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...