第5章: 機械学習スクリーニングとCHEの限界

1つの記述子から学習されたモデルへ、そして計算水素電極に見えないものについての誠実な棚卸し

📖 Reading Time: 20-25 minutes 📊 Difficulty: Beginner 💻 Code Examples: 0 📝 Exercises: 0

ビデオ講義

このビデオは以下のテキストと同じ内容をカバーしています。お好みの学習形式をお選びください。

🌐 JP | 🇬🇧 EN | Last sync: 2026-08-18

マテリアルズ・インフォマティクス道場 > OERの計算化学 > 第5章

5.1 1つの記述子から多数の記述子へ

第3章は目覚ましい圧縮をやってのけました。3つの中間体、4つの自由エネルギー段階、そして表面まるごと1つ分の電子構造を抱えた4電子反応が、たった1つの数 — \(\ast\mathrm{OH}\) 中間体の結合自由エネルギー — にまで還元され、理論過電圧は曲線から読み取られました。記述子とはそういうものです。複雑な系を、実際に計算できる1本の軸の上へ射影した、情報を失いはするけれども有用な像なのです。

火山型プロットがその圧縮を正当化できるのは、スケーリング則のおかげです。\(\Delta G_{\mathrm{OOH}}\) と \(\Delta G_{\mathrm{OH}}\) がほぼ一定のオフセットを保ったまま連動して動く — 第3章であれほど慎重に言葉を選んだ、おおよそ3.2 eVというあの値です — ために、一方の中間体を固定すればもう一方もほぼ固定され、図全体が1本の軸の上へ潰れてしまうのです。

機械学習は、同じ手を一般化したものです。物理的に選ばれた1つの量がすべての情報を担っていると言い張る代わりに、多数 の安価な量のどの組み合わせが高価な量を予測するのかを、モデルに学習させるのです。入力となるのは、自己無撞着に何かを解いたりせずに組成や構造から読み取れるものです。どの元素がどんな比率で含まれているか、それらの電気陰性度と原子半径、配位数、手元にあればd-バンド記述子、酸化数、格子の幾何。出力は \(\Delta G_{\mathrm{OH}}\) — 第4章のスクリーニングループが、スラブ計算まるごと1回分を支払って手に入れていた、まさにその数値です。

モデルがまともなものであれば、それらの計算の大半にはもう支払わずに済みます。

モデルが学習しているもの、していないもの

それは化学を学習しているのではありません。たまたま計算した材料の集合の上で、特徴量とラベルのあいだの相関を学習しているのです。本章で警告のように聞こえるものはすべて、この一文の下流にあります。

5.2 スクリーニングのファネル

そこから導かれる実務的な構成が ファネル です。各段階は、その下の段階よりも候補1つあたりのコストが安く、母集団が大きい。そして各段階の仕事は、扱える大きさの候補リストを下へ渡すことです。

このファネルを算術として書いてみます。以下の単位コストはすべて私たちがでっち上げたもの であり、比率を読み取りやすくするためだけのものです。特定の計算機クラスタも、コードも、実験室も記述してはいません。

段階 候補数 架空の単位コスト 段階コスト
機械学習による予測 100,000 1.0 × 10⁻⁶ 0.1
DFT / CHE（上位1%） 1,000 20 20,000
実験（そのうち上位5%） 50 200 10,000
合計 30,000

代わりに全候補にDFTを走らせれば、同じ架空の単位で2,000,000のコストがかかります — およそ 67倍 です。そして仮に、この空間の中に本当に優れた候補が40個隠れているとしましょう。再現率90%の第1段階モデルはそのうち36個を下へ通し、4個を葬ります。再現率50%なら20個を葬ります。

