新材料の設計という探求において、科学者たちはしばしば、密度汎関数理論と呼ばれる強力ですが計算コストの高いツールに頼っています。この手法は、電子が原子の周囲にどのように配置されるかを計算することで、強度、導電性、あるいは熱伝導性といった材料の特性を決定する「仮想顕微鏡」として機能します。正確ではあるものの、これらの計算は非常に遅いため、数千の候補構造をテストするだけで数年を要することもあります。これを加速させるために、研究者たちは人工知能、具体的にはグラフニューラルネットワークとして知られるタイプのモデルへと目を向けました。これらのネットワークは、結晶を数値のグリッドとしてではなく、原子が点であり、それらの間の結合が線であるような、接続のマップとして扱います。既知の数千の結晶から学習することで、これらのマップは、わずか一瞬で特性を予測することができます。しかし、長年、これらのAIモデルは脆弱であり、コンピュータのハードウェアが更新されると頻繁に壊れてしまう特殊なソフトウェアライブラリを必要とし、また一度に一つのことしか予測できないため、異なるタスクに対して別々の、断絶されたモデルを実行することを強いてきました。

研究チームは今回、標準的で広く利用可能なソフトウェアコンポーネントのみを使用してシステム全体をゼロから再構築することにより、これらの問題を解決するALIGNN 2.0と呼ばれる新しい統一フレームワークを導入しました。この新しいアプローチは、特殊でメンテナンスが困難なライブラリを不要にし、モデルのインストールと最新のコンピュータチップ上での実行を容易にします。より重要なことに、これはワークフロー全体を統合します。単一のモデルが、単純な数値としてのエネルギーから、振動スペクトルのような複雑な形状、さらには原子を繋ぎ止める力に至るまで、一つの結晶構造から膨大な種類の特性を予測できるようになりました。これにより、科学者は材料がどのように動き、変化するかをシミュレートすることが可能になりますが、これは以前は全く異なるタイプのモデルを必要とする作業でした。研究者たちは、静的な特性を予測するには原子の特定の接続方法が最適である一方で、物理法則を破ることなく運動をシミュレートするには、わずかに異なる接続方法が不可欠であることを発見しました。両方を習得することで、この新しいシステムは、超伝導体となる材料のスクリーニングを行い、加熱された際の振動を予測し、さらにはまだ存在しない全く新しい結晶構造を生成することさえできます。

この成果の核心は、モデルが材料をどのように「見る」かという点にあります。従来のモデルは、原子とそれらを結ぶ直線を見ることが多いですが、この新しいシステムは、それらの線の間の角度のマップという、第二の視覚レイヤーを追加しています。これにより、AIは結晶の三次元幾好学を理解できるようになり、これは材料が圧力の下でどのように曲がるか、あるいはどのように電気を導くかといった特性を予測する上で極めて重要です。研究者たちは、材料の層を剥ぎ取るために必要なエネルギーの予測から、物質が超伝導体になる温度の計算に至るまで、30種類の異なるタスクに対してこの新しいフレームワークをテストしました。26のテストにおいて、新しいモデルは以前の最良バージョンを上回り、圧電性（材料を押しつぶしたときに電気を発生させる能力）のような複雑な応答の予測において顕著な改善を示しました。また、このシステムは、材料が吸収または放出する光の全スペクトルを予測することも可能であり、より低速な従来の物理シミュレーションの結果と一致しました。

既知の材料がどのように振る舞うかを予測するだけでなく、研究者たちはこのフレームワークが新しい材料を発明するために逆方向に機能できることを実証しました。望ましい化学組成と、特定の超伝導温度のような目標とする特性をモデルに入力することで、システムはそれらの特性を持つ可能性のある結晶構造の候補リストを生成できます。10万を超える潜在的な材料を含むテストにおいて、システムは既知の高温度超伝導体を特定し、その挙動を高精度に予測することに成功しました。さらに一歩進んで、電子と原子の振動がどのように相互作用するかという詳細なマップである、電子－フォノン相互作用の全容を予測することさえできました。これは超伝導性を理解するために不可欠なものです。この能力により、研究者は膨大な材料データベースをスクリーニングし、合成することなく、実世界のアプリケーションに向けた有望な候補を見つけ出すことができます。

