1. 3行でわかる／読む前に／シリーズの中での位置

• 触媒の探索では、「吸着エネルギー」が物差しになります：表面に分子がくっつく強さは、強すぎても弱すぎても活性が落ちます（火山型の関係）。この強さを計算やAIで大量に見積もり、候補を絞ります事実［参考資料1・6］
• 計算で見つけ、実験で確かめた例があります：水素発生（BiPt）、CO₂からメタノール（Ni–Ga）、CO₂からエチレン（Cu–Al）。一方、同じ手法でも、CO₂還元では計算の特徴量が実験をほとんど説明できませんでした事実［参考資料3・4・5・7］
• 計算の誤差は、速度に指数で効きます：障壁が0.1 eVずれると、室温付近で速度の見積りが約48倍ずれます。2020年のOpen Catalyst のベースラインの誤差（0.5 eV前後）は、そのままでは速度の予測には使えない大きさです本稿の計算／事実

2. 触媒を「計算で探す」とは ― 吸着エネルギーと火山図

(1) まず、身近なたとえから

触媒の表面で反応が進む様子を、「ボールを受け取って、次の人に渡す」作業にたとえてみます。握る力が弱すぎると、そもそもボールを受け止められません（反応物が表面に乗らず、反応が始まらない）。逆に握る力が強すぎると、今度は手から離せません（生成物が表面にとどまり、次の反応物が乗れない）。ちょうどよい強さのとき、いちばん速く回ります。これがSabatier（サバティエ）の原理です。 たとえの限界：実際の表面では、複数の段階が同時に進み、表面の状態も反応中に変わります。ボールを渡すだけの単純な話ではありません。

(2) 「ちょうどよい強さ」を、数字で表す

表面への「くっつきやすさ」を数字にしたものが吸着エネルギーです（負の値が大きいほど強い結合）。ある反応で重要な中間体の吸着エネルギーを横軸に、活性を縦軸にとると、山の形になります。形が火山に似ているため、火山図と呼ばれます。 Nørskov らは、電子状態の計算から、酸素還元反応のさまざまな金属での速さの傾向を、酸素と水酸基の吸着エネルギーで説明しました事実［参考資料6］。つまり、吸着エネルギーは、触媒を数字で表す「名刺」（記述子）の役を果たします。

火山図の仕組みを、本稿が作った小さな模型で確かめます（図3）。

元のSVG・数値・出典を確認する

元SVGの説明：概念図（ベクター作図）。触媒をMIで探す流れ。左の4段が計算とAIによる予測、右の2段が実験による確認です。区切りは本記事による整理で、手法ごとに順序や段の数は異なります。

• 反応物を活性化する段階：吸着が強いほど障壁が下がる（障壁 = 0.9 + 0.5×E、Eは吸着エネルギー [eV]）
• 生成物が離れる段階：吸着が強いほど障壁が上がる（障壁 = 0.2 + max(0, −E)）
• 遅い方の段階が全体の速度を決めると仮定（500 K）。活性は、障壁が低いほど高い

この模型では、2つの障壁が等しくなる E ≒ −0.47 eV で、活性が最大になります（本稿の計算）。左（強すぎる）ではEが1 eV変わるごとに活性が約10桁、右（弱すぎる）では約5桁変わり、山の左右で傾きが違うことも分かります。数値はすべて説明用の仮定で、実在の反応の値ではありません。

(3) もう1つの目安：dバンド模型

遷移金属の表面では、金属のd電子のエネルギー分布（dバンド）の位置が、吸着の強さの目安になる、という考え方（dバンド模型）が広く使われています。Hammer と Nørskov の1995年の論文（題名「Why gold is the noblest of all the metals」）が、この考え方の原点の1つとして知られています［参考資料21］（本稿では題名と書誌の範囲で確認）。詳しい説明は、本シリーズ「密度汎関数理論の基礎」編に任せます。