表を読み解く。 教訓は2つ、そして2つめのほうが1つめより重要です。

5.3 NumPyによるリッジ回帰モデル — そして、それが破綻する場所

本シリーズの他の部分と同じ精神で、第1段階のモデルを組み立てましょう。scikit-learnも、ブラックボックスもなし。あるのは正規方程式だけです。

リッジ回帰 は、二乗誤差に、大きな係数を抑え込む罰則 \(\lambda \lVert \mathbf{w} \rVert^2\) を加えたものを最小化することで \(y \approx \mathbf{w}^\top \mathbf{x} + b\) を当てはめます。この罰則付きの問題には閉じた形の解があります。第1列が1で埋まった計画行列 \(A\) を用いると、

\[ \boldsymbol{\theta} = (A^\top A + \lambda P)^{-1} A^\top \mathbf{y} \]

となります。ここで \(P\) は、バイアスが罰則を受けないよう対角成分の先頭をゼロにした単位行列です。アルゴリズムはこれで全部です。

以下のデータは 完全に合成されたもの です。5つの特徴量の列をでっち上げ、それらを架空の結合エネルギーへ変換する線形則をでっち上げ、でっち上げのノイズを加えて、当てはめます。ここにあるものは材料ではなく、どの係数も実在の記述子には対応していません。目的は、誤差の 形 を観察することにあります。

import numpy as np

# --- 合成データによるリッジ回帰: 内挿 vs 外挿 ---
#
# 以下はいかなる実在の材料も記述していない。5つの「記述子」列をでっち上げ、
# それらを架空の結合エネルギーへ変換する線形則をでっち上げ、ノイズを加えて、
# 当てはめたモデルがその規則をどれだけ復元できるかを見る。
# 重要なのは値ではなく、誤差の「形」である。

rng = np.random.default_rng(0)

N_FEATURES = 5
TRUE_W = np.array([0.80, -0.45, 0.30, -0.15, 0.05])   # 架空の規則
TRUE_B = 1.20                                          # 架空のオフセット
NOISE = 0.05                                           # 架空のばらつき [eV]


def make_data(n, low, high, rng):
    """記述子が [low, high] の範囲に収まる、架空の候補をn個つくる。"""
    X = rng.uniform(low, high, size=(n, N_FEATURES))
    y = X @ TRUE_W + TRUE_B + rng.normal(0.0, NOISE, size=n)
    return X, y


def ridge_fit(X, y, lam):
    """L2罰則つきの正規方程式。バイアス列には罰則をかけない。"""
    n, d = X.shape
    A = np.hstack([np.ones((n, 1)), X])          # バイアス列を含む計画行列
    P = np.eye(d + 1) * lam
    P[0, 0] = 0.0                                # バイアスには手をつけない
    theta = np.linalg.solve(A.T @ A + P, A.T @ y)
    return theta


def predict(theta, X):
    n = X.shape[0]
    return np.hstack([np.ones((n, 1)), X]) @ theta


def rmse(a, b):
    return float(np.sqrt(np.mean((a - b) ** 2)))


# --- 訓練セット: 記述子は内側の範囲 [-1, 1] から抽出する ---------------
X_train, y_train = make_data(200, -1.0, 1.0, rng)
X_test, y_test = make_data(200, -1.0, 1.0, rng)      # 同じ範囲 = 内挿

theta = ridge_fit(X_train, y_train, lam=1e-2)

print("Ridge fit on synthetic data (all values invented for teaching)")
print(f"  training candidates : {X_train.shape[0]}")
print(f"  descriptors         : {N_FEATURES}")
print(f"  injected noise sd   : {NOISE:.3f} (fictitious units)")
print()
print(f"{'coefficient':>12} {'true':>8} {'fitted':>8}")
print(f"{'bias':>12} {TRUE_B:>8.3f} {theta[0]:>8.3f}")
for i in range(N_FEATURES):
    print(f"{'w' + str(i + 1):>12} {TRUE_W[i]:>8.3f} {theta[1 + i]:>8.3f}")
print()

print("Errors inside the training range (interpolation)")
print(f"  train RMSE = {rmse(predict(theta, X_train), y_train):.4f}")
print(f"  test  RMSE = {rmse(predict(theta, X_test), y_test):.4f}")
print()

