ユニバーサルな機械学習原子間ポテンシャルのためのクロスドメイン転移の最適化

実材料のためのより賢いシミュレーション

新しい電池、触媒、電子材料の設計は、原子の運動を追うコンピュータシミュレーションにますます依存しています。量子力学に基づく最も信頼できるシミュレーションは非常に高精度ですが、何百万もの候補材料を探索するには著しく遅すぎます。より高速な機械学習モデルは量子計算を模倣できますが、多くは狭い状況でしか機能しません。たとえば結晶だけ、分子だけといった具合です。本論文は、金属表面や分子性液体から多孔質フレームワークまで多様な材料に対して高精度を保ちつつ、大規模探索に十分な速さで動作する一つの汎用モデル「SevenNet‑Omni」を構築する方法を提案します。

なぜ現在の原子モデルは他領域に移れないのか

現在の機械学習原子間ポテンシャルは、通常、単一の精選されたデータベースで訓練されます：無機結晶向けのもの、医薬に近い分子向けのもの、触媒表面向けのものなど。それぞれのデータベースは独自の量子化学設定で構築されるため、基底となるエネルギーランドスケープは微妙かつ非線形に異なります。これらのデータを単純に寄せ集め（エネルギーのシフトやスケーリングなど）すると雑音が入り、各ドメインには良く適合しても、馴染みのない化学系やわずかに異なる量子計算法に対しては失敗するモデルが生まれます。分子が溶液中の固体表面で反応するような、ドメインが混ざる材料問題が増えるにつれ、この転移性の欠如は深刻なボトルネックになっています。

共有される骨格と穏やかな特化

著者らは、各データベースを単一のマルチタスクニューラルネットワーク内の個別「タスク」として扱うことでこれに対処します。モデル内部では、一組のパラメータが共有バックボーンを形成し、原子結合の一般則を捉え、より小さなタスク固有のパラメータが特定データセット向けに振る舞いを微調整します。数学的解析は、タスク固有部分が大きくなりすぎると、モデルは各データベースを丸暗記して汎化能力を失うことを示します。これを防ぐために著者らは選択的正則化を適用します：タスク固有の大きなパラメータを直接抑制しつつ、共有バックボーンは必要に応じて成長させます。これによりネットワークは可能な限り共通の物理で説明し、各ドメインには控えめな補正だけを使うよう促されます。

少数の鍵となる例で遠く離れた世界をつなぐ

正則化を行っても、化学空間のいくつかの領域はある一つのデータベースにしか現れず、共有バックボーンはそこへ向けた指針を得られません。これを解決するために研究チームは「ドメイン・ブリッジングセット」を導入します。彼らは複数のデータベースから設定された構成のごく一部（約千分の一程度）を注意深く選び、共通の量子力学的設定で再計算します。これらの橋渡し構造は語学教材のバイリンガル例のように機能し、異なる量子手法が同じ原子配置をどのように記述するかを直接つなぎます。訓練に含めると、タスク間の結びつきを強く引き締め、全てを総当たりで再計算する必要なくエネルギーランドスケープを整合させます。体系的なテストは、正則化とブリッジングセットが互いに補強し合い、単独では得られない性能向上をもたらすことを示しています。

汎用の原子エンジンの構築と評価

これらの考えに基づき、著者らはSevenNet‑Omniを分子、結晶、触媒、金属有機フレームワーク、複数の量子理論レベルを含む約242百万の原子構造を含む15の公開データセットで訓練しました。ついで、結晶の安定性、金属の粒界、鋼中の欠陥、医薬に類する分子のねじれ障壁、ハイブリッド有機–無機ペロブスカイト、多孔質フレームワークにおけるCO2回収に関連する吸着、金属表面での水素・二酸化炭素変換に関わる反応など、馴染みのある場面と挑戦的な場面の双方でベンチマークを行いました。これらのテスト全体で、SevenNet‑Omniはしばしば単一ドメイン向けに訓練された専門モデルに匹敵または上回り、多くの反応エネルギーや吸着エネルギーで「化学的精度」を維持しました。また、高価な量子法（r²SCAN）の結果を、より安価で豊富なデータとの関係を学習することで正確に再現しました。

新材料探索にとっての意味

非専門家向けの要点は、SevenNet‑Omniが多くのサブ分野で働いてきた熟練研究者のように振る舞うということです。狭い問題に過剰適合する代わりに、幅広い化学原理を学び、新しい状況に柔軟に適用します。多孔質固体でのガス捕捉から金属電極上の反応まで応用可能です。本研究は、データセット間で情報を慎重に共有しつつ違いを軽く制約し、量子手法間の「翻訳」例を少数追加することでこれが可能になることを示しました。より大きく多様なデータベースが増え続けるにつれて、この訓練戦略は化学、物理、材料科学全域で発見を加速する、真にユニバーサルで信頼できる原子モデルへ向かうスケーラブルな道を提供します。

引用: Kim, J., You, J., Park, Y. et al. Optimizing cross-domain transfer for universal machine learning interatomic potentials. Nat Commun 17, 3432 (2026). https://doi.org/10.1038/s41467-026-70195-8

キーワード: 機械学習原子間ポテンシャル, マルチドメイン材料モデリング, 転移学習, ユニバーサル原子ポテンシャル, 材料探索