3. 計算で見つけ、実験で確かめた例

計算で触媒を探す試みは、AIが一般的になる前から行われています。ここでは、計算で候補を絞り、実験で確かめた3つの例を、論文の要旨にもとづいて並べます（図4）。

• 水素発生（Greeley ら、2006）：DFTで700を超える二元表面合金の活性と安定性を評価し、BiPtが、水素発生の標準的な触媒であるPtと同等以上の活性を持つと予測しました。BiPtを合成して試験し、純Ptより良い水素発生の性能を示したと報告しています事実［参考資料3］。
• CO₂からメタノール（Studt ら、2014）：記述子にもとづく解析と計算で、Ni–Ga金属間化合物を安定な候補として見つけ、いくつかの触媒を合成して試験しました。Ni₅Ga₃が特に活性・選択性が高く、従来のCu/ZnO/Al₂O₃触媒と同等以上のメタノール合成活性と、COの副生がかなり少ないことを、常圧で報告しています事実［参考資料4］。
• CO₂からエチレン（Zhong ら、2020）：DFTと能動学習（active learning。少ない計算で効率よく候補を選ぶ方法）で、Cu–Al合金を見つけました。ファラデー効率（電気がどれだけ目的物に使われたか）80%超（純Cuは約66%）を、400 mA/cm²の電流密度で達成し、その場X線吸収で、C–C結合の形成に有利なCuの配位環境を確認したと報告しています事実［参考資料5］。

4. 大規模データの整備 ― Open Catalyst Project ほか

(1) 何が公開されているか

Meta の FAIR（Fundamental AI Research）と、カーネギーメロン大学の化学工学科が共同で進めるのが、Open Catalyst Project です。目的は、AIで触媒を計算し、再生可能エネルギーの貯蔵に使える触媒を見つけることだと、公式サイトに書かれています事実［参考資料12］。公開されているものを、表にまとめます（確認日 2026年10月22日）。

出典は各論文の要旨・本文、公式サイト、fairchem の README（確認日 2026年10月22日）。事実。

(2) モデルとデータのライセンス

fairchem（Meta FAIR のコードの集まり）のコードはMITライセンスで、モデルや重みのライセンスは用途の領域ごとに違う、とREADMEに書かれています。UMAのモデルを使うには、Hugging Face でモデルへのアクセスを申請し、ログインする必要があります事実［参考資料13］。データセットごとの利用条件（商用利用の可否など）は、本稿では確認できませんでした。自社で使う前に、公式の記載を確認してください。

5. 精度の数字を読む ― エネルギーの誤差は、速度にどう効くか

(1) 2020年のベースラインの数字

OC20の論文は、3つのグラフニューラルネットワーク（CGCNN、SchNet、DimeNet++）をベースラインとして試しました。初期構造から緩和後のエネルギーを当てる課題（IS2RE）で、学習に使った全データで訓練した結果は、次のとおりでした事実［参考資料1］。

• エネルギーの平均絶対誤差（MAE）：0.50〜0.92 eV（モデルと、テストの分割により異なる）
• 「中央値を答える」だけの基準：1.68〜1.89 eV
• 誤差0.02 eV以内に入った割合（EwT）：約2〜7%
• テストは4つの分割（学習と同じ範囲／未知の吸着分子／未知の触媒組成／両方が未知）。未知の分割ほど、誤差が大きくなる傾向

論文は、S2EFの指標について、結果は「実用にはまだ遠い」と述べています［参考資料1］。また、ほとんどの課題で、モデルの大きさに上限が見られなかったことから、より大きなモデルで改善する可能性を指摘しています［参考資料1］。 ここで強調したいのは、これが2020年のベースラインだという点です。その後、データ（OC22、OC25）とモデル（UMAなど）が公開されており、現在の精度は、これより大きく良い可能性があります。しかし、最新の数字は、本稿では確認していません。公式のリーダーボードで、確認日と条件を確かめてください。

(2) 本稿の計算：0.1 eVのずれは、速度の何倍か

エネルギーの誤差の大きさが、どれほど重大かを、速度の式から計算します。反応の速度は、障壁（活性化エネルギー）Ea に対して、おおよそ exp(−Ea / kT) に比例します（k：ボルツマン定数、T：温度）。障壁が ΔE だけ違えば、速度は exp(ΔE / kT) 倍違います。これを数値で見ます（図6）。本稿の計算

