機械学習分子動力学の 最近の動向
>100 Views
July 15, 26
スライド概要
機械学習分子動力学（ポテンシャル）について、記述子型とグラフ型の違いに着目して紹介します。
（AIが作成しました。）
関連スライド
各ページのテキスト
MATERIALS SIMULATIO N · 20 26 機械学習分子動力学の 最近の動向 ― 記述子型とグラフ型の使い分け ― 材料シミュレーションを実行する方に向けた実務ガイド 学習済みモデルの入手性・計算負荷・元素数の観点から整理
OV ER V IEW なぜ今、機械学習ポテンシャルなのか DFT 級の精度を、古典力場に近い速度で。この両立が MD の適用範囲を一気に広げました。 10⁵–10⁶ 倍 < 50 meV/atom 89 元素 DFT に対する高速化 （原子あたりの評価コスト比） エネルギー誤差の目安 （汎用モデルの一般的水準） 基盤モデルが カバーする元素数（MACE-MP） 実務上の意味 ― ナノ秒スケールの MD、数万〜十万原子系、これまで DFT では不可能だった時間・空間スケールが現実的になった。 Source: DeePMD-kit (JCP 2023) · MACE-MP (arXiv:2401.00096) 機械学習分子動力学（MLMD）の最近の動向 2
T HE TWO FAMI LI ES 記述子型とグラフ型 ― 2 つの系統 ML ポテンシャルは、原子環境を「どう数値化するか」で大きく 2 系統に分かれます。 記述子型 グラフ型 Descriptor-based Graph neural network ▪ 固定式の記述子で原子環境を表現 ▪ 原子=ノード、結合=エッジのグラフ表現 ▪ 対称性関数・ACE・SNAP・MTP など ▪ メッセージパッシングで環境を学習 ▪ 代表例：DeePMD、BPNN、GAP、(PA)CE ▪ 代表例：MACE、NequIP、CHGNet、MatterSim ▪ 同時に扱う元素は数種程度が現実的 ▪ 元素種数に原理的な制限なし Source: A practical guide to MLIP (Ceder, 2025) · DeepModeling Tutorials 機械学習分子動力学（MLMD）の最近の動向 3
DESCRIPTOR-BASED 記述子型：手設計の「特徴量」で環境を表す しくみ 実務上の特徴 各原子の近傍環境を、回転・並進・置換対称性を満たす固定式 の記述子ベクトルに変換し、比較的小さな回帰モデルでエネル ギーへ写像します。 主な手法 同時に扱う元素は数個程度 元素ごとにネットワーク・記述子が増え、多元系では設計・学習コストが 急増 CPU でも実用的に動く – DeePMD（Deep Potential）― 埋め込み記述子 モデルが軽量。LAMMPS 等で MPI 並列が効き、大規模系も現実的 – Behler–Parrinello NNP ― 対称性関数 系に特化して高精度化しやすい – GAP ― ガウス過程回帰（SOAP 記述子） 対象系の DFT データで学習すれば、狙った物性を精密に再現 – ACE / PACE、MTP、SNAP ― 多体展開系 Source: DeePMD-kit v2 (JCP 2023) · Adaptive Loss Weighting (arXiv:2403.18122) 機械学習分子動力学（MLMD）の最近の動向 4
GR A PH N EUR A L N ET W ORK グラフ型：ネットワークが「特徴量」を学ぶ しくみ 実務上の特徴 原子をノード、カットオフ内の隣接関係をエッジとし、メッセ ージパッシングで多体相互作用を自動的に学習。記述子を手で 設計する必要がありません。 主なアーキテクチャ 元素種数に制限なし 周期表のほぼ全域（例：89 元素）を単一モデルで扱える。多元系・未知 組成に強い 等変性で高精度・高汎化 – MACE ― 高次の等変メッセージパッシング 回転対称性をネットワーク構造に組み込み、少データでも高い転移性能 – NequIP / Allegro ― E(3) 等変ネットワーク 計算は重い ― GPU が事実上必須 – M3GNet / CHGNet ― 3 体・電荷情報つき メッセージパッシングの反復が重く、実用的な MD には GPU が前提 – MatterSim / ORB / PET-MAD ― 大規模基盤モデル Source: MACE-MP foundation model · SevenNet (scalable GNN-IP) 機械学習分子動力学（MLMD）の最近の動向 5
SIDE BY SIDE 一目でわかる：記述子型 vs グラフ型 観点 記述子型 グラフ型 環境の表現 手設計の固定記述子 ネットワークが学習 扱える元素数 数種程度が現実的 原理的に制限なし（例：89 元素） 計算負荷 軽量 ― CPU でも実用的 重い ― GPU が事実上必須 学習済みモデル 限られた例で配布（例：Fe–H 系） 汎用基盤モデルを入手して利用可 得意分野 特定系への特化・高精度化 多元系・未知組成・高スループット探索 代表実装 DeePMD, GAP, ACE/PACE, MTP MACE, NequIP, CHGNet, MatterSim Source: A practical guide to MLIP (Ceder, 2025) · MACE-MP foundation model 機械学習分子動力学（MLMD）の最近の動向 6
