有理関数最適化法（RFO）の系譜と革新：P-RFOによる空間分割からRS-I-RFOによる統一的解法まで

生成AIによる自動生成記事に関する免責事項: 本記事は、Emili BesalúおよびJosep Maria Bofillによる原著論文 “On the automatic restricted-step rational-function-optimization method” (Theor. Chem. Acc., 1998) の内容に基づき、直前の対話におけるRFOとP-RFOの比較解説を統合して作成された解説記事です。記述内容は提示された文献の範囲内において正確性を期していますが、厳密な証明や詳細な実装については、原著論文および関連する計算化学の専門書を参照してください。

1. 序論：局所二次近似の限界とRFO法の登場#

計算化学において、分子の平衡構造（エネルギー極小点）や遷移状態（一次の鞍点）を特定することは、化学反応のメカニズムを解明する上で不可欠である。ポテンシャルエネルギー曲面（PES）上の探索には、一般にエネルギーの二次微分（ヘシアン行列）を用いたニュートン・ラフソン法が用いられるが、この手法は初期構造が停留点から遠い場合や、ヘシアンの固有値構造が望ましくない場合（例：極小点探索中に負の固有値が現れる）に不安定となる。

Banerjeeらによって提案された**有理関数最適化法（Rational Function Optimization, RFO）**は、エネルギー変化をパデ近似（有理関数）でモデル化することで、この問題を克服しようとした。RFO法は、ヘシアンのシフト（ $\lambda I$ の加算）を自然に導出し、曲面の曲率に応じて探索方向を適切に調整する能力を持つ。

しかし、RFO法を鞍点探索（遷移状態探索）に適用する際には、**「信頼領域（Trust Region）の制御」と「モード追跡の安定性」という二つの大きな課題が存在した。本稿では、これらの課題を解決するために考案されたP-RFO（Partitioned RFO）の概念と、さらに数学的な厳密性を加えたRS-RFO（Restricted Step RFO）**への進化について詳述する。

2. RFOとP-RFO：空間分割による鞍点探索の安定化#

RFO法の基本形と、鞍点探索特有の難しさを解決するために導入されたP-RFO法の違いについて、数理的な観点から整理する。

2.1 RFO（Rational Function Optimization）の定式化#

RFO法では、点 $q$ からの変位 $\Delta q$ に対するエネルギー変化を以下の有理関数で近似する。

Q(\Delta q) = \frac{g^T \Delta q + \frac{1}{2}\Delta q^T H \Delta q}{1 + \Delta q^T S \Delta q} \quad (1)

このモデルの停留条件 $\nabla Q = 0$ は、以下の拡張ヘシアン固有値問題に帰着される。

\begin{pmatrix} 0 & g^T \\ g & H \end{pmatrix} \begin{pmatrix} 1 \\ \Delta q \end{pmatrix} = \lambda \begin{pmatrix} 1 & 0 \\ 0 & S \end{pmatrix} \begin{pmatrix} 1 \\ \Delta q \end{pmatrix} \quad (2)

RFO法は、全自由度（ $n$ 次元）を一括して扱い、この固有値方程式から得られる固有ベクトル（モード）の一つを選択して進むべき方向を決定する。通常、極小点探索では最低固有値を、鞍点探索では2番目に低い固有値を選択する。

2.2 RFOの課題：鞍点探索における不安定性#

RFO法を鞍点探索に用いる場合、以下の問題が生じることが知られている。

適切な解の不在: 信頼領域（ステップ長の上限 $R$ ）を設定した場合、RFO方程式の解 $\Delta q$ が信頼領域の境界条件 $\Delta q^T \Delta q = R^2$ を満たすようなシフトパラメータ $\lambda$ が、関心のある領域（例えば最低固有値と第2固有値の間）に存在しない場合がある。
モードの混同: 全自由度を一括で扱うため、遷移ベクトル（最大化すべきモード）とその他の振動モード（最小化すべきモード）が混ざり合い、正しい鞍点方向を見失うリスクがある。

2.3 P-RFO（Partitioned RFO）による解決#

これらの問題を解決するためにBanerjeeらが提案したのが、**P-RFO（分割RFO）**である。P-RFOの核心は、ヘシアンの固有ベクトル空間を物理的な役割に基づいて明示的に分割することにある。

最大化部分空間（Maximization Subspace）: 遷移状態においてエネルギー極大となるべき方向（通常は負の曲率を持つ方向）。
最小化部分空間（Minimization Subspace）: 残りのすべての直交する方向（エネルギー極小となるべき方向）。

P-RFOでは、これら2つの部分空間に対して独立にRFO方程式を適用する。

\Delta q = \Delta q_{\text{max}} + \Delta q_{\text{min}}

これにより、遷移ベクトル方向への登坂（最大化）と、直交方向への緩和（最小化）が分離（decoupling）され、鞍点探索の安定性が大幅に向上する。

3. RS-RFO：信頼領域制約の厳密解法#

従来のRFOやP-RFOの実装では、算出されたステップ $\Delta q$ が信頼半径 $R$ を超えた場合、単にベクトルをスケーリングして長さを $R$ に合わせる処理が行われていた。しかし、これは数学的に最適な方向を損なうものである。BesalúとBofillは、ステップ長が厳密に $R$ となるようなRFO解を求めるアルゴリズム RS-RFO（Restricted Step RFO） を確立した。

3.1 数理的導出：スケーリング行列の最適化#

RS-RFOでは、スケーリング行列として $S = \alpha I$ を導入し、パラメータ $\alpha$ を調整することでステップ長を制御する。変位ベクトルの二乗ノルム $\Delta q^T \Delta q$ は、シフトパラメータ $v = \lambda \alpha$ の関数として次のように表される。

