Accurate Chemistry Collection: Coupled cluster atomization energies for broad chemical space

Microsoft Research Accurate Chemistry Collection (MSR-ACC) は、閉殻中性分子の広範な化学空間を網羅する 7 万 3,040 件の高精度な原子化エネルギーデータセット「MSR-ACC/TAE25」を公開し、これによりデータ駆動型の高精度計算化学手法の開発を可能にするものである。

要約

この論文は、化学の分野における「究極の正解データ集」を作ったという画期的な研究について書かれています。専門用語を噛み砕き、日常の例えを使って説明します。

🧪 化学の「正解帳」を作った話

Imagine you are trying to teach a robot how to cook. If you tell it "add salt," it might add a whole bucket or a pinch. To teach it properly, you need a**「完璧なレシピ帳（正解帳）」が必要です。化学の世界でも同じで、新しい薬や材料を作るには、「この分子を分解すると、どれくらいのエネルギーがかかるか（原子化エネルギー）」という「正解の数値」**が大量に必要です。

しかし、これまでの「正解帳」には大きな問題がありました。

1. 数が少ない： 載っている分子の種類が限られている。
2. 範囲が狭い： 有機物（炭素ベースの生き物のようなもの）ばかりで、無機物（金属や鉱物など）が少ない。
3. 精度が怪しい： 計算方法が古くて、少しズレがあるかもしれない。

この研究チーム（マイクロソフト研究所など）は、**「化学の全分野を網羅した、超精密な正解帳」を作りました。それが「MSR-ACC/TAE25」**というデータセットです。

---

🌟 この研究の 3 つのすごいポイント

1. 7 万 3 千もの「化学のレシピ」を網羅

これまでのデータセットは、主に「薬になりそうな有機物」ばかりでした。しかし、この新しいデータセットには、73,040 個もの分子のデータが入っています。

• 対象： 炭素だけでなく、リチウムやマグネシウム、アルミニウムなど、周期表の最初の 3 行にある元素（水素からアルゴンまで）でできた分子をすべて対象にしました。
• 特徴： 「薬」だけでなく、電池材料や触媒になりそうな「無機物」もたくさん含まれています。まるで、料理本が「和食」だけでなく「洋食」「中華」「フレンチ」まで網羅したようなものです。

2. 「スーパーコンピューター」で計算した「真の正解」

普通の計算機で計算すると、近似（だいたいの値）になってしまいます。この研究では、**「W1-F12」**という、化学計算の「王様」のような超精密な方法を使いました。

• 比喩： 普通の計算が「定規で測った長さ」だとしたら、この方法は「原子レベルのレーザー測定」です。
• 結果： 実験値と比べても、1 キロカロリー（kcal）以下の誤差しか出ないという、驚異的な精度を達成しました。これを「化学的精度（サブ・ケミカル・アキュラシー）」と呼びます。

3. AI 学習のための「最高の教材」

このデータセットは、人工知能（AI）に化学を教えるための教材として設計されています。

• これまでの課題： 従来のデータは「有機物（炭素化合物）」ばかりだったので、AI は「炭素以外の元素」になると、急にバカになってしまいました（例：「リンと硫黄の化合物」を予測できないなど）。
• 今回の解決： この新しいデータセットは多様な元素を含んでいるため、AI は**「どんな化学反応でも通用する、賢い化学者」**に育つことができます。

---

🛠️ どうやって作ったのか？（工場のライン）

この巨大なデータセットを作るために、チームは以下のような工程を踏みました。

1. 分子の設計図（グラフ）を作る：

   • 既存の分子だけでなく、AI（GPT-2 という言語モデル）を使って、人間が思いつかないような新しい分子の設計図を生成しました。
   • 設計図の段階で、「ありえない結合」や「不安定すぎる分子」を排除しました。

2. 3 次元の形を作る：

   • 設計図を元に、原子を 3 次元空間に配置し、形を整えました。
   • 「この形は安定しているか？」をチェックし、すぐにバラバラになってしまう不安定な分子は捨てました。

3. 超精密な計算（ラベリング）：

   • 残った分子に対して、前述の「王様のような計算方法（W1-F12）」でエネルギーを計算しました。
   • ここでもフィルタリングを行い、「計算が難しすぎる分子（電子が複雑に絡み合っている分子）」は除外し、精度を保証しました。

