超伝導体発見のためのAI加速型ワークフローを完成させる

より良い超伝導体を見つけることがなぜ重要か

超伝導体は電気を抵抗ゼロで運ぶことができる優れた材料で、電力が熱として失われません。すでにMRI装置や粒子加速器などの技術を支えており、将来は超効率な電力網や浮上式列車の実現にもつながる可能性があります。しかし新しい超伝導体の発見は、一般に各候補材料について手間のかかる実験や大規模な量子力学計算が必要であり、進展が遅くコストが高くなりがちです。本稿はその探索を劇的に高速化する新たな人工知能（AI）ワークフローを紹介しており、すでに2つの新しい超伝導材料の発見と実験的確認につながっています。

何百万通りもの候補を抜ける賢い近道

著者らは超伝導体探索の主要なボトルネック、すなわち結晶格子の振動と電子の相互作用（通常は膨大な計算資源を要する量）を計算する問題を解決しようとしました。すべての材料についてゼロからその計算を行う代わりに、約7,000件の精密に計算された例からその振る舞いを学習する強力なAIシステム「BEE-NET」を訓練しました。BEE-NETは結晶の原子配列に関する情報を入力として受け取り、あるバージョンでは振動スペクトルも取り込み、電子と振動の結合がどのような“フィンガープリント”を持つかを詳細に予測します。このフィンガープリントから、モデルは物質が超伝導になる臨界温度を推定でき、完全な量子計算と比較して平均誤差が1ケルビン未満に収まります。

AIに自信を持って「ノー」と言わせる教育

このアプローチの重要な特徴は、AIに単に転移温度を推測させるだけでなく、電子–振動相互作用の全スペクトルを再構築させる点です。このより豊かな記述によって、モデルは超伝導材料と非超伝導材料を同等に扱うことができ、役に立たない候補を排除する能力が非常に高くなります。評価では、BEE-NETは転移温度が5ケルビン未満の非超伝導体を99％以上の確度で正しく識別しました。この高い「真の陰性率」は、膨大な材料空間をスクリーニングする際に非常に重要で、ほとんど役に立たない材料に高価な計算資源を無駄に費やすことを避けられます。

何百万の候補から数百の有望株へ

このAIを武器に、研究チームは多段階のAI加速型探索パイプラインを構築しました。出発点は主に2つ：大規模なオンライン材料データベースに登録された既知の金属化合物と、既存の結晶構造に化学元素を体系的に置換して生成した100万件以上の新規仮説材料です。これらの一次候補は一連のフィルターを通過しました。ほかの機械学習モデルが素早くその材料が金属性であるか、熱力学的に安定かをチェックし、BEE-NETが超伝導転移温度の迅速な一次推定を行って5ケルビン未満と予測された材料を除外しました。残った候補のみがより詳細な量子計算、格子振動に基づく安定性試験などで精査されました。結果として、130万件以上の初期構造が絞り込まれ、最終的に動的・熱力学的に安定で完全に確認された臨界温度が5ケルビンを超える金属性化合物は741件にまで減少し、そのうち69件は20ケルビンを超えると予測されました。

予測を実際の超伝導体に変える

ワークフローが単なる有望な数値ではなく実際の材料をもたらすことを示すため、研究者らは特に魅力的な候補を2つ選んで実験検証を行いました。いずれも既知の低温超伝導体Be₂Nb₃を基に、結晶構造の特定位置にあるニオブ（Nb）をハフニウム（Hf）で部分的に置換して得られる化合物です。実験室で提案されたBe₂Hf₂NbとBe₂HfNb₂を合成し、結晶構造を詳しく解析した後、低温で電気抵抗と比熱を測定しました。両材料ははっきりした超伝導転移を示し、構造の乱れや不純物のために理論上の最楽観的な推定よりやや低い転移温度になったものの、AI主導の予測が実験的に裏付けられました。

今後の材料研究にとっての意義

この研究は、高度な機械学習と量子計算、標的を絞った実験を組み合わせることで、超伝導体探索を試行錯誤から体系的な探索へ転換できることを示しています。BEE-NETとその周辺のワークフローは、数百万に及ぶ候補を合理的な時間で走査し、最も有望な数百件を浮き彫りにして、実験者を安定かつ超伝導を示す可能性の高い化合物に導くことができます。現在のモデルは特定のクラスの超伝導体と中温域に焦点を当てていますが、同じ戦略は他の圧力条件や材料群にも拡張可能です。長期的には、このようなAI駆動のパイプラインがより高温で実用的な形の超伝導体を発見し、より効率的な電力網、より高速な電子機器、新たな磁気技術の実現への道を開く可能性があります。

引用: Gibson, J.B., Hire, A.C., Prakash, P. et al. Developing a complete AI-accelerated workflow for superconductor discovery. npj Comput Mater 12, 95 (2026). https://doi.org/10.1038/s41524-026-01964-8

キーワード: 超伝導体, 機械学習, 材料探索, グラフニューラルネットワーク, ハイスループットスクリーニング