# --- 今度は同じモデルに、訓練範囲の外側の候補について尋ねてみる --------
print("Errors outside the training range (extrapolation)")
print(f"{'descriptor range':>18} {'RMSE':>8} {'x interp':>9}")
base = rmse(predict(theta, X_test), y_test)
for lo, hi in [(-1.0, 1.0), (1.0, 2.0), (2.0, 4.0), (4.0, 8.0)]:
    Xo, yo = make_data(200, lo, hi, rng)
    e = rmse(predict(theta, Xo), yo)
    label = f"[{lo:+.0f}, {hi:+.0f}]"
    print(f"{label:>18} {e:>8.4f} {e / base:>9.2f}")
print()

# --- なぜ増大するのか: 当てはめた規則は真の規則の近似でしかなく、
# --- その小さな係数誤差が、どれだけ外へ出たかによって増幅されるからだ。
dw = theta[1:] - TRUE_W
print(f"coefficient error |w_fit - w_true|_2 = {np.linalg.norm(dw):.4f}")
print("Error at distance R from the origin grows roughly like R x that number:")
for R in [1.0, 3.0, 6.0]:
    print(f"  R = {R:>3.0f} -> predicted drift ~ {R * np.linalg.norm(dw):.4f}")

出力:

Ridge fit on synthetic data (all values invented for teaching)
  training candidates : 200
  descriptors         : 5
  injected noise sd   : 0.050 (fictitious units)

 coefficient     true   fitted
        bias    1.200    1.203
          w1    0.800    0.797
          w2   -0.450   -0.464
          w3    0.300    0.283
          w4   -0.150   -0.156
          w5    0.050    0.049

Errors inside the training range (interpolation)
  train RMSE = 0.0487
  test  RMSE = 0.0524

Errors outside the training range (extrapolation)
  descriptor range     RMSE  x interp
          [-1, +1]   0.0499      0.95
          [+1, +2]   0.0753      1.44
          [+2, +4]   0.1301      2.48
          [+4, +8]   0.2478      4.73

coefficient error |w_fit - w_true|_2 = 0.0224
Error at distance R from the origin grows roughly like R x that number:
  R =   1 -> predicted drift ~ 0.0224
  R =   3 -> predicted drift ~ 0.0672
  R =   6 -> predicted drift ~ 0.1344

結果を読み解く。 観察は3つ、そして3つめこそが、本シリーズから持ち帰るべきものです。

これが、機械学習スクリーニングについての誠実な教訓です。モデルは「この既知のタイプの材料のうち、どれを先に計算すべきか」については卓越しており、「まったく新しいどんな化学を試すべきか」については当てになりません — そして厄介なことに、誰もが本当に答えてほしいのは後者の問いなのです。防御策はアルゴリズム的なものではなく、手続き的なものです。適用範囲（applicability domain） を定義し、予測を信用する前に候補がその内側に入っているかを確認し、外側にあるものはすべて、結果ではなく検証されるべき仮説として扱うこと。

5.4 スケーリング則を破る

第3章の火山型プロットに天井があるのは、スケーリング則のせいであって、個々の材料のせいではありません。事実上すべての平坦な酸化物表面において \(\Delta G_{\mathrm{OOH}} - \Delta G_{\mathrm{OH}}\) がおおよそ3.2 eVの近くに固定されているのなら、達成しうる最良の理論過電圧は、その定数が理想値である 2 × 1.23 eV からどれだけ離れているかによって決まってしまい、同じ材料族の内部でいくら組成を調整してもそこから逃れられません。天井を越えるということは、相関そのものを破ることを意味します。

