新技術・技術紹介– category –
-
エディンバラ大学、固溶体結晶の物性予測精度を向上させるネスト型結晶グラフニューラルネットワークを開発
Edinburgh Research Explorer イギリス 概要 エディンバラ大学の研究者らは、化学的に複雑な固溶体結晶の物性予測精度を大幅に向上させる「Solid Solution Nested Graph Neural Network (SSNGNN)」を開発しました。SSNGNNは、組成情報と構造情報をネスト型... -
東北大学、AI駆動型デジタル触媒プラットフォーム「DigCat 4.0」を発表し触媒発見を加速
東北大学 日本 概要 東北大学の研究者らは、AIを活用したデジタル触媒プラットフォーム「DigCat 4.0」を発表し、触媒発見の新たな時代を拓きました。このプラットフォームは、実験データ、理論計算、科学文献を統合し、キュレーションされた相互運用可能な... -
Google DeepMindとMeta主導、科学的発見を加速するAIツールとデータセットの厳選リスト公開
GitHub アメリカ 概要 GitHubリポジトリ「awesome-ai-for-science」が公開され、物理学、化学、生物学、材料科学など幅広い分野で科学的発見を加速するAIツール、ライブラリ、論文、データセット、フレームワークが厳選されて紹介されています。Google Dee... -
ニューラルネットワーク原子間ポテンシャルにアンサンブル不確実性定量化を適用し、計算材料科学を強化
arXiv アメリカ 概要 ニューラルネットワーク原子間ポテンシャル（NNIP）のアンサンブルベースの不確実性定量化手法に関する比較研究が発表され、その性能が詳細に評価されました。この研究は、計算コストの高い第一原理手法に代わる、ロバストな機械学習... -
チャルマース工科大学、計算化学・材料研究で機械学習原子間ポテンシャルの自動訓練を強調
Chalmers University of Technology (AIMLeNS) スウェーデン 概要 チャルマース工科大学のAI4Scienceセミナーでは、計算化学および材料研究における機械学習（ML）の革新的な役割が強調されました。特に、分子特性化とML原子間ポテンシャルに焦点を当て、... -
AI駆動型自己駆動型ラボ、ローレンス・バークレー研究所のA-Labが材料発見を加速
TheSequence アメリカ 概要 自己駆動型ラボは、実験を自律的に実行し、成功・失敗の両方から学習することで、材料科学の発見プロセスを根本的に変革しています。ローレンス・バークレー国立研究所のA-Labは、合成の失敗を自動的に補正し、最適なレシピへと... -
AI活用で金属有機材料設計を動的ネットワークへ拡張、自己駆動型ラボが合成加速
MDPI 国際 概要 AIを用いた金属有機材料（MOM）設計は、従来の結晶性MOFから、金属-ポリフェノールネットワーク（MPN）のような動的配位ネットワークへと応用範囲を広げることが提案されています。この新たなアプローチは、プロセス認識型、界面感受型、機... -
AI/ML活用で触媒設計と持続可能な化学プロセス開発が加速、CO2変換からポリマーリサイクルまで応用拡大
MDPI スイス 概要 人工知能（AI）と機械学習（ML）が、触媒設計と持続可能な化学プロセス開発を根本的に変革しています。これらの技術は、予測モデリング、ハイスループットスクリーニング、およびメカニズム的洞察を通じて、新しい触媒の発見を加速させま... -
IBM、サブ1nm「NanoStack」半導体技術を発表、AIチップ性能50%向上または消費電力70%削減へ
Data Center Knowledge アメリカ 概要 IBMは、AIワークロード向けチップスケーリングを拡張するサブ1ナノメートルの「NanoStack」半導体技術を発表しました。この研究デバイスは、垂直積層型3D統合によりトランジスタ構造をスタックし、トランジスタ密度の... -
教師なしMLがリチウム電池新素材探索を加速、次元削減問題を克服
未公表研究 不明 概要 この研究は、機械学習における次元削減の課題を克服する、教師なし材料発見のための堅牢な統計的フレームワークを導入しました。最適埋め込み次元を決定することで情報損失を抑制し、高次元の材料データからリチウムベースの新規候補... -
ヴィリニュス大学、国際チームと連携し「QUASIMODO」プロジェクトで多成分超低温原子量子シミュレーターを開発
