学術的背景 材料科学および化学分野において、材料の原子レベルの性質を理解することは極めて重要です。しかし、従来の原子間ポテンシャル計算手法（例えば密度汎関数理論、DFT）は精度が高いものの、計算コストが非常に高く、大規模システムへの適用が困難です。近年、機械学習（ML）ポテンシャルを原子シミュレーションに応用する研究が大きく進展し、特にガウス過程（Gaussian Process, GP）に基づくMLポテンシャルは、能動学習、不確実性予測、低データ要求といった利点から注目を集めています。しかし、カーネルベースのモデルは大規模データセットを扱う際に深刻なスケーラビリティの問題に直面しており、データセットの規模が10^4を超えると計算複雑度が急激に増加し、真の汎用性を実現することが難しくなります...

原子間相互作用力の幾何強化事前トレーニング はじめに 分子動力学(MD)シミュレーションは、物理学、化学、生物学、材料科学などの分野で重要な役割を果たし、原子レベルのプロセスの洞察を提供しています。MDシミュレーションの精度と効率は、分子系の原子間相互作用を記述する原子間ポテンシャル関数に依存しています。古典的MDでは経験式を使用し、パラメータを当てはめる必要がありますが、計算コストは低いものの精度が不十分です。一方、第一原理MDでは、シュレーディンガー方程式を解くことで精密な相互作用を得ることができますが、計算量が非常に大きくなります。そこで、機械学習による原子間ポテンシャル(MLIPs)が、第一原理計算から得られるエネルギーと力をフィッティングすることで、ab initio精度に近づきつ...