者たちは機械学習へと目を向け、原子の位置とエネルギーの関係をコンピュータに学習させてきました。しかし、これらの現代的な学習モデルの多くは、「ある原子は自身のすぐ隣にある近傍の原子のみを気にする」という単純な仮定に基づいて動作しています。それらは局所的な近傍のみに注目し、遠くで何が起きているかは無視してしまうのです。この方法は多くの材料に対してはうまく機能しますが、塩のような電荷を持つ粒子や特定の結晶からなる材料など、一部の材料では失敗します。なぜなら、ある原子による引き合う力や押し返す力は、構造全体にわたって届き、局所的なスナップショットでは捉えきれない方法で材料の挙動に影響を与えるからです。
復旦大学と上海斉智研究院の研究チームは、この盲点を修正するための新しいアプローチを開発しました。彼らは、遠く離れた原子がどのように互いに影響を及ぼし合うかを理解するためには、材料を単なる空間上の個々の点の集まりとしてではなく、一つの「波のパターン」として見る必要があると気づきました。物理学において、結晶における原子の配置を、別の種類の空間(しばしば「逆格子空間」と呼ばれます)へと翻訳する数学的な方法が存在します。この空間は、長い距離にわたって繰り返されるパターンを記述するのに自然に適しています。研究者たちは、結晶の標準的な画像を取り込み、それをこの波に基づいた言語へと翻訳し、ニューラルネットワークを用いてこれらの長距離パターンからのエネルギー寄与を学習する、新しいタイプのコンピュータモデルを構築しました。そして、このグローバルな視点を従来のローカルな視点と組み合わせることで、即座の隣接関係と遠方の影響の両方を同時に捉えるハイブリッドモデルを作り上げたのです。
チームはこの新手法が本当に予測を改善できるかどうかを確認するため、いくつかの異なる材料を用いてテストを行いました。まず、太陽電池に使用される結晶の一種であるハイブリッド有機・無機ペロブスカイトのデータセットを用い、電気伝導性の指標である「バンドギャップ」を予測しました。彼らの新しいモデルを既存の手法と比較したところ、長距離の波の情報を含んだハイブリッドなアプローチが最も正確であり、予測における誤差を大幅に減少させることができました。対照的に、新しいニューラルネットワークのコンポーネントなしに単に標準的な長距離計算を追加しただけでは効果が得られず、また、ローカルな詳細を除いて長距離の情報のみを使用しただけでは不十分であることも分かりました。成功の鍵は、これら2つの視点を組み合わせる特定の方法にありました。
次に、研究者たちは、長距離力が特に重要となる「欠陥(欠けている部分)」を持つ結晶をシミュレートするという、より困難な課題に取り組みました。彼らは塩の結晶である塩化ナトリウムのモデルを作成し、原子にランダムな揺らぎを導入することで、現実世界の不完全性をシミュレートしました。そして、これらの構造の全エネルギーを予測するようにモデルを訓練しましたが、このタスクにはシステム内のあらゆる原子間の電気的な引力を考慮することが求められます。結果として、データから直接長距離力を学習する彼らの新手法は、特に結晶が大きく欠陥を含む場合に、従来のモデルよりもはるかに正確であることが示されました。彼らはまた、高出力電子機器に使用されるガリウムナイトライドと呼ばれる複雑な半導体材料についてもテストを行いました。このケースでは、新モデルはエネルギーをより正確に予測しただけでなく、原子間の力の振る舞いについてより安定した描写を提供し、標準的なモデルと比較して力(フォース)の予測誤差を大幅に減少させました。
この改善の鍵は、単にデータを増やすことではなく、コンピュータが結晶をどのように「見る」かを変えたことにありました。原子の位置を、材料の繰り返される長距離のパターンを自然に捉える形式へと翻訳することで、モデルは従来のモデルが見落としていた微細で広範囲に及ぶ相互作用を学習することができたのです。また、研究者たちはモデルの訓練方法も極めて重要であることを発見しました。つまり、まずローカルな環境を理解するようにコンピュータを教え、その後に第二ステップとして長距離情報を追加する方が、すべてを一度に学習しようとするよりもはるかに優れた結果をもたらすことが分かったのです。この新しいアプローチは、原子同士の離れた場所にある目に見えない繋がりによって全体の挙動が決まるようなシステムにおいて、より優れた材料を設計するための有望な道筋を提示しています。
