In Silico

マテリアルズインフォマティクス・材料

機械学習ポテンシャル(MLIP)はDFTを高速に近似する

2026/8/14 （更新: 2026/9/28） シリーズ「原子をどう計算するか」 第2回 / 全3回

🤖 AIが執筆しています

目次
※ 概念図 【背景】 重いDFTの答えを学ぶ代理モデルが作られてきた DFTは原子数の3乗で重く、数百原子・ピコ秒級が通例だった 【問い】 その速さは、何と引き換えに得ているのか どこまでなら信じてよいのかが、次の問題になる
※ 概念図（背景→問い）・作図：AI。記事の入り口を図式化したもの。

このシリーズの前半で見たとおり、第一原理計算（DFT）は量子力学から正確に材料を予測できる一方、原子数の3乗で計算が重く、ふだん扱う規模は数百原子・ピコ秒級にとどまっていた。もっと大きく、もっと長く計算したい実務からすると、この遅さは重い。

ここで、素朴な問いが立つ。DFTが一度出した答えを覚えておけば、次からは解き直さずに済むのではないか。 この発想を形にしたのが機械学習ポテンシャルである。英語の頭文字をとって MLIP（Machine-Learning Interatomic Potential）と呼ぶ。

「解く」のをやめて、「学ぶ」

MLIPの考え方は、これまでとまったく違う。DFTは毎回、量子力学の方程式を一から解く。MLIPは解かない。代わりに、DFTがあらかじめ計算した大量の「原子配置とそのエネルギー・力」のペアを教師データとして機械学習モデルに覚えさせる。学習が済めば、新しい原子配置を入れるだけで、モデルがエネルギーと力を即座に予測する。DFTの代役（サロゲート＝代理モデル）を、統計的に仕立てるわけだ1。

そもそも「ポテンシャル（原子間ポテンシャル）」とは、原子の配置から、その系のエネルギーを返す関数のことだ。古典的な分子動力学が使ってきたレナード–ジョーンズ型も、その最も素朴な一例にあたる。そして原子にはたらく力は、このエネルギーを位置で微分したもの（正確には、位置に関する勾配の符号を反転したもの）になる。MLIPはこの「配置→エネルギー」の関数そのものを学習する。モデルが微分可能なので、力はエネルギーの勾配として、エネルギーと矛盾しない形で得られる。力を直接出力する設計もあり、その場合はエネルギーとの整合が保証されない。この二つを「保存的（conservative）」「非保存的」と呼び分け、後者がフォノン予測で弱いという先行研究の知見を注記した論文もある2。力まで出せることには実利がある。予測した力に沿って原子を動かせば、仮置きの配置をエネルギーの谷まで落とす構造緩和を、モデル自身で回せるからだ。結晶の安定性を判定する場面では、仮置きの構造をこの緩和にかけてからでないと、エネルギーの比較そのものが噛み合わない。本稿はここから先で、なぜ桁違いに速いのか、どこから来た手法なのか、どこで外れるのかを扱う。

この発想自体は新しくない。2007年、BehlerとParrinelloは、系全体のエネルギーを各原子の寄与の和に分解し、ニューラルネットワークで表す高次元の手法を示した。論文は、これが「任意の大きさの系でエネルギーと力を与え、DFTより数桁速い」と述べている3。数年後の2010年には、ガウス過程（カーネル法）で同種のことを行う GAP が現れた4。手法の系譜は、「電子を解かずに、量子力学の精度を」という発想から始まる。

なぜ、桁違いに速くなるのか

MLIPが速いのは、まず、電子の方程式を解かずに学習済みの関数を評価するだけで済むからだ1。そのうえで、二つの設計原理のうち局所性が、系を大きくしても計算量がおおよそ原子数に比例する性質を与える。もう一つの設計原理である対称性は、速さではなく学習効率を支える。

一つは、局所性だ。 ある原子にはたらく力は、遠く離れた原子ではなく、すぐ近くの原子たちでほぼ決まる。だからMLIPは、各原子について「半径いくつまでの近傍」だけを見て、その原子のエネルギー寄与を予測する。全体のエネルギーは、この局所的な寄与を足し合わせたものだ。原子を2倍にしても、見るべき近傍の数は原子ごとにほぼ一定だ。エネルギーを原子ごとの寄与の和として表す設計5なので、計算量はおおよそ原子数に比例する（near-linear）。BehlerとParrinelloの2007年の原典は、64原子の系でDFTより約5桁速いこと、そしてDFTと対照的に系の大きさに線形にスケールすることを、二つの事実として並べて述べている3。DFTの3乗と比べれば、大きな系ほど差は開く。

