同変グラフニューラルネットワークを用いたテンソルスペクトルの高精度予測

この研究が次世代機器にとって重要な理由

スマートフォンや太陽電池からセンサーやレーザーに至るまで、多くの現代的なデバイスは材料が光を屈折、吸収、透過する性質に依存しています。これらの光学的挙動はしばしば方向依存性が強く、結晶は入射角や偏光によって大きく異なる反応を示します。こうした複雑な光―物質相互作用を正確に計算するには通常非常に時間がかかり、より優れた材料の探索を遅らせます。本研究は、こうした豊かな光学応答をはるかに高速に予測できる機械学習ツールを紹介し、次世代のオプトエレクトロニクス設計の速度を高める可能性を示します。

結晶をネットワークとして見る

著者らは、単一の数値ではなくテンソルで表すのが適切な光学特性に着目しています。テンソルは材料が異なる方向の光にどのように応答するかを捉える数学的対象です。新しい材料ごとに重い量子力学計算を行う代わりに、彼らはTensorial Spectra Equivariant Neural Network（TSENN）と呼ぶモデルを構築しました。TSENNは各結晶をグラフとして扱います：原子がノード、原子間の結合や近接相互作用がエッジです。このグラフは、回転や反射など三次元空間の対称性を尊重するように設計された特殊なニューラルネットワークで処理され、入力結晶を回転させれば予測される光学応答も一貫して回転するようになっています。

光応答を単純な構成要素に分解する

方向依存の複雑さを扱うために、チームは光学テンソルを球面成分で書き直します。一部は等方的で、光との全体的な相互作用の強さを記述し、もう一方は異方的な特徴、つまりある軸に対して他よりも強く応答する度合いなどを捉えます。テンソルをこの二つのチャンネルに分離することで、TSENNは全体的な大きさと方向性の微妙な差異の両方を学習しつつ、結晶の対称性規則を厳密に守ることができます。モデルは、発光ダイオードや太陽電池などの技術で重要な幅広いバンドギャップを持つ1,432の半導体からのデータで訓練されており、多数の光子エネルギーにわたる光吸収の理解に不可欠なスペクトルを扱います。

多くの材料にわたる高速かつ高精度な予測

一度訓練されると、TSENNは周波数依存の完全な光学テンソルを驚くべき精度で予測します。詳細な第一原理計算との平均偏差は典型的な信号単位の約8分の1程度で、強い対角成分の応答と、より微妙な非対角成分や方向混合効果の両方を確実に再現します。また、各材料スペクトルの特徴的なフィンガープリント（電子の動きや光吸収を示すピークの位置や形状）も保持します。モデルは設計上対称性を尊重するため、高対称性結晶でどのテンソル成分が消えるべきか、あるいは例えばひずみを加えたときにどのように現れるかといった正しいパターンを自動的に復元します。

ひずみ下での対称性の追跡

予測が物理的にどれほど現実的かを検証するために、著者らは結晶を引き伸ばしたりせん断したりした場合の挙動をシミュレートしました。あるケースでは、完全に立方体の材料を一軸方向に伸ばしてやや対称性が低下した形に変形させます。TSENNの予測は光応答の方向差の期待される増大をほぼ線形に示し、追加の第一原理計算と密接に一致しました。別のケースでは結晶角の一つを傾けて新たな“オフ軸”の光応答が現れるようにしました。これらの新しい応答の強さは歪みの増加に伴って教科書的期待と一致する形で成長しました。これらのテストは、モデルが静的データに当てはまるだけでなく、現実的な構造変化の下で光学挙動がどのように進化するかを追跡できることを示しています。

スペクトルからデバイスに関わる量へ

TSENNは吸収に直接結びつく誘電テンソルの虚部で訓練されていますが、この量を非常に良く予測できるため、著者らは標準的な数理関係を用いて補完的な実部を再構成できます。これら二つを合わせることで、材料が光に対してどのように分極し吸収するかを完全に記述できます。そこから屈折率、吸収端、異方性の指標など、太陽電池、変調器、センサー、非線形光学デバイスの設計に重要な実用的量を導出できます。

材料探索にとっての意味

実用的には、この枠組みにより強力な計算クラスターで30分以上かかっていた計算が単一のグラフィックスカード上で約1秒で済む作業に変わります。この速度向上により、望ましい方向性光学特性を持つ候補材料の膨大なライブラリを一つずつ調べるのではなく、広くスキャンすることが現実的になります。テンソルを分解する一般的な方法に基づいて構築されているため、この手法は光学応答以外の方向性を持つ特性、たとえば応力下での変形や光による電流生成などにも拡張できます。専門外の読者にとっての主要な結論は、TSENNが対称性を意識した近道を提供し、結晶と光の相互作用を高速に予測することで、先進的なオプトエレクトロニクス向け材料の発見と最適化を大幅に加速する道を開くということです。

引用: Hsu, TW., Fang, Z., Bansil, A. et al. Accurate prediction of tensorial spectra using equivariant graph neural network. Nat Commun 17, 3330 (2026). https://doi.org/10.1038/s41467-026-69159-9

キーワード: 光学スペクトル, グラフニューラルネットワーク, 異方性材料, 誘電テンソル, 材料探索