← 最新の論文
🔬 材料科学

Technical Note on Matlantis PFP v9: Extending the Element and Domain Coverage of the r2SCAN Training Data

Matlantis PFP v9は、r2SCANで学習されたユニバーサル機械学習ポテンシャルを、ランタノイドやアクチノイドを含む96元素、およびクラスターや吸着といった新しい領域へと拡張し、生成エネルギーにおいて実験レベルの精度を、吸着誤差においてDFTに匹敵する精度を達成しており、推論速度および最大システムサイズにおいてSevenNet-Omniを大幅に上回っています。

原著者: Daiki Shintani, Shigeru Iwase, Jun Oshiki, Kohei Shinohara, Nontawat Charoenphakdee, Makoto Hiramatsu, Yuta Tsuboi, Yusuke Asano, Hirotaka Akita, Yong-Bin Zhuang, So Takamoto, Chikashi Shinagawa

公開日 2026-11-19
📖 1 分で読めます☕ さくっと読める

原著者: Daiki Shintani, Shigeru Iwase, Jun Oshiki, Kohei Shinohara, Nontawat Charoenphakdee, Makoto Hiramatsu, Yuta Tsuboi, Yusuke Asano, Hirotaka Akita, Yong-Bin Zhuang, So Takamoto, Chikashi Shinagawa

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む

原子という微小な世界において、科学者たちは物質の挙動を予測するために、強力だが重いツールである密度汎関数理論に長年頼ってきました。この手法は、材料内のあらゆる原子間の相互作用を極めて高い精度で計算し、それらの存在を支配する量子力学の方程式を本質的に解き明かします。このアプローチは実世界の実験結果と一致する成果をもたらしますが、計算負荷が非常に高いため、数千個の原子を含む系を、ごく短い時間扱うことしかできません。金属の粒子や水の滴のようなより大きな構造を研究したり、プロセスが展開していく様子をより長い期間観察したりするためには、研究者はほぼ同等の精度を持ちながら、より高速な方法を必要としていました。このニーズから、それらの重い計算によるデータを用いて訓練されたコンピュータモデルである、機械学習原子間ポテンシャルが誕生しました。一度訓練されると、これらのモデルは元の手法よりも数千倍の速さで原子の動きや相互作用を予測できるため、科学者は数百万個の原子を含む系をシミュレートし、材料科学の広大な新領域を探索することが可能になります。

長年、これらの機械学習モデルは、有機分子や単純な結晶といった特定の種類の材料のみを扱うように特化されていることがよくありました。しかし、Matlantis PFPの開発により、大きな飛躍が起こりました。これは、固体結晶から個々の分子、表面層に至るまで、幅広い領域を単一の統一されたシステムで扱うように設計されたユニバーサルなモデルです。このモデルの最新バージョンであるPFP v9は、その能力の大幅な拡張を象лоしています。Preferred NetworksおよびMatlantis Corporationの研究者たちは、このモデルに対し、より広範な周期表とより複雑な物理的配置を理解させることに成功しました。r2SCANと呼ばれる非常に精度の高い手法を用いて計算された新しい大規模なデータセットをモデルに供給することで、これまでの特定のアプローチではモデリングが困難であった希土類元素や重いアクチノイドを含む材料のシミュレーションを可能にしました。また、分子が表面にどのように付着するかや、原子がどのように集まるかに関するデータも追加し、モデルの以前の有用性を制限していた空白を埋めました。

