専門家主導の教師あり学習に基づく多孔質材料向けデータ効率の高い基盤モデル

ガスを読むコンピュータを教える

多孔質材料は、二酸化炭素やメタン、水素などのガスを吸収・選別・貯蔵できる微細なスポンジのような存在です。これらはクリーン燃料や炭素回収、化学製造に不可欠ですが、どの新材料が最適かを見つけるには通常、大量の手間のかかるシミュレーションや実験が必要になります。本論文はSpbNetと呼ばれる新しいタイプの人工知能モデルを紹介します。これは単なる大量データに頼るのではなく、組み込みの物理知識を活用して、多孔質材料の“言語”をより効率的に学習します。

なぜ賢いスポンジが重要か

金属–有機構造体（MOF）、共有結合有機構造体（COF）、多孔性ポリマー、ゼオライトはすべて微細で規則的な穴を持つ材料群に属します。その性能は穴の形状や、ガス分子が内部を移動する際にどのように“感じる”かに依存します。原理的にはコンピュータでこの挙動を予測できますが、従来の機械学習モデルは大量の学習データを必要とし、材料科学では実測構造や高品質なシミュレーションが限られているため、それらを集めるのは高価か不可能なことが多い。SpbNetはこのボトルネックに対処し、確立された物理法則を学習過程に直接組み込むことで、はるかに少ないデータでより多くを実現します。

引力と斥力の物理に基づく構築

著者らはモデルに原子位置だけを与えるのではなく、一般的なガス分子が材料の空間内の多数の点でどのように相互作用するかを符号化します。短距離での原子間の斥力や、より長距離での引力など、馴染みのある力を表す20種類の“基底”パターンを構築し、これらを材料の細孔を覆う三次元グリッドに組み合わせて、特定のガス種に依存しないエネルギー景観をとらえます。SpbNetの一部はグラフベースのネットワークで材料の原子と結合を解析し、もう一方はこのエネルギーグリッドを画像のように扱うネットワークです。クロスアテンションモジュールが両者を連携させ、局所的な力のパターンと全体的な細孔形状を結び付けられるようにします。

スケールを越えた幾何学の学習

SpbNetをさまざまなタスクに備えさせるため、チームはまずガス吸着量を直接予測させることから始めません。代わりに、材料科学者が既に計算方法を知っている幾何学的な問いに習熟させます：最も狭いチャネルの幅、最大空洞の大きさ、異なるプローブサイズに対して実際にアクセス可能な体積や表面積などです。より細かいスケールでは、各小領域にどれだけの原子が存在するか、その領域が固体表面からどれだけ離れているかを学びます。これらの教師あり課題によりネットワークは細孔形状と連結性の詳細な内部地図を構築し、後にガス貯蔵、分離、さらには機械的強度に関連する幅広い性質に有用であることが示されます。

少ないデータで大規模モデルを上回る

この事前学習の後、SpbNetは二酸化炭素やメタンの吸着量予測、ガス混合物の分離性能、ガスの拡散などの実用的なタスクにファインチューニングされます。50以上のベンチマークにわたり、SpbNetは従来の最先端モデルより一貫して高精度な予測を示し、その中にはほぼ20倍の材料で訓練されたモデルも含まれます。さらに一般化性能も驚くほど高く、事前学習は単一の多孔性結晶クラス（MOF）のみで行われているにもかかわらず、共有結合有機構造体、ポリマーネットワーク、ゼオライトといった関連だが異なる材料群へも効果的に転移し、多くの場合で大きな誤差低減をもたらします。

モデル内部の推論をのぞく

なぜこの戦略が機能するのかを理解するために、著者らはSpbNetの内部動作を解析します。全体的な幾何学的ターゲットと局所的な表面関連タスクの組み合わせが、信号が多層を通過する際に情報を平坦化して平均化するのではなく、豊かで局所的な情報を保持することを促していることがわかりました。物理ガイド付き学習の一部を除去したり、エネルギーベースの記述子を取り除いたりすると、特にわずかなサイズや形状の差に依存するタスク（サイズがわずかに異なるガスを識別するなど）で予測性能が明確に悪化します。

今後の材料発見にとっての意義

簡潔に言えば、SpbNetは物理が既に教えてくれることを慎重に符号化すれば、データに溺れさせることなく強力で柔軟な多孔質材料モデルを訓練できることを示しています。ネットワークにまず細孔幾何と一般的な相互作用パターンを理解させることで、多くの具体的目的に対して高精度かつデータ効率の良い予測を支える基盤が築かれます。このアプローチは、温室効果ガスの捕集、化学物質の精製、クリーン燃料の貯蔵に適したより良い材料の発見を加速する可能性があり、データが乏しい他の科学分野で同様に効率的なモデルを設計するための設計図を提供します。

引用: Zou, J., Lv, Z., Tan, W. et al. A data-efficient foundation model for porous materials based on expert-guided supervised learning. Nat Commun 17, 2618 (2026). https://doi.org/10.1038/s41467-026-69245-y

キーワード: 多孔質材料, 金属有機構造体, 機械学習, ガス吸着, 基盤モデル