3つの戦略が活発に追求されています。3つとも 研究の方向性であって、解決済みの問題ではありません。そして、それぞれをここで定性的に述べるのは意図的なものです。

\(\ast\mathrm{OOH}\) を \(\ast\mathrm{OH}\) とは別のやり方で安定化する。 スケーリング則が存在するのは、どちらの中間体も1つの酸素原子を介して同じサイトに結合し、そのためほぼ同じ局所電子環境を感じるからです。もし環境が両者を区別できるようになれば — 電子的にではなく、幾何学的に — 相関は緩みます。より大きな \(\ast\mathrm{OOH}\) 種は、原理的には \(\ast\mathrm{OH}\) には小さすぎて届かない第2の相互作用によって安定化されうるでしょう。近傍の水素結合ドナー、フレームワーク材料の中の閉じ込めポケット、あるいは適切な距離に置かれた第2の金属サイトです。着想は直感的ですが、それをOER条件下で安定かつ導電性でもある材料の中で実現するところが難所です。

二機能性の機構。 4回のプロトン・電子移動がすべて同じサイトで起こるのでなければ、単一サイトを前提としたスケーリングの議論は書かれたままの形では適用できません。化学的に異なる2種類のサイト — 一方はO–H結合の活性化に有利、他方はO–Oのカップリングに有利 — を持つ表面は、すべての中間体を1本の結合エネルギー軸の上に並べる制約を受けません。これは魅力的な設計指針であり、そして本当に検証の難しい指針でもあります。2つのサイトが協調していること（一方が単に支配しているのではないこと）を示すには、熱力学的な図を超えた証拠が必要だからです。

格子酸素の関与。 本シリーズを通じて仮定してきた機構は吸着種発展型（adsorbate-evolving）であり、生成物 \(\mathrm{O}_2\) の酸素はすべて水に由来し、表面は傍観者です。これに対して、酸化物の格子そのものに由来する 酸素原子が発生する \(\mathrm{O}_2\) に取り込まれ、そこにできた空孔が溶液側から埋め戻される、という別の機構の一群があります。中間体も素反応も異なるので、従来のスケーリング則が成り立つ必然性はありません。またこれは、明白な緊張を内に抱えた機構でもあります。酸素を手放す格子とは、化学的に組み替えられつつある格子であり、活性と安定性が真っ向から対立することになるのです。この経路を実験的に区別するには同位体標識と入念な対照実験が必要であり、その帰属が常に無争点というわけでもありません。

3つに共通するものに注目してください。いずれも、火山型プロットを生み出したモデルよりも系を複雑にする ことによって、スケーリング則からの自由を買っているのです。それが正直な代価です。単一サイト・単一記述子の描像を離れた瞬間、スクリーニングを扱いやすくしていたCHE解析は適用が難しくなり — そして平坦表面のデータで訓練したあなたの機械学習モデルは、いまや外挿を求められています。

5.5 CHEの限界を、誠実に

ここが、シリーズ全体が目指してきた節です。計算水素電極は物理的推論として真に優雅な一片であり、そしてそれが支えうる範囲をはるかに超えて使われています。忘れられる頻度の高い順に、限界を5つ挙げます。

1. これは熱力学だけです。 CHEが与えてくれるのは中間体どうしの自由エネルギーの 差 です。それらのあいだの障壁 については何も語りません。反応経路はどの段階でも下り坂でありながら、なお遅くありうるのです。2つの安定な中間体をつなぐ遷移状態が、両者よりはるかに高いところに位置しているかもしれないからです。したがって自由エネルギー図から得られる理論過電圧は、困難さの下界 であって、速度ではありません。まったく同じ図を持つ2つの材料が、測定される電流において桁で違いうるのです。ある触媒が別の触媒より速い理由を自由エネルギー図で説明しているのを見かけたら、そのとき速度論的な段階は示されたのではなく、仮定されたのです。