Vilnius University (VU) リトアニア 概要 ヴィリニュス大学の物理学者を含む国際チームは、「QUASIMODO」プロジェクトで次世代量子シミュレーターの開発を進めています。このプロジェクトは、多成分超低温原子を用いて、従来のコンピューターではモデル化... -
Orbital Industries、材料科学向け「AlphaFold」として5000万ドルを調達、総額7100万ドルに
Resilience Media アメリカ 概要 材料科学の「AlphaFold」と称されるディープテックスタートアップOrbital Industriesが、新たに5000万ドルの資金を調達し、総額7100万ドルに達しました。同社は、産業技術ハードウェアに注力し、希少な材料や部品、不安定... -
IBM Quantum、量子クレジットプログラムで複雑材料向け次世代量子アルゴリズム開発を推進
IBM Quantum アメリカ 概要 IBM Quantumは、量子クレジットプログラムを通じて、複雑な材料、特に多体相互作用を持つ系の量子シミュレーションの進歩を強力に推進しています。このプログラムは、古典的なコンピューターではシミュレートが困難な問題に対し... -
Cen-Online.org、デジタルツールとAI活用による触媒発見のブレークスルーと産業応用を詳述
Cen-Online.org 不明 概要 Cen-Online.orgの記事は、触媒作用の最近の進歩とその産業応用について詳述し、デジタルツールとAIが触媒発見をどのように変革しているかを強調しています。計算化学、機械学習、自動化された実験が連携することで、よりクリーン... -
Lisa Pedrosa、AIとロボティクス統合による「自己駆動型ラボ」の台頭と科学的発見の変革を解説
Lisa Pedrosa アメリカ 概要 Lisa Pedrosa氏の記事は、AIとロボット工学、人間の専門知識を統合した「自己駆動型ラボ」が、科学的発見を根本から変革している状況を解説しています。自己駆動型ラボは、継続的な学習ループを通じて、実験の設計、実行、分析... -
東京科学大学、トランジスタ測定から半導体材料パラメータを1ミリ秒未満で高精度に推論するMLフレームワーク開発
Institute of Science Tokyo / Advanced Intelligent Systems 日本 概要 東京科学大学の研究者らは、半導体材料の逆問題解決において画期的な機械学習フレームワークを開発しました。このタンデムニューラルネットワークは、トランジスタ測定値から半導体... -
米国エネルギー省、Microsoftと協働しAIイノベーションエコシステムを推進、バッテリー材料開発を加速
Department of Energy アメリカ 概要 米国エネルギー省（DOE）は、AIイノベーションエコシステムの推進に積極的に取り組んでおり、特に先進的なコンピューティングと材料研究にAIを活用しています。Microsoftとの協力により、新しいバッテリー電解質材料の... -
Frontiersが「高レート電池向けAI駆動型材料発見」研究テーマを始動、次世代エネルギー貯蔵を加速
Frontiers スイス 概要 Frontiers誌は、「高レート電池向け高スループットAI駆動型材料発見と設計」という新たな研究テーマを開始しました。このテーマは、機械学習による予測設計、ハイスループット計算スクリーニング、データ駆動型実験手法を通じて、高... -
東京科学大学、ALIGNNとクラスタリング融合AIで材料予測の解釈性を大幅向上、光学吸収スペクトルを精密予測
Lab Manager 日本 概要 東京科学大学の研究チームは、グラフニューラルネットワーク（ALIGNN）と階層的クラスタリングを組み合わせることで、AIによる材料予測の解釈性を画期的に高める新手法を開発しました。この手法は、原子構造から高次元の光学吸収ス... -
ASML、TSMC、imecが2D材料トランジスタの300mmウェハ統合プロセスを確立、産業応用へ加速
The cleanroom Portal ヨーロッパ 概要 半導体業界の主要企業であるASML、TSMC、imecは、2D材料ベースのトランジスタ（MoS2 nFETおよびWSe2 pFET）向けに、50nmのコンタクトポリピッチ（CPP）を持つ300mmウェハ統合プロセスを発表しました。この画期的な成...
