Using graph neural networks to predict many-body interactions in amorphous materials

技術要約：グラフニューラルネットワークを用いた非晶質材料における多体相互作用の予測

問題提起
多体相互作用は、金属ガラスから生物学的組織に至るまで、非晶質材料の挙動の根幹をなすものである。しかし、これらの系の計算モデリングは、高次の相互作用を正確に解明するためのコストが極めて高いことから、歴史的にペア加算型ポテンシャルに制限されてきた。この制限により、ソフトな物質の遅いダイナミクスやガラス状態を支配する高次元で険しいポテンシャルエネルギー地形（PEL）を完全に特徴付けることが困難となっている。機械学習原子間ポテンシャル（MLIP）は原子間相互作用のモデリングにおいて有望な手法であることを示しているが、角度依存性の相互作用が支配的なソフトガラスのような、複雑な多体効果を持つ系において、複雑なPELを解明できるかどうかは依然として未解決の課題である。さらに、既存のMLIPはソフトガラスへと拡張されておらず、高エネルギーの非平衡訓練データから低エネルギーの平衡状態へと汎化できるかどうかも不明である。

手法
著者らは、等変メッセージパッシング・グラフニューラルネットワーク（GNN）であるNequIPを、モデルとなるソフトガラス（溶媒を含まないポリマーグラフトナノ粒子：PGN）に適用することで、この課題に取り組んでいる。この系では、溶媒が存在しないために、グラフトされたポリマー鎖が隙間を均一に埋める必要があり、その結果、粒子コア間に、ペアポテンシャルでは捉えきれない強い角度依存的な多体相互作用が生じる。

ワークフローは主に以下の3つの段階で構成される：

1. 古典的密度汎関数理論（DFT）によるデータ生成： 著者らは、ポリマー媒介相互作用をモデル化するために古典的密度汎関数理論（DFT）を利用している。ハードスフィア動力学を用いて、PGNの5,000個の無相関な高エネルギー・非平衡構成をサンプリングした。各構成のポテンシャルエネルギーは、ポリマーを空隙を埋める非圧縮性流体として扱う古典的DFTを用いて計算された。これにより、PELの高エネルギー領域を網羅するデータセットが生成された。
2. GNNの訓練： NequIPをこのデータセットを用いて訓練し、粒子の座標からポテンシャルエネルギーへのマッピングを学習させる。このネットワークは、並進、回転、および鏡映に対して等変なテンソル表現を利用しており、異方的な多体効果を捉えることが可能である。著者らは、カットオフ半径（$r_{cut}$）、メッセージパッシング層の数（$n_l$）、および最大角度分解能（$l_{max}$）を含むハイパーパラメータを体系的に分析し、相互作用の物理的な範囲と次数を特定した。
3. GNN駆動型モンテカルロ（MC）シミュレーション： 訓練後、GNNはモンテカルロ・シミュレーションにおける古典的DFTの代替として機能する。この加速（4桁高速化）により、PELの深い極小領域の探索が可能となり、訓練フェーズでは到達不可能であった平衡構成への到達が可能となった。

主な貢献と結果

• 正確なPELの学習： 訓練されたNequIPモデルは、様々な設計パラメータ（グラフト密度、コア体積分率、ポリマー分子量）にわたって、古典的DFTのエネルギーを約0.01 $\sigma_E$（エネルギーの標準偏差）の平均絶対誤差（MAE）で再現した。これは、粒子あたりの誤差が熱エネルギースケール（$k_B T$）を十分に下回っていることに相当する。
• 相互作用の範囲と次数に関する物理的知見： ハイパーパラメータの体系的な分析により、正確な予測には大きなカットオフ半径（$r_{cut}/d \approx 6$）が必要であることが明らかになった。これは、有効な相互作用が長距離のペア力ではなく、多体相関によって近接隣接成分を遥かに超えて及んでいることを示している。さらに、メッセージパッシング層（$n_l$）に関する誤差の収束性は、溶媒系では3体相互作用で十分なことが多いのに対し、溶媒を含まないPGNのエネルギー予測には4体相関が極めて重要であることを示唆している。また、等変表現（$l_{max} \ge 1$）の必要性は、これらの相互作用が高度に指向性であることを裏付けている。
• 分布外（Out-of-Distribution）への汎化： 高エネルギーの非平衡構成のみで訓練されているにもかかわらず、ネットワークが平衡構造を予測できるという驚くべき結果が得られた。GNN駆動型のMCシミュレーションは、実験的な測定値（例：SAXSによる最近接距離）および古典的DFTの予測と一致する平衡構造を復元した。平衡エネルギーの分布は訓練分布からはるかに外れているが、GNNはDFTレベルの精度を維持しており、強固な汎化性能を示している。
• 局所秩序の発見： 平衡構造の解析により、結晶のような秩序は見られないものの、局所的に好ましいイコサヘドラル（二十面体）様の構造が存在することが明らかになった。これらの構造は、グラフトされたポリマーの自由エネルギーを最小化するボロノイ体積（ドデカヘドラル形状）と強く相関している。この局所的な秩序は平衡状態で観察され、非平衡の訓練データには存在しない。
• ハイパーユニフォーミティ（超均一性）： 平衡構造は、長距離の密度ゆらぎが抑制された特性（ハイパーユニフォーミティ）を示しており、これは溶媒を含まないPGNの実験的観察と一致する特徴である。この特性は、非平衡のハードスフィア・サンプリング構成には存在しない。

意義
本論文は、等変GNNが、多体相互作用が支配的なソフトガラス系の高次元で険しいポテンシャルエネルギー地形を正常に学習できることを実証している。計算可能な高エネルギーデータを用いて訓練することで、モデルは、古典的DFTでは取得が極めて困難な平衡特性や構造を予測することができる。本研究は、多体効果が無視できないアモルファス材料を研究するための実用的なワークフローを確立しており、逆設計や、ガラス状態における構造とダイナミクスの関係の深い理解への道を開くものである。これらの知見は、平衡状態と非平衡状態の間で共有される隠れた構造的特徴が機械学習モデルによって抽出可能であることを示唆しており、新たな物理ベースの秩序パラメータの創出を動機付ける可能性がある。