少ないデータで高速な材料発見:AIによる新材料開発の手法を再考(Less Data, Faster Discovery: Researchers Rethink AI’s Role in Developing New Materials)

2026-11-16 ミシガン工科大学

米国ミシガン工科大学とカリフォルニア大学ロサンゼルス校などの研究チームは、新材料開発に利用する電子状態予測AIの学習データに大きな重複が存在することを明らかにし、学習データを大幅に削減する手法を開発した。従来、材料の電子状態を予測する機械学習モデルの構築には、第一原理計算の一種であるKohn-Sham密度汎関数理論(KS-DFT)によって生成した大量のデータが必要とされていた。研究チームは、金属、分子、水、複雑な合金など複数の材料系を対象に、電子状態データの情報的な重複と内在的な低次元性を解析した。その結果、学習データの90%を削減しても予測精度をほぼ維持でき、さらに適切なデータ選択手法を用いることで、最大約100分の1のデータ量でも化学的精度と汎化性能を保てることを示した。学習時間も従来の3分の1以下に短縮できた。これは、電子状態データの本質的な情報が低次元の非線形多様体上に分布し、膨大なデータの多くが重複情報を含むためと考えられる。本研究は、AIによる材料探索の計算コストを削減し、複雑な合金などの新材料開発を効率化するための基盤技術となる。

<関連情報>

材料間の電子構造データに見られる驚くほど高い冗長性:低い内在次元による説明(Surprisingly high redundancy in electronic structure data across materials explained by low intrinsic dimensionality)

Sazzad Hossain, Ponkrshnan Thiagarajan, Shashank Pathrudkar, Stephanie Taylor, Abhijeet Sadashiv Gangan, Amartya S. Banerjee, Susanta Ghosh
npj Computational Materials Springer Nature 巻12(2026年)89 Early Provide
DOI:10.1038/s41524-026-02361-x

Tii-summary

材料の電子構造を予測する機械学習モデルでは、通常、計算負荷の大きいコーン・シャム密度汎関数理論(KS-DFT)によって生成された膨大な学習データが必要とされる。本研究では、アルミニウム、水、SiGeSn合金、CrFeCoNi高エントロピー合金など複数の材料系を対象に、電子構造データに含まれる冗長性と、その背景にある低い内在次元性を解析した。データ削減手法として、ランダム抽出、勾配情報に基づくGraNd法、学習難易度の異なるデータを幅広くカバーするCoverage-based Coreset Selection(CCS)法を比較した。その結果、特にCCS法では、材料の化学精度とモデルの汎化性能を概ね維持しながら、学習データを最大約100分の1まで削減でき、モデルの学習時間も3分の1以下に短縮できることを示した。また、電子構造に関する本質的な情報が低次元の非線形多様体上に分布していることを明らかにし、データ削減が可能となる幾何学的な背景を説明した。ただし、極端なデータ削減では、未経験組成や構造欠陥など一部の汎化試験で精度が低下する場合も確認されている。本研究は、第一原理計算と機械学習を組み合わせた材料探索において、代表性の高い学習データを効率的に選択し、計算資源と開発時間を削減するための重要な指針を提示している。

Machine learning models for predicting electronic structures of materials typically rely on large datasets generated through computationally expensive Kohn–Sham density functional theory (KS-DFT) calculations. This study investigates data redundancy and its underlying low intrinsic dimensionality across several material systems, including aluminum, water, SiGeSn alloys, and CrFeCoNi high-entropy alloys. The researchers compared random sampling, gradient-based data selection using the GraNd method, and Coverage-based Coreset Selection (CCS), which aims to capture samples across different levels of learning difficulty. The results demonstrate that CCS can reduce training datasets by up to two orders of magnitude while generally preserving chemical accuracy and model generalizability, with training times reduced by a factor of three or more. The researchers further show that essential electronic structure information lies on a low-dimensional nonlinear manifold, providing a geometric explanation for the observed data redundancy. However, extreme data reduction can affect generalization in certain tests, particularly those involving unseen compositions and structural defects. This work provides an important framework for selecting representative training data and reducing computational costs in machine-learning-based materials science and first-principles simulations.

1504数理・情報
ad
ad
ad
タイトルとURLをコピーしました