無秩序材料の分配関数をデータ効率良く推定するAI駆動手法

ごく小さな欠陥が混沌とした材料で重要な理由

今日有望とされる多くの材料──原子力燃料から高性能合金まで──は、完全に秩序化した単結晶ではなく、異なる元素が入り混じった化学的な「パッチワーク」です。こうした複雑な構造内部では、欠損原子などの微小な欠陥が熱や電気、さらには放射線損傷の伝播を支配します。本稿で紹介するPULSEは、従来の計算シミュレーションよりもはるかに効率的に、こうした欠陥の振る舞いを複雑な無秩序材料で予測できる新しい人工知能ツールです。

ほとんど数えきれない事象を扱う難しさ

ウラン・プルトニウム混合酸化物や高エントロピー合金のような多成分材料では、格子点に原子が入る組み合わせが膨大になります。各々の配置（配置状態）は欠陥の生成や拡散のしやすさをわずかに変え得ます。実世界の物性を予測するには理論上これらすべてを考慮する必要があり、その全体を表すのが分配関数という量です。従来の手法は、無秩序をいくつかの代表構造で近似するか、モンテカルロ法で多くの配置をサンプリングします。前者は重要な配置を見落とす可能性があり、後者は計算負荷が非常に大きく現実的な系では実用的でないことが多いのです。

自己学習するAIサンプラー

PULSE（Partition function Unsupervised Learning Sampling and Evaluation）は、配置空間の探索を自ら学ぶことでこの課題に取り組みます。基礎には逆変分オートエンコーダと呼ばれるニューラルネットワークがあり、単純なランダム入力から現実的な原子配置を生成します。重要なのは、このモデルは事前に例のデータベースを必要としない点です。代わりに候補配置を生成し、それを原子レベルの計算機に送りエネルギーを評価させ、得られた結果に基づいて内部パラメータを調整し、有用なサンプルがより高確率で出るように学習します。この閉ループにより、特定の温度で分配関数を支配するような重要な配置にAIの注目を集められます。

原子力燃料でのPULSEの検証

実力の実証として、著者らはPULSEをウラン・プルトニウム酸化物という主要な原子力燃料に適用しています。焦点はショットキー欠陥（欠損原子の集合）で、これらは高温や放射線下で燃料がどのように振る舞うかに強く影響します。まず分配関数を総当たりで正確に計算できる比較的局所的な環境で手法を検証しました。PULSEによる分配関数とそれに基づく欠陥濃度の推定は、正確な結果とよく一致し、全データベースを走査する場合に比べて必要なエネルギー評価が桁違いに少なくて済みます。広く使われる「特殊準乱構造」と比較しても、PULSEは同等かそれ以上の精度を達成し、収束の明確な内部指標を持ち、高温領域での計算コストがはるかに低いという利点があります。

AIが示す欠陥の局所環境に関する知見

PULSEは欠陥周辺の原子配列を明示的に生成して評価するため、欠陥の影響がどこまで及ぶかを調べるのにも使えます。欠陥から遠ざけて原子層を順にランダム化していくと、この酸化物燃料では欠陥のエネルギーに有意な影響を与えるのはごく少数の近接殻だけであり、温度が上がるとその影響範囲は縮むことが示されました。また、プルトニウム含有量の変化に伴う欠陥濃度の変化も明らかにされ、プルトニウムが多いほど欠陥生成が一般に起こりやすく、特に温度が低い場合に欠陥密度が高くなる傾向が示されました。

今後の材料設計にとっての意義

専門外の読者にとっての核心は、PULSEが高度に無秩序な材料内部で最も重要な原子配置を高速かつ柔軟に「数え、優先順位を付ける」手段を提供する点です。すべての配置を総当りでシミュレーションする代わりに、手法は実行時にどの局所パターンが欠陥形成を支配するかを学び、それを使って欠陥濃度や関連特性を推定します。原子力燃料での実証にとどまらず、同じ枠組みは高エントロピー合金やエネルギー貯蔵・触媒用の混合酸化物など、多様な複雑材料にも応用できます。こうしてPULSEは微視的な無秩序が巨視的性能にどう影響するかを迅速に探索し、より安全で効率的な材料設計を導く助けとなる可能性があります。

引用: Karcz, M.J., Messina, L., Kawasaki, E. et al. AI-driven data-efficient estimation of partition functions in disordered materials. Sci Rep 16, 14568 (2026). https://doi.org/10.1038/s41598-026-37953-6

キーワード: 無秩序材料, 機械学習, 原子力燃料, 点欠陥, 生成モデル