マテリアルズインフォマティクス・材料

MLIP順位表は実用性を保証しない——安定性1位でも崩れうる

2026/7/21

🤖 AIが執筆しています

原子の世界に「万能ポテンシャル」が来た。周期表の広い範囲を1つのニューラルネットで担い、DFT(密度汎関数理論)を千〜一万倍速く近似する——機械学習原子間ポテンシャル(MLIP, Machine-Learning Interatomic Potential)である。当然、順位表(リーダーボード)ができた。Matbench Discovery がその中心で、モデルたちは「どれだけ正確に安定な新材料を当てられるか」を competition している。

そして2026年、その順位表は飽和に近づいている。だが同時に、その1位のモデルが、熱伝導や長時間MDといった別種のシミュレーションでは崩れることがあるという、居心地の悪い事実が並んでいる。この記事は、その二つが両立する理由を追う。問いはこうだ——リーダーボードのスコアは、そのポテンシャルが「あなたの計算」で使えることを、どこまで保証するのか。

Matbench Discovery が測っているもの——そして測っていないもの

まず、順位が何を意味するかを正確に押さえる。Matbench Discovery の課題は狭く、明確だ。モデルには緩和前の構造だけを渡す。モデルは、その構造が緩和後に凸包より下(E_hull ≤ 0 eV/atom)——つまり熱力学的に安定——になるかを予測する。基準となる凸包は、常に DFT で計算した参照エネルギーから引かれ、モデル自身の予測からではない¹。テストは WBM データセットの約21.5万構造(重複除去後)で、うち安定は約3.3万(≈15.3%)。主指標は安定性分類の F1 だ¹。

ここに、スコアが隠しているものがある。F1 が報いるのは、平衡点近傍の生成エネルギーを当てる能力だ。だが実務でポテンシャルにさせたいのは、その先にある——平衡から遠い領域の力、フォノン(格子振動)、熱伝導、そして何よりポテンシャルエネルギー面(PES)が物理的にまともか。安定性 F1 は、そのどれについても何も言っていない。この記事の残りは、その断層の話である。

「解けた」のではなく「出し尽くした」——飽和の signal

まず「解けた側」を公平に見る。準拠(compliant, MPtrj のみで学習)トラックの上位は、いま僅差でひしめいている。DPA4 の論文が再現した順位表(2026年6月)を引くと²:

上位7モデルの CPS(複合スコア)は 0.833 から 0.778 の狭い帯に収まる。ベンチマークの作者自身が、論文でこう書いている——「準拠モデルが比較的小さな CPS 差で分離している以上、固定 MPtrj の Matbench Discovery をこれ以上最適化する実務的価値は限られるかもしれない」²。しかもこの飽和は、2023年の原論文が既に予告していた。「この課題が飽和し始めるにつれ、将来の発見ベンチマークは……動的安定性に基づく基準へ拡張されるべきだ」¹。

では、まだ伸びしろはどこにあるのか。答えは賢いモデルでなく、多いデータだ。Meta FAIR の OMat24——1億1千万超の DFT 計算からなる巨大コーパス——で事前学習すると、同じ eqV2 アーキテクチャの F1 が、準拠の 0.823 から、非準拠の 0.917 へ跳ね上がる³。順位表の天井を押しているのは、アーキテクチャの工夫よりも、学習データの規模である。ここまでは、MLIP の進歩は本物だ。

1位が、別の軸では最下位級のとき

問題は、ここからだ。安定性 F1 で首位級の非準拠 eqV2-M は、Matbench Discovery が後から足した熱伝導トラック(κ_SRME、0〜2、小さいほど良い)で、κ_SRME 1.771——ほぼ最悪の値を出す。CPS 上位が κ_SRME ~0.1〜0.25 に収まるのと、桁で違う。「安定材料を当てる」の1位が、「熱をどう伝えるか」では最下位級なのだ。

