機械学習ポテンシャルと転移学習回帰による機能性材料の高精度スクリーニング：フイスラー合金ベンチマーク

なぜ材料探索を速めることが重要か

電気自動車からデータセンターに至るまで、現代の技術は特定の役割に合わせて内部構造が精密に調整された特殊材料に依存しています。フイスラー合金と呼ばれる重要な一群は、センサーやメモリーデバイス、スピントロニクス向けの強力で軽量な磁石として機能し得ます。しかし、安定性と磁気特性の望ましい組み合わせを持つ希少な組成を見つける作業は非常に遅く進んできました。なぜなら各候補は通常、重い量子力学的計算を要するからです。本論文は、高度な機械学習モデルがその作業の大部分を引き受け、数十万件の候補をふるいにかけて、従来よりはるかに速く有望な材料を浮かび上がらせられることを示します。

広大な合金の地図を探索する

著者らは、金属元素と主族元素を規則的な結晶構造で組み合わせた、構造的に豊かな材料群であるフイスラー化合物に焦点を当てます。以前の量子計算を用いた探索では、より単純な3元素系を既に調べており、厳しい安定性と強い磁気指向性の両方を満たすものは約0.5パーセントに過ぎないことが分かっていました。本研究では、探索範囲をより複雑な4元素混合物や遷移金属のみからなる系まで大幅に拡げ、23万以上の異なる化学組成を作成して検討しました。このような巨大な設計空間を従来手法のみで探索するのは計算的に圧倒されます。

重い計算の代わりとなる機械学習

この複雑さに対処するため、研究者たちは機械学習モデルが通常は量子計算が担うステップを模倣する「ハイスループット」ワークフローを構築します。ひとつのモデル種である普遍的原子間ポテンシャルは、多数の既知の例から結晶のエネルギーを学習し、初期構造を素早く最安定形へと緩和させることができます。別の一連のモデル（回帰器）は、これらの緩和済み構造を取り、重要な特性を予測します：原子の振動が安定か、材料が磁性を持つか、磁性を失うまでの温度、磁化が特定の方向を好む強さなど。これらのモデルを連鎖させることで、著者らは各候補を数時間ではなく数分の一の秒でスクリーニングできます。

転移学習による知識の借用

特性予測モデルの学習方法が中心的な革新です。比較的少量のフイスラー系データセットでゼロから始めるのではなく、著者らは周期表の広範囲を含む数千万の原子環境で事前学習された強力なポテンシャルから出発します。モデルの初期層には既に原子間相互作用の一般的な規則が符号化されているため、それらを「固定」し、最終層だけを磁気や振動特性を出力するよう再学習します。この転移学習戦略は精度を向上させるだけでなく、訓練時に見ていない元素や組み合わせを含む合金にもモデルを対応させます。訓練から特定の元素群を丸ごと除外するテストでは、この借用した知識が見慣れない化学系での性能を大幅に高めることが示されました。

希少な磁性材料を見つけ、慎重に検証する

全候補に機械学習パイプラインを適用した結果、チームは熱力学的に安定で、強い磁気異方性と堅牢な磁気秩序および振動安定性を兼ね備えた334件の4元素フイスラー合金と924件の全金属フイスラーを特定しました。近道が信頼に足るかを確認するため、選ばれた各候補に対して完全な量子力学的計算を実行しました。ほとんどのスクリーニング基準で、機械学習で選ばれた材料の約80〜99パーセントがより精密な検査に合格し、モデルが速いだけでなく極めて高精度であることを示しています。研究はまた、いくつかの競合する機械学習ポテンシャルや古いグラフベースのモデルと比較し、最新の滑らかで表現力のあるポテンシャルと転移学習された回帰器の組合せが速度と信頼性の点で群を抜いて優れていることを見出しました。

磁石を超えて発見を加速する

ここで明らかにされた新しいフイスラー磁石の具体的なリストを超えて、本研究の広い主張は、機械学習モデルが標準的なスクリーニング・パイプラインの多くの段階でコストのかかる量子計算の代替になり得るということです。著者らは、同じ化学空間を純粋に量子計算で調査するなら、本稿のハイブリッド手法より桁違いに多くの計算時間を要すると見積もっています（実験作業を始める前の段階でさえ）。機械学習モデルを構造緩和と特性評価の代替として導入し、高品質な新データが得られるたびにそれらを改良していけば、磁石や熱電材料、電池などの機能性材料についてはるかに大きな設計空間を探索できます。実際的には、将来の技術に必要な稀で最良の材料を、より早く、はるかに低い計算コストで見つけられることを意味します。

引用: Xiao, E., Tadano, T. Accurate screening of functional materials with machine-learning potential and transfer-learned regressions: Heusler alloy benchmark. npj Comput Mater 12, 133 (2026). https://doi.org/10.1038/s41524-026-02013-0

キーワード: 機械学習原子間ポテンシャル, フイスラー合金, ハイスループットスクリーニング, 磁気異方性, 材料探索