Upscaling DFT-trained machine-learning interatomic potential toward Quantum Monte Carlo accuracy: Sulfur-vacancy migration in monolayer MoS$_2$ as a testbed

本論文は、限られた量子モンテカルロエネルギーを用いてDFTで訓練された原子間ポテンシャルを微調整するマルチフィデリティ機械学習手法を提示し、単層MoS$_2$における硫黄空孔の移動をシミュレートする際に近QMC精度を達成し、直接のQMC手法では計算的に実行不可能な大規模かつ高精度なシミュレーションを可能にする。

要約

山岳地形の完璧な地図を作成し、ハイカー（原子）が安全に移動できるよう支援しようとしていると想像してください。

問題：地図が高価すぎるか、粗すぎる
科学者にはこの地図を描くための主に 2 つの方法があります。

1. 「まあまあ良い」地図（DFT）： これは標準的な GPS のようなものです。生成が速く安価で、山や谷の位置についてそれなりの見当をつけることができます。しかし、時折ピークの標高を誤って示すことがあります。特定の山岳通路（化学反応）を越えようとしている場合、この地図は実際には急崖である通路が登りやすいと誤って伝える可能性があります。
2. 「完璧な」地図（QMC）： これは、すべての岩や小石を驚くべき精度で測定する衛星調査です。山々の真の標高を提供します。しかし、作成には非常に高価で時間がかかりすぎるため、わずかな土地の調査しか手が届きません。大陸全体を地図化したり、長いハイキングをシミュレートしたりすることはできません。なぜなら、コンピュータが完了するのに数世紀を要するからです。

解決策：賢いハイブリッドアプローチ
この論文の著者たちは、両者の長所を兼ね備えるための巧妙なトリックを考案しました。彼らは「完璧な」地図と同じ精度を持つように「まあまあ良い」地図をアップグレードしたいと考えていましたが、不可能なコストは避けたいと考えていました。

彼らがどのように行ったか、車のチューニングの比喩を用いて説明します。

• エンジン（AI モデル）： 彼らは、すでに「まあまあ良い」地図を用いて構築された車（MACE という AI モデル）から始めました。この車は走行が良く、急カーブ（原子間力）の扱い方も知っています。なぜなら、速い標準データで訓練されたからです。
• 燃料噴射（エネルギー補正）： 彼らは、車のスピードメーター（エネルギー準位）が「完璧な」地図と比較してわずかにずれていることに気づきました。そこで、山岳地帯の特定の場所から、非常に高価で高精度な燃料サンプル（QMC エネルギー）をいくつか採取しました。
• チューニング（微調整）： 車全体を最初から作り直す（それは難しすぎる）のではなく、彼らはダッシュボードとスピードメーター（AI の「読み出し層」）のみを調整しました。彼らは、高価な燃料サンプルを用いてスピードメーターを再較正し、山々の真の標高を表示するようにしました。
• 安全ブレーキ（力制約）： ここが難しい部分です。スピードメーターを調整するだけでは、エンジンが新しい速度の扱い方を知らないため、車が暴走する可能性があります。これを防ぐために、彼らは「安全ブレーキ」を追加しました。彼らは AI にこう指示しました。「完璧な地図に合わせて速度を変更することはできますが、車の操舵（力）をわずかな安全範囲を超えて変更することはできません。」これにより車は安定し、架空の崖に衝突するのを防ぎます。

テスト：MoS2 中の硫黄空孔
この新しい手法をテストするために、彼らは特定の物質を使用しました。二硫化モリブデン（MoS2）の薄いシートです。彼らは、単一の硫黄原子が欠落（「空孔」）し、新しい場所へ移動しようとする際に何が起こるかを確認しました。この移動は、尾根を越えようとするハイカーのようものです。

• 従来の方法： 標準的な地図によると、ハイカーは 2.30 eV の丘を登る必要がありました。
• 完璧な方法： 高価で高精度な調査によると、その丘は実際には 2.85 eV でした。これは大きな違いです！
• 新しいハイブリッド方法： 彼らのチューニング済みモデルは 2.75 eV と予測しました。それは高価な調査とほぼ同じ精度でありながら、瞬時に計算されました。

結果

• 精度： 新しいモデルは、エネルギー障壁（丘の高さ）をほぼ正確に捉え、わずかな誤差の範囲内で高価な「ゴールドスタンダード」の結果と一致しました。
• 力： 彼らはモデルに操舵（力）の仕方を教えるために高価なデータを使用しなかったにもかかわらず、「安全ブレーキ」が操舵の精度を維持しました。モデルの操舵性能は元のものよりも大幅に向上し、元の地図と同様に高精度な調査とほぼ同等の結果を示しました。
• スケーラビリティ： モデルが高速であるため、彼らは高価な方法では計算不可能だった、欠落した原子の列が一度に移動するような巨大なシナリオをシミュレートすることができました。

まとめ
著者たちは、コンピュータシミュレーションのための「賢いアップグレード」を作成しました。彼らは、速いがわずかに不正確なモデルを取り、エネルギー読み取りを修正するために高価で高精度なデータを少量投入し、その一方で移動予測を安定させるための安全ルールを用いました。これにより、科学者たちは以前は研究が難しすぎたり高価すぎたりした物質の大規模かつ高精度なシミュレーションを実行できるようになりました。