2. 理想的で静的な表面を仮定しています。 計算は、清浄で周期的な低指数スラブの上で、真空中あるいは薄い水の層とともに緩和され、その幾何に凍結された状態で行われます。OER電位下の実際の電極はそういうものではありません。表面は再構成し、表面近傍の層はさらに酸化され、一部の化学種は溶解して再析出し、あなたがモデル化した結晶相の上には非晶質のオキシ水酸化物層が形成されます。落ち着かない帰結として、活性サイトは、あなたが計算した表面ではないかもしれません — それは欠陥かもしれず、ステップ端かもしれず、溶解して再析出した化学種かもしれず、分極下でしか存在しない相かもしれません。誤った構造の上で完璧に実行された計算は、やはり誤った答えです。

3. 溶媒効果と電場の効果は大幅に単純化されています。 電極・電解質界面は、数オングストロームにわたる巨大な局所電場、特異吸着したイオン、そして中間体が変わるたびに再編成される水素結合ネットワークを抱えた、密で構造化された動的な領域です。標準的な実務は、これらすべてを陰的な連続体、静的な水の二重層、あるいは何もなし、に置き換え、そこに \(\ast\mathrm{OOH}\) の水素結合に対する経験的な補正を加えます。これらの補正は妥当なものであり、そして小さくはありません。pH依存性、電解質カチオンの種類、結合エネルギーの電場依存性はすべてここに入ってくるものであり、基本形のCHEはそれらを定数の中へ吸収してしまいます。

4. 安定性は活性と少なくとも同じくらい重要であり、CHEはそれについて沈黙しています。 1時間だけ卓越している触媒は、触媒ではありません。OERは水系電解質中の強い酸化的電位で動作します — もっとも使いたい元素の多くを溶かしてしまう条件です。4つの反応段階の自由エネルギー図には、材料がそれらを生き延びるかどうかを語るものは何もありません。活性だけでスクリーニングすると、上位の項目がスクリーニング自体の調べなかった理由で脱落するような候補リストが系統的に生まれます。しかもこの破綻の仕方はよくあることなので、確認するまではそうであると想定しておくべきです。

5. 記述子の誤差は積み重なります。 この体系全体は計算された吸着エネルギーの上に立っており、それらは交換相関汎関数に依存します。その依存はランダムというより系統的です。汎関数の系統が違えば、遷移金属酸化物に対して、局在したd電子に対して、そしてO–O結合の記述に対して、傾き方が違うのです。その誤差はスケーリング則を通って予測過電圧へ伝播し、そして — もしあなたが機械学習モデルを組んでいたなら — その訓練ラベルへも伝播します。モデルはバイアスを丸ごと相続し、それを5.3節の自信ありげな精度で報告します。同じ 設定で計算した2つの数値を比較するほうが、そのどちらかを絶対的な実験値と比較するよりはるかに安全であり、設定をまたいだ比較はそもそも比較になっていません。

CHEについての誠実な要約。 これは 固定された仮定の集合の下で、ある材料族の内部で候補を順位付けする ための道具です。触媒速度の予測器ではなく、材料の実際の表面についての言明でもなく、材料が生き延びるかどうかの評価でもありません。できることのために使うなら、これは計算電気触媒における最も生産的なアイデアの1つです。できないことのために使うなら、自信ありげで、体裁の整った、誤った候補リストを生み出します。

5.6 それぞれの限界に対して、この分野は何をしているのか

5つの限界のどれも無視されてはいません。それぞれに対して方法論の蓄積が向けられており、その名前を知っているだけでも文献を批判的に読めるようになります。

熱力学だけであることに対して: 素反応に対する明示的な 遷移状態探索、そして マイクロキネティクス（微視的速度論）モデリング です。後者は素反応の速度定数を組み立てて予測電流を与えるもので、律速段階が熱力学的に最大の段階ではないことを明らかにしうるものでもあります。また、速度の電位依存性や被覆率依存性をきちんと扱えるのも、マイクロキネティクスの領分です。