C OM PU TA T IONA L COST 計算負荷：グラフ型には GPU が事実上必須 精度が上がるほど計算は重くなります。ハードウェア要件が導入判断を大きく左右します。 記述子型 グラフ型 ▪ モデルが軽量で評価が速い ▪ メッセージパッシングの反復で計算が重い ▪ CPU クラスタ + MPI 並列で大規模 MD が可能 ▪ 実用的な MD 速度には GPU がほぼ前提 ▪ GPU があれば加速するが、必須ではない ▪ 多層・高次等変モデルほど VRAM を要求 ▪ 長時間 MD・大規模系のコストを抑えやすい ▪ 大規模系はマルチ GPU 並列が必要になる Source: SevenNet (multi-GPU MD) · Scalable GNN-IP parallelism (arXiv:2402.03789) 機械学習分子動力学（MLMD）の最近の動向 7
PR ETR AINED · GR AP H グラフ型：学習済み基盤モデルを入手して使える 周期表全域を学習した「基盤モデル」を、そのまま推論に使ったり、微調整の出発点にできます。 MACE-MP / MPA / OMAT MatterSim 89 元素・MPtrj ほか。MIT。ASE から即利用 1700 万構造で学習。幅広い温度・圧力に対応 CHGNet SevenNet-0 電荷・磁気モーメント情報つき GNN マルチ GPU の LAMMPS MD に対応 ORB / PET-MAD M3GNet 高速・高精度な最新の汎用モデル 3 体相互作用つきの初期汎用モデル ポイント 「まず基盤モデルで試す → 必要なら自系の DFT データで微調整」が近年の標準的なワークフロー。 Source: MACE foundation models · Matbench Discovery / uMLIP benchmark 機械学習分子動力学（MLMD）の最近の動向 8
PR E TR A INE D · D E SC R IPT O R 記述子型：限られた例で学習済みモデルが配布 汎用の基盤モデルは少ない一方、特定系に特化した学習済みポテンシャルが公開されています。 代表例：鉄–水素（Fe–H）系 入手先と注意点 水素脆化（HE）の解明に向け、複数の学習済みポテンシャル が公開されています。 配布先 ▪ PACE 枠組みの Fe–H ポテンシャル（並行学習） NIST Interatomic Potentials Repository、OpenKIM、論文の補足資料や GitHub リポジトリ 適用範囲を要確認 ▪ tabGAP による α-Fe–H 高速ポテンシャル 学習された元素・組成・温度圧力の外では信頼性が落ちる。対象系に合う か必ず確認 ▪ DeePMD による α-Fe / Fe–H ポテンシャル 特化ゆえの強み ▪ DP-GEN 並行学習による粒界水素脆化モデル 狙った物性（拡散、偏析、脆化）を DFT 級で精密に再現しやすい Source: Fe–H PACE (arXiv:2512.22934) · α-Fe–H tabGAP (arXiv:2511.21464) · DP-GEN Fe–H (Nature Comm. Mater. 2025) 機械学習分子動力学（MLMD）の最近の動向 9
DECISION GUIDE どちらを選ぶ？― 実務での判断軸 扱う元素は数種で、 特定系を深く調べたい 記述子型 多元系・未知組成を 広く扱いたい 系に特化して高精度化。CPU でも運用可 基盤モデルを起点に。GPU 前提 GPU が限られている / CPU クラスタが主力 まず手早く試したい / 学習データが少ない 軽量で MPI 並列が効く 記述子型 グラフ型 グラフ型 基盤モデルを入手即利用、微調整も容易 Source: A practical guide to MLIP (Ceder, 2025) 機械学習分子動力学（MLMD）の最近の動向 10
R EC ENT TR EN DS 最近の潮流（2024–2026） 1 基盤モデルの成熟 MACE-MP、MatterSim、ORB、PET-MAD など、周期表全域を扱う汎用グラフモデルが続々登場 ・高精度化 2 微調整が標準化 「基盤モデル → 自系データで微調整」で、少データでも ab initio 級の精度に到達する手法が 確立 3 ベンチマーク整備 Matbench Discovery などで、弾性・表面・非平衡など多面的な性能評価と限界の可視化が進む 4 スケール・並列化 マルチ GPU 並列（SevenNet 等）で十万原子超の MD が現実に。学習も 32 GPU で数時間規模へ Source: Fine-Tuning U-MLIPs (arXiv:2506.21935) · Fine-Tuning Unifies MLIPs (arXiv:2511.05337) · Train UIP in 1.5h / 32 GPU (arXiv:2412.20796) 機械学習分子動力学（MLMD）の最近の動向 11
SUMMARY まとめ ― 使い分けの要点 記述子型 数種の元素・特定系に強い。軽量で CPU でも実用的。Fe–H など限られた例で学習済みモデルが配 布される。 グラフ型 元素数に制限なく、多元系・未知組成に強い。計算は重く GPU が事実上必須。汎用基盤モデルを 入手して使える。 選び方 「元素数・ハードウェア・特化 vs 汎用」で判断。まず基盤モデルで試し、必要なら自系データで 微調整するのが近道。 材料シミュレーションの現場では、目的・系・計算資源に応じた「使い分け」が最も重要です。