NVIDIA、AIエージェントと「ALCHEMI Toolkit」による材料シミュレーション自動化の手法を公開

要点

• NVIDIAが、AIコーディングエージェントを活用して機械学習原子間ポテンシャル（MLIP）シミュレーションを構築・実行する手法と検証結果を公開した。

• 専用のエージェントスキルと参照ファイルを提供することでAPIの誤用を防ぎ、自然言語の指示から高精度なシミュレーションコードを生成できる。

• NVIDIA H200 GPUを用いた45本のパイプライン検証において、シリコンの状態方程式やリチウムの自己拡散などで既存データと一致する結果を確認した。

• シミュレーション自動化が進む環境下でも、モデルの適用限界や物理的妥当性の評価には研究者による判断や独立した検証が不可欠であるとしている。

• 米NVIDIAは2026年8月18日、同社の技術ブログにて、材料科学向けの計算フレームワーク「NVIDIA ALCHEMI Toolkit」とAIコーディングエージェントを組み合わせたシミュレーション手法を公開した。自然言語による指示からGPUを活用したシミュレーションパイプラインを自動生成・実行する具体的なアプローチが示されている。同社が実施した検証では、NVIDIA H200 GPU環境下で45本のパイプラインすべてが既存の参照データと整合する結果を示したという。

MLIPシミュレーションの課題とAIエージェントの適用

原子レベルの材料シミュレーションを実行するには、科学的知見、効率的な計算実装、そしてシミュレーション基盤へのアクセスしやすいインターフェースという3つの要素が求められる。NVIDIAが2026年初頭に公開した「NVIDIA ALCHEMI Toolkit」は、機械学習原子間ポテンシャル（MLIP：原子間の相互作用を機械学習モデルで高速に予測する手法）をPyTorchネイティブな構成要素として提供し、インフライトバッチ処理（計算処理中に動的にデータを束ねてGPU効率を高める技術）による高速化を実現したことで、計算実装面のハードルを大幅に下げた。

しかし、MLIPのエコシステムは発展途上であり、従来の計算化学ツールとは異なるデータ構造や依存関係を持つため、依然としてインターフェースの習得や利用の難しさが残っていた。これに対し、日常的な専門用語を用いた自然言語からコードを生成・実行できるAIコーディングエージェントの活用が期待されている。ただし、汎用のAIエージェントはALCHEMI Toolkit固有のAPI仕様を事前知識として持たないため、一見正しそうに見えて実際には動作しないコードを出力してしまう課題があった。

専用スキルの提供と45本のパイプライン検証

この課題を解決するため、NVIDIAはALCHEMI Toolkit向けのエージェントスキルとリファレンスファイルを整備した。これにより、エージェントに対して必要なAPIパターンをオンデマンドで供給できるようになり、研究者は対象材料、計算条件、プロトコルの制約といった科学的な指示（プロンプト）の指定に専念できるようになったという。

同社はプロンプトの具体性レベルを変えながら、計45本のシミュレーションパイプラインを生成する体系的なベンチマークを実施した。検証対象には、シリコンの状態方程式、Cu(111)表面における酸素の吸着挙動、リチウムの自己拡散という代表的なワークフローが含まれている。NVIDIA H200 GPU上でこれらのコードを実行・検証したところ、プロンプトの詳細度は生成されるコードの構造や再利用性には影響を与えるものの、物理的な正確性には影響を与えず、すべてのワークフローで確立された参照データと一致する結果が得られたと報告している。

推奨される実行環境とセットアップ手順

NVIDIAは、生成コードの信頼性を高めるために、エージェントが動作可能な実行環境内で直接スクリプトを実行して検証させるセットアップを推奨している。45本のパイプライン検証においても、この環境構成によりインポートエラーや未定義APIの参照が発生しなかったという。

推奨される動作環境および要件は以下の通りである。

• Python：3.11以上 3.14未満
• PyTorch：2.8以上
• CUDA：CUDA 12 または CUDA 13（対応NVIDIAドライバ 570以降を推奨）
• オペレーティングシステム：Linux（主要環境）、macOS
• ハードウェア：NVIDIA GPU（RTX 20xx以降、CUDA Compute Capability 7.0以上）、RAM 4GB以上（大規模システムでは16GB推奨）

導入手順としては、まずuvパッケージマネージャを用いてPython環境を構築し、CUDA環境に応じたToolkit（例：nvalchemi-toolkit[mace,ase,cu13]==0.2.0）をインストールする。続いて、バージョンに対応したエージェントスキルをダウンロードし、Claude Codeなどのコーディングエージェントと連携させる流れが紹介されている。

自動化における科学的判断と検証の重要性

シミュレーションの自動生成が進む一方で、NVIDIAは研究者自身による科学的判断と検証の重要性を強調している。「MACE-MPA-0」などのMLIPモデルは学習データの適用範囲外では精度が変動する特性があり、さらにAIコーディングエージェント自身はシミュレーション結果が物理的に妥当であるかどうかを本質的に検証できるわけではない。そのため、実験データや密度汎関数理論（DFT：電子構造を量子力学に基づいて計算する理論手法）によるデータとの独立したクロスチェックが不可欠であるとしている。