経験的ポテンシャルとは、原子や分子の間に働く相互作用（力場）を、実験データや厳密な理論計算の結果に適合するように設計された比較的シンプルな数式で近似的に表現したものです。計算コストが非常に低く、マテリアルインフォマティクスや分子動力学シミュレーションにおいて、大規模な原子集団の挙動を高速に計算・予測するための基盤技術として長年利用されています。
経験的ポテンシャルとは
経験的ポテンシャル（英語：empirical potential）とは、物理化学や材料科学の分野において、原子や分子の間にはたらく相互作用エネルギー（力場）を記述するために用いられる近似的な関数モデルです。量子力学に基づく複雑な計算をバイパスし、事前に定義されたパラメータ（媒介変数）を実験値や高精度な理論計算結果にフィッティング（適合）させることで、非常に高速なエネルギー計算を可能にします。
詳しく解説
経験的ポテンシャルは、古典的な分子力学に基づき、化学結合の伸縮、角度のひずみ、ねじれ、および非結合間の静電相互作用やファンデルワールス力などを、調和振動子やレナード・ジョーンズ・ポテンシャルといった扱いやすい数式で表現します。本来、微視的なスケールでの原子間の挙動はシュレーディンガー方程式を解く必要がありますが、これには膨大な計算資源を要します。経験的ポテンシャルは、この量子力学的な効果を数式モデルとパラメータへと「経験的」に落とし込むことで、計算量を劇的に削減します。近年のAIや機械学習の発展に伴い、マテリアルインフォマティクスの分野では、これら伝統的なポテンシャルと、より柔軟で高精度な「機械学習ポテンシャル」を使い分ける、あるいは融合させる研究が活発に行われています。
具体例・使われ方
経験的ポテンシャルの代表的な応用例は、タンパク質や核酸といった生体高分子、あるいは金属や半導体の結晶構造を対象とした「分子動力学シミュレーション」です。例えば、数百万以上の原子を含む巨大な生体膜モデルを長時間の時間発展（ナノ秒からマイクロ秒スケール）でシミュレーションする際、計算負荷が極めて小さいため、経験的ポテンシャルが不可欠な役割を果たします。具体的な関数モデルとしては、AMBER、CHARMM、Lennard-Jonesポテンシャルなどが挙げられます。
似た用語との違い
経験的ポテンシャルと混同されやすい概念に「第一原理計算」と「機械学習ポテンシャル」があります。第一原理計算（ab initio calculation）は、実験値や経験パラメータを一切用いず、量子力学の基本原理のみに基づいて電子状態や原子間力を計算する手法です。極めて高精度ですが計算コストが膨大です。機械学習ポテンシャルは、第一原理計算のデータを教師データとして機械学習モデルに学習させ、両者の長所を組み合わせた新しいアプローチです。経験的ポテンシャルに比べて関数形状の制約が少なく、第一原理計算に近い精度と、経験的ポテンシャルに近い高速性を両立します。
注意点
経験的ポテンシャルには大きな限界があります。第一に、化学反応における結合の生成や開裂（結合が切れること）を原則として表現できません（ReaxFFなどの特殊なポテンシャルを除く）。第二に、パラメータを調整した際の対象系（特定の分子や結晶相）以外への適用、すなわち外挿性が著しく低いという問題があります。あらかじめ設計された単純な数式モデルの枠内に現象を閉じ込めるため、適合（フィッティング）の限界を超えた未知の物性を予測するマテリアルインフォマティクスでは、予測精度が大幅に低下する危険性があります。