MXeneのバンドギャップ予測のための物理制約付きニューラル常微分方程式と共分散不確実性
Physics-Constrained Neural ODEs for MXene Bandgap Prediction with Conformal Uncertainty
MXeneのバンドギャップ予測において、計算コストの高いPBE0ハイブリッド汎関数を用いた計算に代わる機械学習モデルが開発された。本研究では、連続深層ニューラル常微分方程式(PC-NODE)に、マルチフィデリティΔ学習、分布フリー分割共分散キャリブレーション、不確実性認識Paretoスクリーニングを統合したパイプラインを提案する。このPC-NODEは、34次元の特徴量セットからMXeneのバンドギャップを予測し、密度汎関数理論(DOS)に依存しない。モデルは、金属/半導体判定のための分類ヘッドと、ギャップ magnitude のための回帰ヘッドを結合し、予測ギャップの非負性、低フィデリティPBEと高フィデリティPBE0推定値間の単調性という3つの物理的に動機づけられた特性を強制する。4356構造のMXgapデータベースで学習された10シードアンサンブルは、半導体テストサブセットで平均絶対誤差0.186 eV(シードあたり0.206±0.006 eV)、決定係数R2=0.880を達成した。分類精度は0.856、ROC-AUCは0.925であった。分割共分散キャリブレーションにより、90%のターゲットを0.5パーセントポイント以内にカバーする予測区間が得られた。さらに、不確実性認識Paretoスクリーニングにより、光触媒水分解ウィンドウ[1.23, 3.10] eV内の74個の候補が特定された。このフレームワークは、データ効率が高く、再現可能な代替手段を提供する。
本論文は、MXeneという二次元材料ファミリーのバンドギャップ予測において、高コストなPBE0計算を機械学習で代替する手法を提案している。研究レベルの成果であり、直ちに商業化や投資対象となる具体的な事業化イベントは伴っていない。しかし、新材料探索の効率化に資する技術であり、材料情報学分野の進展として注目に値するが、現時点では具体的な投資判断に直結する事象ではない。