In Silico

フォーマット・シリーズ

原子のための基盤モデル——ニューラルネットに「力」を覚えさせる

2026/7/8 （更新: 2026/7/8） シリーズ「凸包」 第2回 / 全3回

🤖 AIが下書き・人間が編集

シリーズ 「凸包(The Convex Hull)」 第2回。第1回では、ある結晶が「安定」とは、DFT で計算した凸包(競合する全配置の下側境界)より下にあることだと見た。問題は——DFT は正確だが、遅い。1つの結晶を解くのに大きな計算機で数分から数時間かかる。何百万もの候補をふるいにかけるには、絶望的に遅い。

今回は、その壁を破ったモデルの話である。

結晶は「グラフ」である

ニューラルネットに材料を読ませる、と聞くと難しそうだが、表現は素直だ。結晶をグラフとして扱う——原子をノード、近くにある原子どうしの関係をエッジにする。すると、画像でも文章でもなく「グラフ上の予測問題」になる。

ネットに何を予測させるか。エネルギーと、各原子にかかる力である。

ここが肝心だ。エネルギーだけでなく力(=各原子がどちらへ動きたいか)を出せると、ネットは単なる電卓ではなく、原子を実際に動かして構造を緩和できるようになる。物理では、力はエネルギーの傾き(勾配)である。だからエネルギーの地形を学んだネットは、その地形の傾きから力を読み取り、原子を谷へ転がせる。こうして、DFT を高速に近似する代理（サロゲート）モデル=機械学習原子間ポテンシャル(MLIP) が生まれる。膨大なDFTデータを教師に「DFTならこう答える」を学んだ身代わり、と捉えてよい。速度はおおむね DFT の千〜一万倍（系の大きさに依存する代表値）1。ふるい分けには、これで十分だ。

なぜ「緩和」するのか。 候補としてひねり出した結晶は、原子の位置がまだ最適とは限らない——いわば仮置きの配置だ。そこで予測した力に沿って原子を少しずつ動かし、最も近いエネルギーの谷（安定なつり合いの配置）まで転がり落とす。これが構造緩和である。ある結晶が安定かどうかを決めるのは、この緩和後のエネルギー（第1回で見た凸包と比べる値）であって、仮置きのままのエネルギーではない。緩和を省くと、たまたま置いた配置のエネルギーを評価しているだけになり、本当の安定性を取り違える。力まで予測できるネットの値打ちは、まさにこの緩和を自前で回せる点にある。

※ 概念図（フロー） DFTを高速に近似する流れ——結晶をグラフとして読み、力まで予測して原子を緩和する ① 結晶構造 周期的な原子配列 → ② グラフ化 原子=ノード 結合=エッジ → ③ GNNが予測 エネルギー E ＋ 力 F 力=エネルギーの勾配 （各原子の動きたい向き） → ④ 構造緩和 力で原子を 安定な谷へ転がす 速度はDFTの千〜一万倍でふるい分け可能。ただし学ぶのは DFT（参照）であって、現実そのものではない。
※ 概念図（フロー）・作図。機械学習原子間ポテンシャル（MLIP）の流れ：結晶を①そのままの構造から②グラフ（原子=ノード・結合=エッジ）へ読み替え、③グラフニューラルネットがエネルギーと力を予測し、④その力で原子を安定な谷へ緩和する。これで DFT を千〜一万倍速く近似できる。ただし学ぶのは DFT という参照であって、現実そのものではない。

「原子のための基盤モデル」——LLMと同じ手口

2022年以降の本当の転換は、ここからである。

昔は、材料ごと・系ごとに専用のポテンシャルを作っていた。新しい転換は——周期表の広い範囲を1つのネットでカバーする「普遍ポテンシャル」を、巨大なDFTデータで事前学習すること。これは、あなたがLLMで知っている手口そのものである。大きな固定コーパスで事前学習し、未知へ汎化させ、そして分布シフトを心配する。違うのは中身が言語でなく原子だという点だけ。

具体例を挙げる(すべて実在の研究):

LLMの読者なら、ここで「あ、これ同じ構造の話だ」と気づくはずだ。固定された参照コーパスで事前学習した基盤モデル、汎化と分布シフトの同じ問い——アーキテクチャ(グラフニューラルネット)も認識論もLLMと地続きである。脳型インターフェース(BCI)で、オフラインで訓練したデコーダが実運用で徐々に劣化していくのと同じ構図だ——固定コーパスで学んだ写像を、分布のずれた本番に当てる、という一点で通じている。

ただし——罠もLLMと同じ

ここで背骨に戻る。DFT の答えを完璧に当てるモデルは、シミュレータを学んだのであって、現実を学んだのではない。

機械学習ポテンシャルが学ぶ「正解」は、第1回で見たとおり DFT が計算した値である。だからモデルは、訓練した参照(DFT)の良さ以上には正確になれない。参照が外す領域(バンドギャップや強相関系)では、どれだけ精度よくDFTを再現しても、現実とはずれる。「モデルがDFTと一致した」は「現実と一致した」ではない——この一段を飛ばすと、speed の数字に酔って、何を達成したのか見失う。

もう一つ、正直な但し書き。万能の勝者はいない。形成エネルギーが得意なポテンシャル、緩和後の構造が得意なポテンシャルは別だったりする。速いネットはトリアージ(ふるい分け)であって最終判定ではない。最後はやはりDFTが、そして究極的には実験が確かめる。

まとめ

第2回の要点。結晶をグラフとして読み、エネルギーと力を予測する基盤モデルが、DFTを千〜一万倍速く近似し、何百万もの候補をふるえるようになった。手口はLLMと同じ(事前学習・汎化・分布シフト)、そして罠も同じ(参照を学んだだけで現実ではない)。

ここで自然な疑問が立つ。これだけ高速にふるえるなら——何百万個も「凸包より下」の材料を予測できるなら、その「下」は本当に「現実の新材料」を意味するのか? この問いこそが、機械学習ポテンシャルの価値と限界の分かれ目である。

出典

  1. 機械学習ポテンシャルは DFT 級の精度を、DFT より桁違いに低い計算コストで与える（Deringer, Caro & Csányi「Machine Learning Interatomic Potentials as Emerging Tools for Materials Science」, Adv. Mater. 31, 1902765, 2019）。加速率は系の大きさに依存する——DFT は原子数 N に対しおよそ O(N³)、MLIP はほぼ O(N) で、系が大きいほど比は開く。本文の「千〜一万倍」はふるい分け規模の系での代表値であり、用途により 10²〜10⁶ 以上まで振れる。 https://doi.org/10.1002/adma.201902765 ↩

  2. Chen, C. & Ong, S. P.「A universal graph deep learning interatomic potential for the periodic table」, Nature Computational Science 2, 718–728 (2022)。Materials Project の構造緩和データで学習。M3GNet のエネルギーで3100万個の仮想結晶から約180万個を準安定候補として抽出し、上位2000個のうち1578個をDFTで安定と確認。 https://www.nature.com/articles/s43588-022-00349-3 ↩

  3. Batatia, I. ら「A foundation model for atomistic materials chemistry」, Journal of Chemical Physics 163, 184110 (2025); arXiv:2401.00096。89元素・MPtrj(約15万結晶の緩和軌跡から得た約160万構造)で学習した普遍ポテンシャル MACE-MP-0。高次の同変メッセージパッシングを用いる。 https://arxiv.org/abs/2401.00096 ↩

この記事はAIが下書きし、人間が編集・公開しています。