1. 3行でわかる／読む前に／シリーズの中での位置

• 生成モデルは、既知の材料のデータから分布を学び、新しい候補を作ります。MatterGen の論文は、拡散モデルで、従来の生成モデルより、新規で安定な構造を作る割合が2倍以上だと述べます。実験で合成して確かめたのは、4つの候補のうち1つで、合成されたのは、組成が乱れた TaCr₂O₆ でした事実［[zeni2025]］
• 「新材料○万種を発見」は、計算上の予測の件数です。GNoME は、DFT で、既存のデータに対して安定と出た結晶を220万、更新した凸包の上の新発見を38.1万と報告します。実験で確かめた件数は別で、ICSD の実験構造と一致したのは736です事実［[merchant2023,gnome_pmc]］
• 批判・再評価があります。A-Lab（GNoME などの候補を自動で合成した研究）は、2026年1月の著者訂正で、「新規」の意味と件数が改められました。MatterGen の合成例についても、査読つきの論文が「新規ではない」と主張しています。本稿は、両方を並べ、勝ち負けは判定しません事実［[szymanski_corr,juelsholt2026]］

2. 「生成」とは：探すのでなく、作る

これまでの探索は、すでにある候補の中から、よいものを選ぶ方法（スクリーニング）でした。MatterGen の論文は、スクリーニングは、既知の材料の数に限られ、これまでで最大の、未知の結晶の探索でも、10⁶〜10⁷個の規模で、潜在的に安定な無機化合物の、ごく一部にすぎない、と述べます。たとえば、組成の組合せだけを考えても、四元系の化合物は約10¹⁰ 個あるとされます（Davies ら、2016）事実［[zeni2025,mattergen_arxiv,davies2016]］。

生成モデルは、既知の材料のデータから「らしさ」の分布を学び、そこから、新しい候補を直接作るものです。さらに、望む性質（たとえば、体積弾性率）を指定して、それに合うものを作ることもできます（これを逆設計といいます）。Gómez-Bombarelli ら（2018）は、分子を連続な数のベクトルに変換し、そのベクトルを操作して、新しい分子を作る方法を示しました（変分オートエンコーダ）事実［[gomez2018]］。結晶では、同じ発想が、拡散モデルや、言語モデルで試されています。

3. 拡散モデルで結晶を作る仕組みと、主な生成モデル

結晶の生成で、いま広く使われるのが拡散モデルです。画像生成で知られる方法（Ho ら、2020）事実［[ho2020]］を、結晶に合わせたものです。考え方は、壊して、その逆をたどることです。

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）。拡散モデルの考え方。結晶（①）の原子の位置にノイズを足していくと、②→③→④と壊れ、最後はほぼ乱数になる。生成は、これを逆にたどる。上の4枚は、本稿の計算で作った、2次元の簡単な例。

• 壊す（順方向）：結晶の原子の位置に、ノイズを少しずつ足し、最後には乱数にします。結晶は、周期的に繰り返す構造なので、座標は周期境界で折り返します。元素は「不明」に置き換えます
• 作る（逆方向）：学習したネットワークが、「ノイズを少し取り除く向き」を示し、乱数から出発して、少しずつ結晶へ近づけます
• MatterGen の工夫：原子の種類、座標、周期的な格子の3つを、それぞれに合ったノイズで壊し、逆にたどります。ネットワークは、回転・平行移動で結果が正しく変わる（等変）ように作られ、対称性をデータから学ばなくてよいようにしています。アダプター（既存のモデルに差し込む調整用の部品）で、組成・対称性・物性を指定して作れるようにし、分類器なしの誘導で、狙いの方向へ導きます。学習には、Materials Project と Alexandria から作った、20原子以下の安定な構造 607,683 件（Alex-MP-20）を使っています事実［[zeni2025]］

各モデルの数値は、データ、評価の設定、基準が違うため、横に並べて優劣を決められません。CDVAE・DiffCSP・Gruver らは、arXiv の論文（会議論文）の記述で、出版版との差は確認していません。

