　同社富士通研究所コンピューティング研究所マテリアルズインフォマティクスPJ シニアリサーチマネージャーの坂井靖文氏、開発担当の吉本勇太氏、開発担当の松村直樹氏、同社グローバルソリューションBG クロスインダストリーソリ事業本部 Digital Shifts事業部マネージャーの溝渕真名武氏に、GeNNIP4MDの開発背景や特徴、今後の展開などについて聞いた。

公開NNPの課題

　近年、材料物性を原子レベルで予測する手法として、古典力場や第一原理計算を用いたMDシミュレーションが利用されている。しかしながら、古典力場を用いたMDシミュレーションは、計算速度が速いが、数理モデルの限界があり計算精度が低い。第一原理計算は、計算精度は高いが、計算速度が遅いという問題がある。高速／高精度に予測する手法として、ニューラルネットワーク力場（Neural Network Potential、以下NNP）を用いたMDシミュレーションに関心が寄せられている。

MDシミュレーションを用いた材料開発の課題［クリックで拡大］出所：富士通

富士通富士通研究所コンピューティング研究所マテリアルズインフォマティクスPJ シニアリサーチマネージャーの坂井靖文氏

　坂井氏は「全固体電池の界面に使う材料などの開発現場からは、『最低でも1万原子以上の規模でシミュレーションしたい』という声があるが、従来の第一原理計算では数百原子程度が限界だった。そこで、ニューラルネットワークを用いて、第一原理計算並みの精度を保ちながら、計算速度を劇的に速くするNNPが注目されている」と説明した。

　その上で「材料開発の現場では、実験主体だとコストが多くかかり非効率であるため、MDシミュレーションで物質の性質を予測し、その結果を解析して次の試作につなげているケースも多い」と補足した。特にこの数年では、さまざまな種類の材料を含む数千万個のデータで訓練されたNNP（以下、公開NNP）が公表され、活用が広がりつつあるという。

　しかし、公開NNPを用いたMDシミュレーションでは、特に全固体電池のような複雑材料で、シミュレーション中に材料構造が崩壊するという問題がある。

　大量データで訓練された多くの公開NNPでは、グラフニューラルネットワーク（graph neural network、以下GNN）と呼ばれる、表現力は高いが計算速度が遅いアーキテクチャが採用されている。そのため、10万原子を超える大規模系の長時間シミュレーションの計算には、1年以上を要すると見込まれ、活用することが難しかった。

　一方、富士通では、材料計算プラットフォーム「SCIGRESS」などの材料計算プラットフォームを数十年前から開発してきた他、スーパーコンピュータなどで必要な大規模計算技術を研究している。「『富岳』をはじめとするスーパーコンピュータなどのハードウェアだけでは顧客に価値を届けられない。そのため、当社のコンピューティング研究所では、ハードウェアを稼働させるためのアプリケーションやミドルウェアの改良や開発を進めている」（坂井氏）。

　そこで同社は、ハードウェア向けのアプリケーションやミドルウェアの開発で培った知見を生かして、MDシミュレーション向けNNPの自動生成ツールであるGeNNIP4MDを開発した。