---

🚀 このデータセットが何をもたらすか？

このデータセットは、科学者やエンジニアにとって**「宝の山」**です。

• 新しい材料の発見： AI がこのデータで学習すれば、より正確に「新しい電池の材料」や「効率的な触媒」を設計できるようになります。
• 計算化学の進化： 従来の計算方法がどこで間違っているかを特定し、より良い計算式を開発する基準（物差し）になります。
• オープンな共有： このデータは誰でも無料でダウンロードして使えます（クリエイティブ・コモンズ・ライセンス）。

まとめ

一言で言えば、**「化学という分野の AI 教育に使える、史上最も広範囲で、最も正確な教科書」**を作ったという研究です。これにより、AI が化学の分野でより賢く、より実用的な解決策を生み出すことが期待されています。

技術概要

以下は、提示された論文「Accurate Chemistry Collection: Coupled cluster atomization energies for broad chemical space」の技術的な要約です。

論文の概要

本論文は、Microsoft Research が開発した新しい大規模な化学データセット「MSR-ACC (Microsoft Research Accurate Chemistry Collection)」とその第一弾である「MSR-ACC/TAE25」を紹介するものです。このデータセットは、閉殻・中性の共有結合分子に対する、化学精度（1 kcal/mol 未満の誤差）を持つ高精度な全原子解離エネルギー（TAE: Total Atomization Energy）を網羅的に提供することを目的としています。

---

1. 背景と課題 (Problem)

• 化学精度の必要性: 計算化学の手法を進展させるためには、実験値から 1 kcal/mol 以内の誤差（化学精度）を持つ熱化学データが不可欠です。
• 既存データセットの限界: 現在、化学精度に達するデータセットは存在しますが、サイズが小さすぎるか、対象とする化学空間（有機化合物中心など）が限定的です。これにより、広範な化学空間（特に有機・無機を問わず、s ブロック・p ブロック元素を含む）にわたる予測精度を持つデータ駆動型手法の開発が妨げられています。
• 既存手法の課題:
  • W4 法など: 非常に高精度ですが計算コストが極めて高く、分子数やサイズが制限されます。
  • G4(MP2) 法: 計算効率は高いですが、経験的な補正項を含んでおり、標準的な結合状況や実験データに乏しい系では化学精度を達成できない可能性があります。
  • DMC (拡散モンテカルロ): 多配置性を持つ系には適していますが、単一スレーター行列式のアプローチでは原子解離エネルギーの精度が不足しています。

2. 手法 (Methodology)

データセットの設計

• 対象: 閉殻・電荷中性・共有結合性の平衡分子構造。
• 元素範囲: 周期表の第 1〜3 周期（H〜Ar）から選択（希ガスは除く）。
• サイズ: 非水素原子が最大 5 個までの分子。
• 除外条件: 著しい多参照性（multireference character）を持つ系、三重項基底状態を持つ系、解離して共有結合で切断されたフラグメントになる系。

構造生成パイプライン (End-to-End Generation)

1. 分子グラフ生成:
   • 3 つのアプローチを組み合わせ、多様な結合状況を探求しました。
     • Version 1: 非水素原子数に基づいた全グラフの網羅的列挙（4 原子以下）。
     • Version 2 & 3: 次数系列サンプリング（非水素原子のみ、および水素原子明示的）。
     • GPT-2 モデル: 生成された SMILES 文字列で学習したトランスフォーマーモデルを用いて、新規グラフを生成（5 原子分子の約 20% を占める）。
2. 3D 構造最適化:
   • UFF で初期配置 → GFN2-xTB でコンフォマー探索 → r2SCAN-3c → B3LYP-D3(BJ)/def2-TZVPP による最終最適化。
   • 重複除去（分子グラフと TAE の一致確認）。
3. フィルタリング:
   • 基底状態確認: B3LYP による一重項 - 三重項ギャップ（S0–T1）が負の構造を除外（約 5% 除去）。
   • 多参照性のチェック: CCSD(T)/6-31G(d) による %TAE[(T)] 診断値が 6% を超える構造を除外（約 5% 除去）。これにより、CCSD(T) が信頼できる単一参照系のみを保持。
   • 解離フラグメントの除去: 共有結合で切断された構造を除外。

