E(3)等変GNNによるボルン有効電荷のAI予測と第一原理計算による検証#

Advance/PHASE ロゴ

コンデンサや半導体ゲート絶縁膜に用いられる高誘電率（high-κ）材料の探索において、誘電率の大部分を占める「格子系（イオン）寄与」を高精度に予測することは重要な課題です。この格子誘電率の大きさを本質的に決めているのがボルン有効電荷（Born Effective Charge, BEC）です。本事例では、物理ベース分解型機械学習に基づいたBEC予測を、E(3)等変グラフニューラルネットワーク（Equivariant GNN）で実装し、Materials Projectの公開データで学習しました。そのうえで、代表的な機能性材料（α-SiO₂, AlN, GaN, ZnO, LiTaO₃）に対してAI予測を行い、第一原理計算ソフトウェアAdvance/PHASEを用いたDFT計算の結果と照合してその予測精度を検証します。

Keywords: 第一原理計算 (DFT), 機械学習, 等変グラフニューラルネットワーク (E(3)-Equivariant GNN), ボルン有効電荷 (BEC), 誘電率, 高誘電率材料, 異常ボルン電荷, Materials Project

1. ボルン有効電荷とその予測#

静的誘電率は、電子分極による「電子系」寄与と、格子振動を介したイオン変位による「格子系」寄与の和で表されます。このうち格子系誘電率は、フォノン（格子振動）とボルン有効電荷の組み合わせで決まります。ボルン有効電荷 Z* は「原子が単位変位したときにどれだけの分極が生じるか」を表す2階のテンソル量であり、公称価数（例: Si⁴⁺, O^2-）とは異なり、原子変位に伴う周囲の電子雲の動的な再配分（動的電荷移動）の効果を含みます。特に強誘電体では、特定の原子が公称価数を大幅に超える異常ボルン電荷を持ち、これが巨大な格子誘電率の起源となります。

機械学習による誘電率予測では、この格子系寄与の精度が電子系寄与に比べて一貫して低いことが知られていました。その理由は、格子誘電率がフォノン周波数の2乗に反比例して発散的に振る舞うためで、発散量そのものを直接回帰させると予測が不安定になります。この課題に対し、Takigawaらは誘電率を「ボルン有効電荷」と「フォノン」に物理的に分解し、それぞれを別々に予測して解析式で合成する物理ベース分解型機械学習を提案しました [1]。本事例では、その第一の構成要素であるボルン有効電荷のAI予測に焦点を当てます。

2. E(3)等変グラフニューラルネットワークによるBEC予測#

本事例のBEC予測ワークフロー [1] を図1に示します。モデルはe3nnライブラリ [2] を用いて実装しました。NequIP [3] 型の等変メッセージパッシングを採用し、ノード特徴に既約表現 64×0e + 16×1o + 16×1e + 32×2e、畳み込み層に3層のネットワーク、活性化関数にSiLUを用いています。学習データにはMaterials Project [4] に公開されているボルン有効電荷データ（BECが定義される絶縁体が対象）から、検証対象の5材料（組成レベルで除外）、音響和則の破れや異常に大きな |Z*| を示す少数のデータ、および重複エントリを除いた12,802化合物を用いました。論文 [1] が対象とした酸化物928件に対し、本事例では窒化物（AlN, GaN）の検証も行うため、酸化物に限定せず幅広い化学系を学習に含めています。

図1. 本事例のBEC予測ワークフロー。結晶構造を入力とし、E(3)等変グラフニューラルネットワークが各原子サイトのボルン有効電荷テンソルを出力します。

なぜ「等変性」が必要か
ボルン有効電荷は3×3のテンソル量であり、結晶を回転させれば Z* も同じ規則で回転しなければなりません（Z*(R·構造) = R Z* R^T）。E(3)等変ニューラルネットワークは、この回転・並進・反転に対する変換則をネットワーク構造自体に組み込んでいます。さらにBECは全エネルギーの原子変位と電場に関する2階微分であるため一般に非対称テンソルであり、既約表現では 0e（スカラー＝トレース成分）+ 1e（擬ベクトル＝反対称成分）+ 2e（対称トレースレス成分）の9成分（1+3+5）に分解されます。本モデルはこの9成分を直接出力することで、対称性と非対称性の両方を物理的に正しく扱います。

モデルの予測精度（5分割交差検証）#

モデルの汎化性能は5分割交差検証で評価しました。分割は原子サイト単位ではなく材料（化合物）単位で行い、同じ結晶のサイトが学習側とテスト側の両方に入って精度を過大評価することを防いでいます。ボルン有効電荷テンソルの固有値ベース（Z*は一般に非対称で固有値が複素数になりうるため、対称部分の固有値を使用）で評価した結果を、論文 [1] の値とあわせて表1に示します。