• 300 K（室温付近）：0.05 eV → 6.9倍、0.1 eV → 48倍、0.2 eV → 約2,300倍、0.5 eV → 約2.5億倍
• 600 K（気相の熱触媒の例）：0.05 eV → 2.6倍、0.1 eV → 6.9倍、0.2 eV → 48倍、0.5 eV → 約1.6万倍

つまり、誤差0.5 eV 前後のモデルは、「この触媒は、あの触媒の何倍速い」という定量の予測には使えません。使えるのは、「候補の大まかな順位をつけて、実験に回す数を減らす」ための選別です。ただし、同じ手法の誤差は、比べる触媒の間でかなり共通する（系統的なずれ）ことが多く、順位づけは絶対値より当たりやすいこともあります（本記事による解説。どの程度当たるかは、課題ごとに確かめる必要があります）。

(3) 計算の「構造」の選び方も、誤差の元

吸着エネルギーは、表面の「どの位置に」「どの向きで」分子が乗るか（吸着の配置）で変わります。いちばん低いエネルギーの配置を探すのも、手間のかかる作業です。AdsorbML は、機械学習ポテンシャルで、低いエネルギーの配置を探す方法で、バランスのとれた設定では、最も低いエネルギーの配置を87.36%の割合で見つけ、計算を約2,000倍速くできたと報告しています。この評価のために、約1,000の表面と約10万の配置を含む Open Catalyst Dense データセットも作られました事実［参考資料8］。 言い換えると、残りの約13%では、最も低い配置を見逃していることになります（本稿の計算：100% − 87.36%）。この見逃しは、エネルギーを実際より高く見積もる誤差になります。

また、Kolluru らは、触媒向けの機械学習ポテンシャルが、特定の化学種・組成に絞った研究では、データの間を補間することはうまくいくが、化学空間の全体に一般化するのは難しいと述べ、OC20はそれを変えようとする取り組みだと位置づけています事実［参考資料9］。

6. 計算と実験のあいだ ― OCx24 が示したこと

(1) 何をしたか

Abed らは、AIによる触媒の計算の予測と、実験の結果とのあいだの隔たりを埋めるため、実験のデータセット（OCx24）を作りました（2024年のプレプリント）事実［参考資料7］。

• 実験：2つの合成法（化学還元、スパーク放電）で、13元素の572試料を合成。XRFとXRDで、組成・純度・構造を確認。441個のガス拡散電極（再現試料を含む）で、CO₂還元（CO2RR）と水素発生（HER）を、最大300 mA/cm²で評価。独立した調製は230、似た組成をまとめると179の対象
• 計算：約19,400の材料（Materials Project、OQMD、Alexandriaの、反応条件で熱力学的に安定になりうる材料）で、6種の吸着分子（OH、CO、CHO、C、COCOH、H）の吸着エネルギーを、AIとDFTを組み合わせて計算。6.85億回の構造緩和と、約2,000万回のDFT一点計算が必要だった。論文は、触媒の計算スクリーニングとして最大と述べる

（本稿の計算：6.85億 ÷ 約2,000万 ≒ 34。DFTの一点計算1回あたり、AIによる緩和が約34回、という規模感です。）

(2) 結果：水素発生はうまくいき、CO₂還元はうまくいかなかった

• 水素発生（HER）：水素（H）と水酸基（OH）の吸着エネルギーだけを特徴量にした線形モデルで、実験の電圧を説明できました（その組成を丸ごと除く評価 LOCO で R² = 0.59）。実験側のばらつき（297本の再現試料）は σ = 0.043 V です。このモデルで約19,400の材料の活性を見積もると、Ptが火山の頂上付近に現れました。学習データには、Pt（合金も含む）がなかったにもかかわらずです事実。さらに、Pd・Pt・Rh・Ir・Ru・Au・Os・Agを含まない436の材料（うち282はSeを含む）を、低コストのHER触媒の候補として挙げています。これは予測で、実験で確かめた結果ではありません［参考資料7］。
• CO₂還元（CO2RR）：生成物ごとに、ランダムフォレストで生産速度を予測しました。同じ組成が学習側にある評価（LOO）では、H₂ R² = 0.46、CO 0.44、液体生成物 0.43でした。しかし、その組成を丸ごと除く評価（LOCO）では、H₂ 0.22、液体生成物 0.18、CO 0.00、エチレンは0.01で、ほとんど説明できませんでした。論文は、孤立した吸着分子のエネルギーと元素の特徴量だけでは、この化学の複雑さを予測するには不十分と結論しています事実［参考資料7］。

