導入
「AIが分子や材料の性質を予測する時代が来た」と言われても、少しピンとこないかもしれません。
しかし、ニューラルネットワークポテンシャル（NNP）という技術の登場により、原子レベルの物理現象を高精度かつ高速にシミュレーションできるようになっています。これは、化学や材料科学の“第四のパラダイム”とも呼ばれる、データ駆動型科学の代表例です。
本記事では、ドイツ・ゲッティンゲン大学の研究者らによる論文「Neural Network Potentials: A Concise Overview of Methods」をもとに、NNPの発展とその意義をわかりやすく紹介します。
研究概要
■ ニューラルネットワークポテンシャルとは
分子や固体中の原子は、ポテンシャルエネルギー面（PES：Potential Energy Surface）の上で動いています。
従来はこのエネルギー面を、量子力学（特に密度汎関数法：DFT）で計算していましたが、計算コストが膨大で、原子数が数百を超えると現実的ではありませんでした。
そこで登場したのが機械学習ポテンシャル（Machine Learning Potentials, MLP）です。中でも、ニューラルネットワーク（NN）を使うタイプがNNPと呼ばれます。
NNPは、量子計算から得たデータを学習し、原子構造からエネルギーを直接予測するAIモデルです。これにより、量子レベルの精度を保ちつつ、計算速度を1万倍以上高速化できる場合もあります。
■ NNPの4世代の進化
著者らはNNPを次の4つの世代に分類しています（図1参照）。
| 世代 | 特徴 | 主な技術例 |
|---|---|---|
| 第1世代 | 小分子など低次元系のみを扱う | 初期のNNP（1990年代） |
| 第2世代 | 多原子・固体系を扱える（局所近似） | Behler–Parrinello型HDNNP、DeepMD |
| 第3世代 | 長距離相互作用（例：静電力）を導入 | PhysNet、3G-HDNNP |
| 第4世代 | 電荷移動など非局所的現象を扱う | CENT法、4G-HDNNP |
第2世代以降では、全エネルギーを「各原子の局所環境のエネルギーの和」として表す高次元ニューラルネットワークポテンシャル（HDNNP）が主流になりました。
さらに、第4世代では電荷の再分布や非局所的な電子効果をも再現できるようになっています。
■ 代表的な手法
- Behler–Parrinello法（2007）
各原子の周囲環境を「対称関数（Symmetry Functions）」で記述し、個別のニューラルネットで学習。材料分野のブレイクスルーに。 - SchNet（2018）
グラフニューラルネットワークを用い、原子間距離や構造を自動で学習。ディープラーニングと物理モデリングの融合例。 - PhysNet（2019）
電荷や双極子モーメント（電気的極性）も同時に予測可能な高精度モデル。 - 4G-HDNNP（2021）
系全体の電荷状態や非局所的な電子効果を考慮。分子だけでなくイオン結晶や触媒にも適用可能。
研究の意義
■ 科学シミュレーションの「第四の革命」
これまで、科学の方法は「①実験」「②理論」「③計算（シミュレーション）」の三本柱でした。
そこに加わったのが、「④データ科学（AI）」です。
NNPはこの新しい柱を象徴する存在であり、量子力学の精度を保ちながらマクロスケールの現象を解析できるという点で、研究の在り方を根本的に変えつつあります。
■ 材料・化学への応用
- 触媒反応のメカニズム解析
反応経路や遷移状態をAIが自動で探索。 - 新素材設計
熱伝導率や機械的強度などの特性を予測し、最適な組成を探索。 - 生体分子のダイナミクス
タンパク質やDNAの運動を量子レベルで長時間シミュレーション可能。
■ 今後の課題
一方で、NNPは学習データの範囲外では予測精度が落ちる「転移性の制限」があります。
著者らはこれを克服するために、物理法則を取り入れたAI（Physics-aware AI）やアクティブラーニング（自動データ選択）の重要性を強調しています。
筆者コメント
私は材料計算の研究を行う中で、NNPの登場が計算科学の常識を変えたと実感しています。
特に、第一原理計算（DFT）レベルの精度を、古典MDのスピードで実現できるというのは驚異的です。
今後、NNPが「標準ツール」となり、実験・理論・シミュレーションの垣根がさらに低くなることでしょう。
ChatGPTのようなAIツールが科学の世界にも登場しつつあります。
参考情報
- Emir Kocer, Tsz Wai Ko, and Jörg Behler,
“Neural Network Potentials: A Concise Overview of Methods”,
arXiv:2107.03727 (2021). - Behler, J. “Four Generations of High-Dimensional Neural Network Potentials.” Chemical Reviews (2021).
- Unke, O.T., & Meuwly, M. “PhysNet: Neural Network for Predicting Energies, Forces, Dipoles, and Charges.” J. Chem. Theory Comput., 15, 3678–3693 (2019).
ハッシュタグ
#機械学習ポテンシャル #ニューラルネットワーク #材料科学 #AIシミュレーション #量子化学 #計算化学 #研究解説