潜在空間での能動学習により迅速な逆設計を実現するエネルギー貯蔵向け強誘電体セラミックス

より小さく、より賢いコンデンサを日常の技術へ

電気自動車からノートパソコンの充電器まで、多くの現代機器は電気エネルギーを素早く蓄え放出する部品に依存しています。現在のコンデンサに使われるセラミックスはこの役割をよく果たしていますが、小型化と高効率化を両立するのは長年の課題でした。本研究は、物理に基づくモデルと人工知能を組み合わせることで、より多くのエネルギーをより小さな、安全なデバイスに詰め込める新しいセラミック材料の発見を加速できることを示します。

なぜこれらのセラミックスが重要なのか

強誘電体セラミックスは電圧を加えると内部の電気配向が変化する特性を持ちます。この可逆的な挙動により、電気エネルギーを非常に短時間で蓄え放出できるため、パワーエレクトロニクス、パルスシステム、携帯機器などで重要な部材となっています。しかし、こうした材料は「配向の記憶」が残りがちで、そのためにエネルギーが熱として失われ、有効に蓄えられるエネルギー量が制限されます。エンジニアはこれを抑えるため、内部領域を極小かつ弱く結び付いた状態にしてエネルギー損失を減らしつつ高い蓄積能力を保つ、いわゆるリラクサー化を図ります。

コンピュータに隠れた可能性を探らせる

著者らは材料設計の中心的な問題に取り組みます。化学成分の混合や内部構造の微調整には無数の可能性があり、それらを一つずつ実験で確かめるのはあまりに時間がかかります。そこで生成的な機械学習モデルを訓練し、配合と微視的な電気領域パターンの両方が性能にどう影響するかを学習させます。このモデルは分極や化学の複雑なパターンを低次元の「潜在」空間に圧縮します。潜在空間では近い点が似た内部挙動を持つ材料を表すため、非常に高価な物理シミュレーションを各候補ごとに走らせることなく、物理的に現実的な新しいドメインパターンを素早く想像できるのです。

能動学習に探索を委ねる

この地図が構築されると、チームは能動学習戦略を使って実験で次に試す組成を導きます。各候補の挙動をただ予測するだけでなく、期待されるエネルギー貯蔵性能とその予測の不確実性の双方を推定する代理モデルを構築します。遺伝的最適化アルゴリズムが潜在空間を探索し、控えめな電界下で高い蓄積エネルギーと高効率が期待でき、不確実性の高い領域を避けるような組合せを探します。この逆設計アプローチは望ましい特性から出発し、それに合致する有望な配合へと逆算するもので、全組成領域を盲目的にスキャンするより効率的です。

コンピュータの提案から実材料へ

研究者らは、ビスマスナトリウムチタン酸塩を基にバリウムチタン酸塩とストロンチウムチタン酸塩を少量混ぜた鉛不使用のセラミック系に注目しました。フレームワークの指導の下、わずか4サイクルの実験のみで進めました。各ラウンドで、コンピュータが推奨した数種の組成を合成し、その性能を測定して結果をモデルにフィードバックしました。反復を重ねるうちに、材料の内部パターンは大きな強誘電領域から、より細かく無秩序なナノドメインへと進化し、切り替えが容易になりました。特に3成分の組合せを慎重にバランスさせたある組成は、比較的低い動作電界で高いエネルギー密度と高効率を同時に達成し、際立っていました。

将来のデバイスにとっての意味

本研究で見出された最良のセラミックは、控えめな電界で約2.3ジュール毎立方センチメートルのエネルギーを約80％の効率で蓄え、より強い電界ではさらに高いエネルギーを示しつつ、多くの充放電サイクルに対して信頼性を保ちました。日常の技術においては、より小型で発熱の少ないコンデンサが実現し、急速パルスや高負荷条件にも対応できる可能性を意味します。より広い視点では、詳細な物理的洞察と現代的な機械学習を閉ループで結合することで、理論から実機材料への道筋が大幅に短縮され、次世代のエネルギー貯蔵セラミックスやその他の材料設計への実用的なルートが開けることを示しています。

引用: Xi, Z., Wang, Z., Guo, C. et al. Active learning in latent spaces enables rapid inverse design of ferroelectric ceramics for energy storage. Nat Commun 17, 4281 (2026). https://doi.org/10.1038/s41467-026-70792-7

キーワード: 強誘電体セラミックス, エネルギー貯蔵, リラクサー材料, 機械学習による設計, 能動学習