無微調整（ファインチューニング）不要の適応的制約ガイダンスによる無機結晶構造生成のための拡散モデル

Abstract

所望の特性を備えた無機結晶構造の発見は、材料科学における重要な課題である。生成モデル、特に最先端の拡散モデルは、複雑なデータ分布のモデリングや、新規で現実的なサンプルの提案を可能にするという期待をもたらす。しかし、現在の生成AIモデルは、実験的に実現可能な材料の多様で独創的かつ信頼性の高い構造を、高リスクな用途に適した形で生成することには、依然として苦戦している。 本研究では、拡散モデルに基づく適応的制約ガイダンスを備えた生成機械学習フレームワークを提案し、生成過程中にユーザーが定義した物理的・化学的制約を組み込めるようにする。このアプローチは、人間の専門家にとって実用的で解釈可能であることを意図しており、透明な意思決定と専門家主導の探索を可能にする。生成候補の頑健性と妥当性を確保するために、DFTレベルの精度を達成するよう訓練されたグラフニューラルネットワーク推定器と、熱力学的安定性を評価するための凸包解析を組み合わせた、多段階のバリデーション・パイプラインを導入する。提案手法は、ケーススタディとして、無機化合物のいくつかの古典的な系に対してテストされ、検証された。その結果として、本予備的結果は、提案フレームワークが、多様な無機化学システムにわたって、所望の幾何学的制約を満たしながら、熱力学的にもっともらしい結晶構造を生成できる能力を示している。