レプリカ交換ネスト付きサンプリングを用いた第一原理相図のための能動学習ポテンシャル

将来の材料にとってなぜ重要か

より高速なコンピュータチップから頑丈な航空機部品まで、多くの現代技術は、材料が加熱や圧力でどのように変化するかを知ることに依存しています。これらの変化は相転移と呼ばれ、どの条件下でどの相が安定かを示す相図にまとめられます。本研究は人工知能を用いて、量子力学的計算から直接こうした地図を自動的に描く新しい手法を紹介します。これによりコストを大幅に削減しつつ高い精度を維持できます。

推測に頼らない材料の地図化

従来、第一原理から相図を作る作業は、暗闇の中で険しい地形を踏破するようなものでした：重要な谷や峠がどこにあるかをあらかじめ予想しておく必要がありました。多くの標準的手法は、研究者が探るべき結晶構造や「経路」に関する強い事前知識を入力して初めて機能します。著者らは代わりにネスト付きサンプリングという手法を用いており、どの相が現れるかを仮定することなく材料の全エネルギーランドスケープを系統的に走査します。そのランドスケープの異なる領域がどれだけ到達可能かを追跡することで、ネスト付きサンプリングは単一の掃引で広い温度範囲にわたる熱力学的性質や相変化を再現できます。

モデルに学ぶべきことを選ばせる

最も賢い探索法であっても、原子間相互作用の良い記述が必要です。直接的な量子力学計算（密度汎関数理論）は精度が高い一方で、何百万回、何十億回と評価するには高コストです。研究チームはこれに対して、量子力学的な力を模倣する高速モデルである機械学習型原子間ポテンシャルを訓練することで対処します。問題は、こうしたモデルは十分な事例を見た領域でしか信頼できない点です。そこで著者らは能動学習ループを構築しました：機械学習モデルがネスト付きサンプリングのシミュレーションを実行し、不確かさの高い構成を検知して、慎重に選ばれたその部分集合についてのみ高精度の量子計算を要求します。得られた新しいデータはモデルにフィードバックされ、相図にとって重要な領域での信頼性が向上します。

シリコン、ゲルマニウム、チタンを探る新しいエンジン

研究者らは、このアプローチを三つの重要元素で試験しました：よく知られた半導体であるシリコンとゲルマニウム、そして広く使われる構造金属であるチタンです。彼らは既知の結晶構造や単純な歪みから作った控えめな初期データベースから開始し、液体や多くの高エネルギー配列は意図的に除外しました。レプリカ交換ネスト付きサンプリング（異なる圧力で複数のネスト付きサンプリングを走らせ、それらが構成を交換できる）はその後、材料のエネルギーランドスケープを探索しました。各探索ラウンドの後、アルゴリズムは数百の代表的な原子配置を自動的に選択しました。これらはニューラルネットワーク委員会内で力の予測が最も不一致なものに重みを置いて選ばれました。選ばれた構成は高精度量子法（r2SCAN）で再計算され、次ラウンドを開始する前にポテンシャルの再訓練に使われました。

雑音の多い出発から信頼できる相図へ

約10〜15回の学習サイクルを経て、特に原子運動を支配する力の不確かさが着実に縮小しました。同時にネスト付きサンプリングの軌跡は相図の馴染みある輪郭を明らかにし始めました。シリコンについては、既知の低圧ダイヤモンド構造、高圧の六方相、および温度と圧力に伴う特徴的な融解挙動を再現し、実験や以前のシミュレーションと良い一致を示しました。ゲルマニウムも同様のパターンを示し、低圧のダイヤモンド様相が高圧の金属性相へ移ることが確認されましたが、遷移圧は選択した量子近似のために幾分ずれました。チタンはより手強い試験でした：その相は金属性で構造が類似しており、エネルギー差が小さいため区別が難しいです。それでも能動学習の戦略は固体相の列と融解線を捉え、放射状分布関数など追加の検査が予測された構造の同定を裏付けました。

新材料設計にとっての意味

平たく言えば、この研究はコンピュータが幅広い温度と圧力にわたって材料がどのように振る舞うかを自ら学べることを示しています。必要なときだけ量子力学的な“オラクル”に問いを投げます。レプリカ交換ネスト付きサンプリングのエンジンは広範かつ偏りのない探索を保証し、能動学習ループは熱力学的に重要な箇所で機械学習ポテンシャルの精度を担保します。現状の研究は三元素と一つの量子手法に焦点を当てていますが、この枠組みは一般的で、より進んだ電子理論や強力なニューラルネットワークと組み合わせたり、複雑な合金や化合物に拡張したりできます。計算資源とアルゴリズムが進歩すれば、この種の自律ワークフローは相図予測や特性を目標にした新材料探索の標準ツールになる可能性があります。

引用: Unglert, N., Ketter, M. & Madsen, G.K.H. Active learning potentials for first-principles phase diagrams using replica-exchange nested sampling. npj Comput Mater 12, 107 (2026). https://doi.org/10.1038/s41524-026-01989-z

キーワード: 材料相図, 能動学習, 機械学習ポテンシャル, ネスト付きサンプリング, シリコン ゲルマニウム チタン