Beyond DFT electronic band structures via dual-space orbital learning

技術要約：O-kRystal – 二重空間軌道学習によるDFT電子バンド構造を超えた予測

問題提起
正確な電子バンド構造は材料特性を予測する上で極めて重要であるが、ハイブリッド汎関数（例：HSE06）や多体摂動論的手法（例：$G_0W_0$）のような高精度な計算は、大規模なスクリーニングにおいては計算コストが膨大すぎる。これらの手法は通常、$O(N^4)$のスケールを持つ一方、Perdew–Burke–Ernorshof (PBE) のような局所的な密度汎関数理論 (DFT) 汎関数は$O(N^3)$のスケールで動作する。PBEは効率的ではあるものの、非局在化誤差によりバンドギャップを系統的に過小評価する。既存の機械学習アプローチは、結晶構造からスカラー特性（バンドギャップなど）を直接予測するか、固定されたバンド表現に基づく補正を学習するものであり、化学的に多様な材料（金属、絶縁体、磁性体）における完全な運動量分解（$k$分解）された分散、スピン依存性、および可変的なバンド数を捉えることができていない。低コストなベースライン計算から物理的情報を保持しつつ、多様な材料および理論レベルに対して高精度な状態分解バンド構造を効率的に予測するフレームワークが求められている。

手法：O-kRystal フレームワーク
著者らは、低コストなPBEベースラインに対するターゲット理論（HSE06または$G_0W_0$）のバンド構造を予測するために設計された、二重空間軌道学習フレームワークであるO-kRystalを提案している。

1. $\Delta$-学習定式化： ターゲットエネルギー $\hat{\varepsilon}^{target}_{nk\sigma}$ は、予測された補正項 $\Delta \varepsilon_{nk\sigma}$ をベースラインとなるPBEエネルギー $\varepsilon^{base}_{nk\sigma}$ に加算することで再構成される：
   $$\hat{\varepsilon}^{target}_{nk\sigma} = \varepsilon^{base}_{nk\sigma} + \Delta \varepsilon_{nk\sigma}$$
   このアプローチは、ベースラインが捉えている分散を保持し、学習のタスクを理論特有の補正に集中させる。

2. 二重空間軌道表現： 幾何構造のみを用いるモデルとは異なり、O-kRystalは収束したPBE計算から得られる物理的に構造化された軌道情報を利用する。電子状態を以下の要素を用いて表現する：

   • 実空間行列： ハミルトニアン ($H$)、オーバーラップ ($S$)、密度 ($P$)、およびスピン密度 ($P_{spin}$) 行列であり、これらは局在化した原子中心の相互作用を捉える。
   • 逆空間行列： これらの行列の特定の結晶運動量 ($k$) におけるブロッホ変換であり、運動量依存性と電子分散を明示的に符号化する。
   • ブロッホ位相条件付け： 原子変位から導出される位相因子を介して明示的な $k$ 依存性を組み込むことで、学習時に見られなかった任意の $k$ 点での評価を可能にする。

3. モデルアーキテクチャ： 本フレームワークは、周期的な $E(3)$ 等変グラフニューラルネットワーク (GNN) を採用している。これは、実空間の軌道ブロックとブロッホ位相情報を、「アフィン」ブランチ（バンド依存のシフトを捕捉）と「二重空間残差」ブランチ（明示的な逆空間軌道特徴を組み込む）を通じて処理する。モデルは、バンドエッジの中点に対する符号付きバンドクエリを使用することで、可変数の価電子帯および伝導帯を受け入れる。

4. 学習戦略： モデルは、高対称 $k$ 点におけるHSE06（または$G_0W_0$）とPBEのバンドエネルギーの差に対して学習される。監督（Supervision）はこれらの高対称点に限定されるが、モデルの評価は、未知の経路内点および稠密なブリルアンゾーンメッシュに対して行われ、汎化性能がテストされる。

主な貢献と結果

• 大規模な精度 (PBE-to-HSE06): 化学的に多様な3次元材料（絶縁体、金属、磁性体を網羅）のデータセット5,988個を用いて評価した結果、O-kRystalはバンドエッジの中点付近の±5 eVの範囲内で、HSE06レベルのバンドエネルギーを平均絶対誤差（MAE）0.171 ± 0.009 eVで予測した。これは、補正なしのPBE（MAE ~0.84 eV）よりも大幅に改善されており、スカイサー演算子（scissor operators）やLinear+KRR、および幾何構造のみのGNNといったベースラインの補正をも上回る性能を示している。
• 逆空間への汎化： 高対称点のみで学習されているにもかかわらず、モデルは未知の経路内 $k$ 点に対しても効果的に汎化し（MAEは~0.121 eVを維持）、稠密なオフパスメッシュに対しても高い精度を示す。これにより、絶縁体および金属系のHSE06状態密度（DOS）の正確な再構成が可能となる。
• 電子特性の回復： モデルは、金属・絶縁体転移などの定性的な電子状態の変化を高い精度で予測しており（絶縁体から絶縁体への転移で最大99.8%、金属から絶縁体への転移で86.2%）、これはモデルが一様なギャップ開口傾向ではなく、材料固有の補正を学習していることを示している。
• 強相関材料： 6つの強相関材料（例：MnO, NiO, CrO$_2$）のホールドアウトベンチマークにおいて、O-kRystalはPBEのバンドエネルギーのMAEを68.7%減少させた（1.532 eVから0.479 eVへ）。決定的なことに、遷移金属の $d$ 軌道とリガンドの $p$ 軌道の相対的な配置の変化を解明しており、これはモット物理や電荷移動挙動において極めて重要な特徴であり、幾何構造のみのモデルでは十分に捉えられない部分である。
• $G_0W_0$への拡張： 本フレームワークは、286個の二次元半導体におけるPBE-to-$G_0W_0$の準粒子エネルギー予測にも適用され、準粒子状態のMAE 0.126 ± 0.017 eVを達成した。これにより、異なる理論レベル（ハイブリッド汎関数および多体摂動論）にわたる本手法の適用可能性が確認された。
• ダウンストリーム特性の改善： 予測されたバンド構造は、実験的ベンチマークと比較して、基本バンドギャップの推定（HSE06に対するMAEは0.93 eVから0.20 eVに減少）および有効質量の推定を改善させた。

意義と主張
本論文は、O-kRystalが、化学的に多様な材料、金属および絶縁体、スピン偏極、および可変バンド数を同時に扱うことができる、初の広範に適用可能な「脱DFT」電子バンド構造予測フレームワークであることを主張している。二重空間軌道学習を活用することで、本手法は、局所的なDFTの計算効率と、高精度な理論の正確性の間の溝を埋めるものである。

著者らは、本フレームワークが単にスカラー特性を予測するのではなく、完全な運動量分解された電子分散を回復することを強調している。この能力により、DFTが不適切な低エネルギー記述を提供する材料（例：強相関酸化物）のスクリーニングが可能となり、より高価な計算を行うべき候補の優先順位付けができるようになる。さらに、$G_0W_0$への成功した拡張は、ベースラインの電子構造がターゲット理論の出発点と一致している限り、軌道学習が高精度な $k$ 分解電子構造予測のための一般的な戦略であることを示している。本研究は、単純な「構造から特性へのマッピング」を超え、物理的な軌道情報に基づいた「状態分解された補正」へと向かう、材料および理論レベルを横断したスケーラブルで高精度な電子構造予測への道筋を示唆している。