E(3)エカーブァリアントAllegroに基づく、原子論的シミュレーションのための機械学習相互作用ポテンシャルにおけるMixture of Expertsフレームワーク

概要: 第一原理に基づく原子論シミュレーションは複雑な物質現象の理解に不可欠ですが、本質的に計算コストによって制約されています。機械学習インターアトミックポテンシャル（MLIPs）は、特定の精度に対するコストを大幅に改善している一方で、その推論コストは、大規模な系や長い時間スケールに対して依然としてボトルネックです。これに対処するために、本研究ではE(3)同変 Allegro アーキテクチャに基づく多忠実度「Mixture-of-Experts（専門家の混合）」フレームワークを提案します。提案手法は、シミュレーション領域を化学的に複雑な領域（例：反応性界面）と単純な領域（例：バルク格子）に空間的に分割し、それぞれに異なる能力（容量）のモデルを割り当てます。このような静的な領域分解における課題のうち、特にインターフェースにおけるモデル間の機械的ミスマッチが重要です。これは、人為的な応力場や不安定性を生み出し得るためです。本研究では、この課題に対し、共同学習（co-training）戦略を用います。損失関数には、共有されたバルク環境で評価した際の、モデル間の原子ごとのエネルギーおよび力の不一致に対するペナルティ（合意制約）を含めることで、独立した各モデルがバルク材料について一貫した物理記述を学習するよう強制します。本手法を、現実的なPt+CO触媒システムで検証し、共同学習したモデルが正確なエネルギー保存を維持し、バルクの機械的応答（例：状態方程式およびバルク弾性率）を整合させ、計算速度を2倍以上としながらも、高忠実度のフルシミュレーションに匹敵する予測精度を達成することを示します。