密度汎関数理論は計算材料科学の主力手法ですが、その計算コストが、研究室が候補材料をどれだけ選別できるかを大きく制約しています。Xiwen Li、Yang Zhong、Xingao GongらによるNature Machine Intelligenceの論文は、このコストの多くを回避する方法を提案しています。材料の電子密度をニューラルネットワークで直接予測し、時間のかかる自己無撞着計算のループを回さずに電子構造を求めるというものです。
このモデル、Equivariant Density Graph Neural Network、略してEdenGNNは、電荷密度と、PAW法に必要な補強占有数の両方を予測します。これにより、標準的な平面波計算と同等の精度に達します。速さを支える設計は2つあります。完全に学習可能な動径関数による基底で密度を展開すること、そしてデルタ学習を使うことです。密度全体を予測する代わりに、実際の密度と原子密度の単純な重ね合わせとの差を学習します。この差は主に原子間の電荷移動を表します。著者らは、従来の汎用的な電荷密度モデルより1桁以上速いと報告しています。
主な成果は、Materials Projectのデータベースで学習した汎用モデルEdenGNN-Uniです。周期表全体の非磁性構造を対象とし、著者らによると、Google DeepMindのGNoMEデータベースから取ったテスト構造を含め、未知の材料の大半でバンド構造を正確に予測し、ハミルトニアンを予測する汎用モデルより頑健です。コード、重み、データはGitHub、Hugging Face、Zenodoで公開され、OpenMXとABACUS向けのパッチ、VASP向けの手順も用意されています。
この研究は、よく知られた機械学習原子間ポテンシャルと並ぶものです。後者が予測するのはエネルギーと 力で、電子密度そのものではありません。電荷密度はより根本的な量なので、優れた密度モデルは多くの物性の計算に同時に使えます。
限界もはっきりしています。汎用モデルは非磁性材料に限られ、実用上重要な系の大部分が対象外です。著者らはまた、学習済みモデルは学習データの作成に使った擬ポテンシャル、エネルギーカットオフなどの設定に縛られると注意しており、結果を移せるのは設定が一致する計算手順に限られます。私たちが読めたのは要旨と補足資料だけで、論文全文ではないため、特定の材料群でどれだけ精度が上がるかは今後の確認が必要です。