フォノンDOSのAI予測による比熱の高速推定と第一原理計算による検証#

Advance/PHASE ロゴ

比熱（熱容量）は、放熱設計・熱電変換・耐熱材料・蓄熱材料など、あらゆる熱マネジメントの出発点となる基礎物性です。固体の格子比熱は、原子の集団振動であるフォノンのエネルギー分布、すなわちフォノン状態密度（DOS）によって決まります。本事例では、結晶構造からフォノンDOSをE(3)等変グラフニューラルネットワークで高速に予測し、そこから比熱・デバイ温度を物理法則に従って導出します。AIの汎化性能は約17,500材料の交差検証で定量評価し、さらに代表的な無機結晶（ダイヤモンド, Si, MgO, GaAs, NaCl）については、AIの予測を第一原理計算ソフトウェアAdvance/PHASE + ALAMODEのフォノン計算および実験値と直接照合して、手法の妥当性と適用限界の双方を検証しました。

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), フォノン状態密度 (Phonon DOS), 比熱・熱容量, デバイ温度, 調和近似

1. 比熱とフォノン状態密度（DOS）#

固体の格子比熱は、各フォノンモードがどれだけ熱的に励起されるかで決まります。調和近似では、定積比熱はフォノンDOS $g(\omega)$ の重み付き積分として厳密に書けます。

調和近似の比熱 \[ C_V(T) = k_B \int g(\omega)\, \frac{x^{2} e^{x}}{(e^{x}-1)^{2}}\, d\omega, \qquad x = \frac{\hbar\omega}{k_B T} \]

（$\int g(\omega)\, d\omega = 3 N_{\text{at}}$）

高温では $C_V \to 3 N_{\text{at}} k_B$（デュロン・プティ極限）、低温では $C_V \propto T^{3}$（デバイ則）。同じフォノンDOSから、振動エントロピー $S(T)$、振動自由エネルギー $F(T)$、零点エネルギー、デバイ温度 $\theta_D$ もすべて導かれます。
※ $T$: 温度、$k_B$: Boltzmann定数、$N_{\text{at}}$: 原子数

したがって「比熱を予測する」ことの本質は「フォノンDOSを予測する」ことに帰着します。比熱を温度ごとに直接回帰する方法もありますが、高温側はデュロン・プティ極限で自明となり、実質的にデバイ温度しか学べません。本事例はフォノンDOSそのものを予測し、そこから物理法則に従って比熱を導きます。比熱はフォノンDOSの滑らかな積分量であるため、フォノンDOSに多少の誤差があっても $C_V(T)$ は頑健に精度が保たれます [1]。

2. E(3)等変グラフニューラルネットワークによるフォノンDOS予測#

本事例のワークフローを図1に示します。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 [2] がフォノンDOSを予測、調和熱力学モジュールが比熱・デバイ温度を導出します（AI経路）。第一原理計算の経路（DFT経路）では、Advance/PHASE + ALAMODE [3] を用いて同じ調和理論に基づき比熱を計算し、実験値と照合します。

比熱予測・検証ワークフロー
図1. 本事例のワークフロー。

なぜ「等変ネットワーク」でスカラー量を予測するのか
フォノンDOSは回転・並進・反転に対して不変なスカラー列です（$g(R\!\cdot\!\mathcal{S}) = g(\mathcal{S})$、$\mathcal{S}$ は結晶構造、$R$ は対称操作）。本モデルは、E(3)等変メッセージパッシングで各原子の豊かな等変特徴を作り、その不変（スカラー）成分を結晶単位でプールしてフォノンDOSスペクトルへ写します。出力はsoftplusで非負化し、$\int g\, d\omega = 3 N_{\text{at}}$ を満たすよう規格化することで、物理的に妥当なフォノンDOSのみを出力します。

モデルはe3nnライブラリ [4] で実装し、NequIP型の等変畳み込み（ノード特徴 64×0e + 16×1o + 16×1e + 32×2e、3層、約40万パラメータ）を用います。学習データにはMaterials Project [5] のフォノンDOSデータベースを用い、虚振動をもつ力学的に不安定な構造は前処理で除外し、共通周波数グリッド（0–1600 cm⁻¹、401点）へ載せ替えて学習ターゲットとしました。取得した18,142材料のうち、グリッド上限（1600 cm⁻¹）を超える成分や、面積がゼロとなる処理不可能なデータを除外し、17,516材料を学習・評価に使用しています。

モデルの予測精度（材料単位の5分割交差検証）#

汎化性能は、材料単位の5分割交差検証で評価します。評価指標は、フォノンDOSスペクトルそのものの一致度に加えて、実用上重要な導出量の精度、すなわち $C_V(300\,\text{K})$ とデバイ温度 $\theta_D$ を併記します。導出量はいずれも予測したフォノンDOSから調和熱力学モジュールで計算し、参照値と比較しています。