4. 生成された結晶を、どう評価するか

生成された構造は、「それらしく見える」だけでは足りません。MatterGen の論文は、安定・独自・新規（SUN）という基準で評価しています。

• 安定の基準が、緩い：MatterGen の論文の「安定」は、DFT で緩和したエネルギーが、基準データの凸包の上 0.1 eV／原子 以内です。1,024個を DFT で調べると、MP の凸包に対して78%が 0.1 eV／原子 以内で、0 以下は13%。Alex-MP-ICSD の凸包に対しては、75%が以内で、0 以下は3%でした事実［[zeni2025]］。本シリーズ「結晶構造予測と安定性」編のとおり、観測されている結晶でも、凸包の上の高さの中央値は 15 meV／原子、90パーセンタイルは 67 meV／原子ですから、0.1 eV（100 meV）は、緩めの基準です［[sun2016]］（本記事による解説）
• 局所最小への近さ：生成した構造の95%は、DFT で緩和した構造とのずれ（RMSD）が 0.076 Å 未満でした事実［[zeni2025]］
• 独自性と新規性：独自な構造の割合は、1,000個で100%、1,000万個で52%に下がります。新規な構造の割合は61%です。MatterGen は、学習に使っていない、実験で確かめられた ICSD の構造を、2,000件超、再発見したとも報告しています事実［[zeni2025]］
• 従来の生成モデルとの比較：同じ小さなデータで学習した MatterGen-MP は、CDVAE・DiffCSP より、SUN の構造が60%多く、緩和後のずれは50%小さい。データを大きくした MatterGen は、さらに SUN が70%増え、ずれは5分の1になった、と述べます事実［[zeni2025]］

• 探索の効率：論文は、五元系で、MatterGen は約1万の生成で良い成績に達したのに対し、置換は約7万、ランダム構造探索（RSS）は約60万だったと述べます。ただし、三元・四元系では、置換が同等かより効率的だと、同じ論文が述べています事実［[zeni2025]］
• 物性を指定した設計：体積弾性率 400 GPa を狙うとき、DFT での物性計算を180回の予算で、MatterGen は SUN の構造を106個（95の組成）、既存のデータからのスクリーニングは40個（28の組成）見つけたと述べます。この物性は、DFT での計算値です事実［[zeni2025]］

評価の枠組みも、整い始めています。LeMat-GenBench（プレプリント、2025年12月）は、結晶の生成モデル12個を、統一した指標で評価し、安定性が上がると、新規性と多様性が平均して下がり、すべての面で優れるモデルはなかったと報告しています事実［[lemat]］。また、MatterGen の公式リポジトリは、付属の評価コードが MatterSim を使うため、論文の DFT での評価と結果が違いうるので、DFT で確認するよう勧めています［[mattergen_gh]］。

5. MatterGen の例：生成から合成まで

MatterGen の論文は、「概念実証」として、生成した材料を実際に合成し、性質を測っています。数を追ってみましょう。

• 生成と絞り込み：体積弾性率の4つの目標（50・100・150・200 GPa）ごとに、8,192個を生成し、新規性・独自性、MatterSim と DFT での安定性、MatterSim でのフォノンの安定性、酸素を含むことで絞り、75個に。そこから、専門家が見て4つを選び、合成を試しました。合成できたのは、4つのうち1つでした事実［[zeni2025]］
• 合成された物質：Rietveld 解析（X線回折のデータから結晶構造を精密化する方法）によると、合成された物質は TaCr₂O₆ で、MatterGen が予測した規則的な構造の、組成が乱れた版でした。目標 200 GPa に対し、規則的な構造の DFT の値は 222 GPa、実験値は、ナノインデンテーションのヤング率から換算して、4回の測定の最大で 169 GPa（158±11 GPa）でした。粉末の試料は密でない可能性があり、最大値を最良の推定としています事実［[zeni2025]］
• 本稿の読み取り：200 に対し 169 は、約15.5%低い値です本稿の計算。論文は「目標の20%以内」と述べます。合成された物質が、予測された規則的な構造そのものではなく、乱れた版だったことは、第7章の議論の中心になります

6. GNoME の例：「220万」「38.1万」「736」は、何を数えたか

Merchant ら（2023）の GNoME は、大規模に学習したグラフニューラルネットワークで、安定な結晶を探索しました。報告された数字を、何を数えているかに分けて読みます。

