主要成果
中国科学院などの研究チームは、異なるDFT計算手法の間で発生するエネルギー尺度の不整合を解消し、データを統合するグラフニューラルネットワーク(GNN)アプローチを開発しました。本手法を用いたGPTFFモデルは、従来のPBE(Perdew-Burke-Ernzerhof)によるエネルギー計算結果を、より高精度なr²SCAN(strongly constrained and appropriately normed)レベルの精度に変換することに成功しました。その際の平均絶対誤差(MAE)は14.3 meV/atomであり、比較対象となったCHGNetの18.2 meV/atomを上回る精度を実現しています。
技術・詳細
本研究では、MatPESデータベースから抽出した380,190件の構造的にペアリングされたPBEおよびr²SCANのエントリを活用し、構造を認識可能なグラフニューラルネットワークをトレーニングしました。このモデルは、異なる汎関数間で生じるエネルギーの残差(差分)を予測することで、不整合なエネルギー尺度を整合(アライン)させます。具体的には、以下のプロセスでデータのアップグレードを行います。
- 構造情報を保持したグラフベースの転移学習の適用
- GPTFFモデルアーキテクチャによる、PBEエネルギーからr²SCAN精度への変換
- クロス汎関数間のエネルギー残差の予測と補正
背景・業界の文脈
平面波実装などのDFT計算では、交換相関汎関数の選択、運動エネルギーカットオフ、擬ポテンシャル、分散補正などの設定によって、原子あたり数十から数百meVの系統的な形成エネルギー誤差が生じます。例えばMatPESデータセットの検証では、同一構造であってもPBEとr²SCANの間で平均107 meV/atomのエネルギー乖離があることが示されています。このような手法依存の不整合は、異なるソースから得られたDFTデータの統合を妨げる「データサイロ」の障壁となっており、堅牢な材料AIモデルを訓練するためのデータセットの規模と品質を制限する大きな要因となっていました。
今後の展望
この汎用的なアプローチにより、過去に蓄積された膨大なレガシーPBEデータセットを高精度なr²SCAN標準へと効率的にアップグレードすることが可能になります。これにより、相安定性、バッテリーの電圧プロファイル、反応熱力学などの信頼性の高い予測が可能になります。また、マルチソースのDFTデータを統合することで、高性能な材料基盤モデルの開発を加速させることが期待されます。
元記事: https://www.nature.com/articles/s41524-026-02366-6
毎週の技術動向レポートを無料でお届け
各分野の分析レポートを読む価値があるかどうか一目で判断できるインフォグラフィックをメールで受け取れます。
📢 メールマガジンに無料登録(週刊・技術動向レポート)
ご登録いただくと、Troy-Technical から週刊で技術動向レポート(メールマガジン)をお届けします。
- 取得したメールアドレス・選択分野は配信目的にのみ使用します。
- 第三者へ提供することはありません。
- 配信はいつでも解除できます(各メール下部のリンクから)。
詳しくはプライバシーポリシーをご覧ください。
登録は1分・いつでも解除できます



