AUG 6, 2025

材料科学への応用に向けた機械学習による力場の進展

機械学習力場（MLFF）は、機械学習原子間ポテンシャルとも呼ばれ、多様な化学系におけるコスト効率の高い原子レベルシミュレーションのための重要なツールとして台頭しており、多くの場合、密度汎関数理論（DFT ）と同等の精度を、その数分の1のコストで達成しています。 メッセージパッシングネットワークにおける最近の進歩により、モデル化可能な固有の原子元素の数に制限されていた従来のMLFFの欠点が解消されました。さらに、電荷平衡化アプローチを通じて原子電荷や静電相互作用を取り入れることで、複数の電荷状態、イオン系、および電子応答特性を正確に表現できるようになったほか、明示的な長距離相互作用を用いることで精度も同時に向上しました。

本ウェビナーでは、Schrödingerが開発した最先端のMLFFアーキテクチャ「Message Passing Network with Iterative Charge Equilibration（MPNICE）」をご紹介します。このアーキテクチャは、電荷を正確に表現するために明示的な静電相互作用を取り入れています。 周期表全体（89元素）を網羅する材料を用いて学習された、事前学習済みモデル群をご紹介します。MPNICEは効率的なスループットを優先しており、精度を犠牲にすることなく、従来は実現不可能だった長さと時間スケールでの原子レベルシミュレーションを可能にします。また、Schrödinger スイートに含まれるMLFFを組み込んだツールについて概要を説明し、材料設計のためのより大規模かつ複雑なシミュレーションを実現する方法について、業界に関連する事例を交えながらご紹介します。

見どころ：

• MPNICEの概要 ― 原子的な部分電荷と長距離相互作用を取り入れつつ、同種のモデルよりも1桁速い処理速度を維持する、メッセージパッシング型MLFFアーキテクチャ
• 産業上のニーズに対応するための、一般的な有機、無機、およびハイブリッド（有機・無機）モデルを含む、MPNICEの最近の応用事例のハイライト