理想表面に対して: その場（in-situ）およびオペランド（operando）計測 — 電極を運転する前後ではなく、運転しながら分光法や回折法を適用するもの — が、電位下で表面が実際に何であるのかをこの分野が学ぶ手段です。計算側の対応物は、無傷のスラブではなく、再構成した構造、欠陥を含む構造、非晶質の構造、空孔を含む構造をモデル化することであり、それは計算の数を何倍にも増やすので、機械学習の段階の魅力を減らすどころか増やします。

溶媒と電場に対して: 分子としての水を扱い配置をサンプリングする 陽的溶媒法、電子数ではなく電極電位を固定する 定電位（グランドカノニカル） 電子状態計算の手法、そして電気二重層と特異吸着イオンの取り扱いです。これらは第2章のCHEレシピよりも相当に高価であり、まさにそれこそがCHEレシピが使われ続けている理由です。

安定性に対して: プールベ図に基づく解析 です。これは、与えられた電位とpHにおいて熱力学的にどの相が好まれるのか、したがってあなたの候補が動作条件下で本当に安定な化学種なのか、を問うものです。計算されたプールベ図は近似的であり、それ自体の仮定を背負ってもいますが、それを含むスクリーニングは、活性だけのスクリーニングが決して問わない問いを問うています。

汎関数依存性に対して: 小さなモデル系について、より高精度な手法とのベンチマークを取ること、1つを信用するのではなく汎関数の系統をまたいで比較すること、そして — 本シリーズ全体と同じ精神で — 絶対値ではなく、一貫した方法で計算された 差 を報告することです。

5.7 マテリアルズ・インフォマティクスとの接点

AI寺子屋のMI側から本シリーズにたどり着いたのなら、ここが接合部です。

触媒材料MI応用 シリーズは、データ駆動の層そのものを主題としています。記述子の設計、活性に対する回帰・分類モデル、不確実性の定量化、組成空間上のベイズ最適化、そして計算と実験を閉じるアクティブラーニングのループです。本シリーズは、その下に敷かれた層でした — 記述子がどこから来るのか、\(\Delta G_{\mathrm{OH}}\) が何を意味するのか、火山型プロットがなぜあの形をしているのか、そして計算された過電圧が何であって何でないのか。

この2つの層は、特定の仕方で互いを必要としています。

物理は機械学習モデルに特徴量を与えます。 生の組成だけで訓練されたモデルは、結合エネルギーの傾向をデータから再発見しなければなりません。\(\Delta G_{\mathrm{OH}}\)、d-バンド記述子、配位数、酸化数を与えられたモデルは、問題の構造を手渡されているのであり、そのおかげではるかに少ない事例から学ぶことができます。機構に裏打ちされた特徴量設計は、小さな材料データセットをより遠くまで届かせるための、もっとも確実な単一の方法です。

機械学習は物理に到達距離を与えます。 第4章のスクリーニングループは、いくつのスラブ計算を賄えるかによって制限されていました。5.2節のファネルは順位付けの段階についてその制限を取り払い、ベイズ最適化はさらに先へ進みます。固定されたリストを採点するのではなく、モデルの不確実性を使って、現在の最良を活用することと、モデルが無知な領域を探索することとのバランスを取りながら、次にどの計算あるいはどの実験を走らせるか を選ぶのです。それが本シリーズの次の自然な一歩であり、まさに触媒材料MIシリーズが展開していることでもあります。

そして注意事項は双方向に伝わります。 CHEのラベルで訓練されたモデルは、5.5節の5つの限界のすべてを相続します — ランダムではなく系統的なものも含めてであり、そちらはどれだけデータを積んでも治りません。モデルからの不確実性の見積もりが記述しているのは ラベル のばらつきであって、そのラベルを生み出した物理 の誤差ではありません。それ自体が誤った量である量の予測のまわりに、狭い信頼区間を報告するスクリーニングパイプラインは、厳密なのではありません。誤った対象について正確なだけです。テストセットを取り置き、強いベースラインと比較し、誤差を誠実に報告するというMIの規律は、ここでも一言一句そのまま当てはまります — この領域に固有の追加が1つだけあって、それは 適用範囲を明示すること、そしてラベルが実際には何なのかを明示すること です。

