Effective Atom Theory: Gradient-Driven Materials Design

技術要約：勾配駆動型材料設計のための有効原子理論 (Effective Atom Theory: EAT)

問題提起
持続可能なエネルギーや先端電子機器のための、特性をカスタマイズした材料の発見は、化学的秩序（chemical ordering）と結合トポロジーの最適化に内在する組合せ爆発によって阻害されている。密度汎関数理論 (DFT) や機械学習原子間ポテンシャル (MLIP) は正確なエネルギー予測を提供するが、その計算コストにより、組成および構造空間の網羅的な探索は実用的ではない。既存の加速手法（進化アルゴリズム、ベイズ最適化、グラフニューラルネットワークなど）には、以下のような重大な限界がある：

• 進化アルゴリズム／遺伝的アルゴリズム： 数千回の ab initio 計算を必要とすることが多い。
• ベイズ最適化： コストを削減するものの、比較的小さな空間であっても数百回の評価を必要とし、また、すべての離散的な点において基礎となるエネルギー関数と一致するとは限らない確率的なサロゲートモデルに依存している。
• 仮想結晶近似 (VCA) およびアルケミカル MLIP： これらは種（species）の連続的な混合を可能にするが、平均化された結晶近似の範囲内で動作するため、最近接原子への丸め処理を行わない限り、離散的な物理的秩序を回復できず、非最適な解をもたらす可能性がある。

核心となる課題は、サロゲートモデルによって最適化プロセスを真の物理的エネルギー関数から切り離すことなく、元素配置の離散的なランドスケープをいかに効率的にナビゲートするかである。

手法：有効原子理論 (EAT)
著者らは、離散的な原子のアイデンティティを連続的かつ微分可能な空間へと埋め込み、DFT や MLIP エネルギーモデル内での直接的な勾配駆動型最適化を可能にするフレームワークである「有効原子理論 (EAT)」を提案している。

1. 連続的埋め込み： 各原子サイト $I$ に対して、元素種 $\alpha$ に対する混合係数 $x_{I\alpha}$ を割り当て、これには単体制約（$x_{I\alpha} \ge 0, \sum x_{I\alpha} = 1$）を課す。

   • DFT においては、有効原子は元素擬ポテンシャルの線形結合によって構築される（VCAと同様）。
   • MLIP（特に FAIRChem）においては、それらは元素のノードおよびエッジ・エンベディングの線形混合によって構築される。
   • いずれの場合も、全エネルギー $E$ は $x_{I\alpha}$ の滑らかな関数であり、勾配は（DFTにおけるヘルマン–ファインマン定理、または MLIP におけるバックプロパゲーションを通じて）無視できないオーバーヘッドで利用可能である。

2. 最適化戦略： 本手法は、投影準ニュートン法を用いて、目的関数 $f(\{E_n\})$（例：生成エネルギー）を混合係数に関して最小化する。これにより、離散的なサンプリング問題を連続的な勾配駆動型探索へと変換し、典型的な遺伝的アルゴリズムやベイズ最適化よりも数桁少ない反復回数で収束させる。

3. 合成化 (Syntropization)： 混合原子からなる物質は存在しないため、著者らはシステムを離散的で物理的に実現可能な状態へと導くための「合成化」手順を導入している。Tsallis $q$-エントロピー（$q=2$）に基づくペナルティ項 $S(\{x_{I\alpha}\})$ が損失関数に追加される：
   $$L(\{E_n, x_{I\alpha}\}) = f(\{E_n\}) + \lambda S(\{x_{I\alpha}\})$$
   ペナルティの強度 $\lambda$ は最適化中に段階的に増加させ、組成エントロピーを連続的に抑制することで、$x_{I\alpha}$ を 0 または 1 へと駆動させる。これにより、確率的な混合ではなく、離散的な元素のアイデンティティを回復する。

4. トポロジー最適化の拡張： 化学的秩序だけでなく、結合トポロジーを最適化するために、EAT は「ヌル（null）」要素を導入する。実在する元素は「ヌル」タイプと連続的に混合し、これにより原子が一方の場所から消え、別の場所に現れることが可能になる。これにより、高エネルギーの物理的障壁を越えることなく、結合トポロジー間の連続的な遷移が可能となる。これには、局所解を脱出するための「ショック」スキームも組み合わされている。