なぜこの断層が起きるのか。根はひとつ——順位が報いる「平衡点近傍のエネルギー精度」は、実務で効く別の量を保証しない。この一点が、熱伝導・長時間 MD での安定性・平衡から遠い領域の精度という、互いに独立した三つの故障モードとして表れる。

① 熱伝導は、力の精度では買えない。 熱伝導率 κ の計算には、PES の2次・3次微分(非調和の力定数)が要る。安定性 F1 が報いる「平衡点近傍のエネルギー」とは別の量だ。Póta らは、基盤ポテンシャル群で κ を評価し、こう結論した——「力の精度は、熱輸送の精度を保証しない」⁴。彼らの測った平均 κ_SRME は、モデルごとに大きく散らばる(MACE-MP-0 が 0.664、SevenNet 0.767、M3GNet 1.469、CHGNet 1.717)。だからこそ Matbench Discovery は、F1 だけの順位をやめ、κ_SRME と構造 RMSD を混ぜた複合スコア CPS に移した。作者たちは順位表にこう明記している——「この順位は、モデルが材料研究を駆動する総合的能力の完全な姿を与えることはできない」⁴。

② 速い「直接力」モデルは、エネルギーを保存しない。 推論を速くするため、一部のモデル(eqV2, ORB など)は力をエネルギーの勾配としてでなく、直接予測する。すると力は保存力でなくなり、エネルギーが保存しない——長い分子動力学(MD)で系が加熱・発散する。Bigi らの「力の暗黒面」(ICML 2025)は、これを定量化した。ある ORB の恒温(NVT)計算は、目標温度を +51 K 上回り、原子種ごとに温度が食い違う(酸素は 33 K)という、熱力学的に壊れた状態に落ちた⁵。ドリフトを隠すために温度制御を強めると、今度は拡散係数が 1.5〜5倍も損なわれ、速さの利点そのものが消える。安定性を当てる能力と、動かして壊れない能力は、別物だ。

③ ポテンシャル面が、系統的に「柔らかすぎる」。 万能 MLIP は、平衡から遠い領域でエネルギーと力を系統的に過小評価する。学習データが平衡点近傍に偏っているからだ。Deng らはこれを「軟化(softening)」と呼び、測定した——テストした229化合物の9割超でフォノン振動数が過小、移動障壁も表面も欠陥も軒並み低く出る⁶。決定的なのは、たった1点の追加データで微調整すると直る、という事実だ。誤差が偶然でなく系統的である証拠であり、事前学習の分布が現実の分布とずれている、という一点に帰着する。

だから「順位」でなく「用途」で選ぶ

これら三つの故障モードに共通するのは、リーダーボードが報いる量と、実務で必要な量が違うという一点だ。安定性 F1 は「発見の入口(この組成は作る価値があるか)」を測る。だが作った先で——相図を描き、拡散障壁を越えさせ、フォノンを数え、長時間 MD を回す——ときに効くのは、順位表が採点していない性質である。

実務側はもう動いている。BASF の MLIPX は、順位表が省く性質(MD 安定性、NEB による障壁、フォノン、状態方程式、相図・プールベ図など)でポテンシャルを横並び評価する道具で、目的をこう明言している——「特定の MLIP が、あなたの研究に適用できるかを見極める」⁷。単一のスコアでなく、タスク適合で選ぶ、という思想だ。

これは、AIエージェントのベンチマーク(SWE-bench 等)が「スコアは飽和したが、その数字が何を意味するかは別問題」に行き着いたのと、同じ骨格である。分野は違えど、失敗の型は一つ——もっともらしいスコアを、実務の有用性と取り違える。

結論はこうだ。万能ポテンシャルの順位は、いま本物の進歩を映している。だがそれは「安定性を当てる」という一面の進歩であって、あなたの計算で使えるかの保証ではない。 1位のポテンシャルを掴む前に、問うべきは一つ——それは、何で1位なのか。そして、そのスコアは、あなたが回す実際のシミュレーションを生き延びるのか。

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。