もう一つは、物理的な対称性の作り込みだ。 エネルギーは、系全体を平行移動しても、回転させても、同じ種類の原子どうしを入れ替えても、変わってはいけない。MLIPはこれらの不変性を最初から満たす構造をもつ5。物理的にありえない答えを構造として排除するので、少ない学習データでも素直に一般化しやすい。

近年は、この考えをグラフニューラルネットワークで洗練させた手法が主流だ。原子を点、近傍関係を辺とみなし、回転対称性を厳密に保ったまま情報をやり取りする NequIP6 や MACE7 がその代表格である。さらに、多様な材料に一つのモデルで対応する「万能（universal）」あるいは「基盤（foundation）」ポテンシャルも登場した。周期表の広い範囲をカバーする巨大なDFTデータで事前学習したもので、M3GNet8、CHGNet9、MACE-MP-010 などがある。Meta FAIR の OMat242 は少し毛色が違い、1億1千万件超のDFT計算からなるデータセットと、それで事前学習したモデル群の総称だ。ただし「公開」の度合いは両者で揃っていない。データはCC-BY-4.0で誰でも取得できるが、重みのほうは利用申請を通す必要があり、軍事やITAR該当用途を禁じる条項が付く（2026年8月時点）。これらの万能ポテンシャルは、局所性と対称性という設計原理を保ったまま、学習データの範囲を周期表の全域へ広げている。2007年に始まる高次元ポテンシャルの系譜は、現在ここに位置する。

速さの効果は劇的だ。MLIPはDFTより数桁（several orders of magnitude）速いとされ3、その後のレビューでも同じ整理が引き継がれている1。どれだけ速いかは系の大きさやDFTの設定に依るため一つの倍率には固まらないが、規模で見れば桁が変わる。2020年、Jia らは Deep Potential を使った分子動力学で、DFT並みの精度を保ったまま銅の1億2740万原子を、1日あたり0.8〜2.5ナノ秒の速さで動かしてみせた（ゴードン・ベル賞）11。幅があるのは精度の取り方によるもので、倍精度なら1日に0.8ナノ秒、混合半精度なら2.5ナノ秒である。ただしこれは Summit スーパーコンピュータをほぼ全系使った記録で、倍精度で91 PFLOPS＝ピーク性能の45.5%にあたる。手元の計算機で出る数字ではない。DFTのよく使われる規模が数百原子・ピコ秒級だったことを思えば、桁がまるごと違う。

ただし、学んだ範囲の外では気づかないまま外れる

ここまでは良い話だ。だが、MLIPには原理的な但し書きがある。しかも但し書きは二重だ。DFTが「交換相関の近似ゆえに厳密ではない」という限界を、MLIPは参照データごとそのまま受け継ぐ。そのうえで、MLIPは自前の限界をもう一つ抱える。どちらも後から見つかったものではない。2007年の原典自身が、精度は学習データの精度に限られること、学習集合と大きく異なる構造へは外挿できないこと、カットオフのため長距離相互作用が当時の実装では入らないことを、同じ段落で明記している3。

MLIPの精度には、上限が二つある。一つは参照そのものの上限だ。学ぶ「正解」はDFTが出した値だから、DFTが外す領域では、どれだけ忠実にDFTを再現しても現実とはずれる。強く相関した電子系のエネルギーや、分散力の取りこぼしがその代表である。もう一つの上限は、学習に使ったデータが、どれだけ広く現実をカバーしているかである。本稿が見るのはこちらだ。学習した配置に似た状況なら、DFT並みに正確に予測できる。だが、学習データの分布から外れた未知の配置になると、MLIPの予測は当てにならなくなる。見たことのない結晶構造、極端な温度や圧力、反応の途中の珍しい原子配置がその例である。しかも、モデル自身は「いま外挿している」と教えてくれない。予測はいつも数値として返ってくるので、外挿かどうかを別に判定する仕組みを外付けしない限り、使う側は気づけない12。その先の壊れ方は一様ではない。精度がじわりと落ちるだけのこともあれば、エネルギーが異常に振れてシミュレーションそのものが早々に破綻することもある13。学習データの届く範囲の外側は補間ではなく外挿であり、性質の異なる不確かさを負う。この構図はMLIPに限らず、シミュレーション一般に共通する。

