技術要約：機械学習原子間ポテンシャルのためのオントロジー

問題提起

機械学習原子間ポテンシャル（MLIP）の分野は急速に拡大しており、出版数は2015年の年間約50件から2024年には1,500件以上に増加している。この成長にもかかわらず、MLIP研究を体系的に比較、再現、および発展させるために必要なメタデータは断片的なままとなっている。アルゴリズム、ハイパーパラメータ、訓練データセット、密度汎関数理論（DFT）のプロベナンス（由来）、およびベンチマーク精度に関する重要な情報は、論文、補足資料、スクリプト、およびアドホックなファイル形式に散在している。

既存のオントロジーは、このギャップを埋めることができていない。一般的な機械学習オントロジー（例：ML-Schema、DMOP）は、カットオフ半径、角度・径方向基底関数、DFT参照設定といった物理学固有の概念を欠いている。逆に、材料科学のオントロジー（例：MDO、CMSO/ASMO、EMMO）は、物理的構造や計算をモデル化しているが、MLIP固有の訓練戦略、アルゴリズムごとのハイパーパラメータ、または論文を横断したベンチマーク比較を捉えることはできない。その結果、研究者はどの手法が特定の材料に対して特定の精度目標を達成しているかを容易にクエリしたり、特定のDFT設定を持つ特定の訓練データと互換性のあるデータを特定したりすることができない。

メソドロジー

著者らは、MLIPの手法、そのハイパーパラメータ、訓練データセット（DFTのプロベナンスを含む）、および公開されたベンチマークを記述するために必要な概念を捉えるよう設計されたOWL 2 DLオントロジーであるMLIPsオントロジーを提示する。開発は、Linked Open Terms (LOT) メソドロジーに従い、要件を定義するためにドメインエキスパート（材料科学者およびMLIP開発者）との反復的な議論を行って進められた。

オントロジー構造

本オントロジーは、主に3つのモジュールで構成されている：

1. Method（手法）: MLIPファミリー（例：MTP、MACE、HDNNP）を一般的なMLアルゴリズムとは明確に区別して定義する。これは、関数形式、損失関数、訓練アルゴリズム、および原子環境記述子をパッケージ化したものである。決定的な点として、ハイパーパラメータを単位、範囲、デフォルト値を持つ第一級のエンティティとして扱い、物理的、アーキテクチャ的、および訓練用ハイパーパラメータを区別している。
2. Training Data（訓練データ）: 訓練データセットを、参照計算（DFTまたは波動関数法）から派生した原子配置の集合としてモデル化する。データセットのプロベナンス（公開、自社開発、拡張）、サイズ、カバーされる特性（エネルギー、力、応力）、および特定の参照計算設定（例：XC汎関数、擬ポテンシャルの種類、k点メッシュ）を捕捉する。
3. Benchmark（ベンチマーク）: 評価結果を構造化し、訓練済みモデルを特定の材料系にリンクさせ、単位を伴う精度指標（例：RMSE、MAE）を報告する。

設計上の決定と整合

• MethodとAlgorithmの非互斥性: 本オントロジーは、MLIPMethodとmls:Algorithm（ML-Schema由来）を明確に非互斥（disjoint）として宣言している。MLIPの手法は、記述子、関数形式、および損失関数からなる「レシピ」であり、それが訓練アルゴリズム（例：Adam、L-BFGS）を「使用する」ものと見なされる。この区別により、ドメイン固有の性質を維持しつつ、一般的なMLワークフローとの整合性を保っている。
• アライメント: 本オントロジーは、22の形式的なアライメント公理を通じて既存の語彙（MLワークフローのML-Schema、プロベナンスのPROV-O、材料科学のMDOおよびCMSO/ASMO、書誌メタデータのschema.org、および単位のQUDT）と統合されている。
• 検証: スキーマは、27の形式的な公理（プロパティチェーンを含む）とSHACLシェイプを通じて、データの完全性と一貫性を強制する。