表1. ボルン有効電荷の予測精度（対称部分の固有値ベース、5分割交差検証の平均）

評価指標	本モデル（12,802化合物）	論文[1]（酸化物928件）
決定係数 R²	0.980	0.982
RMSE	0.377	0.373
MAE	0.175	0.231

決定係数 R² = 0.980、RMSE = 0.377は、論文 [1] と同等の高精度を再現できました。MAEは論文値を下回っていますが、論文が酸化物のみを対象とするのに対し本事例のテスト対象は幅広い化学系であり、Z*が公称価数に近い比較的予測しやすい材料も多く含むためです。なお、5分割交差検証は、汎化性能の評価と学習エポック数の決定に用いました。検証に使用する最終モデルは、この交差検証で得られた平均エポック数（170）を採用し、全12,802化合物のデータで再学習して構築しています。

ボルン有効電荷のパリティプロット
図2. ボルン有効電荷の固有値に関するパリティプロット（5分割交差検証）。横軸がMaterials Projectのデータ参照値、縦軸がAI予測値です。色はデータ点の数（密度）を表し、2通りのカラースケールで示しています。(a) は平方根スケール（PowerNorm, γ = 0.5）で表示したもので、大多数の点が対角線（赤破線）上のごく狭い帯に集中する様子が際立ち、高い決定係数（R² = 0.980）を視覚的に確認できます。(b) は対数スケールで、公称価数から大きく外れる異常ボルン電荷を含む広い電荷範囲にわたって、予測が対角線に沿っていることが分かります。

図2のパリティプロットに示すとおり、AI予測値は第一原理計算の参照値と対角線上でよく一致しています。ボルン有効電荷は大多数の原子で絶対値が小さい（0付近に集中する）ため、密度スケールを調整して、対角線に沿った狭い帯にデータが集中している様子、すなわち予測誤差の小ささが明瞭に見て取れます。公称価数から大きく外れる異常ボルン電荷を含む広い範囲にわたって、等変ニューラルネットワークが高精度な予測を実現できていることが分かります。

3. 第一原理計算による検証#

学習済みモデルを5つの代表的な機能性材料に適用し、その予測値をAdvance/PHASEによる第一原理計算結果 [5] と比較しました。これらは共有結合性の絶縁体（α-SiO₂）、窒化物半導体（AlN, GaN）、酸化物半導体（ZnO）、強誘電体（LiTaO₃）という多様な材料クラスを含み、いずれも学習データからは除外しています。AI予測とDFT計算値 [5] を、回転に対して不変な等方平均 Z*（テンソルのトレース/3）で比較した結果を表2に示します。

表2. AI予測したボルン有効電荷とDFT計算値（GGA-PBE）[5] との比較（等方平均 Z* = トレース/3）

材料	元素	AI予測 Z*	DFT計算値 Z* [5]
α-SiO₂ (石英)	Si	+3.42	+3.36
α-SiO₂ (石英)	O	−1.71	−1.68
AlN	Al	+2.55	+2.55
AlN	N	−2.55	−2.55
GaN	Ga	+2.70	+2.65
GaN	N	−2.70	−2.65
ZnO	Zn	+2.21	+2.17
ZnO	O	−2.21	−2.17
LiTaO₃ (強誘電体)	Ta	+6.90	+7.37
LiTaO₃ (強誘電体)	Li	+1.12	+1.10

AI予測と第一原理計算(DFT)の比較
図3. AI予測と第一原理計算（Advance/PHASE, GGA-PBE）によるボルン有効電荷の比較。横軸がDFT計算値 [5]、縦軸がAI予測値で、いずれも元素ごとの等方平均 Z*（テンソルのトレース/3）です。破線は完全一致（AI = DFT）を表します。

表2・図3に示すとおり、AI予測は全10点でDFT計算値と非常によく一致し、決定係数 R² = 0.998、平均絶対誤差 MAE = 0.076 を達成しました。ZnOではさらに、AI予測のxx成分およびzz成分が、公称価数+2をわずかに上回る電荷の増強と、xx < zz という異方性の向きまで捉えています。強誘電体LiTaO₃のTaについては、以下に述べるように、公称価数+5を大幅に超える巨大な異常ボルン電荷を定性的に正しく再現しています。

物理的な妥当性：異常ボルン電荷の再現#

異常ボルン電荷の再現
図4. AI予測したボルン有効電荷の絶対値と公称イオン価数の関係。対角線より上（赤領域）は公称価数を超える「異常ボルン電荷」、下（青領域）は共有結合性による「低減」を表します。

