Predicting large-supercell defect formation energies from machine-learning charge density models trained on small supercells

たった一つの壊れたタイルが、巨大で古めかしい城の床全体にどのような影響を与えるのかを理解しようとしているところだと想像してみてください。材料科学の世界では、これらの「壊れたタイル」は欠陥と呼ばれ、結晶内部で原子が欠落していたり、原子が本来あるべきではない場所にいたりすることを指します。これらの微細なミスは、材料の電気伝導性や発光、あるいは圧力への耐性を変化させることがあります。これらの欠陥が正確にどのような影響を与えるかを解明するために、科学者たちは密度汎関数理論（DFT）と呼ばれる強力なコンピュータ・シミュレーション・ツールを使用します。DFTは、材料内のあらゆる電子の挙動を計算する、超高精度なデジタル顕微鏡のようなものだと考えてください。しかし、ここには落とし穴があります。単一の欠陥の真の姿を捉えるためには、非常に巨大な結晶の塊をシミュレートしなければなりません。そうしないと、「壊れたタイル」が画面の反対側にある自分自身の反射（鏡像）と偶然ぶつかってしまうからです。この巨大で高価なシミュレーションが必要とされるという要件により、欠陥の研究は極めて遅く、コストのかかるものになっています。それはまるで、たった一つの路面の窪みを見つけるためだけに、都市全体の地図を作成しようとするようなものです。

近年、科学者たちは機械学習を用いて、コンピュータにゼロから計算させる代わりに答えを推測させることで、作業をスピードアップさせようとしてきました。通常、これらのコンピュータ・モデルは、スーツケースの大きさを見てその重さを推測するように、系の全エネルギーを予測するように訓練されます。しかし、この論文は異なるアプローチを提案しています。重さを推測するのではなく、コンピュータに「電荷密度」を見せる方法です。もし材料内の電子を、原子の周りに渦巻く霧だと想像するなら、電荷密度とは、あらゆる地点においてその霧がどれほど濃いか、あるいは薄いかを示す地図のことです。著者らは、もしコンピュータがこの霧の地図を正確に予測することを学べば、たとえトレーニング中にパズルの断片的な一部しか見ていなくても、欠陥のエネルギーをより効率的に算出できると提案しています。

研究者の周季（Jun Jie Zhou）、黄猛林（Menglin Huang）、および師耀成（Shi You Chen）は、富旦大学（Fudan University）において、青色LEDやパワーエレクトロニクスに使用される材料である窒化ガリウム（GaN）を用いて、このアイデアを検証しました。彼らは、この材料における4つの特定の種類の「壊れたタイル」（欠陥）に焦点を当てました。彼らの主な目的は、小さなシミュレーションで学習した機械学習モデルを使用して、巨大で高価なシミュレーションにおける欠陥の挙動を予測できるかどうかを確認することでした。

彼らが発見した巧妙な仕掛けは、「混合サイズ」戦略を用いたことです。彼らは、小規模なスーパーセル（原子数16〜32個）と、いくつかの中規模から大規模なスーパーセル（最大96個）を混ぜ合わせたデータセットをコンピュータに与えました。彼らは、小さなセルは、欠陥から離れた場所にある「バルク（塊）」の状態をモデルに教えるのに適しており、一方で、やや大きなセルは、欠陥によって周囲の原子が実際にどのように歪むかを示すために必要であることを発見しました。これらの異なるサイズを組み合わせることで、彼らは巨大な360原子のスーパーセルにおける欠陥の挙動を正確に予測できるモデルを作り上げました。

結果は驚くべきものでした。わずか96種類の構造を用いたデータセットを使用して、彼らの新しいモデルは、欠陥の形成エネルギーを0.05電子ボルト（eV）未満の誤差で予測しました。これを比較するために言えば、同じ小さなデータを用いて直接全エネルギーを推測しようとした標準的な機械学習モデルは、1 eVを超える誤差を出しており、これは20倍以上の精度の低さでした。著者らは、この電荷密度によるアプローチが、従来のメソッドよりも小さなセルから大きなセルへと知識を「外挿（エクストラポレーション）」する能力に優れていることを示しました。

彼らはまた、この手法がエネルギー以外にも有効であることを実証しました。モデルは電荷密度のマップを予測するため、電子がトラップされるエネルギー準位（欠陥準位）や、材料の磁気的な性質（スピン分極）といった他の電子特性も計算することが可能です。例えば、彼らは特定の欠陥におけるスピン分裂を正しく予測しましたが、これは小さなシミュレーションでは、ボックスが小さすぎて「壊れたタイル」が自分自身の反射と近すぎたために完全に見落とされていた詳細な部分です。

この論文は、この成功の理由が、電荷密度が「局所的な性質」であるためだと主張しています。もしコンピュータが、小さなボックス内での欠損原子の周囲の電子の霧がどのような状態であるかを学習すれば、十分な数の例さえあれば、巨大なボックスの中でも同じパターンを認識できるのです。これは、全エネルギーがボックス内のすべてのものの総和であり、ボックスが小さすぎると狂ってしまうという「グローバルな性質」とは対照的です。

結論として、著者らは、スマートに混合された小・中規模のスーパーセルを用いて訓練し、全エネルギーではなく電荷密度のマップに焦点を当てることで、欠陥のシミュレーションコストを劇的に削減できることを示唆しています。彼らは、この混合サイズのアプローチが、大規模なスーパーセルのみを使用する場合と比較して、精度を維持しながら計算コストを6.2倍削減できることを見出しました。これは、あらゆる材料の問題が解決したことを意味するわけではありませんが、大規模なスーパーセルにおける欠陥の挙動を予測するための、データ効率の高い有望な経路を提示しており、私たちのエレクトロニクス向けのより優れた材料の発見を加速させる可能性があります。