• 220万：GNoME のモデルが、Materials Project に対して安定（凸包の下）と見つけた結晶構造の数です。計算（DFT）の結果です事実［[merchant2023,gnome_pmc]］
• 38.1万：そのうち、更新した凸包の上にある「新たに発見された」安定な材料の数です。以前の約4.8万の安定な結晶に積み上がり、安定な結晶は合計で約42.1万です。計算の結果です事実［[gnome_pmc]］
• 736：ICSD に集められた実験構造のうち、GNoME が（先に）出した構造と一致したものの数です。GNoME の候補は2021年3月時点のデータにもとづき、その後、研究者が実験で作った結晶が、答え合わせになりました。実験で報告された構造との照合で、これが、実験にかかわる数です事実［[gnome_pmc]］
• 予測の精度：最終モデルは、エネルギーを 11 meV／原子 の精度で予測し、安定な構造の的中率（hit rate）が、構造つきで80%超、組成だけで100回の試行あたり33%と、以前の研究の1%から改善したと、著者らは述べます事実［[gnome_pmc]］
• 論文自身が述べる注意：GNoME の材料は、将来の発見で凸包から外れうること。GNoME は、MP と OQMD の「安定」だった 5,000 以上の材料を、凸包から押し出していること事実［[gnome_pmc]］。「安定」は、その時点のデータに対する相対的な判定です
• データの扱い：GNoME のデータは、CC BY-NC 4.0（非営利）で、コードは Apache-2.0 です。理論モデリング用で、注意して使うよう、公式の注意書きがあります事実［[gnome_gh]］。商用利用の可否は、条文で確認してください（本稿は法的助言ではありません）

7. 批判と再評価：両方を並べる

この分野は、主張と、その後の検証が、同じ速さで進んでいます。本章は、論文・訂正・査読つき論文で確認できる範囲を、中立に並べます。誰が正しいかの判定は、していません。

A-Lab と GNoME の候補

• 主張：Szymanski ら（2023）は、GNoME と Materials Project の計算データで選んだ目標を、自動の実験室 A-Lab で、17日間連続で合成し、58の目標のうち41の新規化合物を合成したと報告しました事実［[szymanski2023]］
• 批判（Leeman ら、2024）：43の生成物を検討し、解析の4つの共通の見落としを指摘して、その研究では、新規の材料は発見されていないと結論づけました。理由は、元素が同じ結晶の位置を分け合う「乱れ」を、予測が無視しがちで、成功とされた物質の3分の2は、予測された規則的な化合物の、既知の乱れた版である可能性が高い、というものです。また、粉末X線回折の自動の Rietveld 解析は、まだ信頼できないとも述べます事実［[leeman2024]］
• 著者訂正（2026年1月19日）：Nature に、著者訂正が掲載されました。訂正は、「新規」の主張は誤解されうるもので、その意図は、材料が予測の基盤にとって新しい、ということで、科学にとって新しいとは限らないと述べます。さらに、回折パターンを手作業で再解析し、報告された40の成功のうち36で、予測の基盤が正しい結論に達したこと、4つは、X線回折だけでは判定できないこと（成功の数から除外）、学習データに誤って含まれていた1つの化合物を議論から外したことを述べます。この再解析は、公開後に査読されたとされます。現在の要旨は、57の目標のうち36の化合物と改められています事実［[szymanski_corr,szymanski2023]］
• 展望論文：Cheetham と Seshadri（2024）は、GNoME の論文について、題名で問いを立てる展望論文を書いています（「人工知能は、材料発見を推進しているか？」）。本文は確認できなかったので、内容には踏み込みません［[cheetham2024]］

MatterGen の合成例

• 主張：第5章のとおり、合成された物質は、組成が乱れた TaCr₂O₆（Ta₁/₃Cr₂/₃O₂ に相当）で、MatterGen が予測した規則的な構造の、乱れた版でした。論文はこれを、「概念実証」として示しています事実［[zeni2025]］
• 批判（Juelsholt、2026）：査読つきの論文（Materials Horizons）で、結晶学的な解析から、これは新規の化合物ではなく、1971年に報告された Ta₁/₂Cr₁/₂O₂ と同一で、MatterGen の学習データに含まれていたと主張しています。乱れた既知の相を、新しい規則的な化合物と誤認することが、これらの道具の持続する課題で、人による厳密な検証が必要だと述べます事実［[juelsholt2026]］
• 応答：MatterGen の著者らの、この主張への応答は、本稿の確認範囲では見つかりませんでした。ただし、MatterGen の論文自身が、合成された物質が乱れた版であることを明記しています［[zeni2025]］

• 両方が一致している点：①乱れ（元素が席を分け合うこと）の扱いが、予測の課題であること。MatterGen の論文（arXiv 版の付録）も、乱れた材料には、同じ組成を表す規則的な近似が複数あり、新規性や凸包の上の高さが正しく評価されない場合がある、と認めています事実［[mattergen_arxiv]］。②人による結晶学的な検証が要ること。③合成の確認は、回折データの解析に依存すること（A-Lab の訂正は、判定できない4つを除外）
• 意見が分かれている点：その研究が「新材料を発見した」と言えるか（Leeman ら：言えない。A-Lab の訂正：「新規」は予測の基盤にとって、という意図）。MatterGen の合成例が「新規」か（Juelsholt：既知で、学習データに含まれる。MatterGen の論文：概念実証）。「新規」の定義が違うことが、食い違いの一因と考えられます（推測）

