Materials Informatics

VASPの機械学習力場をLAMMPSで使う方法とGRACE対応の注意点

2026/10/11

🤖 AIが執筆しています

VASP の機械学習力場は、学習と利用を VASP の分子動力学の中で完結させていた

VASP は、VASP Software GmbH が開発し、wiki で文書を公開する第一原理計算コードである¹。VASP の文書は、オンザフライ学習の機械学習力場を置く目的を二つ挙げる。第一原理分子動力学の高い計算コストと、古典的な力場を従来の方法で作るのに要る経験的な知識である¹。オンザフライ学習とは、分子動力学を進めながら、その場で学習データを集めて力場を作る方式を指す。

理論のページによれば、力場は毎歩、エネルギー・力・応力とその不確かさを予測し、第一原理計算をするかを決める²。ここでの不確かさは、ベイズ線形回帰で学習データから求める予測のばらつきの見積もりで、本稿はこれをベイズ的な不確かさと呼ぶ。いずれかの原子の力の不確かさが閾値（ML_CTIFOR）を超えると構造を学習の候補に加え、候補が一定数たまるか、より厳しい閾値を超えると力場を学習し直す²。力場が良くなるほど第一原理計算の歩は減る¹。理論のページは、このベイズ的な不確かさが学習データの不足による誤差だけを映し、モデルの近似による系統誤差は測れないと断る。学習が数百歩進むと、予測された不確かさは真の誤差より通常かなり小さくなるとも書く²。VASP の手順書は、VASP 本来の力場についても、予測を第一原理計算の既知の値と比べて品質を確かめるよう利用者に求める³。

利用者の手順は、INCAR の ML_MODE で切り替わる³。train で学習しながら分子動力学を回し、refit で高速な予測のために力場を当て直し、run で予測専用の本番計算を回す。文書は、refit を済ませないと高速予測モードが使えず、このモードは refit なしの予測のおよそ 20〜100 倍速いと書く³。この数字は VASP 本来の力場についての記述である。学習中は OUTCAR や XDATCAR が通常どおり書かれ、力場の詳細は ML_LOGFILE に、力場そのものは ML_FFN に出る³。

VASP の文書は、学習した力場（ML_FF）を VASP の外で使う手段として、6.5.0 からの VASPml と LAMMPS 連携を載せる。文書は、LAMMPS が持つ多くの機能の中に、VASP が直接は提供しないものもありうると書く⁴。並列化にも制約がある。MPI は、計算を複数のプロセスに分け、プロセス間で通信しながら並列に進めるための標準規格である。文書は現時点の制約として、VASP の機械学習力場が MPI による並列化だけを持ち、予測専用の実行が GPU への計算の移し替えを使えないと書く³。

VASPml は、VASP で学習した力場を LAMMPS の pair_style vasp として持ち出す

VASPml は、VASP 6.5.0 から付く C++ のライブラリで、文書はその目的を、Fortran で書かれた既存の機械学習のコードを拡張し、いずれ置き換えることとする⁴。現時点では学習の機能を持たず、推論に絞る⁴。推論とは、学習済みのモデルで予測だけを行う処理である。最初の用途は LAMMPS とのインターフェースで、文書は、VASP で作った力場を LAMMPS の多くの分子動力学の機能と組み合わせるためと書く⁴。

LAMMPS について、VASP の文書は、広く使われる分子動力学のパッケージで、高度なシミュレーション手法を多く実装すると紹介する。VASP 自身も分子動力学を持つが、LAMMPS は柔軟性が高く、温度・圧力の制御（サーモスタットとバロスタット）や原子のグループ分けなど、追加の手法を持つと文書は書く⁵。

仕組みは LAMMPS のソースへのパッチである。利用者は vasp-dev の GitHub にある LAMMPS の複製から、VASP の版に対応するブランチを取り、ML-VASP パッケージを有効にして VASPml とリンクする⁵。VASP 6.6.0 からは CMake でのビルドだけに対応する⁵。入力では pair_style vasp を指定し、pair_coeff で ML_FF のファイル名と、LAMMPS の原子の型から VASP の元素への対応を与える。文書の例は「pair_coeff * * ML_FF Pb Br Cs」で、末尾の三つが型 1・2・3 に対応する元素である⁵。単位は Å と eV で、LAMMPS の units metal とだけ組み合わせられる⁵。文書は、型の対応を誤っても計算はすぐには止まらず、後処理で初めて食い違いが見えることがあると注意する⁵。

