Beyond Jacob’s Ladder: A Physics-driven AI Approach to Density Functional Theory

分子の世界を理解するために、科学者たちは密度汎関数理論（Density Functional Theory）と呼ばれる強力な数学的枠組みに依拠しています。この手法により、研究者は原子がどのように結合するか、化学反応がどれほどのエネルギーを放出するか、そして分子がどれほど安定しているかを、原子核を取り囲む目に見えない電子の雲を見ることで予測することができます。数十年にわたり、これらの予測の正確性は、電子雲を記述するために使用される数学的な公式がいかに複雑であるかに依存してきました。科学者たちは伝統的に、より良い結果を得るために詳細な層を付け加えることで、比喩的な「複雑さの梯子」を登ってきました。しかし、この登攀には重い代償が伴います。数式が複雑になればなるほど、計算は非常に遅く、負荷が高くなり、大規模で現実的なシステムに適用しようとするとしばしば失敗してしまうのです。現場は、細部を見るために必要な道具が重すぎて持ち運べないという地点に達しており、多くの化学的な問いが未解決のまま残されています。

モナッシュ大学の研究チームは、ますます複雑になる数式を必要としない、異なる前進の道を提案しました。電子雲を記述するための完璧な方程式を書こうとする代わりに、彼らはコンピュータプログラムに、その雲の形状から物理学を直接学習させました。ニューラルネットワークに電子密度の生データ（特定の場所にどれだけの電子が存在するかという単純な尺度）を読み込ませることで、機械が分子の挙動を支配するルールを自ら発見できるようにしたのです。その結果、既存の最高のツールに匹敵する精度を持ちながら、重い計算負荷を伴わない新しい手法が誕生しました。このアプローチは、電子雲自体が分子を理解するために必要なすべての情報を持っていることを示唆しています。ただし、コンピュータがそれを読み解くための正しい方法を与えられている場合に限ります。

研究者たちは、dML-DFTと呼ばれるシステムを開発しました。これは「密度駆動型機械学習密度汎関数理論（density-driven machine learning density functional theory）」の略です。伝統的な手法では、科学者は電子がどのように相互作用するかを記述するルールを手動で構築しなければならず、しば der 最適な数学的形式を推測することもしばしばあります。この新しいシステムはその推測を完全にスキップします。チームは、計算が容易な非常に基本的で単純な電子密度の計算からスタートしました。そして、このデータをパターンを見つけ出すように設計された人工知能の一種であるニューラルネットワークに渡しました。決定的なのは、コンピュータに対してどのような原子が存在するか、あるいはそれらがどのように接続されているかを教えなかったことです。機械には、元素の名前も空間における位置も与えられませんでした。機械が見たのは、様々な地点における電子密度を表す数値だけでした。

目標は、コンピュータに電子雲の形状と分子の全エネルギーとの関係を学習させることでした。これを教えるために、研究者たちは特定のトレーニング戦略を用いました。彼らは、分子を個々の原子へと分解するために必要なエネルギーと、二つの別々の分子が結合する際に発生するエネルギーという、二つの主要な特性を予測するよう機械に求めました。コンピュータは予測を行い、研究者はそれを既知の極めて正確な参照値と比較しました。もし予測が外れていれば、コンピュータは誤差を減らすために内部の接続を調整しました。このプロセスを何千回も繰り返すことで、機械は驚くべき一貫性を持ってこれらのエネルギーを予測できるようになりました。

このトレーニングの結果は驚くべきものでした。多様な分子を用いてテストした際、新しいモデルは多くの系において1キロカロリー毎モル未満の精度を達成しました。化学の世界において、これは予測が実世界のアプリケーションに信頼できるレベルである「化学的精度（chemical accuracy）」と呼ばれる閾値です。このモデルは、他の手法をテストするために使用される標準的な分子セットにおいて極めて優れた性能を示し、現在使用されている最も洗練された数式をも凌駕することがしばらありました。例えば、異なる分子がどのように引き付け合うかを予測する際、この新しいアプローチは、これら相互作用の扱いに苦慮することが多い既存の最良の伝統的手法よりも大幅に正確でした。

最も重要な発見の一つは、モデルが「原子とは何か」を教えられることなく、システムの物理学を学習したことでした。モデルは、それが炭素を見ているのか、酸素を見ているのか、あるいは鉄を見ているのかを知りませんでした。単に、電子密度の特定のパターンが特定のエネルギー値に対応していることを学習したのです。これは、システムが普遍的であることを意味します。つまり、トレーニング中に十分な例を見ている限り、未知の新しい分子に対してもその教訓を適用できるのです。研究者たちは、不安定な分子であるラジカルを含む化学反応や、電子が異常で相関的な挙動を示すシステムを用いて、モデルの検証を行いました。これらの困難なケースにおいても、モデルは高い精度を維持しました。特に、複雑な反応の例を少量トレーニングデータに加えることで、理解を精緻化させた場合には顕著でした。

また、本研究は、この手法が依然として直面している課題についても明らかにしました。モデルが、トレーニングデータに極めて稀にしか登場しない元素（特定の環境下にある特定の金属など）に遭遇した場合、その精度は低下しました。これは概念の欠陥ではなく、例から学ぶことによる自然な限界です。コンピュータが特定のタイプの状況を十分に見ていない場合、それを完璧に予測することはできません。しかし、研究者たちは、これらの稀なケースの例をトレーニングセットに追加するだけで、結果が迅速に改善されることを示しました。これは、この手法が堅牢であり、利用可能なデータが増えるにつれて継続的に改善できることを示唆しています。

この研究は、分子エネルギーの計算に対する科学者のアプローチにおける転換を象徴しています。自然をあらかじめ書かれた数学的な箱に押し込めようとするのではなく、研究者たちはデータに自ら語らせることにしたのです。電子の交換と相関を、導出すべき一連の別々のルールとしてではなく、学習すべき単一の統一された現象として扱うことで、高精度かつ計算効率の高いツールを作り上げました。このアプローチの成功は、電子密度には分子の挙動を記述するために必要なすべての情報が含まれていること、そして人工知能が伝統的な数式よりも効果的にその情報を抽出できることを証明しています。これは、複雑な化学反応の研究や新材料の発見を、以前では到達不可能だった速度と精度で行う道を開き、科学者が新しい強力なレンズを通して化学の世界を探索することを可能にするものです。