8. 素材技術者から見て

9. 限界と、確認できなかったこと／まとめ

確認できなかったこと

• Cheetham と Seshadri（2024）の本文は確認できず、題名の範囲で扱いました
• MatterGen の著者らの、Juelsholt（2026）の主張への応答は、確認できませんでした。TaCr₂O₆ の新規性の最終的な判定は、本稿では行いません
• MatterGen の論文の補足情報（Supplementary Information）は確認していません。乱れた材料についての記述は、arXiv 版の付録によります
• GNoME の「736」が、381,000 のうち何件かの内訳は、確認していません
• CDVAE・DiffCSP・Gruver らは、arXiv の記述で、出版版（会議論文）との差を確認していません。LeMat-GenBench はプレプリントで、査読後の版は確認していません
• A-Lab の訂正後の、個々の化合物の判定の詳細は、確認していません（訂正文と、更新後の要旨の範囲）
• 生成材料の評価・合成可能性を定める国際標準は、確認できませんでした

10. 評価・標準の読み方

生成による設計の「ものさし」は、まず生成の質（妥当か、安定か、独自か、新規か）、次に狙いの性質への到達（DFT の計算値で）、最後に実験での確認（合成できたか、構造と性質は予測どおりか）です。ものさしが測っていないのは、「新規」の基準の違いと、乱れた相の扱いです。確認日は2026年10月23日です。

表の整理は本稿の計算（整理）。番号・題名・数値は、論文・公式ページで確認（確認日 2026年10月23日）。標準は、いずれも推奨・形式・任意利用の枠組みで、法的な拘束力のある規格ではありません。ASTM の規格は、本稿の範囲では該当を確認していません。

読み方の注意（素材技術者向け）

• ベンチマークの順位と、自社の材料での実力は別：生成モデルの評価は、MP・ICSD などの無機結晶が対象です。ポリマー・界面・複合材は範囲外の可能性があります（モデルカードの対象外の用途も参照）［[mattergen_hf]］
• 予測と実験検証の違い：「新材料○万種」は計算の予測の件数です。実験で確かめた件数を、別に確認します（GNoME：736。MatterGen の合成：4つ中1つ）
• データ漏洩と分割の落とし穴：生成した構造が、学習データに含まれる既知の物質（乱れた版を含む）と一致すると、「新規」に見えても、新規ではありません（Juelsholt の指摘）［[juelsholt2026]］
• 標準・指針は、推奨か要求か：CIF・checkCIF・NIST AI RMF は、形式・検証・任意利用の枠組みで、法的な拘束力のある規格ではありません
• 計画と達成：企業・研究グループの「発見」は主張です。訂正・再評価が出ることがあるので、日付と版を確認します

