生成モデリングによりクーロン爆発イメージングから分子構造を復元する

分子の動きをリアルタイムで観る

化学者は長年、分子がねじれ、分解し、新しい結合を作る様子を撮影することを夢見てきました。それは単なる好奇心を満たすだけでなく、原子が自然な超高速の時間スケールでどのように再配列するかを明らかにすることで、より効率的な医薬品、触媒、材料の設計に役立つ可能性があります。本稿は、強力な人工知能を用いて、激しい測定（分子を強いX線パルスで吹き飛ばす）から元の形状の明瞭な三次元画像を得る新しい方法を報告します。

形を見るために分子を吹き飛ばす

クーロン爆発イメージングと呼ばれる手法は、単純だが劇的な発想に基づいています：瞬時に分子から多くの電子をはぎ取り、陽性に帯電した原子同士が反発して飛び散るようにする。強力なフェムト秒レーザーやX線パルスを用いてこの爆発を誘起し、各イオンフラグメントが検出器に当たる位置と速度を記録します。これらの運動量は、爆発直前に原子がどのように配列していたかに関する情報を符号化しています。理論的には、この爆発の物理を完全に解ければ、飛び出したフラグメントから元の分子構造を逆算できます。しかし実際には、多体量子力学的ダイナミクスが余りに複雑で、従来の反復的復元で繰り返しシミュレーションするには時間がかかるため、特に数個以上の原子を持つ分子では極めて難しい逆問題です。

爆発を読み取るようニューラルネットを教える

このボトルネックを克服するために、著者らはMOLEXAと呼ばれる、計測されたイオン運動量から分子ジオメトリを推定するために特化した生成ニューラルネットワークを導入します。MOLEXAは、言語や画像生成のために生まれた現代の深層学習ツールを基盤にしています：カスタムの「メモリ」機構を備えたトランスフォーマーアーキテクチャと、原子位置のノイズの多い初期推定から徐々に精緻化する拡散過程です。ネットワークはクーロン爆発イベントから得られるすべてのイオンの種類、電荷状態、三次元運動量を入力として受け取り、空間内の原子配列を出力します。事実上、運動量空間から実空間への直接の近道を学習するわけです。

データのジレンマを克服する

この種のモデルを訓練するには、出てくるフラグメントと元の分子構造の両方が既知の多数の爆発例が必要です。しかし、X線誘起クーロン爆発の高精度シミュレーションは計算負荷が非常に高く、生成可能なデータセットは限られます。そこで著者らは二段階の戦略を採用します。まず、計算が速いが近似的な単純化された古典的爆発モデルで生成した非常に大きな合成データセットでMOLEXAを訓練します。次に、詳細な電子過程を含む第一原理シミュレーションで作成した、はるかに小さいが高精度なデータセットで同じネットワークをファインチューニングします。この段階的アプローチにより、小さく正確なセットのみで訓練した場合に比べて典型的な構造予測誤差が半減し、最大7原子の分子で平均絶対位置誤差を1原子単位未満（典型的な化学結合長のおよそ半分）にまで抑え、8〜9原子系でもわずかに悪化するにとどまります。

精度の確認と信頼できる時の見きわめ

研究者らは数千のシミュレートされた分子でMOLEXAを体系的にテストし、全体的な形状を再構築するだけでなく、妥当な結合長や角度を与えることを確認しました。単純な二原子分子に対しては、運動エネルギー放出のみに基づく古典的復元式を上回る性能を示します。重要なのは、ネットワークが不確かさ推定モジュールを備えている点です：各予測原子座標とともに、誤差がどの程度になりそうかを内部的に見積もって出力します。多くのテストケースにわたり、予測された不確かさが高いほど実際の誤差も大きくなる相関が強く見られ、実験利用者にとって実用的な信頼度の指標となります。モデルは同じ入力に対して複数の再構築を生成することもでき、そのばらつきが独立した不確かさの尺度を提供します。

静止スナップショットから反応ムービーへ

MOLEXAが実データで機能することを示すため、チームはヨーロッパX線自由電子レーザーからのクーロン爆発測定（例：水、四フッ化炭素、エタノール）に適用しました。分子固有の調整を行わず、測定されたイオン運動量のみを用いて、ネットワークは信頼できる参照ジオメトリと良く一致する平衡構造を再構築しました。さらに、理想化された運動量入力を与えることで、シクロブテンの環開裂というモデル反応経路に沿った異なる構造配列（環の破断やプロトン移動を含む）を捉えられることを示しました。現在の実験では多くの場合多数の量子状態や幾何学の平均化が行われますが、これらの寄与をよりよく分離できる将来の時間分解測定では、MOLEXAを用いて分子反応のフレームごとの「ムービー」を組み立てられる可能性があります。

なぜこの進展が重要か

この研究は、従来の方法では手に負えなかった長年の高度に非線形な逆問題を生成AIが解けることを示しています。爆発が構造をどのように符号化するかを現実的なシミュレーションから学ぶことで、MOLEXAはこれまで逆にすることが難しいと考えられていたデータから三次元の分子形状とその時間的変化を抽出可能にします。この手法は汎用的で、詳細な物理モデルは存在するが復元アルゴリズムに直接組み込むには高コストである他の問題にも、同様の二段階学習が有効となり得ます。より大きな分子や部分検出のシナリオに拡張できれば、クーロン爆発イメージングを現実空間・現実時間で化学反応を観察するための日常的なツールに変える可能性があります。

引用: Li, X., Jahnke, T., Boll, R. et al. Generative modeling enables molecular structure retrieval from Coulomb explosion imaging. Nat Commun 17, 3430 (2026). https://doi.org/10.1038/s41467-026-70160-5

キーワード: クーロン爆発イメージング, 分子構造復元, 生成ニューラルネットワーク, 超高速X線科学, 物理における逆問題