高精度ラベリング (Labeling)

• 手法: W1-F12 複合波動関数プロトコルを使用。
• レベル: CCSD(T)/CBS（完全基底セット極限）レベルの非相対論的・全電子計算。
• 詳細:
  • HF エネルギー、CCSD-F12 相関エネルギー、(T) 項、およびコア - 価電子（CV）補正をそれぞれ CBS 極限へ外挿。
  • 計算には Molpro 2024.1 を使用。
  • 4 非水素原子以下の分子はすべて、5 非水素原子分子はサンプリングされた部分に対して計算を実施。

サブサンプリング戦略

• 計算コストを最小化しつつ化学的多様性を最大化するため、(i) 非水素原子数、(ii) s ブロック元素の有無、(iii) 第 3 周期元素の有無の 3 軸に沿ってサンプリングし、W1-F12 計算の予算配分を行いました。

3. 主要な貢献と結果 (Key Contributions & Results)

• データセット規模:
  • 73,040 個の分子に対して CCSD(T)/CBS レベルの全原子解離エネルギー（TAE）を計算。
  • 有機系（炭素を含む）45.1%、無機系 54.9% で構成され、有機・無機のバランスが取れています。
  • 元素分布は C > N > Si > B > P > S > Al > O > Be > Mg > Li > Na > F > Cl の順で、第 2/3 周期の混合系が約 75% を占めます。
• 化学的多様性:
  • 従来の GDB-9（QM9）のような「医薬品ライクな有機分子」に限定されず、非伝統的な結合状況や無機化合物を広くカバー。
  • 非水素原子間の結合タイプは 287,000 種類以上あり、第 1・2 周期元素のほぼ全ての組み合わせを網羅（F-F 結合は多参照性診断により除外）。
  • 各元素の「1 番目の隣接環境（unique 1st-neighbor environments）」の数が、GDB-9 よりも 2〜3 倍多いことが確認されました。
• 品質と検証:
  • フィルタリングの妥当性: %TAE[(T)] 診断値と S0–T1 ギャップによるフィルタリングにより、CCSD(T) が信頼できる単一参照系のみを抽出。W4-17 データセットとの比較により、網羅性が確認されました（B2H6 や C4H4 などの不安定/特殊な分子を除く）。
  • 誤差分布: 様々な DFT 関数（Jacob's Ladder の各段）の誤差分布が正規分布に従うことを確認し、参照値の信頼性を間接的に検証しました。
  • 精度: W1-F12 法自体は、W4-11 データセットに対して平均絶対誤差（MAD）0.51 kcal/mol、RMSD 0.74 kcal/mol の高精度を有することが知られています。
• 公開:
  • データセットは Zenodo で QCSchema 形式、CDLA Permissive 2.0 ライセンスで公開。
  • 学習用（99%）と検証用（1%）の分割データも提供。

4. 意義と将来展望 (Significance)

• 機械学習と DFT 開発への貢献:
  • 広範な化学空間（有機・無機、s/p ブロック）をカバーする大規模な高精度データセットは、交換相関汎関数の開発や、グラフニューラルネットワーク（GNN）などの深層学習モデルの訓練・検証に不可欠です。
  • 特に、従来の有機化学中心のデータセットでは見落とされていた「s ブロック・p ブロック化合物における結合エネルギー」の系統的誤差を特定・修正する基盤となります。
• 化学精度の達成:
  • 本データセットを用いることで、化学精度（1 kcal/mol 以内）を達成する新しい計算化学手法や、交換相関汎関数の開発が可能になります（既に、原子解離エネルギーで化学精度を達成する最初の汎関数の訓練に利用されています）。
• 将来の拡張:
  • 本研究は MSR-ACC の第一弾であり、将来的には同等以上の品質を持つデータセット（より大きな分子、より多様な元素など）への拡張が予定されています。

結論

MSR-ACC/TAE25 は、計算化学の「ゴールドスタンダード」となるべき大規模で多様かつ高精度なデータセットです。これにより、データ駆動型の化学手法開発における「化学空間の広がり」と「予測精度」の両立が可能となり、理論化学と機械学習の融合を大きく前進させることが期待されます。