PRISMat: ポリシ駆動・置換不変な自己回帰的材料生成モデル
PRISMatは、コスト効率が高く置換不変な結晶スラブ生成モデルです。大規模言語モデル（LLM）と比較して、劈開エネルギーや仕事関数などの表面特性予測において、誤差を4倍削減し、推論時間も短縮します。このモデルは、材料科学における高通量タスクでのLLMの非効率性に対処します。
材料科学において、目標特性を持つ候補材料を迅速に特定することは重要な課題です。従来の物理シミュレーションは高精度ですが計算コストが高く、高通量スクリーニングには不向きです。機械学習は、安定性やその他の目標特性に基づいて材料をフィルタリングする、より高速で低コストな代替手段として注目されています。近年、大規模言語モデル（LLM）がこの役割に適用されていますが、これらのモデルはパラメータ数が膨大で、トレーニングと推論の両方で計算コストが高く、高通量タスクには適していません。この非効率性は、言語モデルの過剰なパラメータ化と、材料生成を系列学習問題として扱う難しさに起因しています。
本研究では、これらの限界を克服するため、コスト効率が高く置換不変なモデルPRISMatを提案します。PRISMatはポリシ駆動の自己回帰生成を採用し、結晶構造内の原子配置の順序に依存しない置換不変性を扱います。これにより、材料の構造と特性の関係をより効率的に学習できます。
実験結果によれば、PRISMatは推論時間が短いにもかかわらず、重要な表面特性に基づく結晶スラブの生成においてLLMを上回る性能を示しました。標的材料発見タスクでは、劈開エネルギーと仕事関数に対して平均絶対誤差0.188 eV/Ųおよび2.79 eVを達成し、次善モデルと比較して誤差を4倍削減しました。この成果は、PRISMatが高通量材料スクリーニングに適しており、新材料の発見プロセスを加速する可能性を示しています。
本論文はClaire Schlesingerらによって執筆され、10ページ、8つの図を含み、現在NeurIPS 2026で審査中です。arXiv IDは2605.16612で、2026年5月15日に提出されました。この研究は、材料科学における機械学習の応用、特に結晶材料の生成と特性予測に新たな道を開くものです。