論文は、データを増やすと相関が良くなる傾向から、データセットを1万〜10万規模に増やせば、予測がはるかに良くなると見込んでいます［参考資料7］（未確定／将来。著者の見込みです）。

7. 文献データから学ぶ ― 触媒データの偏り

計算ではなく、過去に報告された実験データから学ぶ方法もあります。触媒の分野でも試みられています。Suzuki らは、メタンの酸化カップリング（OCM）、水性ガスシフト（WGS）、CO酸化の文献データで、触媒の組成を直接入力するのではなく、元素の特徴を入力する方法が予測精度を上げることを示し、勾配ブースティング（XGBoost）が最良で、OCMでは上位20の候補触媒を提案しました事実［参考資料16］。同じ論文は、文献データには、組成の重なりが少ない、過去の報告の偏りがある、多くの元素でサンプル数が少ないといった障害があると述べています［参考資料16］。

OCMについては、高スループット実験と触媒インフォマティクスを組み合わせた報告［参考資料17］、機械学習で反応条件を決める報告［参考資料18］もあります（本稿では題名の範囲で確認）。触媒への機械学習の応用を広く整理した総説として、Toyao らの論文があります［参考資料19］（題名の範囲で確認）。

8. 実験を自動で回す

もう1つの探し方は、実験そのものを自動で回し、AIが次の条件を選ぶ方法です。Burger らは、移動型のロボットで、水から水素を作る光触媒の配合を探索しました。ロボットは8日間、自律的に動いて、10変数の実験空間で688回の実験を行い、バッチ式のベイズ探索で、初期の配合より6倍活性の高い光触媒の混合物を見つけたと報告しています事実［参考資料20］。（この例は、光触媒の混合物の探索で、金属触媒の探索とは対象が違います。）ロボットとベイズ最適化の一般的な説明は、本シリーズ「自律実験室」編と「ベイズ最適化と能動学習」編で扱います。 OCx24 も、合成から、XRD・XRFによる特性評価、電解の試験までを、高スループットの流れで行ったものです［参考資料7］。

9. 予測と実験を区別する ― 確かめのはしご

ここまでの報告を、「どこまで確かめられたか」で並べます。触媒では、次の5段に分けて考えると整理できます（本記事による整理）。

1. 計算上の予測：吸着エネルギー、火山図、安定性の計算やAIによる予測
2. 合成して構造・組成を確認：実際に作り、XRD、XRF、その場X線吸収などで確認する
3. 標準的な条件で活性・選択性を測定：面積や質量で規格化した活性、生成物の割合を測る
4. 実機に近い条件・安定性：高い電流密度、圧力、不純物、長時間の試験
5. 独立した検証・スケールアップ：他のグループによる追試、実機や量産での再現

図9のとおり、OC20はデータセットで、第1段（予測）の道具です。Greeley らから Zhong らまでの3つの例は、第1〜3段まで進み、OCx24は、第1〜3段と、第4段の一部（産業的に意味のある電流密度まで）を扱いました。ただし、第5段（独立した検証・スケールアップ）まで確認できた報告は、この記事で扱った中にありませんでした。また、長期の安定性は、要旨の範囲では確認できませんでした。

10. 素材技術者の視点

AIに任せやすい部分と、専門家の判断が要る部分

表は本記事による整理（解説）です。

11. 限界と、確認できなかったこと／まとめ

(1) 最新の精度

Open Catalyst の精度の数字は、2020年の論文のベースラインです。その後のモデル（UMAなど）の精度や、公式リーダーボードの最新の値は、本稿では確認していません。

(2) 要旨・題名の範囲で引用した論文

Greeley ら、Studt ら、Zhong ら、Burger ら、Nørskov らは要旨の範囲で、Hammer と Nørskov（1995年）、Toyao ら、Nguyen ら、Ohyama らは題名と書誌の範囲で引用しました。OCx24は、プレプリント（arXiv）の本文で確認しました（査読を経た掲載版の有無は、本稿では確認していません）。

