主要成果
Xiwen Li氏、Hongjun Xiang氏らの研究チームは、結晶材料の電荷密度を極めて効率的に予測する機械学習フレームワーク「Equivariant Density Graph Neural Network（EdenGNN）」を開発しました。このモデルは、既存の汎用的な電荷密度予測アプローチと比較して、計算速度を1桁以上（over an order of magnitude）向上させています。本成果はNature Machine Intelligence誌に掲載されました。
技術・詳細
EdenGNNは、電荷密度とオーグメンテーション占有率（augmentation occupancies）の両方を予測します。これにより、プロジェクター拡張波（projector augmented-wave）精度での電子構造計算が可能になります。効率化を実現した技術的なポイントは以下の2点です。
- 完全に学習可能な放射基底関数（radial basis functions）を使用した基底展開定式化の採用。
- 電荷移動を正確に捉えるためのΔ-learning戦略の導入。
汎用性を検証するため、研究チームはMaterials Projectデータベースを用いてユニバーサル版の「EdenGNN-Uni」をトレーニングしました。このモデルは周期表全域の非磁性構造をカバーしており、未知の材料に対しても広範な化学空間においてバンド構造を正確に予測できることが示されました。また、GNoMEデータベースから抽出した代表的なテスト構造を用いてDFT（密度汎関数理論）計算と比較したところ、予測されたバンド構造は良好に一致し、汎用的な機械学習ハミルトニアン手法よりも堅牢性が高いことが報告されています。
背景・業界の文脈
材料の電子構造を計算する標準的な手法である密度汎関数理論（DFT）は、その中心に電荷密度の計算を据えています。しかし、DFT計算は計算コストが非常に高く、これまでも汎用的な予測を目指した機械学習モデルが開発されてきましたが、それら自体が膨大な計算コストを必要とするという課題がありました。EdenGNNは、この計算コストのボトルネックを解消するために設計されました。
今後の展望
著者らは、今回の結果によって機械学習による電荷密度モデルが、スケーラブルな第一原理（ab initio）手法として確立されたと主張しています。これにより、材料探索における大規模な電子構造計算やハイスループットスクリーニングがより現実的なものになると見られています。なお、本モデルの性能はトレーニングデータに依存しており、報告されたユニバーサルモデルは非磁性構造に適用されるものであるとしています。
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