この進歩の核心は、訓練データにあります。研究者たちは、実験結果と非常によく一致する高度な数学的手法であるr2SCAN関数則を用いて、新しい参照計算のセットを生成しました。モデルの以前のバージョンでは、このデータセットはわずか70元素をカバーしており、磁石や電池などの技術に不可欠なランタノイドのような原子ファミリー全体を見落としていました。今回の研究では、この範囲を合計96元素にまで拡張し、プラセオジムからルテチウムまでのランタノイド、およびポロニウムからキュリウムまでの重元素を追加しました。これらの複雑な原子を扱うために、チームはそれらの内殻電子の扱いに関して特定の技術的な選択を行いました。ランタノイドについては、内殻電子を凍結したコアとして閉じ込めるのではなく、f電子が結合に関与することを許容する「ハード」なポテンシャルを使用しました。この決定は、これらの原子が異なる化学環境においてどのように振る舞うかを正確に記述するために必要であり、以前のバージョンでは未解決であった微細なニュアンスを解決するものでした。

この拡張され、より多様になったデータセットで訓練されたモデルを用いて、研究者たちは実世界の測定値に対する精度をテストしました。彼らは、新たにサポートされた元素を含む結晶の形成エネルギー(構成要素から材料が形成される際に放出または吸収されるエネルギーの尺度)を調査しました。その結果、これらの新しい複雑な材料に対するモデルの予測は、以前のよく知られた元素に対する予測と同様に正確であることが示されました。モデルの計算と実験値との差は小さく、平均して原子あたり約93ミリ電子ボルトであり、これは以前サポートされていた元素の誤差率とほぼ同一の数値でした。これは、モデルが精度を損なうことなく、これら扱いの難しい原子の物理学を習得したことを示しています。

チームはまた、吸着(分子が固体表面に付着するプロセス)を予測する能力についてもテストを行いました。これは、表面が化学反応を加速させるために用いられる触媒などの分野において、極めて重要な相互作用です。彼らは、さまざまな分子が遷移金属表面にどの程度強く結合するかについて、実験的な測定値のデータベースと比較しました。モデルは、ベンチマークとして使用された標準的な密度汎関数理論の手法と同等の全体的な誤差で機能しました。しかし、研究者たちは特定の傾向を指摘しました。モデルは、表面と強い化学結合を形成する分子に対しては結合強度をわずかに過大評価し、より弱い力によって保持される分子に対しては結合強度を過小評価する傾向がありました。それにもかかわらず、原子間の弱い引力を考慮する分散補正を導入したことで、弱い相互作用に関する予測は実験の現実により近づきました。

精度を超えて、モデルの実用的な速度もこの研究の定義的な特徴です。研究者たちは、同様のデータで訓練された公開モデルであるSevenNet-Omniと比較し、両者を同じタイプの高性能グラフィックスプロセッサ上で実行しました。結果は驚くべきものでした。新しいモデルは、メモリ不足に陥る前に、競合モデルよりも5倍から10倍多くの原子を含むシステムを扱うことができました。さらに、原子の運動を駆動する力を計算する際、新しいモデルは3倍から4倍高速でした。例えば、液体の水の場合、新しいモデルは118,000個近い原子のクラスターをシミュレートできましたが、もう一方のモデルはメモリ制限に達する前に約12,000個しか扱うことができませんでした。この効率性の飛躍は、科学者が、希土類合金やアクチノイド化合物のような、より大きく複雑なシステムを、これまでの精度レベルでは不可能であった速度でシミュレートできることを意味します。

著者らは、この拡張により、モデルがエネルギー貯蔵のための新しい材料の設計から核燃料の挙動の理解に至るまで、幅広い科学的課題に対する多才なツールになる、と結論付けています。しかし、彼らはモデルが現在できることの境界についても明確にしています。標準的な状態にある原子やクリーンな表面の記述には優れていますが、強い磁気相関を持つ材料や、長距離の電荷を伴う系など、特定の複雑なシナリオにおいては依然として課題があります。モデルは、電界の影響や、電解質や帯電界面をシミュレートできるような荷電欠陥の挙動をまだ考慮していません。これらは今後の開発領域です。現時点では、この研究は、ユニバーサルな機械学習モデルではこれまで手の届かなかった、周期表の広範な領域の特性を探索するための、信頼性が高く高速な方法を提供する重要な一歩となっています。

自分の分野の論文に埋もれていませんか?

研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。

Digest を試す →