機械学習ポテンシャルの開発

機械学習ポテンシャルは、与えられた結晶構造集合に基づく第一原理計算結果を活用し、機械学習技術を使って原子間の相互作用を推定する手法です。この技術では、結晶構造の隣接原子の配置を表す「構造特徴量」を定義し、ポテンシャルエネルギーとその特徴量との関係を、ガウス過程モデルやニューラルネットワークモデル、多項式モデルなどの機械学習アルゴリズムを用いて記述します。 機械学習ポテンシャルの最大の特徴は、従来の経験的ポテンシャルと比べて、第一原理計算に近い精度で原子間相互作用を予測できる点です。これにより、計算コストは抑えつつ、広範囲にわたる結晶構造探索や、精度の高い大規模な分子動力学計算が可能となります。 現在、機械学習ポテンシャルを活用した手法開発やその応用は、世界中で活発に行われており、私たちも手法開発に取り組んでいます。これにより、今まで実現が難しかった複雑な計算や新しい材料の発見が進んでおり、未来の技術革新に向けた重要な一歩となっています。

私たちが開発している機械学習ポテンシャルでは、球面調和関数に基づいた多項式回転不変量を用い、群論的手法で系統的に構造特徴量を生成しています。この方法により、結晶構造とポテンシャルエネルギーの関係を多項式で表現し、多くの結晶構造に対して第一原理計算を行い、その結果を基に線形回帰を使用してポテンシャルエネルギーモデルを推定します。カットオフ半径や構造特徴量の数、回転不変量の次数などを調整し、最適なポテンシャルを探索しています。 これらのポテンシャルは、京都大学の Polynomial Machine Learning Potential Repository で公開されており、予測された結晶構造に関する情報（凝集エネルギー、エネルギー体積曲線、フォノン状態密度、弾性定数、格子定数など）も閲覧可能です。これにより、目的に応じて最適なポテンシャルを選択し、効率的に利用することができます。

機械学習ポテンシャルの特徴と物性予測