図4は、各元素のボルン有効電荷を公称イオン価数と対比したものです。本モデルは、材料クラスごとに異なる電荷移動の性質を正しく捉えています。共有結合性の強いα-SiO₂ではSi・Oともに公称価数より絶対値が小さく（対角線より下）、一方で強誘電体LiTaO₃のTaは公称+5を約1.9も上回る巨大な値（対角線より上）を示します。この対照的な振る舞いは、第一原理計算（Advance/PHASE）の結果と整合します。ボルン電荷が公称価数から逸脱する現象こそが動的電荷移動の現れであり、AIがこれを再現できることは、単なる数値のフィッティングを超えて材料物性の物理を学習していることを示唆します。

等変性が生む物理的整合性
ウルツ鉱型のAlN・GaN・ZnOでは、予測されたボルン電荷テンソルの非対称成分が厳密にゼロとなりました。これはサイト対称性がテンソルを対角・対称に強制するためで、モデルが対称性を学習ではなく構造から必然的に満たしていることを意味します。一方、低対称サイトを持つα-SiO₂のSiやLiTaO₃のTaでは非対称成分が現れ、これも物理的に正しい振る舞いです。また、音響和則（Σ_j Z*_j = 0：全原子のボルン電荷の総和がゼロ＝電荷中性）は等変性から自動的に従う性質ではありませんが、モデル生出力での破れは5材料で最大0.052にとどまり、論文 [1] の報告値（0.061 ± 0.060）と同水準でした。なお、本事例に示した予測値には、論文 [1] と同じ手順で音響和則を厳密に満たす一様シフト補正を適用しています（AlN・GaN・ZnOで陽イオンと陰イオンの値が正確に符号反転の対になるのはこのためです）。

4. ボルン有効電荷の多彩な応用#

ボルン有効電荷は格子誘電率の算出だけでなく、原子変位と電気分極を結びつける基礎的な物理量として、材料物性の幅広い解析に用いられます。代表的な応用を以下に示します。

フォノン分散とLO-TO分裂: ボルン有効電荷と電子系誘電率は、フォノン計算における非解析項補正を通じて、縦光学（LO）フォノンと横光学（TO）フォノンのエネルギー分裂を決定します。極性結晶のフォノン分散を正しく求めるために不可欠です。
赤外（IR）吸収スペクトル: 各フォノンモードの赤外吸収強度は、ボルン有効電荷とモード固有ベクトルの積（モード有効電荷）の2乗に比例します。IRスペクトルのピーク強度の予測に直接用いられます。
圧電特性: 圧電テンソルは、ひずみに対する分極の応答であり、ボルン有効電荷を介して原子変位の寄与が記述されます。圧電体・強誘電体材料の設計に重要です。
強誘電分極: 強誘電体の自発分極や、その温度・電場応答の解析において、ボルン有効電荷は分極変化を原子変位から評価する際の基礎量となります。
電子-格子相互作用: 極性光学フォノンによるキャリア散乱（Fröhlich相互作用）やポーラロン形成の評価にも、ボルン有効電荷が現れます。移動度など輸送特性の理解に寄与します。

このように、ボルン有効電荷を高速・高精度に予測できるAIモデルは、誘電材料に留まらず、圧電体、強誘電体、赤外・ラマン分光、半導体キャリア輸送など、幅広い材料解析の入口となります。

まとめ#

本事例では、E(3)等変グラフニューラルネットワークを用いてボルン有効電荷を予測するAIモデルを構築し、Materials Projectの12,802化合物データで学習しました。5分割交差検証で決定係数 R² = 0.980という高精度を達成し、代表的な5つの機能性材料（α-SiO₂, AlN, GaN, ZnO, LiTaO₃）に対する予測が、Advance/PHASEによる第一原理計算結果と良好に一致することを確認しました。特に、ZnOの異方性や、LiTaO₃のTaが持つ公称価数+5を大幅に超える巨大な異常ボルン電荷（DFT +7.37 に対しAI +6.90）といった、材料物性の本質に関わる特徴を正しく再現できています。ボルン有効電荷は格子誘電率のほか、フォノン分散、赤外スペクトル、圧電特性など幅広い物性解析の基礎量であり、その高速・高精度なAI予測と第一原理計算による検証は多様な材料開発の加速に期待されます。

本解析の詳細や、研究への適用可能性に関するご相談はこちら

お問い合わせ

参考文献#

A. Takigawa, S. Kiyohara, and Y. Kumagai, "Physics-Based Factorized Machine Learning for Predicting Ionic Dielectric Tensors", Phys. Rev. X 16, 021006 (2026).
M. Geiger and T. Smidt, "e3nn: Euclidean Neural Networks", arXiv:2207.09453 (2022).
S. Batzner, A. Musaelian, L. Sun, M. Geiger, J. P. Mailoa, M. Kornbluth, N. Molinari, T. E. Smidt, and B. Kozinsky, "E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentials", Nat. Commun. 13, 2453 (2022).
A. Jain et al., "Commentary: The Materials Project: A materials genome approach to accelerating materials innovation", APL Materials 1, 011002 (2013).
誘電関数の第一原理計算：各種材料の解析事例