本提案の「自己学習ハイブリッドモンテカルロ法」は機械学習ポテンシャルを援用して配置サンプリングを効率化した第一原理シミュレーションである。近似的な機械学習ポテンシャル上で古典軌道を発生し、その終点を試行配置とみなす。そこで密度汎関数(DFT)によるエネルギーを計算して、ハミルトニアン差に基づくメトロポリス判定によってその採択を決める。これを繰り返すことでサンプルされる配置は、指定した熱力学条件に対してDFTレベルで厳密なアンサンブルにあたることが保証される。さらに、途中で得られたDFTエネルギーを教師データに加えて再トレーニングすると、逐次的に機械学習ポテンシャルの精度改善が可能である。この循環を自動的に回すと、配置サンプリングは第一原理分子動力学法に比べて数十倍程度の加速が可能であることがわかった。