11. 用語集

12. 参考資料（一次情報）

1. Zeni C. ほか "A generative model for inorganic materials design", Nature 639, 624–632 (2025), DOI 10.1038/s41586-025-08628-5 — doi.org/10.1038/s41586-025-08628-5
2. Zeni C. ほか MatterGen: a generative model for inorganic materials design (arXiv version; the appendix statement on disordered materials is cited from it), arXiv:2312.03687 (2023) — arxiv.org/abs/2312.03687
3. Microsoft "mattergen repository README (license shown by GitHub: MIT; notes on evaluation with MatterSim)" — github.com/microsoft/mattergen
4. Hugging Face (microsoft) "MatterGen model card (license: MIT; intended and out-of-scope uses; training data)" — huggingface.co/microsoft/mattergen
5. Merchant A. ほか "Scaling deep learning for materials discovery", Nature 624, 80–85 (2023), DOI 10.1038/s41586-023-06735-9 — doi.org/10.1038/s41586-023-06735-9
6. Merchant A. ほか Scaling deep learning for materials discovery (open-access full text on PubMed Central; the numbers in this article are taken from it), PMC10700131 (2023) — pmc.ncbi.nlm.nih.gov/articles/PMC10700131
7. Google DeepMind "materials_discovery repository README (GNoME: code Apache-2.0; data CC BY-NC 4.0)" — github.com/google-deepmind/materials_discovery
8. Szymanski N. J. ほか "An autonomous laboratory for the accelerated synthesis of inorganic materials (current version, updated after the author correction)", Nature 624, 86–91 (2023), DOI 10.1038/s41586-023-06734-w — doi.org/10.1038/s41586-023-06734-w
9. Szymanski N. J. ほか "Author Correction: An autonomous laboratory for the accelerated synthesis of inorganic materials", Nature 650, E1 (2026), DOI 10.1038/s41586-025-09992-y — doi.org/10.1038/s41586-025-09992-y
10. Leeman J. ほか "Challenges in High-Throughput Inorganic Materials Prediction and Autonomous Synthesis", PRX Energy 3, 011002 (2024), DOI 10.1103/PRXEnergy.3.011002 — doi.org/10.1103/PRXEnergy.3.011002
11. Juelsholt M. "Continued challenges in high-throughput materials predictions: MatterGen predicts compounds from the training dataset", Mater. Horiz. 13 (11), 5672–5679 (2026), DOI 10.1039/d6mh00268d — doi.org/10.1039/d6mh00268d
12. Cheetham A. K., Seshadri R. "Artificial Intelligence Driving Materials Discovery? Perspective on the Article: Scaling Deep Learning for Materials Discovery", Chem. Mater. 36, 3490–3495 (2024), DOI 10.1021/acs.chemmater.4c00643 — doi.org/10.1021/acs.chemmater.4c00643
13. Ho J., Jain A., Abbeel P. "Denoising Diffusion Probabilistic Models", arXiv:2006.11239 (NeurIPS 2020) (2020) — arxiv.org/abs/2006.11239
14. Xie T. ほか "Crystal Diffusion Variational Autoencoder for Periodic Material Generation", arXiv:2110.06197 (ICLR 2022) (2021) — arxiv.org/abs/2110.06197
15. Jiao R. ほか "Crystal Structure Prediction by Joint Equivariant Diffusion", arXiv:2309.04475 (NeurIPS 2023) (2023) — arxiv.org/abs/2309.04475
16. Gruver N. ほか "Fine-Tuned Language Models Generate Stable Inorganic Materials as Text", arXiv:2402.04379 (ICLR 2024) (2024) — arxiv.org/abs/2402.04379
17. Gómez-Bombarelli R. ほか "Automatic Chemical Design Using a Data-Driven Continuous Representation of Molecules", ACS Cent. Sci. 4, 268–276 (2018), DOI 10.1021/acscentsci.7b00572 — doi.org/10.1021/acscentsci.7b00572
18. Davies D. W. ほか "Computational Screening of All Stoichiometric Inorganic Materials", Chem 1, 617–627 (2016), DOI 10.1016/j.chempr.2016.09.010 — doi.org/10.1016/j.chempr.2016.09.010
19. Riebesell J. ほか "A framework to evaluate machine learning crystal stability predictions", Nat. Mach. Intell. 7, 836–847 (2025), DOI 10.1038/s42256-025-01055-1 — doi.org/10.1038/s42256-025-01055-1
20. Betala S. ほか "LeMat-GenBench: A Unified Evaluation Framework for Crystal Generative Models", arXiv:2512.04562 (preprint) (2025) — arxiv.org/abs/2512.04562
21. Sun W. ほか "The thermodynamic scale of inorganic crystalline metastability", Sci. Adv. 2, e1600225 (2016), DOI 10.1126/sciadv.1600225 — doi.org/10.1126/sciadv.1600225
22. IUCr (International Union of Crystallography) Crystallographic Information Framework (includes the checkCIF validation service; page checked 22 October 2026) — www.iucr.org/what-we-do/digital-standards/cif
23. NIST (National Institute of Standards and Technology) "AI Risk Management Framework (AI RMF 1.0, released 26 January 2023; page checked 22 October 2026)" — www.nist.gov/itl/ai-risk-management-framework

13. 主張と出典の対応表（監査）

最終更新：2026年10月23日／出典は一次情報（論文、プレプリント、論文の訂正、GitHub・Hugging Face・IUCr・NIST の公式ページ）に限定しています。数値例は本稿の計算で、実際の生成モデルの出力ではありません。Cheetham と Seshadri の本文、MatterGen の著者らの Juelsholt への応答、MatterGen の補足情報、GNoME の736の内訳、A-Lab の訂正後の個々の判定、生成材料の評価に関する国際標準については、確認できなかったため、断定していません。批判・再評価のある事例は、論文・訂正・査読つき論文で確認できる範囲を、両方並べており、勝ち負けの判定はしていません。図2〜図8は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9はAI生成イメージ（描く場面の指示のみ記載）です。