主要成果
東京大学産業科学研究院の研究チームは、新材料の設計において原子の配置だけでなく、電子の挙動を同時に予測・設計する生成AIモデル「MatterGen-e⁻」を開発しました。この成果は、査読付き学術誌『npj Computational Materials』に掲載されています。研究チームが形成エネルギーとバンドギャップの目標値を指定して検証したところ、MatterGen-e⁻は、ベースとなった従来のモデルであるMatterGenと比較して、「妥当性」「安定性」「ユニークさ」「新規性」の4つの基準を同時に満たす構造を大幅に多く生成することに成功しました。
技術・詳細
MatterGen-e⁻は、Microsoft Researchが2025年初頭に発表した無機結晶向けの拡散ベース生成モデル「MatterGen」を拡張したものです。MatterGenは、ランダムなノイズを段階的に洗練させて構造を出力するAIで、原子の種類、空間座標、単位格子の形状を生成します。しかし、結晶構造からマクロな材料特性へ直接的に結びつけるデータは限られており、AIがその相関を学習するのは困難という課題がありました。
そこで研究チームは、構造と特性の橋渡し役として「局所的な電子構造」の記述子を導入しました。具体的には以下の2つの指標を原子構造と同時に生成させます。
- Bader電荷：結晶格子内の各原子に割り当てられた電子電荷であり、原子間での電子の共有や移動を捉える指標。
- 原子状態密度（Atomic density of states）：各原子の周囲で電子のエネルギー準位がどのように分布しているかを示す指標。
これにより、AIは統計的なショートカットを探すのではなく、物理学的な根拠に基づいた推論を通じて材料を設計することが可能になりました。
背景・業界の文脈
材料科学において「構造が機能を決定する」という原則は古くから知られています。セラミックスの硬度や金属の導電性、半導体の光学特性などは、原子の三次元的な配列である「結晶構造」と、エネルギー準位における電子の分布である「電子構造」の2点に起因します。従来の計算材料探索では、主に結晶構造の生成とスクリーニングに焦点が当てられてきましたが、物理的には「原子配置 → 電子構造 → 材料特性」という順序で決定されるため、電子構造を飛ばして特性を予測することは効率が悪いと考えられてきました。
今後の展望
MatterGen-e⁻は、物理的な制約をAIのアーキテクチャ自体に組み込むことで、少ないデータ量でも効率的に学習できることを示しました。また、構造と同時に電子構造の記述子を出力するため、生成された新材料の状態密度の予測値を得ることも可能です。このアプローチは、コンピュータ上のシミュレーションで完結せず、実際に合成可能で有用な新材料を迅速に発見するための強力なツールになると期待されます。
毎週の技術動向レポートを無料でお届け
各分野の分析レポートを読む価値があるかどうか一目で判断できるインフォグラフィックをメールで受け取れます。
📢 メールマガジンに無料登録（週刊・技術動向レポート）
ご登録いただくと、Troy-Technical から週刊で技術動向レポート（メールマガジン）をお届けします。
- 取得したメールアドレス・選択分野は配信目的にのみ使用します。
- 第三者へ提供することはありません。
- 配信はいつでも解除できます（各メール下部のリンクから）。
詳しくはプライバシーポリシーをご覧ください。
登録は1分・いつでも解除できます
