不可能だと言われた「汎用の機械学習ポテンシャル」は、どのように実現したのか。Matlantis PFP の開発を主導した高本聡と品川幾のインタビューを、ブログで公開しました。 PFP 以前は、汎用的なモデルというものが存在しませんでした。量子化学計算の負荷は、広く使われている手法でも原子数の3乗に比例して増えます。そのため新しい材料に取り組むたびにモデルを作り直す必要があり、例えば触媒表面の数十原子の挙動を調べるだけで半年から2年かかることもありました。 ⚛️ 記事で語られていること ・データから学ばせるだけでは、予測の精度が高く見えても、物理のルールを外れた計算が混じります。物理法則を後から近似するのではなく、モデルそのものに組み込む方針を採りました ・見る向きを変えても物理法則は変わらないという性質（回転不変性）を高階テンソルを使って数式レベルで保証し、物理的にあり得ない挙動は AI がそもそも出力できないようにニューラルネットワークを設計しました ・計算資源の大半を占めるのはモデルの学習ではなく、訓練データを作るための DFT 計算です。1台の GPU に換算して 3,200 年分以上を投入し、そのデータの9割超は今も研究者が人手で設計しています ・シミュレーションは現象を理解するための手段であり、試行錯誤のプロセス自体に価値があります。そのためワンボタンの自動化ツールではなく、API で自在に組み合わせられるプラットフォームを選びました 🔬 記事の最後に語られるのは、Matlantis が当たり前の研究インフラになった世界です。新しい材料を開発しようとしたとき、まず顕微鏡を買い、次に Matlantis を導入する。そんな世界を目指して、開発を続けています。 インタビュー全文はこちら：matlantis.com/ja/resources/b… #Matlantis #機械学習ポテンシャル #材料開発