多孔質炭素吸着剤における水素貯蔵のAI駆動最適化

なぜより良い水素貯蔵が重要か

水素は、自動車やトラック、バス向けのクリーン燃料としてよく取り上げられます。というのも、使われると主に温室効果ガスではなく水を生成するからです。ただし、車両内で十分な量の水素を安全かつ安価に貯蔵することは非常に困難です。本研究は、人工知能がより多くの水素を保持できるスポンジ状の炭素材料の設計を科学者が行うのを助ける方法を探り、水素動力輸送をより現実的にする可能性を示します。

炭素スポンジはどうやって水素を保持するか

焦点となる材料は、固体のスポンジのように振る舞う高多孔質の炭素です。水を吸い取るのではなく、その内部表面に水素分子を引きつけます。これらの炭素が持つ内部表面積が大きく、かつ孔径が水素に合わせて調整されているほど、より多くの燃料を貯蔵できます。従来のアプローチは試行錯誤に頼っており、炭素の作り方を変え、特定の圧力と温度で水素吸着量を測定し、それを繰り返します。このプロセスは時間がかかり高価で、研究者が試験できる試料数に制約されます。

過去の実験からコンピュータに教える

速度を上げるために、著者らは多孔質炭素の水素貯蔵に関する過去の研究から917のデータ点を収集しました。各エントリは、炭素の作製方法とその構造が、与えられた条件下でどれだけの水素を貯蔵したかと結びついています。彼らはこのコレクションを用いて二つの機械学習モデルを訓練しました。一つは決定木に基づくモデル、もう一つは画像認識ネットワークに触発されたニューラルネットワークです。データは数値に過ぎませんが、ニューラルネットワークはパターンをうまく学習し、同じ範囲の圧力・温度・材料特性から外れた見えないエントリに対しても高精度で水素貯蔵を予測しました。

AIによりより良い設計を探索させる

ニューラルネットワークが安定して水素吸着量を予測できるようになると、研究チームはそれを自動最適化ツールと連携させました。単に「この材料はどれだけ水素を貯蔵するか？」と問う代わりに、「どの材料特徴と運用条件の組み合わせが最良の貯蔵をもたらすか？」と逆に問いかけました。ソフトウェアは表面積、微小な孔容積、ガス圧などの因子を変化させ、同時に全体的な孔径尺度を追跡しました。貯蔵量を増やしつつ、炭素材料として現実的な孔径を維持するためのバランスの取れた選択を探索しました。

性能と物理的現実性の両立

最適化は「ちょうどよい」トレードオフの集合、すなわちパレート前線を生み出しました。そこでは水素貯蔵をこれ以上改善するには孔径制御を犠牲にする必要があり、その逆も同様です。最高値に近い予測の一部は実験室で実際に作られたものを超える表面積や孔径を要求していたため、著者らはこれらを約束ではなく理論上の上限として扱いました。探索をより現実的な表面積と水素貯蔵の一般的な試験温度に制限すると、予測された最良設計は実験から知られている範囲と一致しましたが、将来の材料に向けた野心的でありながら妥当な目標も示しました。これはAIが過去のデータを説明するだけでなく、試す価値のある新しい調合を提案できることを示しています。

クリーンエネルギーへの意味

一般読者にとって主なメッセージは、散在する多数の研究結果から学習することで、コンピュータが水素用のより良い固体「タンク」を設計する手助けをできるようになったという点です。ここで使われたアプローチは、予測とスマート探索を組み合わせて、盲目的に試すことなくより多くの水素を貯蔵すべき炭素構造を浮かび上がらせます。極端な予測の多くはまだ実験で検証する必要がありますが、この研究は試行錯誤を減らすためのロードマップを提供し、将来の車両に安全かつ効率的に収まる水素貯蔵システムにエンジニアが近づくのを助ける可能性があります。

引用: Rocha, H.R.O., Romanos, J., Abou Dargham, S. et al. AI-driven optimization of hydrogen storage in porous carbon adsorbents. Sci Rep 16, 15143 (2026). https://doi.org/10.1038/s41598-026-45915-1

キーワード: 水素貯蔵, 多孔質炭素, 機械学習, エネルギー材料, ガス吸着