機械学習を用いたエネルギー関連応用における水素貯蔵向けMOF探索の加速

クリーンエネルギーにとっての重要性

水素はしばしば未来のクリーン燃料として期待されますが、実務上の難題があります：非常に軽いため、自動車やトラック、船舶のために安全でコンパクトなタンクに十分な量の水素を詰めるのが困難です。本論文は、特に機械学習を含む計算手法が、金属–有機フレームワーク（MOF）と呼ばれる先端多孔質材料のおよそ10万件に近い候補をふるいにかけ、密かつ効率的に水素を貯蔵できる材料を見つけられることを示します。この研究は、次世代の水素タンクを特定するためのより速く、より安価な経路を示し、化石燃料からの移行を促す可能性があります。

オーダーメイドのスポンジ材料

MOFは結晶性材料で、分子スケールでは巨大な内部表面積と空隙をもつ精巧な足場のように見えます。これらの微小な「スポンジ」は水素のような気体分子を繰り返し捕え放出できます。金属の構成要素や有機リンカーを置き換えることで、科学者はMOFの孔のサイズ、形状、開放度を調整できます。空隙率（どれだけ空間があるか）、細孔体積（利用可能な内部容積）、気体分子にさらされる表面積といった特性は、正確な化学組成よりも水素貯蔵において重要であることが分かっています。課題は、データベースには10万を超えるMOF構造が含まれている一方で、ごく一部しか合成・実験されておらず、各候補についての詳細な計算シミュレーションは非常にコストがかかる点です。

計算に可能性を探らせる

このボトルネックに対処するため、著者らは高精度なガス吸着シミュレーションと機械学習を組み合わせます。彼らは既存データベースHyMARC（複数の研究グループと大学からの98,695件のMOFを記載）を出発点とします。各MOFに対して確立されたシミュレーションツールを用いて、現実的な「温度–圧力スイング」サイクルにおける貯蔵・放出量を算出します：低温・高圧で材料に水素を充填し、その後加温・減圧してガスを取り出す、というものです。各結晶構造からは密度、細孔体積、いくつかの表面積指標、2つの特徴的な細孔直径を含むわずか7つの幾何学的記述子だけを抽出します。これらの単純な数値が、各MOF内部で水素分子が探索できる空間と表面を捉えます。

貯蔵容量を評価するニューラルネットワークの教育

チームは次に、これら7つの構造記述子と2つの主要な成果指標（重量当たりの貯蔵量＝質量比、体積当たりの貯蔵量＝容積比）との関係を学習するために、フィードフォワード型とパターン認識型の2種類のニューラルネットワークを訓練します。Equilibrium Optimizerと呼ばれる物理に触発された最適化手法が、自動的に各ネットワークのサイズと構成を調整して予測誤差を最小化します。データベースの大部分で学習し、一部をテスト用に残した後、モデルは特に質量比でシミュレーション結果を驚くほどの精度で再現します。解析はまた物理的に妥当な傾向を確認します：細孔体積や高い空隙率を持つMOFは一般に質量当たりの水素貯蔵量が多く、一方で容積当たりの貯蔵量は多孔性と詰まり具合のバランスが取れた中程度の密度で最大になります。

群雄割拠の中での注目材料の発見

訓練済みネットワークを用いて、研究者らは98,695件すべてを迅速にスキャンし、有望な候補を旗揚げして、最良のものを完全なシミュレーションで検証します。参照点としてよく知られたMOFであるMOF‑5を用い、米国エネルギー省の野心的な水素貯蔵目標も適用します。スクリーニングの結果、これらの目標を同時に満たすか上回るMOFが1,289構造見つかり、その中でMOF‑5を質量基準と体積基準の両方で上回る12構造が特定されました。これら上位候補の多くは、適度な密度、極端でないながら十分な表面積、高い内部空隙といった類似の特性を共有しており、いくつかはノースウェスタン大学が組み上げた仮想データベース由来の構造で、未合成設計を探索する価値を強調しています。

将来の水素タンクに与える意味

端的に言えば、本研究は計算が容易な少数の構造的特徴とよく設計されたニューラルネットワークを組み合わせることで、水素貯蔵材料探索におけるはるかに時間のかかるシミュレーションの代替になり得ることを示します。このアプローチは提案されたすべてのMOFが容易に合成できるとか機械的に安定であることを保証するものではありませんが、化学者が実験するための現実的な候補リストに検索範囲を大幅に絞り込みます。どの幾何学的特性が重要かを明らかにし、特定の高容量候補を示すことで、実用的でコンパクトな水素タンクの実現に一歩近づけると同時に、データ駆動型ツールがよりクリーンなエネルギーシステムの材料発見を加速し得ることを示しています。

引用: Khairandesh, S., Lotfi, M., Larimi, A. et al. Accelerating discovery of MOFs for hydrogen storage via machine learning in energy related applications. Sci Rep 16, 14114 (2026). https://doi.org/10.1038/s41598-026-44340-8

キーワード: 水素貯蔵, 金属有機構造体, 機械学習, 多孔質材料, エネルギー材料探索