主要成果
DiffGAは、凍結された（再学習不要な）拡散モデルのサンプリング軌跡に進化探索を注入することで、ユーザー定義の目的関数に向けて候補生成を誘導するフレームワークです。MatterGenをバックボーンとした3つの結晶設計タスクにおいて、拡散モデル単体、計算量を合わせた純粋な進化計算、およびファインチューニングを施したベースラインと比較して、安定性、ユニークさ、新規性を備えたヒット率において優れた性能を示しました。また、第一原理計算による再評価の結果、DiffGAが生成したトップヒットは物理的に現実的な構造であることが確認されています。
技術・詳細
本手法の核心は、部分的にデノイズされた状態（horizon states）を、任意のブラックボックスオラクル（評価関数）の下で進化させる点にあります。従来の拡散モデルによる誘導は、微分可能なスコアガイダンスに依存しており、勾配ノイズに弱く、多くの実用的ターゲットでは定義できないという課題がありました。DiffGAは再学習を必要とせず、選択・突然変異・組み換えといった遺伝的アルゴリズム（GA）の特性をサンプリングプロセスに統合することで、この問題を解決しています。
さらに、オラクルによる評価コストを削減するため、最新の機械学習力場（MLFF）の学習済み表現を再利用した「オンザフライ・ベイズ代理モデル」を導入しています。具体的には、キャンペーン中に力場のグラフ埋め込みに対してガウス過程を適合させ、不確実性を考慮した獲得関数に基づき、高コストな特性評価ステップを代理モデルに置き換えます。これにより、精度をほとんど損なうことなく、オラクルコストを大幅に削減することに成功しました。
背景・業界の文脈
材料設計における逆設計では、目的関数がシミュレーションや実験に依存するため、ブラックボックスであったり、微分不可能であったりすることが一般的です。従来の生成モデルで特定の物性を実現させるには、大量のラベル付きデータを用いた再学習やファインチューニングが必要であり、計算リソースの消費が激しいという課題がありました。また、遺伝的アルゴリズムはブラックボックススコアリングに強い一方で、構造的に不自然な候補を生成しやすく、厳格な構造制約や安定性スクリーニングが必要となる傾向がありました。
今後の展望
本研究では、密度汎関数理論（DFT）を用いてMLFFオラクル自体の忠実度を定量化し、代理モデル駆動の生成探索が信頼できる領域と、系統的なバイアスが生じる領域を明確に定義しました。これにより、どのタイミングでプロキシ（代理指標）を信頼すべきかの指針が示されました。サロゲート加速パイプラインがエンドツーエンドで忠実性を維持しつつ、低コストで動作することが実証されたため、今後の材料探索における効率的なワークフローとしての活用が期待されます。
元記事: https://arxiv.org/html/2610.14999v1
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
