LLM の自動研究により構築された分子緩和オプティマイザ AutoSella──Sella 比でフォースコール数を最大 40.2% まで削減

論文概要

分子構造の幾何最適化（Geometry optimization）は、量子化学計算のワークフローにおいて膨大な計算コストを占める主要なボトルネックである。各最適化ステップでは1回のフォース評価が必要であり、特に密度汎関数理論（DFT）レベルでの評価が全体の実行時間を支配している。本研究では、LLMを活用した自動研究（autoresearch）エージェントにより、既存のオープンソースで最高速とされるオプティマイザ「Sella」を上回る新しいオプティマイザファミリ「AutoSella」を構築した。AutoSellaは、未学習の分子ベンチマークやポテンシャルに対しても一貫してフォースコール数の削減を達成し、r2SCAN-3c DFTレベルにおいてSellaの40.2%〜77.2%のフォースコール数で同等のエネルギー削減を実現している。

関連研究

量子化学における幾何最適化の分野では、これまでに多様な最適化手法が提案されてきた。従来の手法は主に物理的知見や数値最適化のアルゴリズムに基づき手動で設計されてきたが、本研究はLLMのエージェントを活用してオプティマイザのコード自体を直接書き換えるというアプローチをとっており、従来の人間による手動チューニングの限界を超えることを試みている。

新規性と貢献

本研究の最大の新規性は、LLMエージェントが自律的にオプティマイザコードを書き換えて性能を最適化する「autoresearch」の枠組みを分子緩和に応用した点にある。エージェントには、早期停止や汎化性能の欠如を防ぐための2つのアドミッションゲート（受入基準）が課されており、未知の分子に対する過学習を防ぎつつ実用的な最適化手法を探索できる。これにより、DFTの勾配情報を使用せずに既存の最高速オプティマイザを大きく凌駕する性能を達成した点が学術的・実用的な大きな貢献である。

提案手法の詳細

提案手法である AutoSella は、Sella をベースとしてエージェントがコードの自動書き換えを行うことで構築された 2 種類のオプティマイザから構成される。エージェントはフォースコール数の最小化を目的関数としてオプティマイザのアルゴリズム構造を探索する。検索プロセスにおいては、未学習の分子に対する汎化性能を検証する仕組みが組み込まれており、探索の安定性と実用性が担保されている。なぜこの設計にしたかといえば、単純なコード改変では特定の分子に過学習するリスクが高いため、厳格なアドミッションゲートによって汎化性能の担保と早期停止の回避を両立させる必要があるからである。

評価・考察

評価実験では、ホールドアウトされた分子ベンチマークおよび探索時に使用されなかったポテンシャルを用いて検証が行われた。r2SCAN-3c DFTレベルの計算において、AutoSellaの最良のバリアントはSellaのフォースコール数の40.2%〜77.2%のみを消費しつつ、Sellaと同等のエネルギー削減を達成した。特筆すべきは、エージェントがDFTの勾配情報を直接使用せずにこの効率化を実現している点であり、計算コスト削減におけるLLMベースの最適化の有効性が定量的に示されている。

応用例と今後の展望

本手法は、新薬開発や材料科学における量子化学計算の高速化に直接応用可能である。製薬業界や材料メーカの計算化学研究部門において、DFT計算を伴う大規模な分子構造最適化の壁時計時間を劇的に短縮する実務インパクトを持つ。今後は、より多様な化学系や高精度なポテンシャルに対するスケーラビリティの検証が課題となる。

結論

本論文では、LLMエージェントの自動コード書き換えを活用した分子緩和オプティマイザ「AutoSella」を提案した。未学習の分子に対してもSellaの最大40.2%のフォースコール数で同等のエネルギー収束を達成し、量子化学計算の計算コスト削減におけるLLMの強力な実用性を示した。

注釈

• 密度汎関数理論 (DFT): 電子状態を電子密度から計算するための量子力学的手法。
• フォースコール: 分子構造最適化において原子に働く力を評価する計算ステップ。
• RAG: 外部の知識ベースを検索してLLMの応答を補強する技術（本稿の直接の主題ではないが関連技術）。