この統一されたアプローチの力は、モデルが原子の物理的な動きをどのように扱うかを見ることでさらに明確になります。以前のモデルは静的な結晶のエネルギーを予測できましたが、結晶が動く様子をシミュレートしようとすると、原子がわずかに移動するにつれて予測が不規則に跳ね上がるため、失敗することがよくありました。しかし、新しいALIGNN 2.0モデルは、滑らかで連続的な予測を生み出し、エネルギーを保存するため、ストレスや高温下での材料の挙動の現実的なシミュレーションを駆動することができます。研究者たちはシリコンなどの材料の挙動をシミュレートすることでこれをテストし、モデルが長期間にわたって安定していることを発見しました。これは、実世界のデバイスに使用されるあらゆるツールにとって重要な要件です。この安定性は、同じモデルを使用して、構造を最低エネルギー状態へと緩和し、その力を計算し、次にその力を即座に用いて振動や熱伝導をシミュレートするという、単一のシームレスなワークフローを実現することを意味します。

この研究の意義は、科学者が材料を観察する方法にも及びます。研究者たちは、同じモデルが構造やエネルギーだけでなく、電子顕顕微鏡に映し出される詳細な画像をも予測できることを示しました。室温での原子の振動を計算することで、システムは重い原子の高解像度画像に見られる、ぼやけた明るいスポットをシミュレートすることができ、複雑な物理シミュレーションの結果と一致しました。これにより、モデルが構造を予測し、その構造が顕微鏡下でどのように見えるかをシミュレートし、そのシミュレートされた画像を使用して構造の特性を検証するという、クローズドループが作成されます。チームはまた、これをコンピュータメモリに使用される磁気トンネル接合のような複雑なデバイスの設計にも適用し、異なる材料の複数の層が積み重なった際の磁気的および電気的挙動を正常に予測しました。

本研究における最も重要な発見の一つは、原子をモデル内で接続する最適な方法が、タスクの内容によって依存するという点です。エネルギーやバンドギャップのような静的な特性を予測するためには、各原子を8つの最近接原子に接続する方法が、周囲の構造をより広く捉えることができるため、最も効果的でした。しかし、運動や力をシミュレートする場合、この方法では原子が動くにつれて隣接するリストが突然変化してしまうため、エネルギーの不自然な跳ね上がりを引き起こすという問題が生じました。研究者たちは、一定の距離に基づいた方法、つまり原子がある一定の範囲内にあれば接続するという方法を用いることで、正確な運動シミュレーションに必要な滑らかな遷移が得られることを見出しました。この距離ベースの方法は、静的な予測においてはわずかに精度が劣るものの、両方のタスクを同時に、かつ壊れることなく処理できる唯一の方法でした。このトレードオフは、材料の幾何学的表現をどのように選択するかということが、学習アルゴリズムそのものと同じくらい重要であるという重要な洞察を浮き彫りにしています。

研究者たちはまた、メインの構造とは別に、結合角に関する追加の情報をレイヤーとして加えることで、新しい結晶を生成するモデルの能力が向上するかどうかについても調査しました。その結果、この追加情報が角度の幾何学を学習する助けにはなるものの、メインの構造マップと組み合わせた際に最終的な結果を一貫して向上させるわけではないことが分かりました。場合によっては、二つの情報源が互いに矛盾することもあり、メインのマップにはすでに角度に関する十分な詳細が含まれていることが示唆されました。このような異なるコンポーネントに対する慎重なテストにより、最終的なモデルが単なる特徴の集合体ではなく、すべての部分が明確な目的を持って機能する、合理化されたシステムであることが保証されます。その結果、より正確で、かつ標準的なハードウェア上で動作し、数十万個の原子を持つシステムにもスケールアップ可能な、より効率的なツールが誕生しました。

結局のところ、この研究は、専門化された単一目的のツールを構築することから、多目的でオールインワンのフレームワークを構築することへの転換を意味しています。特性、力、およびスペクトルの予測を統合し、新しい構造の生成を可能にすることで、研究者たちは、可能な材料の広大な領域を探索するための強力な新しい方法を提供しました。このシステムはすでに、既知および仮説上の材料の膨大なデータベースのスクリーニングに使用されており、超伝導体、電池、その他の技術のための候補を特定しています。モデルが標準的なソフトウェアに基づいて構築されており、最新のコンピュータチップ上で動作できるため、幅広い科学者が利用可能であり、世界のエネルギーやテクノロジーの課題を解決する新材料の発見を加速させる可能性があります。材料がどのように振る舞い、どのように振動し、さらには顕微鏡下でどのように見えるかを、単一の統一されたモデルから予測できる能力は、計算材料科学の分野における重要な前進を記しています。