主要成果
研究チームは、機械学習ポテンシャル（MLP）を用いて、多成分遷移金属炭化物の熱力学的安定性と弾性特性を予測する手法を確立しました。特に、グループ4〜6の遷移金属と炭素からなる組成空間において、合成可能性と硬度の両立を実現する組成の特定に成功しています。また、多成分組成においてのみ現れる、従来の無秩序な岩塩構造や六方晶構造よりも形成エネルギーが大幅に低い「積層秩序相（stacking-ordered phases）」という新しい相のファミリーを同定しました。この予測は密度汎関数理論（DFT）計算によって裏付けられており、実験的な作製が可能であると考えられています。
技術・詳細
本研究では、MACEという機械学習原子間ポテンシャルを、約28,000件のDFT計算データを用いて微調整（ファインチューニング）しました。このモデルは非常に効率的で、トレーニングデータのわずか20%を使用するだけで、熱力学的に重要な構造において約10 meV/atomという低い形成エネルギー誤差を達成しています。
このモデルを用いて、岩塩構造、六方晶構造、hcpプロトタイプの3つの構造に基づき、1,500以上の等原子組成をスクリーニングしました。評価には自由エネルギーモデルと、弾性に基づいた硬度のサロゲート（代替指標）を組み合わせています。分析の結果、構成金属のグループ番号が安定性と硬度の両方を支配していることが判明しました。また、岩塩構造の炭化物を高温でスクリーニングする場合、短距離秩序が自由エネルギーに寄与するのはわずか数 meV/atomであるため、無秩序相をランダム固溶体として扱えることが示されました。
背景・業界の文脈
多成分遷移金属炭化物は、その優れた特性から極限環境でのアプリケーションへの応用が期待されています。しかし、膨大な組成の組み合わせの中から、「合成が可能」であり、かつ「高い硬度を持つ」組成を効率的に特定することは、従来の計算手法では非常に困難な課題でした。本研究は、機械学習による高速な予測とDFTによる高精度な検証を組み合わせることで、この探索コストを大幅に削減するアプローチを提示しています。
今後の展望
本研究で構築されたフレームワークは、目標とする特性を持つ合成可能な多成分材料をスクリーニングするための汎用的な基盤となります。全9成分の組成空間にわたって有望な炭化物組成が特定されたほか、多成分系特有の積層秩序相という新クラスの材料が発見されたことで、今後の材料設計に新たな指針を与えます。今後は、これらの予測に基づいた実験的な合成と特性評価が進むことが期待されます。
元記事: https://www.nature.com/articles/s41524-026-02355-9
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
