An auditable decision framework for donor–acceptor materials screening

技術要約：ドナー・アクセプター材料スクリーニングのための監査可能な意思決定フレームワーク

問題提起
機械学習（ML）モデルは、有機エレクトロニクス、フォトボルタイクス、光触媒において重要なドナー・アクセプター（D–A）材料の候補分子を迅速にランク付けすることができる。しかし、単なるランク付けされた予測だけでは、コストのかかる実験的検証を進めるための正当性を証明するには不十分である。有用なD–Aペアは、アクセシブルな励起エネルギー、長寿命の電荷移動状態、適切な酸化還元アライメント、および特定の凝集挙動といった、相互に関連する一連の要件を満たさなければならない。現在のスクリーニング・ワークフローは、単一の特性ランキングや、学習された化学領域から外れているか、あるいは不確実であるかを区別できないブラックボックス的な予測に依存していることが多い。したがって、「分子ペアとその根拠」をスクリーニングの対象として扱い、単純な特性最適化ではなく、追跡可能な根拠に基づいた優先順位付けを可能にするフレームワークが必要とされている。

手法
著者らは、D–Aペアの予測を監査可能なスクリーニング決定へと変換する、根拠条件付きのワークフローを提案している。このシステムは、統合された3つのレイヤーで構成される。

1. ペア・サロゲートモデル:

   • 入力表現: 各候補は、フロンティア軌道エネルギーの順序に基づいた、順序付けられた分子ペア（サイドA：ドナー、サイドB：アクセプター）として扱われる。入力は、80個の役割固有のスカラー記述子（片側につき40個）と、2つのモノマーグラフ（各モノマーにつき原子レベルの特性15個、結合レベルの特性9個）で構成される。
   • アーキテクチャ: 2つのストリームを持つクロスアテンション・エンコーダがスカラー記述子を処理し、エッジ認識型グラフ・ブランチが分子トポロジーをエンコードする。ゲート付きマルチモーダル融合メカニズムが、これらを共有潜在ベクトルへと結合する。
   • 出力: モデルは、8つの連続的な光学的/電子的量、2つの多クラス励起状態特性ラベル、および3つのバイナリ凝集関連の結果を予測する。
   • 学習: モデルは、データ漏洩を防ぐためにモノマー分離分割を用いた2,440個の順序付けられたペアを用いて学習された。シャープネス認識最小化（SAM）およびローカルなドナー・アクセプター拡張を採用している。

2. 根拠生成および解釈レイヤー:

   • 不確実性の定量化: モンテカルロ・ドロップアウト（16パス）により、回帰（標準偏差）、分類（予測エントロピー）、およびバイナリ出力に対する不確実性の推定値を提供する。
   • 局所的説明可能性（XAI）: 各クエリに対し、以下の構造化されたパケットを生成する。
     • 記述子の属性: 影響力のあるスカラー特徴を特定するための統合勾配（Integrated Gradients）。
     • グラフのサリエンス: 原子および結合に対する勾配×入力解析。
     • 摂動テスト: 特定のモダリティ（記述子 vs グラフ）の除去、または特定の分子側のマスキングによる出力の変化の測定。
     • 潜在的近傍サポート: 潜在空間における最近傍探索分析を用い、クエリが学習された化学領域の近くにあるかどうかを評価。
   • グローバル監査: 再利用可能なバックグラウンド・コンテキストが、データセットレベルの属性、サイド責任の傾向、累積局所効果（ALE）曲線、および潜在的領域のプロトタイプ/批判を集約し、局所的な説明を解釈するための参照を提供。
   • 文献検索: ハイブリッド検索（BM25 + sentence-transformer）により、精選された15の文書から関連する一節を検索し、化学的コンテキストを提供する。

3. 制約付きレポート層:

   • 化学に適応した大規模言語モデル（LLM）が、OLMo-3-1025-7Bに対して4ビット低ランク適応（LoRA）で微調整されており、固定された根拠パケットを化学者向けのレポートへと変換する。
   • 制約: LLMは、予測値、信頼度ラベル、または属性出力を変更することを厳格に禁止されている。その役割は、提供されたデータに基づいて、根拠を整理し、注意点を述べ、検証ステップを推奨することのみである。

主な貢献

• 監査可能な意思決定フレームワーク: 本論文は、予測、不確実性、局所的/グローバルな説明、分布的サポート、および文献コンテキストを、単一の「根拠パケット」として各D–Aペアに統合するワークフローを導入している。
• 根拠条件付きの優先順位付け: 従来の単一指標によるランキングとは異なり、本フレームワークはパレートベースのスクリーニングを用い、予測性能とモデルの信頼性（信頼度、解釈可能性、およびサポート）のバランスをとる。
• 役割認識型マルチモーダル予測: アーキテクチャは分子の役割（ドナー/アクセプター）を明示的に保持し、スカラー化学とグラフ・トポロジーを組み合わせることで、孤立したモノマー情報からの凝集特性の予測を可能にする。
• 追跡可能なレポート作成: 制約付きLLMの使用により、生成的なハルシネーションや数値データの改変を伴うことなく、根拠となる情報を読みやすい要約として提示できる。

結果

• 予測性能: 監査済みのモノマー分離ホールドアウトセット（検証およびテスト分割の合計1,069ペア）において、モデルは連続出力に対して0.07–0.30の平均絶対誤差を、カテゴリカル出力に対して0.59–0.77の精度を達成した。
• 局所的XAIの洞察: 説明により、異なるエンドポイントが異なる根拠ストリームに依存していることが明らかになった。例えば、光学的および電子的出力は、記述子においてはサイドAに、グラフ信号においてはサイドBに重みを置く傾向があった。また、状態特性の予測はグラフ情報の除去に対して高い感度を示した。
• バッチスクリーニング: ホールドアウト・テスト分割に適用したところ、あらかじめ設定された多目的ルールにより、19個の非劣解（non-dominated candidates）が特定された。トップランクの候補（d48_a13）は、予測されたS1振動子強度0.0389と、高い信頼度（0.613）、および低信頼度のターゲットが存在しないことのバランスを実現していた。
• 意思決定ロジック: フレームワークは、「暗いが不確実性が高い（不確実性チェックを伴う標的化された光学的検証が必要）」候補と、「明るいが信頼性が高い（低リスクのコントロールとして適している）」候補を、見事に区別した。

意義と主張
著者らは、本研究が材料スクリーニングを単一特性のランキングから根拠に基づいた優先順位付けへと再定義するものであると主張している。主な意義は、高次計算や実験的検証のためにD–Aペアを選択するための追跡可能なルートを提供することにある。スクリーニングの対象を「分子ペアと、その予測性能を判断するために必要な根拠を合わせたもの」として扱うことで、本フレームワークは、どの予測が支持されており、どのエンドポイントに注意が必要であり、どのフォローアップテストが最も適切であるかを明らかにすることができる。

本論文は、このワークフローが高精度な計算や実験に取って代わるものではなく、検証のトリアージツールとして機能することを明記している。これは、出力を単一の予測スコアから、監査可能な候補記録へとシフトさせるものである。これにより、どの予測が裏付けられており、どのターゲットに注意が必要で、どの追跡テストが最も適切であるかを可視化する。著者らは、本フレームワークが整合性を向上させ、アドホックな人間による選択バイアスを減少させる一方で、依然として学習データの化学空間および記述子の質に制約されること、また、メカニズムの解釈には独立した検証が必要であることを述べている。