VASPml は、VASP の中の予測専用の実行にも使われる。VASPml を入れてビルドすると、Fortran のコードと VASPml の両方が持つ機能では VASPml が既定で使われ、INCAR の ML_LIB=.FALSE. で Fortran のコードに戻せる⁴。

ML_TYPE=grace は、外部の汎用力場を VASP の入力と手順のまま動かす

逆向きの経路は、VASP の外で作られた力場を VASP に入れる。汎用力場（universal MLIP）は、多様な材料のデータセットで事前に学習し、すぐ使える力場として、また個別の系へ調整する土台として提供される機械学習力場である⁶。VASP 6.6.0 は、INCAR の ML_TYPE に kernel・vasp・grace の三つの値を置いた。kernel と vasp は VASP 本来の力場を指し、grace は GRACE の力場を指す⁷。

GRACE は、ルール大学ボーフムの ICAMS が開発する機械学習力場である。README によれば、GRACE の学習用ソフトウェアは PACEmaker を大きく改変し、大部分を書き直したソフトウェアである⁸。手法の論文は 2023 年に arXiv に出て、2024 年に Physical Review X に掲載された⁹⁸。GitHub のリポジトリは 2024 年 9 月に作られ、2026-10-08 時点で 106 のスターを持つ⁸。

VASP の文書によれば、学習済みの GRACE の力場は、予測専用モード（ML_MODE=run）を使うほぼ全ての VASP の計算を駆動できる。分子動力学、IBRION で選ぶ構造最適化、高度なサンプリング手法が含まれる¹⁰。利用者は、VASP を VASPml と GRACE への対応を付けてビルドし、tensorpotential という Python パッケージでモデルを取得し、INCAR で ML_TYPE=grace と ML_GRACE_MODEL を指定する¹⁰。tensorpotential はモデルの取得に使うだけで、VASP の実行には要らない¹⁰。文書が挙げるモデルの一つ GRACE-2L-OMAT は、OMat24 データセットで学習した 2 層のモデルである¹⁰。GRACE の経路は、VASP の文書が実験的と明記する VASPml を前提にする¹⁰¹¹。GRACE の予測は、GPU があれば自動でそこへ移される¹⁰。VASP 本来の予測専用の実行が MPI だけで並列化し GPU を使えないのに対し、GRACE の実行は GPU を使い MPI を使えない。

VASP の文書は、外部の力場として GRACE を選んだ理由を書いていない。

GRACE のモデルは 0.6.0 より前から LAMMPS と Python のツール（ASE）で動いており、作り手は 2026 年 2 月の論文で両方の上で計算の速さを測っている¹²。tensorpotential 0.6.0（2026年7月）は、GRACE のモデルを LAMMPS の速い Kokkos 版の pair style へ書き出せるようにし、原子ごとの不確かさの値（gamma）を出せるようにした⁸。README は、この値が外挿を示し、信頼できない領域を見つけることと能動学習に役立つと書き、LAMMPS の実行中にも使えると書く⁸。能動学習とは、モデルが不確かな構造を選んで参照計算を足し、学習し直す方式を指す。0.6.0 が GRACE に足したのは新しい計算コードではなく、LAMMPS の中の速い経路と、その実行中に使える不確かさの値である。

GRACE の経路では、誤差の指標を VASP の計算の中で見られない

GRACE を ML_TYPE=grace で使えるのは ML_MODE=run のときだけである⁷。予測専用の実行は第一原理計算を呼ばない³。予測専用で第一原理計算を呼ばない点は、VASP 本来の力場の本番計算（ML_MODE=run）も同じである³。違いは、実行中に見られる指標の有無にある。VASP 本来の本番計算は、スピリング係数という誤差の指標を ML_LOGFILE に出せ、VASP はこれを監視するときは Fortran のコードを使うよう勧める¹¹。VASP の GRACE の文書は、GRACE の不確かさの値を VASP の計算の中で使う方法に触れていない¹⁰。GRACE の経路は VASPml を通るので（ML_LIB=.TRUE.）、VASPml が持たない ML_LOGFILE などのファイル出力は、二つのページを合わせて読む限りこの経路でも得られない¹⁰¹¹。

