[論文レビュー] Performance of universal machine learning potentials in global optimization

Edan T. Marcial, L. N. Chaudhary+2 more|arXiv (Cornell University)|Feb 26, 2026

Machine Learning in Materials Science被引用数 0

ひとこと要約

この研究は、様々な無機系に跨る制約なしの全体構造探索において、九つの普遍機械学習ポテンシャル（uMLP）をベンチマークし、DFT基底状態構造を見つける能力を評価します。

ABSTRACT

Rapid development of universal machine learning potentials (uMLPs) and expansion of training data sets are reshaping the state of the art in atomistic simulation, highlighting the need for concurrent systematic benchmarking of their capabilities. Global optimization is among the most demanding uMLP applications because unconstrained exploration includes probing motifs not present in reference sets. We examined the latest generation of uMLPs in unconstrained evolutionary searches to assess whether these models can consistently predict complex crystal structure ground states across diverse inorganic systems. Our findings demonstrate that the considered M3GNet, MACE, SevenNet, EquiformerV2, MatterSim, GRACE, eSEN, Orb-v3, and PET-MAD models span a wide performance range, from near ab initio to essentially non-predictive, in their ability to resolve competing phases within low-energy basins. Additional tests on hcp-Zn, MB$_4$ (M = Cr, Mn, and Fe), and LiB$_{y}$ ($y\approx 0.9$) ground states reveal that several uMLPs capture fine energy differences arising from subtle electronic structure features.

研究の動機と目的

• 現在のuMLPが、多様な化学組成における制約なしのグローバル探索で基底状態の結晶構造をどれだけうまく特定できるかを評価する。
• トレーニングデータを超える低エネルギー盆地の探索におけるuMLPの頑健性を評価する。
• 複数の機能で参照DFTと比較して代理ポテンシャル駆動結果を比較する。
• 構造予測タスクにおける異なるuMLPアーキテクチャの長所と故障モードを特定する。

提案手法

• ノ finetuningなしで出荷時プリトレイン済みのuMLP（M3GNet, MACE, SevenNet, EquiformerV2, MatterSim, GRACE, eSEN, Orb-v3, PET-MAD）を使用する。
• MAISEを用いた零温度の進化的探索を実行し、候補構造の集団を生成する。
• 各uMLPで候補をリラックスさせ、基底真理との比較のためにDFT（PBE/PBEsol/r2SCAN）で再最適化する。
• uMLP間で極小値プールを統合し、DFTで再リラックスさせることで構造とエネルギーの近接性指標を算出する。
• uMLPとDFTプール間の平均エネルギーシフトを差し引くランキングRMSEを用いてランク付けの忠実度を評価する。
• uMLPが既知の相をどれだけ再現できるかを分析し、偽の極小値を特定する。

Figure 1: Stability of the tI10-Na 2 CN 2 , mS28-MgB 3 C 3 , and oI28-MgB 3 C 3 phases identified in this work relative to reported mS10-Na 2 CN 2 and hP14-MgB 3 C 3 evaluated with common DFT functionals.

実験結果

リサーチクエスチョン

• RQ1 現在のuMLPは、制約なしのグローバル探索において、多様な無機化学における競合する低エネルギー結晶構造を信頼性高く解決できるか。
• RQ2 異なるuMLPが生み出す代理PESの景観は、DFTと比較してエネルギー的順序付けと極小値の構造的近接性の点でどう異なるか。
• RQ3 challengingなケース（Zn c/a 異常、MB4化合物、LiBxの組成外れ相）において、どのuMLPが基底状態モチーフを最もよく再現するか。
• RQ4 全体最適化におけるuMLPの共通の故障モード（偽の極小値、誤ランキング、vdWや積層の問題など）は何で、それをどう緩和できるか。

主な発見

• uMLPは、初 princetonに近い性能から低エネルギー盆地内の競合する相を解決する上で実質的に予測不能となるまで、広い性能レンジを示す。
• いくつかのuMLP（特にeSENおよび中〜大規模アーキテクチャのもの）は、基底状態予測における微妙な電子構造特徴から生じる微小なエネルギー差を捉えることができる。
• いくつかの化合物（Zn c/a 異常、MB4誘導体、LiBxの組成外れ相）は、誤ランキング、層間距離の過大評価、偽の低エネルギー極小値といった特定の弱点を示す。
• 代理リラックスのエネルギー景観は、完全リラックス時にDFTから僅かだが系統的な乖離を示し、単発DFTエネルギーを用いたNNリラクゼーションと組み合わせたハイブリッドワークフローの可能性を示す。
• 九つのuMLPを統合したプールは、DFT極小値への近接性とランキング忠実度を一貫して評価できるようにし、関連ケースではランキングRMSEが通常数meV/原子〜数十meV/原子の範囲にある。
• uMLPは、 studied M-Sn バイナリに関して、以前の系統特異的なBehler–Parrinello NNポテンシャルよりも、ランキング精度の点でおおむね良好に機能する。

Figure 2: Performance metrics on merged pools assessed relative to the reference DFT method, PBEsol for PT and PBE for the rest, and averaged over 11 compounds, excluding AgClO 4 . The schematics at the top clarify the definitions of the proximity and ranking metrics introduced in the text. The repr