【本学研究者情報】

〇学際科学フロンティア研究所
助教　Nguyen Tuan Hung
研究所ウェブサイト

【発表のポイント】

• 物質の物性予測に適した新しいAIモデル「GNNOpt（Graph Neural Network for Optical Spectra）」を開発しました。
• GNNOptは、量子シミュレーションと比較して100万倍の速度で、しかも高精度な光学スペクトル予測を行うことができました。
• 本成果によって、光学や量子力学による新規材料開発を大幅に加速させることが期待されます。

【概要】

エネルギー応用に最適な物質を設計する上で、固体材料の構造と物性の関係を理解することは極めて重要です。これまでは、材料構造から物性を予測するための強力なツールとしてグラフニューラルネットワーク（GNN）^{（注１、２）}が活用されてきました。しかし、材料の立体構造をコンピューター上で表現するのが難しいため、従来のGNNで多くの複雑な材料の特性を予測することは依然として困難です。そこで、このボトルネックを克服するための新しいGNNモデルが提案されています。

東北大学学際科学フロンティア研究所のグエン タン フン（Nguyen Tuan Hung）助教は、米マサチューセッツ工科大学（MIT）のミンダ?リ(李明达, Mingda Li)教授、岡部遼太郎氏（博士課程学生）、アピチャトメティ?チョトラッタナピトゥク(Abhijatmedhi Chotrattanapituk)氏（博士課程学生）と共同で、GNNモデルに「普遍的な」アンサンブル埋め込み層を使用した新たなAIモデル「GNNOpt」を開発しました。この埋め込み層は、従来の予測力を向上させるための最適な表現と材料を自動的にマッチングさせる機能を持ち、GNNOptは結晶構造のみを基にした光学スペクトルの精密な予測と、従来の量子シミュレーション^（注３）の最大100万倍の速さでの計算が可能です。

今後、GNNOptは光起電力材料や量子材料^（注４）の開発を大幅に加速させることが期待されます。

本成果は9月12日、学術誌Advanced Materialsに掲載されました。

【用語解説】

注1. グラフニューラルネットワーク（Graph Neural Networks、GNN）：グラフ構造データを扱うための深層学習技術です。ちなみにグラフ構造とは、考察する対象を頂点(ノード)で表し、対象と対象の関係を辺（エッジ）で結んで図で表示した構造です。ネットワーク分析や最適化問題、アルゴリズム、データ構造など、さまざまな分野で広く利用されている数学的概念です。

注2. 同変グラフニューラルネットワーク：GNNの一種で、空間的な変換に対して同変性（equivariance）を持つモデルです。特に、対称性や物理法則に基づいた問題において重要です。

注3. 量子シミュレーション：原子の種類と位置の情報を入力して固体の電子状態を計算する計算手法。正式には第一原理計算と呼ばれます。その手法は多岐に渡り、第一原理計算を行うパッケージとしても製品版、無料版など各種公開されています。

注4. 量子材料：量子力学の効果を示す材料。超伝導やトポロジーといった特殊な性質を持つ材料の一種です。

【論文情報】

タイトル：Universal Ensemble-Embedding Graph Neural Network for Direct Prediction of Optical Spectra from Crystal Structures
著者：Nguyen Tuan Hung*, Ryotaro Okabe, Abhijatmedhi Chotrattanapituk, Mingda Li*
*責任著者：東北大学学際科学フロンティア研究所 助教 Nguyen Tuan Hung
マサチューセッツ工科大学 准教授 Mingda Li
掲載誌：Advanced Materials
DOI: 10.1002/adma.202409175

詳細（プレスリリース本文）

問い合わせ先

（研究に関すること）
東北大学学際科学フロンティア研究所
助教 Nguyen Tuan Hung
TEL: 022-795-5755
Email: nguyen.tuan.hung.e4*tohoku.ac.jp
（*を@に置き換えてください）

（報道に関すること）
東北大学学際科学フロンティア研究所
企画部
特任講師　児山 洋平（こやま ようへい）
TEL: 022-795-4353
Email: yohei.koyama.e2*tohoku.ac.jp
（*を@に置き換えてください）