技術要約:逆格子空間ニューラルネットワークによる長距離相互作用の捕捉
問題提起
機械学習(ML)原子間ポテンシャルは、材料特性のシミュレーションにおいて不可欠となっているが、既存のモデルの多く(第2世代ポテンシャル)は「近視性(nearsightness)」の原理に依存している。この原理は、全エネルギーがカットオフ半径内の局所的な原子寄与の総和であると仮定しており、長距離相互作用を事実上無視している。第3および第4世代ポテンシャルは静電相互作用(クーロン相互作用)に対処しようと試みているが、他の代数的に減衰する長距離力(例:ファンデルワールス力)を捉えきれなかったり、周期系における非局所的な電荷移動の扱いに苦慮したりすることが多い。さらに、分子における長距離相互作用をモデル化できるフル結合グラフトランスフォーマーのような手法は、シミュレーションセルの選択に関する不変性を必要とするため、周期境界条件(PBC)を持つ結晶に直接適用することはできない。その結果、任意の長距離相互作用を扱い、完全なE(3)対称性とセル選択不変性を維持し、かつグローバルな特性予測のために完全な原子相互作用情報を組み込むことができるMLフレームワークが不足している。
手法
著者らは、長距離相互作用とグローバルな構造情報をエンコードするために、逆格子空間ニューラルネットワークを利用したフレームワークを提案している。この手法は主に2つのコンポーネントで構成される:
逆格子空間ポテンシャル:
- 理論的基礎: このアプローチは、クーロン相互作用を短距離(実空間)成分と長距離(逆格子空間)成分に分離するエバルト(Ewald)和に着想を得ている。著者らは、構造因子 S(k,r)=∑jqjexp(−ik⋅rj) を用いて、この定式化を任意の長距離ポテンシャル(例:1/rn)へと一般化している。
- ニューラルアーキテクチャ: 長距離部分に固定された解析的な形式を使用する代わりに、著者らは多層パーセプトロンと残差層を備えた全結合ネットワーク(FCN)を用いて、関数 Φ(∣k∣) を学習させる。長距離エネルギーは Elong=Ω1∑kFCN(∣k∣)∣S(k,r)∣2 として計算される。
- 電荷の取り扱い: 原子電荷(qj)は、種に基づく固定の埋め込みとして、結晶グラフニューラルネットワーク(CGNN)による局所環境に基づく予測値として、あるいは非局所的な電荷移動を扱うためのグローバルな電荷平衡スキーム(第4世代のアプローチ)を通じて決定される。
- 不変性: この手法は、E(3)対称性(回転、並進、反転)およびシミュレーションセルの選択に対する不変性を保証する。並進は構造因子の位相にのみ影響を与え、∣S∣2 は不変である。回転はベクトルの長さと内積を保存する。
逆格子空間記述子:
- グローバルな強度的特性(例:バンドギャップ)を予測するために、学習可能な逆格子空間記述子が構築される:hlong=∑kFCN(∣k∣,Ω∣S(k,r)∣)∣ΩS(k,r)∣2。
- 構造因子は、セルサイズの選択に対する不変性を確保するために格子体積(Ω)によって正規化される。
- 統合: このグローバルな記述子は、局所的な実空間記述子(例:DimeNet++やPaiNNからのもの)と結合される。示量的特性(全エネルギー)については加算プーリングが適用され、強度的特性(バンドギャップ)については、グローバル記述子との結合前に局所的な特徴に対して平均プーリングが適用される。
学習戦略:
- 3段階の学習戦略が採用されている:(1) 実空間NNの学習、(2) 実空間NNを凍結して逆格子空間NNを学習、(3) 両方のネットワークを共同で学習。このアプローチは、両方の部分を同時に学習する「1ステップ」と比較して、より優れた収束性と精度をもたらすことが示された。