(3) ライセンス

fairchemのコードはMITライセンスと確認しましたが、データセットごとの利用条件（商用利用の可否など）と、各モデルの重みのライセンスは、本稿では確認していません。

(4) 扱っていないこと

反応速度論のマイクロキネティックモデル、触媒の劣化・被毒のモデル、均一系触媒・酵素触媒、光触媒（Burger らの1例を除く）、触媒の企業の事例は扱っていません。白金族金属の資源・リサイクルは、本シリーズ「白金族金属と触媒」編を参照してください。

(5) 日本国内の動向

日本の触媒研究のデータ基盤や、国内の機関・企業の取り組みは、この記事では調べていません。

12. 評価・標準の読み方

触媒のMIの「良し悪し」は、何を正解とするか（DFTの計算値か、実験か）、評価データの分け方（学習に似た組成を含めるか、除くか＝LOOかLOCOか）、比べる相手（中央値、基準の触媒）、どの段まで確かめたか（第9章）で決まります。触媒のMIに特化した国際標準は、確認できませんでした。ここでは、コミュニティのベンチマークと、実験の評価の共通の手順を、確認できた範囲で表にします（確認日 2026年10月22日）。

表の整理は本稿の計算（整理）。各数字は論文の要旨・本文、公式サイトで確認（確認日 2026年10月22日）。

読み方の注意（素材技術者向け）

• ベンチマークの順位と、自社の触媒での実力は別です：OC20のようなベンチマークは、計算データでの吸着エネルギーの予測の評価です。実際の触媒の活性・選択性・安定性は、別に確かめる必要があります
• 予測と実験検証を区別します：第9章のはしごのどの段かを確認します。「AIが見つけた」は、第1段の話のことが多い
• データの分け方：LOOとLOCOで、数字が大きく変わります。新しい組成を探すのなら、LOCOの数字を見ます
• 標準・原則の強さ：FAIR原則は推奨です。McCrory らのプロトコルは、共通の手順の提案で、法的な拘束力を持つ規格ではありません。著者の見込み（データを1万〜10万規模に増やすと予測が良くなる）は、未確定／将来として扱います