技術概要

技術的概要：DFT 訓練 MLIP の QMC 精度へのアップスケーリング

問題提起
活性化プロセス（空孔拡散や相転移など）のシミュレーションにおいて、ポテンシャルエネルギー曲面（PES）の正確なモデル化は不可欠である。第一原理計算手法では計算コストが高すぎて大規模サンプリングや自由エネルギー計算が不可能であるのに対し、機械学習原子間ポテンシャル（MLIP）はこれらの計算を可能にする。しかし、その精度は訓練に用いられた参照データに本質的に制限される。標準的な密度汎関数理論（DFT）で訓練された MLIP は DFT 結果を再現するが、DFT にはしばしば障壁高さや欠陥エネルギーに系統的なバイアスが含まれる。一方、量子モンテカルロ（QMC）法は化学的精度に迫るベンチマーク品質のエネルギーを提供するが、現時点では広範なサンプリングにはあまりにも高コストである。さらに、確率的 QMC 法（特に固定ノード拡散モンテカルロ、FN-DMC）から収束した原子力を得ることは、エネルギーを計算するよりもはるかに困難であり、定型的ではない。これは、力データに依存する高忠実度 MLIP の訓練におけるボトルネックとなっている。

手法
著者らは、直接の QMC 力計算を必要とせずに、DFT 訓練 MLIP を準 QMC 精度まで「アップスケーリング」するマルチフィデリティ学習（MFL）戦略を提案する。このアプローチは、等価メッセージパッシングニューラルネットワーク（MACE）に対する部分的に凍結された微調整（FT）スキームを利用する。手法は以下の 3 つの中核要素から構成される。

1. データ生成: 既存の DFT 訓練 MACE ポテンシャルに基づき、制約分子動力学（MD）およびヌッヂド・エラスティック・バンド（NEB）経路を用いて、約 $10^3$ 個の配置からなるデータセットを生成した。これらの配置に対して単点 FN-DMC エネルギーを計算し、原子力は基礎となる DFT 計算から保持した。
2. 微調整アーキテクチャ: 著者らは、学習された不変特徴量を原子ごとのエネルギーにマッピングする「リードアウト」層のみを MACE モデルで微調整した。局所環境の幾何学的表現と DFT 学習力場を符号化する等価メッセージパッシング層は凍結された。これにより、DFT から学習された質的な構造物理を保持しつつ、エネルギーマッピングを QMC ターゲットに再較正することが可能となる。
3. 損失関数と制約: 訓練目的は、FN-DMC エネルギーの平均二乗誤差（MSE）項と、予測力の DFT ベースライン力からの偏差に対する閾値付きペナルティ項を含む結合損失関数を最小化することである。
   • 力のペナルティは $FEt(F_{pred}, F_{DFT}) = \Theta(\|\Delta F\|^2 - t^2)(\|\Delta F\|^2 - t^2)^2$ と定義される。ここで $t$ は閾値パラメータ（16 eV/Å に設定）である。
   • この制約により、モデルが非物理的な力を生じさせたり、安定な DFT 動力学から大きく逸脱したりすることを防ぎつつ、エネルギー曲面を QMC 精度方向へシフトさせることを可能にする。

主要な貢献

• 力制約付きアップスケーリング: 高レベルの QMC エネルギーと低レベルの DFT 力を用いて DFT 訓練 MLIP を修正する実用的なプロトコルを実証し、高コストかつノイズの多い QMC 力計算の必要性を回避した。
• 部分的凍結戦略: メッセージパッシング層を凍結し、リードアウトのみを更新することで、DFT 力場の安定性を維持しつつ QMC レベルのエネルギー特性を達成した。
• マルチフィデリティ検証: 限られた QMC エネルギーデータセット（37 サンプル程度）でもモデルを大幅に改善できることを検証し、性能は約 500 サンプルで安定化することを示した。

結果
この手法は、単一、二重、および四重空孔を含む単層 MoS2 中の硫黄（S）空孔移動に対してテストされた。

• エネルギー: 微調整済み MLIP（FT-MLIP）は、移動障壁において準 QMC 精度を達成した。単一空孔の場合、FT-MLIP の障壁（2.75 eV）は明示的な FN-DMC 結果（2.85 eV）と約 0.1 eV しか異ならず、一方ベースラインの DFT-MLIP は 0.55 eV 低かった。
• 力: QMC 力に基づいて訓練されたわけではないが、FT-MLIP は力の忠実度が向上した。QMC 微分に対する原子力の平均絶対誤差（MAE）は、DFT-MLIP の 220 meV/Åから FT-MLIP の 160 meV/Åへと減少した。
• 一般化（ドメイン外）: 二重空孔および四重空孔の移動障壁（転送テスト）を予測する際、明示的な FN-DMC 計算からの偏差は 0.04–0.15 eV であり、DFT ベースラインを大幅に上回る性能を示した。
• 自由エネルギー: このアプローチにより、300 K、600 K、900 K における自由エネルギー障壁を計算するための大規模熱力学積分シミュレーションが可能となり、振動エントロピー補正が QMC エネルギー補正と同程度の大きさであり、遷移状態の位置を質的に変化させる可能性があることが明らかになった。

意義
著者らは、このアプローチにより、直接のブルートフォース QMC 法ではアクセス不可能なシステムや配置（複数の欠陥を有する大きな超格子など）に対して、大規模かつ準 QMC 品質のシミュレーションが可能になると主張している。この手法は、高レベルのエネルギー補正の学習と DFT 力場の質的な安定性の保持との間の制御されたトレードオフを提供する。著者らは、電子相関がエネルギーに影響を与えるが PES を質的に変化させない他のシステムにもこの技術が一般化可能であり、ベンチマーク品質の材料シミュレーションへの計算的に耐えうる道筋を提供すると述べている。