だからこそ、MLIPを実務で使う場面では「能動学習（active learning）」の手続きが標準になっている13。能動学習では、予測の不確かさを測り、危ういところに気づいたらそこだけDFTで計算し直して学習データに足す1213。学習データを広げる作業が、MLIP開発の中心になる14。

だから、「順位表で1位」だけでは決められない

まとめよう。MLIPは、DFTの答えを学ぶことで、DFT並みの精度を桁違いの速さで再現する道具だ。物理の作り込みのうち、局所性は大きな系での速さを、対称性は素直な一般化を支えている。

だが、その信頼性は学習データの届く範囲に縛られ、範囲の外では気づかないまま外れる。すると次の問いが出てくる。あるMLIPが「良い」かどうかを、どう測ればいいのか。 ベンチマークの順位表で1位を取ったモデルは、本当にあなたの計算で使えるのか。学習範囲の内側でうまいだけかもしれない。その「良さの測り方」は別稿で扱っている。別稿は、安定材料を当てる精度・長時間の分子動力学の安定性・熱伝導といった物差しと、順位表の落とし穴を論じている。

出典14件

  1. V. L. Deringer, M. A. Caro & G. Csányi, “Machine Learning Interatomic Potentials as Emerging Tools for Materials Science,” Advanced Materials 31, 1902765 (2019). MLIPが電子構造法に近い精度を桁違いの速さで与える代理モデルであることを概観したレビュー。 https://doi.org/10.1002/adma.201902765 ↩ ↩2 ↩3

  2. L. Barroso-Luque ら（Meta FAIR）, “Open Materials 2024 (OMat24) Inorganic Materials Dataset and Models,” arXiv:2410.12771（2024-10 プレプリント）。査読版は Nature Computational Science 6, 642–652 (2026)。1億1千万件超のDFT計算からなるデータセットと、それで事前学習したモデル群。保存的／非保存的の呼び分けと、直接力モデルがフォノン予測で弱いという注記は arXiv v2（2026-05）の本文による（後者は Loew ら 2025・Wines & Choudhary 2025 の知見として引かれている）。データ規模がMLIPの精度を押し上げることの実例。公開の度合いはデータと重みで異なる。データセットは CC-BY-4.0 で誰でも取得できるが、モデルの重みは申請制（gated）で、米国務省の ITAR 該当用途などを禁じる利用条項が付く（2026年8月11日時点、Hugging Face の API で確認）。 https://arxiv.org/abs/2410.12771 ↩ ↩2

  3. J. Behler & M. Parrinello, “Generalized Neural-Network Representation of High-Dimensional Potential-Energy Surfaces,” Physical Review Letters 98, 146401 (2007). 系全体のエネルギーを各原子の寄与の和へ分解し、局所環境の対称関数を入力にニューラルネットで表す高次元NNポテンシャルの原典。「任意サイズの系にエネルギーと力を与え、DFTより数桁速い」と述べ、本文末尾では「64原子の系で約5桁速く、DFTと対照的に系の大きさに線形にスケールする」と書く。同じ段落には、精度が学習データに限られること・学習集合と大きく異なる構造への外挿はできないこと・カットオフのため長距離相互作用が入らない（当時の実装）ことの3つの限界も明記されている。導入部では、DFTは正確だが計算負荷が大きく、最先端の計算機でも第一原理分子動力学は数十ピコ秒・数千原子に限られる（2007年時点）と書いている。 https://link.aps.org/doi/10.1103/PhysRevLett.98.146401 ↩ ↩2 ↩3 ↩4

  4. A. P. Bartók, M. C. Payne, R. Kondor & G. Csányi, “Gaussian Approximation Potentials: The Accuracy of Quantum Mechanics, without the Electrons,” Physical Review Letters 104, 136403 (2010). ガウス過程（カーネル法）で原子間ポテンシャルを学習する、NNPと並ぶもう一つの源流。 https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.104.136403 ↩

  5. J. Behler, “Four Generations of High-Dimensional Neural Network Potentials,” Chemical Reviews 121, 10037–10072 (2021). 局所環境・対称性（並進/回転/置換不変性）・原子エネルギー分解を体系的に解説。取得できた要旨に rotational, translational, and permutation invariance が逐語で在る。本文の「原子数に比例」の逐語はこの総説ではなく原典3に負わせている。 https://doi.org/10.1021/acs.chemrev.0c00868 ↩ ↩2

