機械学習分子動力学によるSiCの不整合融解と相図

日常技術と遠隔の世界にとって重要な理由

炭化ケイ素はすでに現代技術の主力材料であり、高効率電子機器、過酷環境用センサー、原子炉部品などを支えています。また一部の系外惑星の灼熱の内部にも存在すると考えられています。それでも科学者の間では長く基本的な疑問が残っていました：炭化ケイ素を十分に加熱し高圧下に置くと、単一の均質な物質として溶けるのか、それともまずシリコンと炭素の別個の相に分解するのか？本研究は、機械学習で駆動される先進的なコンピューターシミュレーションを用いてその議論に決着をつけ、極端な温度と圧力下で炭化ケイ素がどのように振る舞うかを描き出します。

謎めいた融解挙動を示す頑丈な材料

炭化ケイ素は硬く、熱をよく伝え、高電圧に耐えるため評価が高く、パワーエレクトロニクスや次世代原子力システムの中心素材です。数千度と巨大な圧力下での挙動は、炭素に富む系外惑星を理解するうえでも重要で、そこでは炭化ケイ素が主要な岩石性物質である可能性があります。何十年にもわたる実験は、炭化ケイ素が「溶ける」ときに何が起きるかについて矛盾した結果を示してきました。ある測定は純物質のように融解すると示唆し、別のものは液体シリコンと固体炭素へと分解すると示唆しました。これらの実験は非常に困難で、ダイヤモンドアンビル内でレーザー加熱する微小試料の温度測定が難しく、微量の不純物や加熱ムラで結果が変わり得ます。

極限条件下で原子を追うようコンピューターに教える

混乱を解消するために、著者らは量子レベルの精度と機械学習の速度を融合させた新しいタイプのシミュレーションを用いました。まずさまざまな条件下でシリコンと炭素原子が互いに及ぼす力を記述する多数の小規模で精密な量子計算を行いました。そのデータに対してベイズ能動学習スキームを用いて機械学習の「フォースフィールド」を訓練しました。シミュレーションがモデルの不確かさの高い構成へ入り込むたびに新たな量子計算を追加して洗練させる自己誘導的な手法です。このアプローチにより、従来の量子シミュレーションでは手の届かない、数十万個の原子をナノ秒の模擬時間にわたって追跡できる高信頼なモデルが得られました。

炭化ケイ素が分解し再び一体化する様子を観察する

このフォースフィールドを用いて、研究チームは最大120ギガパスカル（深部惑星内部に相当）の圧力で非常に大きな仮想結晶を加熱・冷却しました。高温では規則正しい結晶はまずシリコンと炭素原子がよく混ざった均質な液体になりました。高圧下でその液体を冷却すると、炭素に富む微小な領域が現れて成長し、グラファイトやダイヤモンドに似た構造を持つナノメートルスケールのクラスターとなり、周囲はシリコンに富む液体で取り囲まれました。ある条件下では高圧相の炭化ケイ素もこれらの相と共存しました。系を再び加熱すると、これらの炭素クラスターは約4000ケルビンで均質な炭化ケイ素液へと再溶解し、この過程が可逆であることを示しました。

スナップショットから状態の全地図へ

各変化がどこで起きるかを正確に定めるために、研究者らは「二相」シミュレーションを設計しました。これは結晶と分解混合物のような二つの状態を接触させ、どちらの側も一方的に成長しなくなるまで進化させる手法です。この平衡が保たれる温度が真の相境界を示します。この手順を広範囲の圧力で繰り返すことで、なじみのある結晶構造が分解混合物に移る境界や、その混合物が完全に混ざった液体へ変わる点が明らかになりました。これらの結果を他の変態に関する先行研究と組み合わせて、低圧で昇華して気体になる領域、結晶構造が変わる領域、分解する領域、均質な融解が生じる領域を含む炭化ケイ素の完全な圧力—温度相図が構築されました。

工業と宇宙にとっての意義

シミュレーションは、高圧下で炭化ケイ素が単一の均質な物質として融解するのではなく、先に液体シリコンと固体炭素へ分解し、さらに高温では最終的に均質な液体になることを示しました。この「不整合融解」は過去の実験結果の不一致を説明し、いくつかの独立した高圧研究ともよく整合します。また、単に融かして急冷するだけでガラス状や非晶質の炭化ケイ素を作るのは難しいことを示唆し、照射など別の手法が必要であるという多くの実験結果とも一致します。技術者にとっては、この新しい相図が高温処理、結晶成長、炭化ケイ素からのグラフェン生産に関する指針を提供します。惑星科学者にとっては、炭素に富む世界の深部でこの材料がどのように振る舞い、熱流や内部構造を左右し得るかについて、より信頼できる像を示します。

引用: Xie, Y., Wang, M., Ramakers, S. et al. Incongruent melting and phase diagram of SiC from machine learning molecular dynamics. npj Comput Mater 12, 125 (2026). https://doi.org/10.1038/s41524-026-01976-4

キーワード: 炭化ケイ素, 高圧, 融解, 機械学習シミュレーション, 相図