主な結果
論文では、EAT を 4 つの異なるアプリケーションに適用し、離散的な手法よりも大幅に少ない評価回数で、厳密または近似的な基底状態を回復できることを示している：

• 基底状態の化学的秩序 (NaCl)： 128 原子岩塩構造スーパーセルにおいて、EAT は $\sim 10^{37}$ 通りの可能性の中から、中央値 500 回のエネルギー評価で正確な基底状態の秩序を回復した。対照的に、離散的なベイズ最適化は 2000 回の反復後でもほとんど進展が見られなかった。
• 相図の構築 (Cu–Pd)： EAT は二元系 Cu–Pd の凸包（convex hull）を構築した。
  • FAIRChem（32 原子セル）を使用した場合、$\sim 10^4$ 回の評価あたり組成あたりの評価を用いて、真の凸包を正確に特定した（全列挙と比較して $10^4$ 倍の高速化）。
  • DFT（16 原子セル）を使用した場合、EAT は凸包から 0.01 eV/atom 以内の低エネルギー秩序を見出した。特定の組成（例：Cu$_{0.75}$Pd$_{0.25}$）では、1820 個の離散的な秩序に対して、わずか 2 回の実行（$\sim 100$ 回の評価）で正確な基底状態を見出した。
• 触媒設計 (OER)： EAT は、酸素発生反応 (OER) のための高エントロピー岩塩型酸化物 (Co–Cr–Ni–V) を DFT 内で最適化した。
  • $\Delta G = 1.6$ eV を目標とすることで、過電位 $\eta_{OER}$ を最小化した。
  • 約 50 回の反復（100 回の DFT 評価）で、最適に近いセルを特定した。これは一般的な遺伝的探索よりも一桁少ない。
  • 推奨される組成は Co$_{0.19}$Cr$_{0.06}$V$_{0.31}$Ni$_{0.44}$O であり、純粋な NiO よりも火山型プロットの頂点に 2 倍近い近さで $\Delta G = 1.63$ eV を達成した（スピン偏極、Hubbard-U、イオン緩和を含む）。
• 結合トポロジーの最適化 (SrTiO$_3$)： ランダムな格子ベクトルと種（species）の重みから開始し、拡張された EAT フレームワークは、システムを正しい SrTiO$_3$ ペロブスカイト・トポロジー（角共有 TiO$_6$ ネットワーク）へと最適化することに成功した（約 700 回のエネルギー評価）。室温の立方晶相を回収したが、これはより低エネルギーの反強磁性歪相との差がわずか 1 meV/atom（モデルのノイズレベルに近い）であった。これは、トポロジーの変化を連続的にナビゲートできる能力を実証している。

意義と主張
本論文は、EAT が組合せ探索を勾配駆動型の最適化へと変換することにより、「オンザフライでの発見」のための一般的なフレームワークを提供すると主張している。その主な意義は以下の通りである：

1. サロゲートの排除： BO や MLIP のように大規模なデータセットに学習されたものではなく、EAT は常に物理的エネルギー関数（DFT または MLIP）に対して直接最適化を行うため、離散的な点におけるエネルギーランドスケープの正確な回復が保証される。
2. 桁違いの加速： 解析的な勾配と連続的な緩和を利用することで、EAT は離散的なサンプリング手法（GA、BO）や全列挙と比較して、数桁の高速化を実現する。
3. 物理的実現可能性： 「合成化」メカニズムにより、最終的な出力は完全に離散的で物理的に実現可能な原子となり、連続的な数学的最適化と化学的現実の間の溝を埋める。
4. 汎用性： 本手法は、吸着エネルギー、欠陥形成、混合エンタルピーを含む、全エネルギー差を通じて表現可能なあらゆる特性に適用可能であり、固定されたトポロジーの秩序を超えて、結合トポロジーの最適化にも拡張できる。

著者らは、EAT が、第一原理に基づく材料設計を長らく制限してきた「組合せの壁」を突破するための実用的な経路を開くものであると結論付けている。