TECHNICAL NOTE

FURTHER

On-The-Fly MDのさらなる活用

ここでは、On-The-Fly MDがどうして機械学習ポテンシャルのデータベースを活用した課題２つを解決し得るのかを説明します。まず、１つ目の課題、機械学習ポテンシャルのための計算コストに関してです。On-The-Fly MDで機械学習ポテンシャルを生成することを考えてみましょう。通常、機械学習ポテンシャルを生成する場合、ニューラルネットワークを用いて行われ、まずは事前に数百ものDFT計算が実行され、教師データが生成されます。ただし、この数百もの学習データにはお互いに近いものも含まれ、一般には重複が大きいものとなっています。つまり、重複のある無駄なものまでDFT計算が実行され、これが計算のボトルネックとなっています。一方で、On-The-Fly MDではどうかというと、MDステップが実行され、推定誤差が大きいところのみをDFT計算を行い、学習モデルに取り込んでいくというアプローチのため、重複データのない最小限のDFT計算の回数に留まります。このため、大幅なDFT計算の回数の削減につながり、機械学習ポテンシャルの高速生成が可能になります。２つ目の課題、ハイパーパラメータが多すぎることによるMD計算の原則に関してです。これまでOn-The-Fly MD計算において、第一原理MD計算結果を信頼できる参照データとしていました。できる限り、第一原理MD計算の結果を再現するように、そこからの誤差推定を毎ステップ行っていました。この参照データをもしCHGNetのような機械学習ポテンシャルにしたらどうなるでしょうか？CHGNetなどの機械学習ポテンシャルを教師データとするとOn-The-Fly MDはできる限りCHGNetなどの機械学習ポテンシャルを真似するように働きます。その際、もしOn-The-Fly MDのハイパーパラメータを少なくとるとどうなるでしょうか？実際に、On-The-Fly MDでは汎用性（どんな物質でもある程度の正解を出すこと）を求められていません。計算したいと思っている対象物質に対して、精度が良ければ良いのです。したがって、CHGNetなどのような汎用ポテンシャルよりも少ないハイパーパラメータでも同程度の精度を出すことが可能になります。実際、このようにCHGNetなどの機械学習ポテンシャルを教師データとしてOn-The-Fly MDを実行すると、ハイパーパラメータの少ない機械学習ポテンシャルに作り変えることができるのです。一度ハイパーパラメータの少ない機械学習ポテンシャルが作成できると、そのMD計算のスピードは百倍近いスピードになります。もちろん、CHGNetなどの汎用性のある機械学習ポテンシャルをそのまま利用してMD計算をするよりも一手間がかかり面倒にはなりますが、その後の恩恵は凄まじいものになります。特に、長時間MD計算をしたいという方には、素直に汎用型の機械学習ポテンシャルで行うよりも圧倒的な計算スピードになりますので、是非こちらの方法をオススメします。