量子アニーリング機械学習が展開する延性・高強度・耐食性に優れた高エントロピー合金の発見

将来の材料にとってこれが重要な理由

より軽い自動車や船、より耐久性の高い医療機器に至るまで、現代の技術は強く、柔軟で、かつ耐食性を備えた金属に依存しています。しかし、そのような「理想合金」の発見は非常に時間がかかります。なぜなら研究者は非常に大きな組成空間を、限られたかつしばしばノイズを含むデータで探索しなければならないからです。本研究は、量子アニーリングと呼ばれる量子計算の一形態が機械学習と協調してその探索をより効率的に行えることを示し、かつ延性と高い耐食性を備えた新しい高エントロピー合金を設計・実験検証することでその手法を実証しています。

金属の干し草の山から針を探す

従来の合金は1種または2種の主要元素を中心に組成されますが、高エントロピー合金は4種以上をほぼ同等の割合で混合し、多様な構造と特性の可能性を切り開きます。その自由度は代償を伴います：組成の数は急増し、各候補に対する詳細な物理シミュレーションは極めて遅すぎます。データ駆動型のモデルが役立ちますが、利用可能な実験データはまばらで整合性に欠けるため、複雑なモデルがデータの特異性を「過学習」してしまい、基礎となる物理を学べないことが容易に起こります。適切な入力記述子の選択、モデルの複雑さの調整、役に立たない部分の削除は難しい最適化問題となり、古典的アルゴリズムはしばしば真に優れた解ではなく単に十分に良い解にとどまってしまいます。

量子物理学にアルゴリズムを導かせる

量子アニーリングはこれらの問題をエネルギーランドスケープとして再定式化することで対処します：モデルの特徴、パラメータ、あるいは接続の各選択肢は量子スピンの配置に対応し、最良の解は最も低いエネルギーに位置します。量子系は多くの構成を同時に探索し、薄いエネルギー障壁をトンネルで越えることができるため、古典的アルゴリズムがはまりがちな局所的な罠から抜け出す可能性があります。本研究では、著者らは「量子支援機械学習（QaML）」フレームワークを構築し、記述子の選択、サポートベクターモデルの学習、ニューラルネットワークの剪定といった複数の重要ステップを量子アニーラに適した共通の二次二値形式に翻訳しています。さらに、大きな記述子セットを今日の制限された規模の量子デバイス上でも扱えるように工夫したバッチ処理スキームを組み合わせています。

データから有望な新合金へ

これらの手法を用いて、チームはアルミニウム、クロム、鉄、マンガン、チタンから成る高エントロピー合金に注目しました。このファミリー内で、単相の体心立方構造を持ち、軽量で強く、厳しい酸性・塩分環境での耐食性を備えた合金を探索しました。保護表面膜を形成することが知られている元素を要求し、不安定な酸化物を生じやすい組合せを避けるといった物理に基づくルールが探索空間を絞り込みました。量子支援の特徴選択により、延性・脆性の分類と降伏強さを推定する回帰という二つのタスクに対して意味のある少数の記述子が同定されました。量子最適化されたニューラルネットワークとサポートベクターマシンは精選された実験データで学習されました。注目すべきは、量子アニーリングで剪定されたネットワークは、古典的手法で剪定されたものよりもより良く一般化したことであり、古典ソルバーがわずかに低い数値コストを見つけた場合でさえ、量子手法が解空間のより広く安定した領域を好む傾向があることを示唆しています。

予測を実験で試す

この統合されたスクリーニングパイプラインを用いて、フレームワークは特定の組成、Al8Cr38Fe50Mn2Ti2（原子％）を特に有望として選び出しました。計算は、この組成が単純な単相構造を形成し、高い延性、高い強度、比較的低い密度、そして良好な耐食性を示すと予想しました。研究者らはこの合金を合成し、望ましい結晶構造と均一な元素分布を確認しました。圧縮試験では0.2%オフセット降伏点が568メガパスカル、破壊なしで40%以上のひずみを示し、かなりの靭性を示しました。酸性塩化物溶液での耐食試験では、その受動膜はより高い電位まで安定であり、従来の304ステンレス鋼と比べて臨界電流密度がほぼ1桁低く、より保護的で長持ちする表面であることを示唆しました。

より賢い合金設計への新しい道筋

平たく言えば、本研究は量子強化アルゴリズムが非常に大きな設計空間をふるいにかけ、限られた実験データしかない場合でも強く長持ちする金属レシピを見つけ出すのに役立つことを示しています。研究室で特定の高エントロピー合金の予測性能を検証したことで、量子アニーリングは理論上の好奇心から材料設計の実用的なツールへと前進しました。量子ハードウェアが向上すれば、同様のワークフローは車両や船舶用の構造合金から極端な環境での耐食性コーティングに至るまで、幅広い先進材料の発見を加速する可能性があります。

引用: Ibarra-Hoyos, D., Connors, P.F., Jang, H. et al. Quantum-annealed machine learning discovers ductile, high strength and corrosion-resistant high-entropy alloy. npj Comput Mater 12, 159 (2026). https://doi.org/10.1038/s41524-026-02032-x

キーワード: 量子アニーリング, 機械学習, 高エントロピー合金, 材料発見, 耐食性