[論文レビュー] NEP89: Universal neuroevolution potential for inorganic and organic materials across 89 elements

Ting Liang, Ke Xu+17 more|ArXiv.org|Apr 30, 2025

Machine Learning in Materials Science被引用数 6

ひとこと要約

NEP89は、無機材料と有機材料の両方の89元素をカバーする基盤機械学習ポテンシャルであり、経験ポテンシャルに似た効率でほぼ第一原理レベルの精度を提供し、大規模分子動力学シミュレーションとユーザー固有の用途向けの微調整を可能にします。

ABSTRACT

While machine-learned interatomic potentials offer near-quantum-mechanical accuracy for atomistic simulations, many are material-specific or computationally intensive, limiting their broader use. Here we introduce NEP89, a foundation model based on neuroevolution potential architecture, delivering empirical-potential-like speed and high accuracy across 89 elements. A compact yet comprehensive training dataset covering inorganic and organic materials was curated through descriptor-space subsampling and iterative refinement across multiple datasets. NEP89 achieves competitive accuracy compared to representative foundation models while being three to four orders of magnitude more computationally efficient, enabling previously impractical large-scale atomistic simulations of inorganic and organic systems. In addition to its out-of-the-box applicability to diverse scenarios, including million-atom-scale compression of compositionally complex alloys, ion diffusion in solid-state electrolytes and water, rocksalt dissolution, methane combustion, and protein-ligand dynamics, NEP89 also supports fine-tuning for rapid adaptation to user-specific applications, such as mechanical, thermal, structural, and spectral properties of two-dimensional materials, metallic glasses, and organic crystals.

研究の動機と目的

• 無機材料と有機材料の両方を対象とする、89元素を網羅する普遍的な原子間ポテンシャルの開発を目指す。
• 多様な公開データセットを精選・統合し、統一モデルの訓練に適合させる。
• 既存のファウンデーションモデルと競合する精度を達成しつつ、計算効率を劇的に向上させる。
• そのまま利用できる大規模MD機能と、専門用途向けの微調整を実証する。

提案手法

• チェビシェフ多項式とルジャンドル多項式から構成される原子中心記述子を用いたNEPアーキテクチャを使用する。
• 隠れ層1つのニューラルネットワークを訓練するために、分離可能な自然進化戦略を採用する。
• 半径関数展開を用いて種を符号化し、独立した係数集合と種ごとのネットワークパラメータを用いる。
• 複数の公開データセットから多様な訓練データを反復的に整理・バランスさせ、必要に応じてD3分散補正を追加する。
• データセット全体で基準エネルギーを調整し、統一された単一タスク訓練の成果を可能にする。

実験結果

リサーチクエスチョン

• RQ1 単一の原子間ポテンシャルモデルは、89元素にわたる無機材料と有機材料の両方を正確に説明できるか？
• RQ2 他のファウンデーションモデルと比較して、静的特性ベンチマークにおけるNEP89の性能はどうか？
• RQ3 NEP89は大規模MDシミュレーションの効率性と、専門的タスクへの微調整に対応できるか？
• RQ4 複数の公開ソースからの統一訓練データセットは、広範な化学空間に対して信頼できるエネルギー、力、応力を生み出すか？
• RQ5 特定の材料や特性の精度向上のためにNEP89を微調整する可能性はどれくらいか？

主な発見

• NEP89は他のファウンデーションモデルと比較して、複数の静的特性ベンチマークで競争力のある精度を達成する。
• このモデルは、20元素合金に関して、同等モデルに対して3–4桁の速度向上とメモリ効率の改善を提供し、はるかに大規模なシミュレーションを可能にする。
• NEP89は非晶質炭素の結合統計などの主要な動的特性や、水の構造・動的特性、固体電解質の特徴を再現する。
• NEP89を用いたアウトオブザボックスの大規模MDは、実験やAIMDと定性的に一致し、マルチ成分合金、メタン燃焼、タンパク質-リガンド相互作用などのさまざまな系で一致を示す。
• 小規模データセットでNEP89を微調整すると、MoSi2N4の例に示されるように特定の材料の実験結果との一致が著しく向上し、ターゲット特性に合わせたモデル調整に利用できる。