ニューラルネットワークを用いると、分子の構造からポテンシャルエネルギーを予測するように学習することができる。しかし、学習した領域から外れるとその信頼度は下がり、予測が不安定となる。
本研究はニューラルネットワークで知られている敵対的攻撃(adversarial attack : ニューラルネットワークが間違いやすい入力を生成する手法)を応用することでこれを解決するものである。
不確かさの指標に対して、敵対的攻撃をおこない、それを学習に含めることで、効率的に学習の領域を広げることができ、正しいポテンシャルエネルギーを学習できるようになる。
この手法を、アンモニアのような分子だけでなく、ゼオライト分子間の相互作用といった超分子でも適応し、効率的に計算可能であることを確認している。
Schwalbe-Koda, D., Tan, A.R. & Gómez-Bombarelli, R. Differentiable sampling of molecular geometries with uncertainty-based adversarial attacks. Nat Commun 12, 5104 (2021). https://doi.org/10.1038/s41467-021-25342-8