主な貢献
- 一般化された長距離モデリング: 本フレームワークは、明示的なクーロン項を超えて、逆格子空間内で暗黙的かつ学習可能な形で、あらゆる形式の長距離相互作用(ファンデルワールス力を含む)を捉えるようにMLポテンシャルを拡張する。
- 対称性と不変性: 提案された逆格子空間ポテンシャルおよび記述子は、完全なE(3)対称性とシミュレーションセルの選択に対する不変性を維持し、周期系における従来のグラフベースのアプローチの決定的な限界を解決する。
- グローバル特性の予測: 完全な原子相互作用情報を逆格子空間記述子を通じて組み込むことにより、本モデルは局所的な原子環境では不十分な強度的特性(バンドギャップなど)の予測精度を向上させる。
- 欠陥系の精度: 本手法は、長距離相互作用が支配的な欠陥を含むシステムにおいて、優れた性能を示すことが実証されており、より安定したエネルギー表面と減少した「未適合(unfitted)」データ点を提供する。
結果
著者らは、以下の3つの異なるデータセットを用いてアプローチを検証した:
- HOIP バンドギャップ予測: 1,333個のハイブリッド有機・無機ペロブスカイトのデータセットにおいて、逆格子空間記述子で拡張されたDimeNet++モデルは、テスト平均絶対誤差(MAE)0.129を達成した。これは、純粋なDimeNet++(0.154)、純粋な逆格子記述子(0.385)、およびCGCNN(0.170)やCT(0.140)といった他の最先端のベースラインを上回った。
- NaCl クーロン相互作用: モデルNaClデータセットにおいて、逆格子空間ポテンシャルは、純粋なDimeNet++と比較して全エネルギーのMAEを大幅に減少させた。3×3×3のスーパーセルにおいて、3段階戦略を用いることで、誤差は10.5e-4から5.86e-4へと低下した。極めて重要なことに、点欠陥を持つより大きな6×6×6スーパーセルにおいて、逆格子空間モデルはMAE 1.33e-2を達成し、ベースラインの1.83e-2を大幅に上回り、複雑な欠陥環境を扱う能力を実証した。
- GaN 欠陥系: 欠陥を含むガリウムナイトライドの広範な第一原理データセット(67,208構造)において、PaiNNに逆格子空間ポテンシャルと3段階学習戦略を組み合わせたモデルが、最も低い誤差である、エネルギーMAE 3.087 meV および エネルギーRMSE 9.259 meV を達成した。これは、ベースラインのPaiNN(MAE 4.666 meV、RMSE 19.17 meV)および1ステップ学習バリアントに対する大幅な改善であった。
意義と主張
本論文は、本研究が、周期系における長距離効果と完全な原子相互作用の正確な記述を可能にすることで、現在のML原子間モデルの能力を拡張するものであると主張している。逆格子空間情報をうまく統合することにより、著者らは、本アプローチが以下への新たな道を切り開くと断言している:
- 局所的な環境だけでは不十分な、グローバルな特性(バンドギャップなど)の正確な予測。
- 長距離相互作用が支配的な、欠陥を含むシステムの広範なダイナミクスシミュレーション。
- 近視性や特定の解析的な形式の長距離力という限定的な仮定に依存しない、より堅牢なポテンシャルモデルの開発。
著者らは、提案された逆格子空間ニューラルネットワークフレームワークが、長距離および完全な原子相互作用が極めて重要となる欠陥系やその他の材料のためのポテンシャルを構築するための有望な道筋を提供すると結論付けている。
毎週最高の 材料科学 論文をお届け。
スタンフォード、ケンブリッジ、フランス科学アカデミーの研究者に信頼されています。
受信トレイを確認して登録を完了してください。
問題が発生しました。もう一度お試しください。
スパムなし、いつでも解除可能。
週刊ダイジェスト — 最新の研究をわかりやすく。登録