比熱Cv(300K)のパリティプロット：AI予測値 vs 参照値
図2. 比熱 $C_V(300\,\text{K})$ のパリティプロット。材料単位5分割交差検証で、AIが予測したフォノンDOSから導いた $C_V(300\,\text{K})$ （縦軸）を参照値（Materials Projectのデータ、横軸）と比較しています。破線は完全一致。

表1. フォノンDOS予測の精度（材料単位5分割交差検証）

評価指標	決定係数 $R^2$	誤差
フォノンDOS スペクトル	0.617	RMSE 0.050 states/cm⁻¹
比熱 $C_V(300\,\text{K})$	0.921	MAE 0.406 J/mol-atom/K
デバイ温度 $\theta_D$	0.917	MAE 46.8 K

比熱 $C_V(300\,\text{K})$ の決定係数 $R^2 \approx 0.92$ 、平均絶対誤差 $\approx 0.41$ J/mol-atom/K です。フォノンDOSスペクトル自体の一致度（ $R^2 \approx 0.62$ ）に比べ、その積分量である比熱は誤差が相殺されて高精度になります。デバイ温度も高い精度（ $R^2 \approx 0.92$ ）に達しています。結晶構造を入力するだけで、この精度の比熱・デバイ温度がAI予測で瞬時に得られます。学習はGPUを用いずCPUのみ（5分割並列、各分割で早期終了により55〜70エポックで収束）で完了しており、計算資源の面でも導入が容易です。

3. 第一原理計算（Advance/PHASE + ALAMODE）による検証#

前節のAI精度は約17,500材料の統計評価です。本節では、学習済みモデルを5つの代表的な無機結晶に適用し、その予測をAdvance/PHASEの有限変位法とALAMODEによる第一原理フォノン計算、および実験値 [6] と直接照合します。極性結晶（MgO, GaAs, NaCl）ではLO-TO分裂を非解析項補正（ボルン有効電荷と $\varepsilon_\infty$ 、文献値使用）で扱っています。

フォノンDOSの比較：AI予測と第一原理計算
図3. フォノンDOSの比較：AI予測（黒線）と第一原理計算（塗り、Advance/PHASE + ALAMODE）。面積規格化して重ねています。MgO・Si・GaAs・NaClでは、AIは鋭いvan Hove特異点こそ平滑化するものの、フォノンDOS全体の分布を良く再現します。一方ダイヤモンド（C）では、第一原理が高周波（1100〜1350 cm⁻¹）に集中させるスペクトル重みを、AIは低周波側に広く分布させており、これが後述の比熱の過大評価に直結します。

比熱の温度依存性
図4. 第一原理計算による比熱 $C_V(T)$ （原子あたり、実線）と実験の $C_p(300\,\text{K})$ （○）。デバイ温度順に立ち上がりが並び、ダイヤモンド（ $\theta_D \approx 2230$ K）は室温でもデュロン・プティ極限（ $3R$ ）の1/4程度、NaCl（ $\theta_D \approx 321$ K）は室温でほぼ極限に達します。

表2. デバイ温度と比熱：AI予測・第一原理計算(DFT)・実験の比較

材料	構造	デバイ温度 $\theta_D$ [K]			比熱 $C(300\,\text{K})$ [J/mol-atom/K]
材料	構造	AI	DFT	実験	AI ($C_V$)	DFT ($C_V$)	実験 ($C_p$)
ダイヤモンド C	ダイヤモンド	1326	1906	2230	13.23 *	6.15	6.11
Si	ダイヤモンド	572	663	645	21.07	19.97	20.0
MgO	岩塩	709	760	940	19.34	18.57	18.6
GaAs	閃亜鉛鉱	351	368	360	23.34	23.18	23.5
NaCl	岩塩	308	332	321	23.69	23.48	25.2

* ダイヤモンドのAI比熱は明確な過大評価（外れ値）

AI予測・第一原理計算と実験のパリティプロット
図5. パリティプロット。(a) 比熱 $C(300\,\text{K})$ 、(b) デバイ温度 $\theta_D$ について、AI予測（○）と第一原理計算（●）を実験値（横軸）と比較。細い縦線は同一材料のAI予測値とDFT計算値を結びます。破線は実験との完全一致。

第一原理計算 vs 実験（物理の妥当性）：第一原理の比熱 $C_V(300\,\text{K})$ は、ダイヤモンド・Si・MgO・GaAsで実験値と約1.4%以内の差で一致します（図5 ●、表2）。NaClの差がやや大きい（23.5 vs 25.2）のは、実験値が定圧比熱 $C_p$ であり、非調和性による定積比熱 $C_V$ との差（熱膨張項）を含むためで、調和近似の $C_V$ が実験の $C_p$ をやや下回るのは物理的に妥当な傾向です。