5.8 手にしたもの、そしてそれで何をするか

本シリーズが築いた道具箱を棚卸ししましょう。

あなたは4段階のOER機構を書き下せますし、4電子を要求することがなぜOERを水分解のボトルネックにしているのかを説明できます。計算水素電極を使って自由エネルギー図を構築できます — 扱いにくいプロトン・電子の対を水素分子の半分で置き換える参照のトリックも、計算された電子エネルギーを自由エネルギーへ変える補正も含めて。電位に依存する図を読み、そこから理論過電圧を取り出せます。スケーリング則がなぜ存在するのか、それがなぜ火山型プロットに上限を課すのか、そしてなぜそのオフセットが厳密な定数としてではなく「おおよそ3.2 eV」として引用されるのかを知っています。スクリーニングループをPythonで実装しましたし、いまやその前に置く第1段階のモデルも持っています。

さらに重要なことに、あなたは計算電気触媒の論文を読んで、それが何かを意味しているかどうかを決める問いを立てられます。どんな表面がモデル化されたのか、そしてそれが実際に動作している表面だと考える理由が何かあるのか。主張は熱力学的なものか速度論的なものか、そしてもし速度の説明として提示されているのなら、障壁はどこから来たのか。溶媒和はどう扱われたのか。安定性はそもそも検討されたのか。どの汎関数か、そして比較された数値は同じやり方で計算されたのか。機械学習モデルがあるなら、そのラベルは何だったのか、そして強調されている候補は訓練分布の内側に入っているのか。

その習慣こそが、長持ちする部分です。この分野の具体的な数値は動いていきますが、問いは動きません。

帰依よりも較正を。 OER触媒の計算スクリーニングは、熱のこもった要旨がほのめかすような解決済みのパイプラインでもなければ、批判者が描くような希望的観測の作業でもありません。それは限界がはっきり述べられた、真に有用な順位付けの道具であり、高価な段階が依然としてDFTと実験台であるようなワークフローの中に埋め込まれています。この道具がどこで信頼できなくなるのかを正確に知ることは、それを信頼しない理由ではありません — うまく使うための条件です。

🎯 演習問題

  1. 再現率と適合率 : 5.2節のファネルの算術を数行のPythonで再現し、その上で、第1段階のモデルが多数の偽陽性を代償にしてでも高い再現率へ調整されるべき理由を定量的に論じてください。カットを上位1%から上位5%へ緩めたときの追加DFTコストを計算し、本当に優れた候補を1つ失うコストと比較してください。
  2. 外挿の崖 : リッジ回帰のコードを、訓練範囲が \([-1, 1]\) ではなく \([-2, 2]\) になるように修正し、他はすべて固定したままにしてください。外挿の表がどう変化するかを報告し、その結果を一文で説明してください。
  3. 罰則の効き方 : lam を数桁にわたって振り、当てはめられた係数、内挿RMSE、外挿RMSEを表にしてください。振り幅のどちら側の端で、モデルは通常の最小二乗にもっとも似るでしょうか。そして、非常に大きな罰則は予測に何をするでしょうか。
  4. 適用範囲 : 訓練特徴量行列だけを用いて、候補が訓練分布の外側にあると判定する具体的な数値的テストを提案してください。それを実装し、\([+4, +8]\) のブロックでは発火し、\([-1, +1]\) のブロックでは沈黙したままであることを確認してください。
  5. 図と速度 : どの中間体においても同一でありながら、測定される電流が大きく異なる触媒を記述するような自由エネルギー図を2つ描いてください。あなたのスケッチが変化させている物理量が正確には何であるか、そしてCHEがなぜそれを見られないのかを述べてください。
  6. どの限界が効いているか : 5.5節の5つの限界のそれぞれについて、その限界に到達したことを明らかにするような実験的観測を1つずつ挙げてください — すなわち、CHEの予測では説明できない観測です。
  7. 主張を読む : OER触媒についての公開された計算スクリーニング研究を1つ探し、5.8節に挙げた6つの問いに答えてください。どの問いについて、その論文が答えるに足る情報を与えてくれないのかを明示的に書き留めてください。

