AIは新材料探索をどう変えるのか：メタ安定相図と自動実験が加速する次世代マテリアル開発

1. はじめに

新しい材料を見つけることは、電池、半導体、触媒、光学部材など、幅広い産業の競争力に直結します。一方で、材料開発は長い間、既知材料の延長線上で候補を作り、実験と評価を繰り返しながら少しずつ性能を高める進め方が主流でした。この方法は確実ですが、候補数が増えるほど時間とコストが大きくなり、探索できる範囲にも限界があります。

近年は、この探索の進め方そのものを変える技術として、機械学習、相図予測、自動実験、グラフニューラルネットワークを組み合わせた材料探索が注目されています。特に、平衡状態だけでなく、合成条件によって現れるメタ安定状態まで視野に入れて候補を絞り込めるようになった点は重要です。従来は計算負荷や実験負担が大きく、十分に扱いにくかった領域が、AIによって探索可能になりつつあります。

本記事では、AIを用いた材料探索の基本的な考え方を整理したうえで、メタ安定相図の生成、グラフニューラルネットによる候補絞り込み、AI主導の高スループット評価という3つの観点から、特許に表れた技術革新を見ていきます。

2. AI材料探索の基本構造

2-1. なぜ従来の材料探索は時間がかかるのか

材料探索が難しい理由は、候補の数が非常に多いことにあります。元素の組み合わせ、組成比、結晶構造、製造温度、圧力、前駆体の選択など、性能に影響する変数が多く、しかもそれらが相互に関係します。そのため、少数の有望候補だけを人手で見つける方法では、探索効率に限界がありました。特に、電池材料や機能性材料では、性能だけでなく合成可能性や安定性まで考慮する必要があり、総当たりに近い検討は現実的ではありません。

2-2. メタ安定状態まで見ることの重要性

従来の相図は、熱力学的に最も安定な平衡状態を中心に整理されることが一般的でした。しかし実際の材料合成では、加熱、冷却、圧力、反応時間などの条件によって、局所的に安定なメタ安定相が現れることがあります。こうした状態は、最終的に最安定相へ移る可能性を持ちながらも、一定条件下では有用な電気的・機械的・化学的特性を示すため、材料開発上きわめて重要です。問題は、その出現条件や変化経路を実験だけで網羅的に把握するのが難しいことでした。

2-3. AIは探索フローのどこを変えるのか

AIが変えているのは、単に予測精度だけではありません。材料探索の現場では、まず大量の候補から有望な組成や構造を絞り込み、次に実験や高精度計算をどこに集中すべきかを判断し、得られた結果を次の探索に戻すという流れが重要です。機械学習はこの一連の流れの中で、候補選定、次実験の提案、評価結果の再学習を担います。これにより、探索は一方向の試行錯誤ではなく、実験と計算が循環するクローズドループ型へ移行しつつあります。

図1: 機械学習と高スループット実験を組み合わせたクローズドループ型材料探索の概念図

3. 特許から見る技術革新

3-1. メタ安定相図を機械学習で生成する技術（US11651839B2）

US11651839B2 は、メタ安定状態を含む相図を、計算と機械学習を組み合わせて生成する技術です。この特許のポイントは、従来のように膨大な温度・圧力条件ごとに自由エネルギーを総当たりで計算するのではなく、モンテカルロ木探索、進化アルゴリズム、SVM分類器などを使って、有望な構造や相境界を効率よく探索する点にあります。これにより、平衡相だけでは見えにくかった材料の変化経路や、狙った相を得やすい合成条件の推定がしやすくなります。

また、この特許では、構造生成、状態予測、収束判定、構造修正、エネルギー評価、境界同定というワークフローが整理されており、材料探索を再現性のある計算プロセスとして扱っている点も重要です。材料開発の初期段階で「どの条件を試すべきか」を絞る技術として、実験計画の上流に強い影響を持つ特許といえます。

3-2. グラフニューラルネットで候補を大規模スクリーニングする技術（CN120731462A）

CN120731462A は、材料をグラフ構造として表現し、グラフニューラルネットワーク（GNN）で物性や安定性を予測する技術です。原子や結合関係をグラフとして扱うことで、材料ごとの構造情報を機械学習モデルに取り込みやすくし、従来の第一原理計算よりもはるかに低いコストで大量候補をふるい分けられるようにしています。

この特許が示しているのは、AIを「最終判定装置」として使うのではなく、高精度計算や実験に回す前段の選別装置として使う発想です。数百万規模の候補を一気に評価し、その中から有望な候補だけを厳密計算や検証に進めることで、探索効率は大きく改善します。安定材料の候補数や構造多様性を大幅に増やせる点は、材料探索のスケール自体を変える技術として注目されます。

3-3. AIが次に測るべき試料を決める材料評価技術（EP4320563A1）

EP4320563A1 は、材料ライブラリの評価そのものをAIで加速する技術です。特に、ナノ材料や触媒のように候補数が膨大で、すべてを詳細測定するのが難しい領域を対象に、アクティブラーニングとベイズ最適化を用いて、次にどの試料を測定すべきかをリアルタイムに判断します。

重要なのは、探索対象を闇雲に広げるのではなく、不確かさが大きい領域や有望度の高い領域に測定資源を集中させる点です。この特許では、実験結果をその場でモデルに戻し、次の測定候補を更新する仕組みが中心になっています。材料探索におけるAIの役割が、単なる予測から実験計画の意思決定へ進んでいることを示す技術です。

