自動化された総当たり第一原理計算による非調和フォノン特性のデータベースと深層学習のスケーラビリティ

熱を運ぶ振動が重要な理由

スマートフォンのチップから建築用断熱材まで、私たちの周りの固体は主にフォノンと呼ばれる微小な原子振動を通じて熱を移動させます。これらの振動がどれだけ容易に伝わるかが、電子機器の冷却や住宅の断熱、廃熱の発電利用に適した材料かどうかを決めます。しかし、材料の原子構造からこの熱輸送を正確に予測することは従来、非常に困難で時間がかかってきました。本論文は何千もの結晶に対するこうした予測を自動化し、その後深層学習を用いて極端に高いまたは低い熱伝導を示す材料を膨大な候補空間から探索する新しい方法を提示します。

振動する結晶の巨大ライブラリを構築する

著者らはauto-kappaと呼ばれるソフトウェアフレームワークを開発し、結晶構造を入力として長いチェーンの量子力学計算を自動で実行します。これらの計算は、原子が完全に弾性的に振動する様子だけでなく、より現実的で「乱れた」振動同士の衝突や散乱も解き明かします。ソフトウェアはここからフォノン寿命や各振動が熱輸送にどれだけ寄与するかといった詳細な特性を抽出します。スーパーコンピュータ上でこのパイプラインを用いることで、著者らはPhonixと名付けられた新しいデータベースを構築し、ナトリウム塩のような単純な塩類から単位格子あたり100個を超える原子を持つ複雑な構造に至るまで、6500以上の無機結晶の非調和フォノン特性を収録しました。

多様な固体の熱伝導の地図

このデータベースを元に研究者らは材料間で熱伝導がどのように変わるかを調べました。格子熱伝導率（原子格子の振動が担う部分）は一般に原子あたりの体積が大きくなるにつれて低下する傾向があり、言い換えればより開いた構造は熱を伝えにくいことが多いと分かりました。データベースは広い分布を示し、室温ではほとんどの材料が約0.15から40 W·m⁻¹·K⁻¹の間に収まる一方で、ごく一部の材料は200以上、さらにまれに500や1000を超える非常に高い値を示します。高い伝導率を示す材料の多くは炭素や炭化ケイ素の形態であり、一方で多数の化合物が非常に低い熱伝導率を示し、熱電や断熱用途に対して多くの可能性を提供します。

熱流に潜む波のような寄与

結晶中の熱はしばしばフォノンが気体分子のように振る舞うと描かれますが、小さなスケールでは振動は重なり合う波のようにも振る舞います。Phonixデータベースは、従来の「粒子的」な熱輸送寄与と、より波のような（コヒーレントな）寄与を分離しています。ほとんどの材料、特に伝導率の高い材料では従来の粒子チャンネルが支配的です。しかし驚くべきことに、著者らはコヒーレント寄与がかなり大きく、場合によっては粒子寄与に匹敵する化合物が多く存在することを見出しました。多数の原子を含み振動分岐が密に詰まった特定の複雑な炭化ケイ素の形態は特に大きなコヒーレント寄与を示します。これは、実務的なモデリングでしばしば無視される波のような熱輸送が、高伝導性の結晶でも重要になり得ることを示唆します。

原子の設計図を読むようにニューラルネットを教える

コストのかかる総当たり計算を超えるために、チームは結晶の原子構造を入力として熱伝導率を予測するグラフベースのニューラルネットワークを訓練しました。これには異なる平均自由行程を持つ振動を含めたときに寄与がどのように積み上がるかの予測も含まれます。訓練セットのサイズを数百から数千の材料へと変化させることで、彼らは明確なスケーリング則を見出しました：データを増やすほど予測誤差は予測可能な形で小さくなり、これは大規模言語モデルで見られる傾向に類似しています。こうして得られたモデルを用いて著者らはDeepMindのGNoMEデータベースにある数十万の仮想結晶をスクリーニングし、極端に高いまたは低い熱伝導を示す有望候補の一部に対しては完全な量子計算を実行しました。

極値の発見：超伝導体と超絶縁体（熱伝導の極端）

スクリーニングにより熱伝導の極に位置する新しい候補材料が明らかになりました。非常に重い原子を含む水素濃厚な化合物のいくつかは、重い原子由来の低周波モードと軽い原子由来の高周波モードが分離しており、散乱が減るため高い熱伝導率を示しました。一方で、複雑なセシウム系構造は非常に混合した振動が多くの原子と周波数に広がるため強い散乱と低い熱伝導率を示しました。これらの結晶のなかには合成が難しいものもあるかもしれませんが、共通する構造的モチーフは高伝導の“熱の高速道路”や高抵抗の“熱の壁”を設計するうえで有益な手がかりを提供します。

今後の材料研究にとっての意義

日常的な観点から言えば、この研究は二つの重要な進歩をもたらします：数千の結晶における原子の振る舞いと衝突を実際に捉えた大規模で公開されたライブラリ、そしてその原子設計図を読み取って材料の熱伝導性を予測できる一連の機械学習モデルです。これらは、電子機器向けの優れた熱拡散材や発電用の改良された熱電材料、熱制御が電気制御と同等に重要な先進技術のための材料を見つけるための強力な近道となります。データベースが成長し、さらに微妙な振動効果を含むようになれば、これらのツールは新しい熱材料を試行錯誤よりもはるかに速く、安価に、体系的に探索できる力を備えることになるでしょう。

引用: Ohnishi, M., Deng, T., Torres, P. et al. Database and deep-learning scalability of anharmonic phonon properties by automated brute-force first-principles calculations. npj Comput Mater 12, 150 (2026). https://doi.org/10.1038/s41524-026-02033-w

キーワード: 格子熱伝導率, フォノンデータベース, 非調和振動, 材料インフォマティクス, グラフニューラルネットワーク