まとめ

本章では記述子という考え方を一般化し、続いてその上に築かれたすべてについての誠実な限界を述べました。機械学習スクリーニングは火山型プロットの論理を延長したもの です。物理的に選ばれた1つの記述子の代わりに、安価な組成・構造特徴量のどの組み合わせが高価な量を予測するのかをモデルが学習し、その結果、候補の大半は計算を必要としなくなります。ファネルの算術 は — でっち上げた単位コストを使って — 安い段階が合計に事実上何も寄与せず、コストはすべてDFTと実験に存在することを示しました。第1段階で実際に効いてくる量は 再現率 です。偽陽性は無駄な計算1回分のコストで済みますが、偽陰性は候補を宇宙から抹消してしまうからです。素のNumPyで書いたリッジ回帰モデル は、訓練範囲の内側では注入したノイズの範囲内で架空の規則を再現し、その外側では誤差が着実に、そして無言のうちに増大しました — どれだけ外へ尋ねたかについておおよそ線形に、小さな係数誤差が距離によって掛け算される形で。内挿は測定であり、外挿は測定の形をした推測です。 そして唯一の防御は、明示的に述べられた適用範囲です。スケーリング則を破ること — \(\ast\mathrm{OOH}\) の差別的な安定化、二機能性サイト、格子酸素の関与 — が火山型プロットの天井を押し上げうる道であり、3つとも活発な研究の方向性であって、いずれも火山型プロットを生み出したモデルよりも系を複雑にすることで自由を購っています。CHEの5つの限界 が本章の中核です。それは熱力学だけであって障壁については何も語らず、実際の電極がOER条件下で再構成し、溶解し、再酸化するのに理想的で静的な表面を仮定しているため活性サイトは計算した対象ではないかもしれず、溶媒と電場の効果は大幅に単純化されており、安定性は活性と同じくらい重要なのにCHEはそれについて沈黙しており、そして汎関数に依存する記述子の誤差はスケーリング則を通って予測過電圧へ、さらには機械学習の訓練ラベルへと積み重なっていきます。それぞれに対するこの分野の答え は、展開ではなく名前を挙げる形で示しました。マイクロキネティクスモデリングと遷移状態探索、その場・オペランド計測、陽的溶媒法と定電位法、プールベ図に基づく安定性解析、そして汎関数をまたぐベンチマークです。マテリアルズ・インフォマティクスとの接合 は双方向に流れます — 物理は小さなデータセットをより遠くまで届かせる特徴量を供給し、機械学習はスクリーニングとベイズ最適化を通じて到達距離を供給します — ただし、モデルはラベルの系統誤差を相続し、しかもそれを定量できない、という注意付きで。

これで 酸素発生反応の計算化学 シリーズは完結です。あなたはCHEによる自由エネルギー図を組み立て、そこから過電圧を読み取り、火山型プロットに上限を課すスケーリング則を説明し、スクリーニングループをPythonで走らせ、その前に学習されたモデルを置くことができます。同じくらい重要なこととして、それらの結果のそれぞれが何ではないのかを正確に言うことができます。帰依よりも較正を。それが、数値が変わってもなお正しくあり続ける、この道具箱の部分です。

← 第4章: ハンズオン: Pythonによるスクリーニング シリーズトップ →

免責事項

シリーズトップへ戻る