---
title: 機械学習分子動力学の 最近の動向
tags: 
author: [matelier](https://docswell.com/user/matelier)
site: [Docswell](https://www.docswell.com/)
thumbnail: https://bcdn.docswell.com/page/GEWGR3WZJ2.jpg?width=480
description: 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。）
published: July 15, 26
canonical: https://docswell.com/s/matelier/5R897E-2026-07-15-204524
---
# Page. 1

![Page Image](https://bcdn.docswell.com/page/GEWGR3WZJ2.jpg)

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


# Page. 2

![Page Image](https://bcdn.docswell.com/page/47ZLRV5LJ3.jpg)

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


# Page. 3

![Page Image](https://bcdn.docswell.com/page/YJ6WR59MJV.jpg)

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


# Page. 4

![Page Image](https://bcdn.docswell.com/page/GJ5M8YNQJ4.jpg)

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


# Page. 5

![Page Image](https://bcdn.docswell.com/page/9E29KG5W7R.jpg)

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


# Page. 6

![Page Image](https://bcdn.docswell.com/page/D7Y4NVK9EM.jpg)

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


# Page. 7

![Page Image](https://bcdn.docswell.com/page/VENYXMRDJ8.jpg)

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


# Page. 8

![Page Image](https://bcdn.docswell.com/page/Y79P8NM8E3.jpg)

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


# Page. 9

![Page Image](https://bcdn.docswell.com/page/G78D8KLZ7D.jpg)

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


# Page. 10

![Page Image](https://bcdn.docswell.com/page/L7LMRZL1JR.jpg)

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


# Page. 11

![Page Image](https://bcdn.docswell.com/page/4EMYRVM5EW.jpg)

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


# Page. 12

![Page Image](https://bcdn.docswell.com/page/PER9R2VZJ9.jpg)

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。