高圧高温条件下の地球物質に適用できるMg–Al–Si–O系の汎用機械学習原子間ポテンシャル

地球の隠れた中心をのぞく

足元の深部では、マグネシウム、アルミニウム、ケイ素、酸素からなる岩石が、火山噴火からプレートテクトニクスに至るまであらゆる現象を形作っています。しかし地球内部の極端な圧力と温度のため、これらの物質を実験室で直接調べることはほとんど不可能です。本論文は、こうした鉱物の振る舞いを模擬する新しい計算手法を示しており、コストの高い量子計算と単純化の過ぎる従来モデルの間をつなぐために最新の人工知能を活用しています。

深部岩石のシミュレーションが難しい理由

地球マントルは主にマグネシウム、アルミニウム、ケイ素、酸素から成る鉱物で支配されています。それらの安定性や融解挙動は、岩石がどれだけ硬いか流動的か、プレートがマントルに沈み込む様子、地震や弾性波速度の急変がどこで起きるかを支配します。研究者は、ある深度と温度でどの鉱物が安定かを示す相図に依拠してこれらの過程を理解します。数百キロメートルの深さでの実験は非常に困難なため、科学者は計算機シミュレーションに頼ります。古典的なモデルは高速ですがしばしば鉱物の転移を誤り、より正確な量子力学的手法は地球科学者が扱う大規模で複雑な系には遅すぎます。

原子のルールをニューラルネットワークに教える

著者らはこのボトルネックに対処するため、Mg–Al–Si–O系の機械学習「原子間ポテンシャル」を構築しました。本質的には、深いニューラルネットワークに多様な構造の大規模なライブラリを学習させ、原子間の引力・斥力を予測させます。これらの例は、幅広い圧力、温度、および鉱物・溶融種をカバーする信頼性の高い量子計算手法（r2SCANと呼ばれる）を用いて生成されました。さらに重要な小さなエネルギー差—どの鉱物が安定かを決める微妙な差—における精度を高めるため、信頼できる熱力学データベースに対して調整された単純な二体ガウス補正を加えています。このハイブリッド手法により、20種の代表的なマントル鉱物の平均エネルギー誤差は約5キロジュール毎モルから約1キロジュール毎モル強にまで低減し、体積にはほとんど影響を与えませんでした。

モデルを実際の相図と照合する

この改良されたポテンシャルを用いて、研究チームは純粋な二酸化ケイ素、アルミノケイ酸塩、およびフォースター石、ワズリー石、リングウッド石など主要なマントル鉱物を含むマグネシウムケイ酸塩組成を横断する重要な構成系の相図を計算しました。熱力学的積分と物理化学の標準的な関係式を用いて、ある相が別の相や溶融へ移る境界をたどります。予測された相図は実験結果とよく一致し、訓練データに明示的に含まれていなかった二酸化ケイ素の高圧転移も捉えていました。フォースター石とワズリー石の境界に見られるわずかなずれなどの差異は、数キロジュール毎モル程度の残存エネルギー不確かさに起因しており、これは数百度あるいは数分の一ギガパスカルの誤差に相当します。

界面と原子配列の新たな視点

機械学習で得られたモデルは大規模系に対しても十分に高速かつ高精度なので、実験ではほとんどアクセス不能な性質を探索できます。例として、温度上昇に伴って鉱物シリマナイト内でアルミニウムとケイ素の原子がどのように再配置されるかを、ポテンシャルとモンテカルロ法を組み合わせて調べています。もう一つは、代表的な二つの鉱物—ペリクレース（MgO）とフォースター石（オリビンの一形態）—についての固相結晶と溶融岩石の境界の自由エネルギーです。高度なサンプリング手法を用いて、これらの界面は比較的低い異方性、すなわち晶面間の表面エネルギー差が小さいことを示しており、ペリクレースで約6％、フォースター石で約12％でした。また、不均等応力が低温石英から高温形へのよく知られた転移に与える影響を調べ、典型的な地質学的な微分応力の程度ではその転移はわずかにしかシフトしないことを示しました。

我々の惑星理解にとっての意義

非専門家向けに言えば、本研究の要点は、著者らが深部地球物質のための強力な“デジタル実験室”を作り出したということです。彼らの機械学習モデルは既知の鉱物境界を再現できるだけでなく、極端条件下での溶融、界面、原子配列の微妙な性質を推定して現状の実験を超えて踏み込むことができます。これにより、マントルの流動、融解、地震構造のより現実的なシミュレーションが可能となり、原子レベルの振る舞いと地球内部の大規模な働きとを結びつける手助けとなります。

引用: Zhong, X., Li, Y. & John, T. A general purposed machine learning interatomic potential for Mg-Al-Si-O system suitable for Earth materials at high pressure and temperature conditions. npj Comput Mater 12, 141 (2026). https://doi.org/10.1038/s41524-026-02056-3

キーワード: 地球マントル物質, 機械学習ポテンシャル, 分子動力学, 相図, 固–溶融界面