結晶物性予測のための完全な原子間ポテンシャルの効率的近似

結晶材料の物性予測について研究する。結晶構造は、3次元空間に無限に繰り返される最小単位セルから構成される。このような繰り返し構造を機械学習モデル内で正確に表現する方法は、依然として解決されていない課題である。現在の手法では、近接する原子間のみにエッジを設定してグラフを構築するため、無限に繰り返される構造パターンや遠方の原子間相互作用を忠実に捉えることができない。本研究では、これらの制約を克服するための複数の革新を提案する。第一に、従来の手法が距離情報のみを用いるのに対し、物理的原理に基づいた原子間ポテンシャルを直接モデル化することを提案する。これにはクーロンポテンシャル、ランデン分散ポテンシャル、パウリ反発ポテンシャルが含まれる。第二に、既存手法が近接原子間のみを対象とするのに対し、すべての原子間における完全なポテンシャル集合をモデル化する。これは、無限和の近似により実現され、Ewald和の拡張として、複数のポテンシャル級数に対する近似法を提案し、誤差境界が保証されたものとして理論的根拠を提供する。第三に、これらの完全な原子間ポテンシャルの計算結果を、表現学習のためのメッセージパッシングニューラルネットワークに組み込む手法を提案する。JARVISおよびMaterials Projectのベンチマークデータセットを用いた実験により評価を行った。結果として、原子間ポテンシャルおよび完全な原子間ポテンシャルの導入が、合理的な計算コストの範囲内で一貫した性能向上をもたらすことが示された。本研究のコードは、AIRSライブラリ（https://github.com/divelab/AIRS/tree/main/OpenMat/PotNet）として公開されている。