理論と実験の橋渡しを目指すヘッセインフォームド機械学習原子間ポテンシャル
arXiv cs.LG / 2026/3/27
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、実験的に重要な観測量を支配するポテンシャルエネルギー曲面の局所的な曲率を捉えることを目的とした、ヘッセインフォームド機械学習原子間ポテンシャル（Hi-MLIP）を提案する。
- 計算コストが過大になりがちなヘッセ曲率の教師情報を実現するため、著者らは Hessian INformed Training（HINT）を導入する。これは、ヘッセ事前学習、配置（コンフィギュレーション）のサンプリング、カリキュラム学習、確率的射影ヘッセ損失を組み合わせ、ヘッセラベルの高価な要求を2〜4桁削減する。
- HINTで学習したHi-MLIPは、遷移状態探索の性能が向上し、特にデータが乏しい領域において、化学的精度に近いギブズ自由エネルギー予測を与える。
- 本手法は強い非調和性をもつ水素化物に適用され、通常見られる非調和計算を明示的に行う際の計算ボトルネックを回避しつつ、実験と良好に一致してフォノンの繰り込みおよび超伝導の臨界温度を再現することが示される。