図2: AI結晶探索モデルGNoMEとMaterials Projectを比較した安定結晶数・構造多様性の統計図

4. 応用分野と実用化

4-1. 新材料候補の発見速度を上げる

AI材料探索の最も分かりやすい効果は、候補発見の速度向上です。Natureの報告では、GNoMEは220万件超の新規安定結晶候補を見いだし、そのうち38万1000件が新しい凸包上の安定候補として整理されました。さらに、外部研究者による実験的な確認例も報告されており、計算上の候補提示にとどまらず、実際の材料探索に接続し始めています。

4-2. 自動合成との接続が始まっている

候補発見が速くなっても、実際に合成して確認できなければ材料開発は進みません。この点で重要なのが、AI予測とロボット合成をつなぐ自律実験系です。NatureのA-Labでは、17日間で353件の実験を行い、57ターゲット中36件の無機結晶材料の合成に成功しました。AIが合成レシピの提案や失敗後の修正に関与し、探索のループが実験室の中で回り始めていることが示されています。

4-3. 実験資源の配分そのものを最適化できる

材料探索では、測定装置や試薬、計算資源、人員などの制約が常にあります。AIが有効なのは、すべてを均等に試す代わりに、どこに次の一手を打つべきかを決められる点です。メタ安定相図の探索、GNNによる候補選抜、アクティブラーニングによる測定順序の最適化は、いずれも実験資源の配分を改善する技術といえます。これは、材料探索を「候補を増やす作業」から「探索の優先順位を設計する作業」へ変える動きでもあります。

図3: 計算科学・論文解析・ロボット合成・相同定を統合した自律材料探索プラットフォーム

5. 課題と展望

5-1. データ不足と偏りの問題

AI材料探索の最大の課題は、学習に使えるデータの質と量です。材料分野では、測定条件や装置差、論文ごとの記載粒度の違いが大きく、同じ材料でもデータのばらつきが生じやすいという問題があります。さらに、成功例が中心に報告されやすく、失敗データが不足しやすいことも、モデルの汎化性能を下げる要因になります。

5-2. 予測性能だけでは実用化に届かない

AIが高い精度で候補を提示しても、その材料が本当に作れるか、量産に耐えるか、特性が再現するかは別問題です。特にメタ安定材料では、合成条件のわずかな違いで相が変わることもあり、計算上の有望性と実製造上の再現性をつなぐ仕組みが必要です。今後は、相図予測、前駆体選定、製造条件最適化までを一体で扱う技術が重要になります。

5-3. 研究開発の中心はクローズドループ化へ向かう

今後の材料探索では、AIモデル単体の性能競争よりも、候補生成、評価、再学習、再実験までをつなぐ全体設計が鍵になります。特許群を見ても、メタ安定相図の生成、GNNによる絞り込み、アクティブラーニングによる測定制御というように、探索の各段階を連結する方向が明確です。材料開発は、個別技術の積み上げから、探索プロセス全体を最適化する時代へ入りつつあります。

あわせて読みたい

新材料の探索が加速しても、最終的にはその材料がどんな性能を持ち、実際の製造プロセスでどう活かされるかが重要です。機能性ガラスと製造自動化の関連記事も、あわせてご覧ください。

6. 結論

AIを用いた材料探索は、候補を速く計算する技術にとどまりません。メタ安定相を含めた相図の予測、グラフニューラルネットによる大規模候補の絞り込み、アクティブラーニングによる実験計画の最適化を通じて、材料開発の進め方そのものを変えています。

特許の観点から見ると、現在の技術革新は、単一の高性能予測モデルを作る方向ではなく、探索空間を効率よく削り、実験資源を適切に配分し、結果を次の探索へ戻す仕組みを整える方向へ進んでいます。材料探索の速度と再現性を高めるうえで、この流れは今後さらに重要になるでしょう。

関連アイテム

「マテリアルズ・インフォマティクス-材料開発のための機械学習超入門」
マテリアルズインフォマティクスの全体像を、材料開発の実例とともに無理なく理解したい方におすすめの一冊です。

参考文献

テーマに近い関連する特許文献

1. US11651839B2 – Generating phase diagrams for metastable states of materials
   https://patents.google.com/patent/US11651839B2/en
2. CN120731462A – Discovering new materials using graph neural networks
   https://patents.google.com/patent/CN120731462A/en
3. EP4320563A1 – AI-accelerated characterization of materials
   https://patents.google.com/patent/EP4320563A1/en

記事を作成するにあたり参考にした文献

1. Nature – “Scaling deep learning for materials discovery”
   https://www.nature.com/articles/s41586-023-06735-9
2. Nature – “Battery informatics: current status and future directions”
   https://www.nature.com/articles/s41524-022-00713-x
3. Nature – “A-Lab: autonomous materials synthesis”
   https://www.nature.com/articles/s41586-023-06734-w
4. Google DeepMind Blog – “Millions of new materials discovered with deep learning”
   https://deepmind.google/blog/millions-of-new-materials-discovered-with-deep-learning/
5. arXiv / Science Advances reference page – “Autonomous materials synthesis via hierarchical active learning of nonequilibrium phase diagrams”
   https://arxiv.org/abs/2101.07385

※ 記事は公開されている特許情報および学術研究をもとに作成しています。図版は各出典元から引用しています。