Machine Learning Accelerated SSNEB for Efficient Minimum Energy Pathway Calculations

本論文は、EquiformerV2 と eSEN という事前学習済み ML モデルを DFT と組み合わせたハイブリッド固体状態ヌューディルド弾性帯（SSNEB）フレームワークを提案している。CsPbI₃、GaN、TiO₂の三つの固体系に適用し、最小エネルギー経路（MEP）計算で最大 7 倍の高速化を達成しながら、第一原理計算と同じ遷移経路に収束することを実証した。[L3]

数値的な実証性は高く、複数材料系での 7 倍高速化は明確な定量的成果である。既存 ML モデルのベンチマーク機能も提供し、計算化学コミュニティにおける信頼性評価の枠組みを構築している点は有意義。ただし再現性検証は学術論文ベースの域を出ていない。[L3]

実用性と市場インパクトは現段階では限定的。材料探索のスクリーニング加速には有用だが、全固体電池や Na-ion 電池など市場成長テーマとの直結が明確でなく、日本電池企業への即時的な戦略価値は中程度。学術的・計算インフラ側の進化であり、材料発見サイクルの短縮による間接的効果が期待される。[L3]