機械学習による巨大分極を示す超正方晶ペロブスカイトの加速発見

なぜ新しい結晶探索が重要なのか

より高速なメモリーチップ、効率の高い太陽電池、かすかな触覚を検知するセンサーなど、多くの新興技術は内部に自発的な電気分極をもつ特殊な材料群、強誘電体に依存しています。この内部の電気配向が強く安定しているほど、デバイスはより強力で用途が広がります。本研究は、機械学習と量子力学的シミュレーションを組み合わせることで、従来は知られていなかった極めて大きな分極を示す新たな強誘電結晶を迅速に見つけ出せることを示し、何年にも及ぶ試行錯誤的な実験作業を導かれたデジタル探索へと短縮する可能性を示します。

結晶を引き伸ばして電力を高める

優れた強誘電体の多くはペロブスカイト構造と呼ばれる共通の結晶骨格を持ち、原子が立方体の角、面、中心に配置されます。この立方体を高さが幅よりもはるかに大きくなるように引き伸ばすと、構造は「超正方晶（supertetragonal）」と呼ばれ、内部の電気分極が劇的に増大することがあります。しかし残念ながら、そのような極端な形状は通常安定化が難しく、薄膜成長の特殊条件や高圧、欠陥の導入が必要になることが多いのです。著者らは、常温で安定に強く引き伸ばされた形状を自然にとる新しいペロブスカイトを見つけ、実用デバイスでの利用を容易にすることを目指しました。

有望な組成を識別するようコンピュータに教える

何千という化学組成を一つずつ試す代わりに、研究チームはどの元素の組み合わせが強く引き伸ばされた結晶を生む可能性が高いかを識別する機械学習モデルを訓練しました。彼らはまず95種の既知ペロブスカイトを用い、各材料を元素の電子を引きつける強さ、イオン半径などの10項目程度の基本的な指標のコンパクトな集合で記述しました。モデルの課題は、ある材料の高さ対幅の比が超正方晶状態を示す重要な閾値を超えるかどうかを予測することでした。複数のアルゴリズムを比較した結果、Extra Trees分類器と呼ばれる手法がテストデータ上で引き伸ばされた構造と通常構造を完全に区別でき、より大きな候補プールへ適用する自信を得ました。

何千の候補を絞り込んで数個に

このデジタルフィルターを使って、研究者たちは正および負のイオンのさまざまな組み合わせから成る2,021通りのペロブスカイト設計空間を探索しました。機械学習モデルはまずこれらのうち130を強く引き伸ばされる可能性が高いとタグ付けしました。次に、既知の幾何学的安定性の範囲に基づく単純な構造ルールを適用して、崩壊したり別の構造に歪んだりする可能性が高い結晶を除外しました。この段階でリストは有望な形状を示す56の新しい酸化物ペロブスカイトに絞られました。これらについて、著者らは詳細な量子力学的シミュレーションを行い結晶構造を確認し、関連する場合は異なる磁気配列を検討し、材料が分極するときの原子のずれを計算して電気応答を見積もるための主要な成分を得ました。

特に注目すべき8つの材料とその特徴

スクリーニングとシミュレーションのパイプラインにより、最終的に特に有望な8つのペロブスカイト酸化物が選ばれました。その多くはこの形で報告されたことがありませんでした。いずれも非常に大きな自発分極を示し、よく知られた強誘電体に匹敵するかそれを上回る値を持ちながら、特殊な処理を必要とせず常温で安定であると予測されます。ストロンチウム–鉛やユーロピウム–スズに基づく2つの化合物は、電子バンドギャップが光を電気に変換するのに理想的な範囲に近く、強誘電性太陽電池の効率的な材料になり得ることが示唆されます。スズ–鉄やカルシウム–タンタルを含む別の2つは、電気的に極性を持ちつつ金属的であると予測される、珍しい組み合わせで、スピンエレクトロニクスや超伝導技術の可能性を開くかもしれません。イオンサイズや電気陰性度などの単純な記述子が結晶の引き伸ばしや分極とどのように相関するかを分析することで、著者らは有力な強誘電体を生む元素の組み合わせに関する実用的な設計ルールも抽出しています。

今後の材料設計にとっての意義

本質的に、本研究は基本的な化学的直観に導かれ、厳密な量子計算で検証された慎重に訓練された機械学習モデルが、可能なペロブスカイト組成の広大なランドスケープを効率よくナビゲートできることを示しています。注目された8つの結晶は単なる理論上の好奇心ではなく、構造的・化学的に安定で強く分極し、場合によっては光電変換や電子応用に適した性質を持つと予測されています。同様に重要なのは、どの元素特性が高度に引き伸ばされ強い分極を生む傾向があるかを明らかにし、先進的な強誘電体探索をより予測可能でルールに基づく作業へと変えた点です。このアプローチは、多くの他の機能性材料の発見を加速し、データとアルゴリズムを電子機器やエネルギー技術の具体的な進歩へとつなげる助けになるでしょう。

引用: Hu, W., Wu, Z., Li, M. et al. Accelerated discovery of supertetragonal perovskites with giant polarization via machine learning. npj Comput Mater 12, 103 (2026). https://doi.org/10.1038/s41524-026-01970-w

キーワード: 強誘電性ペロブスカイト, 材料探索の機械学習, 超正方晶酸化物, 極性金属, 強誘電性太陽電池