\Delta q^T \Delta q = \sum_{i=1}^n \left( \frac{w_i^T g}{h_i - v} \right)^2

ここで $w_i, h_i$ はヘシアンの固有対である。目的は $\Delta q^T \Delta q = R^2$ を満たす $\alpha$ を見つけることである。 Besalúらは、 $\alpha$ に対する解析的な微分係数を導出した。

\frac{d(\Delta q^T \Delta q)}{d\alpha} = 2 \frac{\lambda}{1 + \alpha \Delta q^T \Delta q} \sum_{i=1}^n \frac{(w_i^T g)^2}{(h_i - \lambda \alpha)^3} \quad (3)

この微分を用いたニュートン法により、信頼領域の境界上に位置する最適なステップを反復的に（マイクロ反復により）決定することが可能となった。

4. アルゴリズムの統合：RS-P-RFOとRS-I-RFO#

本研究では、上述の「厳密なステップ制限（RS）」の概念を、P-RFOおよび像関数法（I-RFO）に適用し、その性能を比較検証している。

4.1 RS-P-RFO（Restricted Step Partitioned RFO）#

P-RFOの概念にRS法を適用したものである。最大化空間と最小化空間のそれぞれのステップ寄与の和が $R^2$ となるように、共通のパラメータ $\alpha$ を決定する。

(\Delta q^T \Delta q)_{\text{max}} + (\Delta q^T \Delta q)_{\text{min}} = R^2

この手法はP-RFOの安定性を持ちつつ、ステップ長の制御を厳密化したものであるが、部分空間間のカップリング（相互作用）を無視しているという理論的な欠点が残る。

4.2 RS-I-RFO（Restricted Step Image RFO）#

RS-P-RFOの「カップリング無視」の問題を解決するために提案されたのが、像関数（Image Function）を用いた RS-I-RFO である。像関数 $Q^*$ は、遷移ベクトル方向の曲率を反転させた仮想的なポテンシャルであり、以下のように定義される。

H^* = (I - 2w_{tv}w_{tv}^T) H

この像関数に対して（分割を行わずに）RS-RFOを適用することで、遷移状態探索を「像関数上の極小点探索」に帰着させることができる。重要な発見は、このRS-I-RFO法が、これまで別個の手法と考えられていた QA/TRIM法 や RQNR法 と数学的に等価であるということである。(差異はシフトパラメータ m の取り扱い（QA/TRIM,RQNR ではラグランジュ乗数、RS-I-RFO では一般化固有値 × metric a）)

RS-I-RFOは、全自由度を一括して扱うため、最大化モードと最小化モードの間のカップリング項が自然に含まれる。これにより、反応経路が湾曲しているような複雑なケースにおいて、RS-P-RFOよりも有効な場合がある。

5. ベンチマーク結果と考察#

提案手法の性能を評価するため、AM1法を用いた有機反応の遷移状態探索が行われた。

5.1 収束性能の比較#

Table 1に示された比較結果は、各手法の特性を明確に示している。

手法	特徴	収束性能	備考
P-RFO	単純スケーリング	低	誤って極小点に収束するケースあり
RS-P-RFO	厳密ステップ制限＋空間分割	中	P-RFOより安定だが、カップリングが強い系で失敗する場合あり
RS-I-RFO	厳密ステップ制限＋像関数	高	最も堅牢。RS-P-RFOが失敗した反応も収束

5.2 考察#

RS-P-RFOは、単純なP-RFOに比べれば明らかに優れている。しかし、最大化空間と最小化空間を独立に扱うという近似が、特定の反応（例：過酸化物の分解）においては致命的となり、収束不能に陥ることがある。対照的に、RS-I-RFOはモード間の結合を考慮するため、あらゆるケースで安定した収束を示した。これは、遷移状態探索において「部分空間への分割（Partitioning）」よりも、「像関数を用いた統一的扱い（Unified treatment via Image function）」の方が、数理的に優れていることを示唆している。

6. 結論#

本稿では、RFO法の発展の歴史を、ステップ制御の厳密化と空間分割の有無という観点から概観した。

RFO vs P-RFO: 鞍点探索においては、最大化・最小化モードを分離するP-RFOのアプローチが、単純なRFOよりも安定性が高い。
スケーリング vs RS法: ステップ長が信頼半径を超えた場合、単純なスケーリングではなく、解析的な微分を用いたRS法（ $\alpha$ の最適化）を用いることで、探索方向の質が向上する。
RS-P-RFO vs RS-I-RFO: 最終的な最適解としては、空間分割による近似を行わず、像関数を用いて全モードの結合を取り込む RS-I-RFO が推奨される手法である。

これらの知見は、現代の量子化学計算パッケージにおける幾何構造最適化アルゴリズムの基礎となっており、複雑な反応経路の自動探索を支える重要な数理的基盤である。

参考文献#

Besalú, E., & Bofill, J. M. (1998). On the automatic restricted-step rational-function-optimization method. Theor. Chem. Acc., 100, 265-274.
Banerjee, A., Adams, N., Simons, J., & Shepard, R. (1985). Search for stationary points on surfaces. J. Phys. Chem., 89, 52.
Jensen, F. (1995). Locating transition structures by mode following: A comparison of methods. J. Chem. Phys., 102, 6706.
Fletcher, R. (1987). Practical Methods of Optimization. Wiley, New York.
Helgaker, T. (1991). Transition-state optimizations by trust-region image minimization. Chem. Phys. Lett., 182, 503.
Sun, J. Q., & Ruedenberg, K. (1994). Gradient expansion of the potential energy surface and the search for transition states. J. Chem. Phys., 101, 2157.