13. 用語集

14. 参考資料（一次情報）

1. Chanussot L. ほか "Open Catalyst 2020 (OC20) Dataset and Community Challenges", ACS Catal. 11, 6059–6072 (2021), DOI 10.1021/acscatal.0c04525（プレプリント arXiv:2010.09990 を本文の確認に使用） — arxiv.org/abs/2010.09990
2. Tran R. ほか "The Open Catalyst 2022 (OC22) Dataset and Challenges for Oxide Electrocatalysts", ACS Catal. 13, 3066–3084 (2023), DOI 10.1021/acscatal.2c05426（要旨を arXiv:2206.08917 で確認） — arxiv.org/abs/2206.08917
3. Greeley J. ほか "Computational high-throughput screening of electrocatalytic materials for hydrogen evolution", Nat. Mater. 5, 909–913 (2006), DOI 10.1038/nmat1752 — doi.org/10.1038/nmat1752
4. Studt F. ほか "Discovery of a Ni-Ga catalyst for carbon dioxide reduction to methanol", Nat. Chem. 6, 320–324 (2014), DOI 10.1038/nchem.1873 — doi.org/10.1038/nchem.1873
5. Zhong M. ほか "Accelerated discovery of CO₂ electrocatalysts using active machine learning", Nature 581, 178–183 (2020), DOI 10.1038/s41586-020-2242-8 — doi.org/10.1038/s41586-020-2242-8
6. Nørskov J. K. ほか "Origin of the Overpotential for Oxygen Reduction at a Fuel-Cell Cathode", J. Phys. Chem. B 108, 17886–17892 (2004), DOI 10.1021/jp047349j — doi.org/10.1021/jp047349j
7. Abed J. ほか "Open Catalyst Experiments 2024 (OCx24): Bridging Experiments and Computational Models", arXiv:2411.11783（2024年11月、プレプリント） — arxiv.org/abs/2411.11783
8. Lan J. ほか "AdsorbML: a leap in efficiency for adsorption energy calculations using generalizable machine learning potentials", npj Comput. Mater. 9, 172 (2023), DOI 10.1038/s41524-023-01121-5（オープンアクセス） — nature.com/articles/s41524-023-01121-5
9. Kolluru A. ほか "Open Challenges in Developing Generalizable Large-Scale Machine-Learning Models for Catalyst Discovery", ACS Catal. 12, 8572–8581 (2022), DOI 10.1021/acscatal.2c02291（要旨を arXiv:2206.02005 で確認） — arxiv.org/abs/2206.02005
10. Sahoo S. J. ほか "Insights into CO dimerization at electrified Cu interfaces from large-scale machine learning simulations"（Open Catalyst 2025〔OC25〕の導入）, arXiv:2509.17862 — arxiv.org/abs/2509.17862
11. Wood B. M. ほか "UMA: A Family of Universal Models for Atoms", arXiv:2506.23971 — arxiv.org/abs/2506.23971
12. Open Catalyst Project "Open Catalyst Project"（公式サイト） — opencatalystproject.org
13. Meta FAIR Chemistry "fairchem"（GitHub の README。コードのライセンスとUMAのタスク名の確認に使用。確認日 2026年10月22日） — github.com/facebookresearch/fairchem
14. Winther K. T. ほか "Catalysis-Hub.org, an open electronic structure database for surface reactions", Sci. Data 6, 75 (2019), DOI 10.1038/s41597-019-0081-y（オープンアクセス） — doi.org/10.1038/s41597-019-0081-y
15. McCrory C. C. L. ほか "Benchmarking Hydrogen Evolving Reaction and Oxygen Evolving Reaction Electrocatalysts for Solar Water Splitting Devices", J. Am. Chem. Soc. 137, 4347–4357 (2015), DOI 10.1021/ja510442p — doi.org/10.1021/ja510442p
16. Suzuki K. ほか "Statistical Analysis and Discovery of Heterogeneous Catalysts Based on Machine Learning from Diverse Published Data", ChemCatChem 11, 4537–4547 (2019), DOI 10.1002/cctc.201900971 — doi.org/10.1002/cctc.201900971
17. Nguyen T. N. ほか "High-Throughput Experimentation and Catalyst Informatics for Oxidative Coupling of Methane", ACS Catal. 10, 921–932 (2020), DOI 10.1021/acscatal.9b04293（題名の範囲で確認） — doi.org/10.1021/acscatal.9b04293
18. Ohyama J. ほか "Data Driven Determination of Reaction Conditions in Oxidative Coupling of Methane via Machine Learning", ChemCatChem 11, 4307–4313 (2019), DOI 10.1002/cctc.201900843（題名の範囲で確認） — doi.org/10.1002/cctc.201900843
19. Toyao T. ほか "Machine Learning for Catalysis Informatics: Recent Applications and Prospects", ACS Catal. 10, 2260–2297 (2020), DOI 10.1021/acscatal.9b04186（題名の範囲で確認） — doi.org/10.1021/acscatal.9b04186
20. Burger B. ほか "A mobile robotic chemist", Nature 583, 237–241 (2020), DOI 10.1038/s41586-020-2442-2 — doi.org/10.1038/s41586-020-2442-2
21. Hammer B., Nørskov J. K. "Why gold is the noblest of all the metals", Nature 376, 238–240 (1995), DOI 10.1038/376238a0（題名と書誌の範囲で確認） — doi.org/10.1038/376238a0
22. Wilkinson M. D. ほか "The FAIR Guiding Principles for scientific data management and stewardship", Sci. Data 3, 160018 (2016), DOI 10.1038/sdata.2016.18 — doi.org/10.1038/sdata.2016.18

15. 主張と出典の対応表（監査）

最終更新：2026年10月22日／出典は一次情報（査読論文、arXiv の論文、Open Catalyst Project と fairchem の公式ページ）に限定しています。Open Catalyst の精度の数字は2020年のベースラインです。 計算例は本稿の模型や式による計算で、実在の触媒の性能を示すものではありません。 最新の精度、データセットごとの利用条件、触媒のMIに特化した国際標準、独立した検証・スケールアップまで確認できた報告、長期の安定性の実験的な確認については、確認できなかったため記載していません。 図はすべて説明用の概念図または本稿の計算を含む作図で、図1と図8はImageGen生成の概念画像です。