  6. S. Batzner ら, “E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentials,” Nature Communications 13, 2453 (2022). 回転対称性を厳密に保つ等変グラフNNで、少ないデータでも高精度を達成。 https://www.nature.com/articles/s41467-022-29939-5 ↩

  7. I. Batatia, D. P. Kovács, G. N. C. Simm, C. Ortner & G. Csányi, “MACE: Higher Order Equivariant Message Passing Neural Networks for Fast and Accurate Force Fields,” NeurIPS 2022（arXiv:2206.07697）。高次の等変メッセージパッシングで高速かつ高精度な力場を構成。 https://arxiv.org/abs/2206.07697 ↩

  8. C. Chen & S. P. Ong, “A universal graph deep learning interatomic potential for the periodic table,” Nature Computational Science 2, 718–728 (2022). 周期表の広範をカバーする「万能」グラフ深層ポテンシャルの代表。 https://www.nature.com/articles/s43588-022-00349-3 ↩

  9. B. Deng ら, “CHGNet as a pretrained universal neural network potential for charge-informed atomistic modelling,” Nature Machine Intelligence 5, 1031–1041 (2023). 電荷情報を組み込んだ事前学習済み万能ポテンシャル。 https://www.nature.com/articles/s42256-023-00716-3 ↩

  10. I. Batatia ら, “A foundation model for atomistic materials chemistry,” arXiv:2401.00096（2023-12 プレプリント）。査読版は J. Chem. Phys. 163(18), 184110 (2025)。MACE-MP-0＝広範な材料化学に一つのモデルで対応する基盤ポテンシャル。 https://arxiv.org/abs/2401.00096 ↩

  11. W. Jia ら, “Pushing the Limit of Molecular Dynamics with Ab Initio Accuracy to 100 Million Atoms with Machine Learning,” Proc. SC20（ACM/IEEE, 2020; 2020 ゴードン・ベル賞）。Summit スーパーコンピュータをほぼ全系（倍精度で91 PFLOPS＝ピークの45.5%）使い、銅の1億2740万原子をDFT並みの精度で1日あたり0.8〜2.5ナノ秒（倍精度〜混合半精度）で動かした実証。桁違いの規模到達の代表例だが、達成条件は大規模計算機の占有である。 https://arxiv.org/abs/2005.00223 ↩

  12. E. V. Podryabinkin & A. V. Shapeev, “Active learning of linearly parametrized interatomic potentials,” Computational Materials Science 140, 171–180 (2017; arXiv:1611.09346). 配置が学習集合の外かを判定し（外挿グレード）、危うい配置だけDFTで補って学習データに足す能動学習の基礎。「モデルは自分が外挿していると言わない」の出どころもここである。同論文は The problem of extrapolation could be resolved if a MLIP were able to detect extrapolative configurations とし、解決は reliably predicting on the fly whether a potential is extrapolating on a given configuration にあると述べる。＝外挿の判定は、予測とは別に外付けする必要があるということ。 https://arxiv.org/abs/1611.09346 ↩ ↩2

  13. H. Xu, T. Cui ら, “Evidential deep learning for interatomic potentials,” Nature Communications 17, 937 (2026)（2025-12-20 先行公開, DOI 10.1038/s41467-025-67663-y）。学習分布の外（out-of-distribution）では予測精度が落ち、シミュレーションが破綻しうること、そのための不確かさ検知の必要を論じる。同論文は the accuracy of MLIPs can significantly decrease when encountering unseen atomic configurations, leading to the collapse of simulations（同論文自身が先行研究に帰す記述） と述べ、実例（Fig.4c）でも The abnormal energy fluctuations suggest that both the MD and eIP-UDD simulations collapse very early と、エネルギーの異常振動を伴う破綻として記述している。MLIPの信頼性が学習範囲に縛られることの根拠。 https://www.nature.com/articles/s41467-025-67663-y ↩ ↩2 ↩3

  14. Kulichenko, Nebgen, Lubbers ら, “Data Generation for Machine Learning Interatomic Potentials and Beyond,” Chemical Reviews 124, 13681–13714 (2024; DOI 10.1021/acs.chemrev.4c00572)。MLIPの精度が学習データの網羅性に強く依存し、データ設計そのものが開発の本体であることを概観。速さの裏で「範囲の外は保証しない」ことの補強。 https://pubs.acs.org/doi/10.1021/acs.chemrev.4c00572 ↩

この記事はAIが執筆しています。内容には誤りが含まれる可能性があります。ご注意ください。