高度に効率的な複雑系材料設計のための自己最適化機械学習ポテンシャル支援自動ワークフロー

新材料探索を賢くする

新材料の設計は、ほぼ無限の干し草の山から針を探すようなものです。より優れた電池や高速なコンピュータ、効率的なレーザー、あるいは室温超伝導体の可能性など、多くの将来技術は特定の原子配列の発見に依存しています。本論文は、人工知能にその探索の大部分を自動で担わせる方法を示し、有望な化合物を見つけるための時間とコストを劇的に削減します。

なぜ材料のパズルは難しいのか

固体の性質――電気伝導性、強度、光への応答など――は、原子が三次元に配列した結晶構造によって決まります。理論的には量子力学を用いてどの配列が安定か、その性質がどうなるかを計算できます。しかし実際には、これらの量子計算は非常に負荷が大きく、ありうる材料のごく一部しか確認できません。特に二種類以上の元素が関与すると組み合わせと原子配列の数が爆発的に増え、手当たり次第の探索は現実的でなくなります。

学習モデルに量子物理を代行させる

この課題に対処するため、著者らは高価な量子計算の結果をごく少ないコストで模倣できる機械学習モデルを構築しました。彼らのモデルは注意機構で結合されたニューラルネットワーク（ACNN）と呼ばれ、材料のエネルギーが原子の位置と種類にどのように依存するかを学習します。訓練が済めば、提案された結晶構造が安定であるかどうか、各原子に働く力がどうなるかを非常に速く推定できます。重要な点として、このモデルは結晶全体を平行移動や回転しても全エネルギーが変わらないといった基本的な物理的要請を満たすよう設計されています。

自己改善する材料探索ループ

モデルを一度だけ訓練してどこでも使えることを期待するのではなく、著者らはそれを自己最適化ループで包み込みます。プロセスはランダムな結晶構造の小さな集合から始まり、それらを完全な量子力学的計算で評価して初期のACNNを訓練します。そのモデルを用いて何百万もの試行構造をリラックス（緩和）させ、局所的なエネルギー極小、つまり候補となる安定もしくは準安定相を迅速に見つけます。ワークフローは特に価値の高い二種類の構造を自動的にフラグします：非常に安定に見えるものと、非物理的または疑わしいものです。選ばれたケースのみ高価な量子ソルバーに送り返され、その新しい結果がモデルの再訓練に取り込まれます。多くのラウンドを経るうちに、モデルは構造空間の重要な領域で着実に精度を高めます。

手法の実地検証

研究チームはこのアプローチを二つの負荷の高い系で実証しました。第一はマグネシウム、カルシウム、水素の高圧混合系で、高温超伝導の観点から大きな関心がある化合物群です。ほぼ600万件の試行構造を探索することで、彼らのワークフローは新しい安定相MgCa₃H₂₃と、いくつかの水素に富む“ケージ”構造を発見しました。計算からは、これらのうち一部が極端な圧力下で液体窒素の沸点を上回る温度で超伝導を示す可能性が示唆されています。第二の検証はベリリウム、リン、窒素、酸素を含む四元素系を対象とし、レーザー光を深紫外へ効率よく変換する結晶を得る可能性があるため選ばれました。ここでは900万件以上の構造を緩和し、非常に広いバンドギャップと有望な光学特性を持つ三つの熱力学的に安定な相を同定しました。

力任せ探索から導かれた発見へ

両例にわたって、この自動ワークフローは純粋に量子計算のみを用いる場合に比べて約一万倍の速度向上を達成し、それでもなお詳しく調べる価値のある構造を確実に特定しました。専門外の方への要点は、材料探索の大部分が今や自分の不確実性を学習し、必要なときだけ標的を絞った高精度計算を要求する学習システムによって扱えるようになったということです。この種の自己訂正的なAI支援探索は、従来は現実的でなかったより複雑な元素混合の探索を可能にし、新たな超伝導体、光学結晶、次世代技術を支えるその他の機能材料を発見する可能性を高めます。

引用: Li, J., Feng, J., Luo, J. et al. Self-optimizing machine learning potential assisted automated workflow for highly efficient complex systems material design. npj Comput Mater 12, 101 (2026). https://doi.org/10.1038/s41524-026-01971-9

キーワード: 材料探索, 機械学習ポテンシャル, 結晶構造予測, 超伝導水素化物, 非線形光学結晶