評価

オントロジーは以下の方法で評価された：

1. シード知識グラフ: 20件の公開されたMLIP研究が、エージェンティックAI抽出プロトコルを用いて知識グラフ（5,027個のトリプル）にエンコードされ、その後、専門家によるレビューが行われた。
2. コンピテンシー質問 (CQs): オントロジーの有用性をテストするために、9つの特定の質問が策定された（例：「特定のDFT設定を持つ材料に対して存在する訓練データセットはどれか？」または「異なるアルゴリズム/ハイパーパラメータの組み合わせは精度によってどのようにランク付けされるか？」）。9つすべてのCQがSPARQLクエリとして正常に表現され、空ではない結果を返した。
3. 一貫性チェック: OWL推論（HermitおよびELKを使用）により、オントロジーが一貫しており、公理間に矛盾がないことが確認された。
4. 比較: 既存のオントロジー（ML-Schema、MDO、CMSOなど）との用語レベルの比較により、単一の既存オントロジーではコンピテンシー質問に完全に応えることができないことが示された。MLIPsオントロジーは、「ベンチマーク–手法–データセット」の三角形に関する特定のギャップを埋めている。

主な貢献

• ドメイン固有のスキーマ: 手法の定義、ハイパーパラメータ設定、訓練データのプロベナンス（DFT設定を含む）、およびベンチマーク結果を接続し、MLIP研究のフルライフサイクルを明示的にモデル化した初のオントロジーである。
• ハイパーパラメータの形式化: ハイパーパラメータを単純なリテラル値から、物理的な意味、単位、および範囲を持つ型付きエンティティへと昇格させ、パラメータの制約に関する構造化されたクエリを可能にした。
• 参照計算の階層: 参照計算（DFTおよび波動関数法）のための階層を導入し、レガシーなDFTデータが、特定の設定（例：XC汎関数、基底関数系）を保持しつつ、ファミリーに依存しない超属性に対して検証できるようにした。
• 相互運用性: ドメイン固有のニーズを、既存のMLおよび材料科学のオントロジーを置き換えることなく統合する方法を示し、フェデレーション・セマンティック・サービスの実現を促進する。
• エージェンティック抽出プロトコル: AIエージェントが論文をオントロジーにエンコードし、ドメインエキスパートがその出力をレビューするというラウンドトリップ抽出プロセスを通じて、スキーマを検証し、文献におけるメタデータの欠落（例：効率性の指標の欠如）を浮き彫りにした。

結果

• クエリ能力: シード知識グラフにより、すべてのコンピテンシー質問の実行が可能となった。例えば、システムは、特定のDFTコードと設定で生成された訓練データセットを特定すること（CQ3）や、特定の材料におけるアルゴリズムを精度によってランク付けすること（CQ7）が可能であった。
• 特定されたメタデータのギャップ: エンコーディングプロセスにより、文献における重大な報告のギャップが明らかになった。20件の研究のうち18件がエネルギー誤差を、15件が力の誤差を報告していたが、訓練/推論コストのメタデータを報告したのは9件のみであり、ピークメモリ使用量を報告したものは皆無であった。
• 一貫性: オントロジーはすべてのOWL一貫性チェックおよびOOPS! ピットフォールスキャンを通過した（外部のアライメント対象に関する軽微で非決定的な発見のみがあった）。
• カバレッジ: 本オントロジーは、多様な手法ファミリー（HDNNP、GAP、MTP、ACE、MACEなど）、参照手法（DFTおよびCCSD(T)）、および材料系（元素、金属間化合物、Laves相、有機分子）を正常にカバーした。

重要性

本論文は、MLIPsオントロジーが、MLIP分野における次世代のAI駆動型研究に不可欠な、マシンリーダブルな基盤を提供すると主張している。手法、訓練データ、およびベンチマークをクエリ可能なデータとして構造化することにより、本オントロジーは以下を可能にする：

• 再現性: 研究者は、文章による記述に頼ることなく、記録された設定から研究を再現できる。
• 効率性: 選択クエリ（例：「中間金属においてRMSE < 5 meV/atomとなるフォノン計算をサポートするモデルはどれか？」）が単一のSPARQLクエリに集約され、手動の文献調査に代わる。
• 自律エージェント: 構造化されたデータにより、自律エージェントが過去の訓練実行を検索し、適切なデータセットとハイパーパラメータを特定し、既存の研究の拡張を計画することができる。
• FAIRデータ: 本オントロジーは、出版前に報告されていないメタデータを浮き彫りにする著者向けの報告チェックリストとして機能し、MLIPのメタデータを明示的な意味論と共に公開するためのプラットフォームの共通語彙として機能する。

著者らは、このオントロジーが、研究結果が論文と共にクエリ可能なデータとして提供されるMLIP研究への一歩であり、科学的データ管理のためのFAIR（Findable, Accessible, Interoperable, Reusable）原則をサポートするものであることを強調している。本リソースはMETA-LEARNプロジェクトによって維持されており、CC BY 4.0ライセンスの下で利用可能である。