SCF加速を汎化可能にする：ソルバーに整合した初期化学習（SAIL）
arXiv cs.LG / 2026/4/24
📰 ニュースDeveloper Stack & InfrastructureIdeas & Deep AnalysisModels & Research
要点
- 本論文は、分子サイズが学習分布を超えるとMLが提案する初期推定が逆に性能を悪化させる主因が、単なる外挿の問題ではなく監督（スーパービジョン）の不整合にあることを示しています。
- ソルバーに整合した初期化学習（SAIL）として、Hamiltonianモデルと密度行列モデルの両方でSCFソルバーをエンドツーエンドで微分可能にして学習する手法を提案しています。
- さらに、一般に使われるRICに対し、Fockビルド等の隠れたオーバーヘッドを織り込む補正指標としてEffective Relative Iteration Count（ERIC）を導入しています。
- QM40（学習分布より約4倍大きい分子を含む）で、PBEで37%、SCANで33%、B3LYPで27%とERICを大幅に削減し、従来の最先端（B3LYPで10%）を上回る改善を報告しています。
- QMugs（学習の約10倍規模）では、ハイブリッド理論レベルで約1.25倍のウォールタイム高速化を達成し、薬剤様の大規模分子へMLによるSCF加速を広げています。
