技術要約：等変グラフニューラルネットワークによる材料スクリーニングのための光学スペクトル予測の向上

問題提起

スケーラブルな光学スペクトルの予測は、太陽電池などの光電子応用におけるハイスループット材料スクリーニングにおいて、極めて重要なボトルネックとなっている。実験的な測定や、密度汎関数理論（DFT）および多体摂動論（MBPT）のような第一原理手法は正確なデータを提供するが、大規模な探索においては計算コストが非常に高い。機械学習（ML）サロゲートモデルは解決策となるが、既存の文献におけるモデルは主に2つの制限に直面している：

1. データの忠実度： 多くのモデルは、より低いレベルの理論（例：独立粒子近似またはタイトバインディング）で計算されたスペクトルで訓練されており、ランダム位相近似（RPA）のような高次レベルの手法と比較して物理的な正確性に欠けている。
2. 幾何学的表現力： OptiMate3Bのような最先端のモデルは、回転不変なスカラー特徴量に依存している。角度依存性を捉えるために、これらはエッジ上にライングラフを明示的に構築する必要があり、その結果、複雑なボロノイ図によるグラフ構築を必要とする。このアプローチは、物理的な相互作用に内在する方向情報や角度相関を自然にエンコードする能力を制限している。

手法

著者らは、複雑な誘電関数 $\bar{\varepsilon}(\omega)$ の予測に特化して調整された、最先端の等変グラフニューラルネットワーク（GNN）である GotenNet の適応版である GothenNetOpt を提案している。

アーキテクチャと修正

このモデルはメッセージパッシングニューラルネットワーク（MPNN）の枠組み内で動作するが、回転および並進に対して予測が一貫して変化することを保証する E(3) 等変性 を組み込んでいる。主なアーキテクチャの構成要素は以下の通りである：

• テンソル特徴量： スカラーのみの入力ではなく、モデルは最大次数 $L_{max}=2$ までのテンソルとしてエッジ特徴量をエンコードする。これには、スカラー距離、正規化された方向ベクトル、および実球面調和関数が含まれる。ノード特徴量は、SO(3) 群の既約表現として変換される「ステアラブル（操舵可能）」な特徴量として初期化される。
• 共有結合半径ゲーティング： 埋め込み層への特定の修正として、原子の共有結合半径を物理的記述子として組み込んでいる。原子の埋め込みは、隣接する原子の共有結合半径の埋め込みによってゲート制御され、これにより、モデルは同じ族や周期に属しながらも有効なサイズが異なる原子を区別することができる。
• メッセージパッシング： モデルは 幾何学認識テンソルアテンション（GATA） モジュールを利用する。このメカニズムは、クエリ、キー、および投影されたエッジ埋め込みに基づいてアテンションスコアを計算し、スカラーおよびステアラブルなノード特徴量の両方を更新する。これにより、明示的なライングラフの構築を必要とせずに、角度相関を暗黙的に捉えることができる。
• リードアウト（Readout）： リードアウト層はOptiMate3Bの設計に従い、アテンション重み付きのグローバルプーリングを用いてグラフレベルの埋め込みを生成し、続いて多層パーセプトロン（MLP）を用いてスペクトルを予測する。

データセットと訓練

モデルは主に2つのデータセットで評価された：

1. OptiMate3B： RPAレベルで計算されたスペクトルを含む10,533の構造（およびIPAレベルのより大きなセット）を含む。モデルは、IPAスペクトルによる事前学習と、RPAスペクトルによるファインチューニングを組み合わせた2段階の手順を用いて訓練された。
2. GNNOpt： IPAで計算されたスペクトルを持つ944の構造からなる小規模なデータセットであり、低データ領域における性能をベンチマークするために使用された。

出力は、OptiMate3Bの場合は0から20 eV（4002次元）、GNNOptの場合は0から50 eV（251次元）でサンプリングされた、等方性誘電関数の実部と虚部の連結されたものである。

主な貢献

1. 等変GNNの適応： 本研究は、GotenNetを光学スペクトル予測タスクに適応させることに成功し、幾何学的等変性がこの物理的特性にとって有益な帰納バイアスとして機能することを実証した。
2. 高忠実度データにおける性能： モデルはRPAデータセットにおいて最先端の結果を達成し、回転不変なスカラーとライングラフに依存していた従来の最良モデル（OptiMate3B）を上回った。
3. 物理的特徴の統合： 等変アーキテクチャへの共有結合半径ゲーティングの導入は、特に物理的に複雑なRPAスペクトルにおいて予測精度を向上させた。
4. グラフ構築の分析： 本研究は、単純な距離ベースのカットオフ（$r_c = 6.0$ Å）が、先行研究で使用されているボロノイベースのグラフ構築よりも優れた性能を示すことを実証しており、これは距離ベースの接続性がこのタスクにおける物理的相互作用の範囲をより良く反映していることを示唆している。

結果

提案されたモデルであるGothenNetOptは、複数の指標（平均絶対誤差、平均二乗誤差、および類似係数）において、OptiMate3Bに対して一貫した改善を示した：

• RPAデータセットの性能： GothenNetOptは、RPAテストセットにおいて 中央値MSEで31.2–33.2%の減少、および 中央値MAEで17.9–21.5%の減少 を達成した。改善は、薄膜光学において重要となる 0–8 eVの範囲 で最も顕著であった。
• 静的誘電率： モデルは、静的実部誘電率（$\bar{\varepsilon}(0)$）の予測において大幅な向上を示し、OptiMate3Bと比較して MSEを62.1–62.8%削減 した。
• 低データ領域： GNNOptデータセット（944サンプル）において、GothenNetOptは元のGNNOptモデルと比較して MSEを19.3–22.3%改善 し、$R^2$を12.7–17.2%向上 させた。
• アブレーション研究：
  • 共有結合半径の埋め込みを除去すると性能が低下し、特にRPAターゲットにおいてその有用性が確認された。
  • モデルの小型版（GothenNetOpt-S）はフルモデルとほぼ同等の性能を示し、この利得がパラメータ数ではなく、主にアーキテクチャの選択（等変性）に由来することを示した。
  • 距離ベースのグラフ構築は、ボロノイベースの構築を一貫して上回った。

意義と限界

本論文は、GothenNetOpt が光電子材料スクリーニングにおける重要な前進であることを主張している。等変アーキテクチャを活用することで、モデルはスカラーベースのアプローチよりも幾何学的対称性と方向情報を効果的に捉え、特に物理的に正確な（RPA）データで訓練された場合に高い精度を実現している。低エネルギー領域および静的誘電率における改善は、薄膜光学材料の設計に直接関連している。

しかし、著者らはモデルの汎用性に関して慎重な姿勢を維持している：

• データ依存性： 予測精度は、訓練セットにおける元素の頻度に強く相関している。モデルは、訓練データに含まれる元素（例：Kr, Mo, Re）において予測誤差が著しく高くなるなど、これらの元素に対して苦戦する。
• 失敗モード： 主要な失敗モードは分布に関するものである。モデルは訓練データに類似した化学空間では良好に機能するが、希少または未知の元素を含む構造に適用する際には注意が必要である。
• 今後の課題： 著者らは、現在のリードアウトおよび特徴量設計は効果的ではあるものの、最適ではない可能性があると示唆している。今後の研究では、特定の化学的サブスペースに特化した他の物理的記述子の探索や、他の等変GNNアーキテクチャのテストが検討される。

結論として、本論文は、訓練データにおける化学空間が十分に代表されている場合に限り、幾何学的等変性が光学スペクトル予測のためのスケーラブルかつ正確な、高価な第一原理計算に代わる強力なツールであることを確立している。