主要成果
AIによる材料探索の加速により、人類がこれまでカタログ化してきた約28万個の安定した無機結晶構造というライブラリが、単一の計算上の飛躍によってほぼ10倍にまで拡大した。具体的には、DeepMindのGNoME（Graph Networks for Materials Exploration）が220万個の新結晶構造を予測し、そのうち38万個の新しい熱力学的に安定な無機材料を特定した。また、自律型ロボットラボであるA-Labは、17日間の連続稼働で355回の合成を試み、予測された新化合物のうち41個の合成に成功し、71%という高い自律合成成功率を記録した。
技術・詳細
従来の材料探索では、密度汎関数理論（DFT）を用いた量子力学方程式の解決にスーパーコンピュータで数時間から数日を要していた。これに対し、GNoMEは原子をノード、化学結合をエッジとして表現するグラフニューラルネットワーク（GNN）を採用し、DFTよりも数千倍速い速度で構造安定性を予測することを可能にした。
物理的な検証を担うA-Labは、AIプランニングソフトウェアによって制御され、人間を介さずに以下のプロセスを完結させる。
- 原材料となる化学粉末の選択と精密な比率での混合
- 高温炉による加熱処理
- X線回折を用いた結果の分析
また、Meta AI FAIRとカーネギーメロン大学による「Open Catalyst Project」では、120万件の化学反応軌跡で学習した機械学習モデルにより、原子結合エネルギーの予測を従来の量子化学シミュレーションより1万倍高速化し、触媒スクリーニングを数年から数時間に短縮した。
背景・業界の文脈
材料科学における最大のボトルネックは、候補となる元素の組み合わせが事実上無限であるため、手動での評価が計算的に不可能であった点にある。AIの導入により、研究者のワークフローは根本的に変化している。個別の化学バッチを数ヶ月かけて手作業で合成するのではなく、自動合成パイプラインの管理、能動学習（Active Learning）の報酬モデルの洗練、AI出力の検証を行う「システムアーキテクト」としての役割へとシフトしている。
今後の展望と課題
計算上の高速化が進む一方で、いくつかの技術的・経済的課題が残っている。GNNは速度を優先するため量子力学的な絶対精度に欠けることがあり、予測では安定していても実世界では不安定な「偽陽性」が発生する場合がある。また、基盤モデルの学習には膨大なGPUクラスターの計算資源とエネルギーコストが必要となる。
商用化に向けては、理論的な安定性が必ずしも低コストな量産を保証しない点が挙げられる。希少地球元素の使用や複雑な高温合成ステップが必要な場合、製造コストが禁止的なレベルに達する可能性がある。さらに、電子デバイスやエネルギー貯蔵向け材料には、計算予測だけでは保証できない長期的な物理的耐久性や耐湿性、欠陥のない単結晶成長などの実証試験が不可欠である。
元記事: https://trackfuture.ai/article/can-ai-help-discover-new-materials
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