AI予測 vs 第一原理（AIの直接検証）：AIの予測（図5 ○、表2）は、MgO・Si・GaAs・NaClの4結晶で第一原理の $C_V(300\,\text{K})$ を平均 0.56 J/mol-atom/K、デバイ温度を平均 46 K で再現します。この誤差は約17,500材料の交差検証（表1： $C_V$ MAE 0.41、 $\theta_D$ MAE 46.8 K）とほぼ同水準です。一方、ダイヤモンドは明確な外れ値で、AIは $C_V(300\,\text{K})$ を 6.2 → 13.2 と約2倍に過大評価します。ダイヤモンドは既知の天然物質の中で最も硬い固体であり、フォノン周波数（〜1350 cm⁻¹）が学習データ分布の極端な端に位置します。AIはこの領域でフォノンDOSのスペクトル重みを低周波側に寄せてしまい、比熱を過大評価します。これはデータ駆動モデルが学習分布の外縁で精度を落とすという既知の性質の表れであり、AIの高速スクリーニングを第一原理計算で検証することが必要である理由を示しています。

デバイ温度 $\theta_D$ の定義について
本事例の $\theta_D$ は、フォノンDOSの2次モーメントから定義した値です。この定義はフォノンDOS全体（音響＋光学モード）を反映するため、AI予測と第一原理を同じ土俵で比較できます。一方、実験・教科書的な $\theta_D$ は低温の弾性定数（音響モード）から定義されることが多く、ダイヤモンド・MgOのように硬く分散の強い結晶では2次モーメント $\theta_D$ の方が系統的に低めに出ます（表2）。Si・GaAs・NaClのようにフォノンDOSがデバイ的な材料では両定義は約3%以内の差で一致します。定義に依存しない頑健な比較量は比熱であり、こちらは上述のとおり実験と良く一致します。

4. 補足：調和近似の適用範囲と非調和効果への展開#

本事例で予測・検証した比熱 $C_V$ ・振動エントロピー $S(T)$ ・デバイ温度 $\theta_D$ は、いずれも調和近似（フォノンを独立な調和振動子とみなし、その振動数を温度によらず一定とする近似）に基づく量です。調和近似は多くの結晶で室温付近まで良い精度を与え、格子熱力学の確かな出発点となりますが、明確な適用範囲があります。

調和近似は定積比熱 $C_V$ を与える一方、熱膨張を含まないため定圧比熱 $C_p$ を再現できません。さらに、フォノン振動数が温度に依存せず、フォノン間散乱も考慮されないため、計算上、格子熱伝導率が発散してしまうという限界があります。そのため、ラットリングモードをもつ熱電材料や構造相転移の近傍、高温域など、強い非調和性が顕著に現れる系においては、調和近似だけでは不十分となります。

本事例の検証ワークフローはAdvance/PHASE + ALAMODEで構成されているため、非調和効果への拡張は自然に接続します。ALAMODEは高次（3次・4次）の力定数を抽出でき、格子熱伝導率およびフォノン振動数の温度依存性や自由エネルギー、定圧比熱 $C_p$ 、熱膨張などへの展開が可能です。

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でフォノン状態密度を予測し、そこから比熱・デバイ温度・振動熱力学量を一貫して導く手法を構築しました。AIの汎化性能は約17,500材料の交差検証で比熱 $C_V(300\,\text{K})$ ・デバイ温度ともに $R^2 \approx 0.92$ を確認し、さらに5つの代表的結晶では、AI予測をAdvance/PHASE + ALAMODEの第一原理フォノン計算および実験と直接照合しました。多くの材料でAIは第一原理に匹敵する精度を示す一方、ダイヤモンドのような特異材料では第一原理計算による検証が不可欠であることも明らかになりました。このように、AIによる物性の高速スクリーニングと、第一原理計算による定量的な裏付けを連携させることで、材料開発の加速が期待されます。

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#

Z. Chen, N. Andrejevic, T. Smidt, Z. Ding, Q. Xu, Y.-T. Chi, Q. T. Nguyen, A. Alatas, J. Kong, and M. Li, "Direct Prediction of Phonon Density of States With Euclidean Neural Networks", Adv. Sci. 8, 2004214 (2021).
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).
T. Tadano, Y. Gohda, and S. Tsuneyuki, "Anharmonic force constants extracted from first-principles molecular dynamics: applications to heat transfer simulations", J. Phys.: Condens. Matter 26, 225402 (2014).
M. Geiger and T. Smidt, "e3nn: Euclidean Neural Networks", arXiv:2207.09453 (2022).
A. Jain et al., "Commentary: The Materials Project: A materials genome approach to accelerating materials innovation", APL Materials 1, 011002 (2013).
J. Rumble, T. J. Bruno, and M. J. Doa (Ed.), CRC Handbook of Chemistry and Physics, 104th ed., CRC Press, 2023.