汎用力場には、系統的な誤差の報告がある。Deng らは、三つの汎用力場 M3GNet・CHGNet・MACE-MP-0 で、ポテンシャルエネルギー面（原子の配置に対するエネルギーの形）の軟化を報告した⁶。軟化とは、表面、欠陥、固溶体のエネルギー、フォノン、イオンの移動障壁、高エネルギーの状態で、エネルギーと力を一貫して低く予測する傾向を指す⁶。論文は原因を主に、事前学習のデータが平衡に近い配置に偏ることに求める。少ないデータでのファインチューニングで軟化を和らげられ、特定の化学系では一つの第一原理計算の値から作る線形の補正で軟化の多くを除けたと書く⁶。ファインチューニングとは、事前に学習したモデルを、対象の系の少量のデータで学習し直すことである。論文が測ったのは三つのモデルで、GRACE は含まれない。GRACE の作り手は、GRACE-2L-OMAT などの学習に使った OMat24 が平衡に近い構造を超え、原子をずらした構造や第一原理分子動力学の配置を含むと書く¹²。同じ論文は粒界・表面・点欠陥の形成エネルギーで GRACE を含む汎用力場を比べ、点欠陥の平均絶対誤差は多くのモデルで格子間原子 0.2〜0.4 eV、空孔 0.1〜0.2 eV ほどと書く¹²。本稿は GRACE が同じ傾向を示すかを示す資料を持たず、GRACE を含め、どの力場も実行していない。

それでも、汎用力場の誤差が系や性質によって偏りうることは、利用者が自分の系で予測を第一原理計算と比べる理由になる。予測専用の経路は、予測と第一原理計算の比較を実行の中で行わないので、利用者が構造を選んで別に計算する。

版の組み合わせと実験段階は一時的で、ライセンスと系ごとの検証は利用者が負い続ける

版の組み合わせの問題は一時的と判定する。VASP 6.6.0 は、tensorpotential 0.5.8 以降のモデルを読めない（既知の問題 95）¹⁰。6.6.0 では 0.5.7 のモデルを使い、metadata.json を自分で作る必要がある¹⁰。文書は、この問題が 6.6.1 で解決し、0.5.9 と 0.6.0 で試したと書く¹⁰。tensorpotential は 2026年9月に 0.6.1 を出し、不確かさの値に関わる不具合を直すために、配布する基盤モデルを作り直した⁸。VASP の文書は 0.6.0 を入れる手順を示し、0.6.1 の確認は無い¹⁰。ただし、VASP と GRACE は別々に版を出すので、両者の版を合わせる作業そのものは、組み合わせ方によって今後も起こりうる。

MPI の並列化は現時点で使えず、対応の時期は文書に書かれていないので、本稿は一時的とも恒久とも判定しない¹⁰。予測専用に限られる点は、資料からは判定できない。ML_TYPE の文書は GRACE を run に限ると書くだけで、学習や不確かさによる確認を加える予定を書いていない⁷。この制限が続く限り、第一原理計算による確かめは実行の外に残る。

VASPml の実験段階は、作り手自身が一時的と位置づける。文書は、VASPml を実験的な機能とし、結果を Fortran のコードと注意して比べるよう求め、VASPml が安定と見なせるまで既知の不具合を同じページに集めると書く¹¹。LAMMPS 連携のページも、同じ理由で結果を注意して確かめ、可能なら同様の VASP の分子動力学と比べるよう求める⁵。機械学習関連のファイル出力（ML_LOGFILE など）、熱力学積分、熱流束の計算は、開発中のためまだ使えない機能として挙がる¹¹。文書は、VASP の中の高速予測モードでは VASPml を使っても現時点で速さは上がらないとも書く¹¹。LAMMPS へのパッチは VASP の版ごとのブランチで配られ、本稿の資料はこれを LAMMPS 本体に入れる予定を書いていないので、VASP の版を上げるたびに LAMMPS をビルドし直す手間は資料の範囲では続く⁵。

モデルのライセンスは、VASP の更新では消えない条件である。VASP の文書が示すモデル一覧の出力で、GRACE-2L-OMAT に Academic Software License が表示される¹⁰。他のモデルのライセンスは資料に無く、モデルごとに確かめる必要がある。本稿はライセンスの本文を読んでいないので、利用者は自分の使い方が条件に合うかを確かめる。系ごとの検証も恒久と判定する。汎用力場の誤差の傾向はモデルと系で異なりうるので、検証の仕事は版の更新で利用者から離れない。

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。