AI が生成する新素材の化学的安定性不足が実用化を阻害

現在、大規模な AI モデルを保有する人なら誰でも、数分で数百万もの新しい材料設計を生み出すことができます。しかし、それが即座に、コンピュータチップやロケットなどの製品性能向上に寄与する新素材の飛躍的な増加につながっているわけではありません。

この「生成と実用」のギャップが生じる理由の一つは、現在のモデルが生成した材料の化学的安定性を十分に考慮できていない点にあります。不安定な材料は現実世界でほとんど役に立たないため、業界では生成されたすべての材料から不安定なものを選別するために膨大な計算リソースを割かざるを得ません。その結果、利用可能な選択肢はごく一部しか残らないという状況が生まれています。

そこで MIT の研究者たちは、材料設計プロセスの初期段階に適用できるフレームワークを開発しました。これにより、目的とする材料特性を維持しつつ、安定性の高い設計を実現できます。この手法では、高コストな生成ステップを開始する前に、原子周囲の電子に関する化学の基本ルールを満たす設計のみが採用されるように制御します。研究者たちはこのアプローチを「価数制約付き設計による結晶生成器（CrysVCD）」と名付けました。

本日、*Nature Computational Science* に掲載された論文において、研究者たちは CrysVCD が一般的な材料モデルが価電子殻の規則をより頻繁に満たすことを可能にし、計算上の材料生成の約 70% で厳格な安定性テストである格子ダイナミクス安定性を達成したことを示しました。また、このアプローチは、コンピュータチップやデータセンターにとって重要な、高い熱伝導率や高い誘電定数といった特定の望ましい特性を持つ材料の作成も支援できることが明らかになりました。

研究者たちがこのシステムをどのように利用することを想定しているかは、その名前にヒントが隠されています。

「材料生成モデルが DVD だとすれば、私たちは DVD プレーヤーのようなものです」と、核科学工学准教授の Mingda Li は述べています。「これは既存の拡散モデルだけでなく、将来のモデルにも接続できます。安定した材料を十分に生成できないような場合でも、このシステムが安定性を向上させることができるのです。」

本論文には、Li の他に、材料科学工学および化学専攻の MIT 博士課程学生である Mouyang Cheng SM '26 と Weiliang Luo、材料科学工学専攻の最近の卒業生 Hao Tang PhD '26、物理学専攻の学部上級生 Bowen Yu、オークリッジ国立研究所のスタッフサイエンティスト Yongqiang Cheng、ミシガン州立大学の准教授 Weiwei Xie、MIT の Carl Richard Soderberg 電力工学教授 Ju Li、そして MIT の Lammot du Pont 化学工学教授 Heather Kulik が共同著者として名を連ねています。

より効率的な材料設計

材料設計における計算手法は数十年にわたり存在してきましたが、人工知能の最近の進展により、その可能性に対する期待が高まっています。特に注目されているのは、所望する材料特性から出発し、それを達成できる材料を導き出すために逆算して設計を行うモデルです。

これらのモデルの一部は画像生成で一般的に用いられている「拡散（diffusion）」という AI 技術を採用していますが、他方では ChatGPT や Claude を動かす基盤となっているような大規模言語モデルを利用するものもあります。しかし、どちらのアプローチも、生成された材料が化学的に安定していることを保証したり、化学物質の相互作用や挙動に関する基本原理に従っていることを確実に行う点で課題を抱えています。

その解決策として、不安定な材料をフィルタリングするために、生成プロセスの上に計算層を追加する手法が取られてきました。

「材料構造の生成は容易になりつつあります」とチェンは語ります。しかし、特に安定性を検証するプロセスには膨大な計算コストがかかります。実用可能な材料を作成するための計算コストの約90％がこれに充てられ、数週間から数ヶ月を要することさえあるのです。

巨大な計算リソースを持つ大企業ならこうしたプロセスを実行できますが、多くの中小企業や研究機関はそれができず、分野全体のイノベーションが制限される可能性があります。

「リソースが少ない学術界では、より賢明な設計や他のアプローチを用いれば、依然として高い性能を達成できると考えています」とクニック氏は説明します。「モデルを生成してから安定性で絞り込むのは非効率的で、計算コストも高くなります。しかし、プロセスの最初に言語モデルを組み込んで生成を制約すれば、生成される安定した材料の比率を大幅に向上させることができます。」

今回の新研究には、物質科学工学部、化学科、化学工学科、物理学科、原子力科学工学科に所属するMITの研究員らが関与しました。彼らはAI拡散モデルと言語モデルを組み合わせています。プロセスの第一段階では言語モデルが化学的に有効な式を生成し、第二段階では拡散モデルがその式を用いて、基盤となる材料生成モデルと連携しながら対応する結晶材料の原子構造を生成します。

「一般的な材料生成における拡散モデルは非常に時間がかかります。1 つの材料を生成するのに 1,000 ステップかかるようなものです」と Luo は説明します。

「一方、私たちのモデルを利用すれば、5 ステップ程度で済みます。これにより不安定な材料を早期に除外し、高品質な材料を生成することが可能になります。また、この手法はあらゆる材料生成モデルと併用可能です」と Tang は付け加えます。

研究者たちは、生成された後のスクリーニングに依存する従来のアプローチと比較して、本手法が 10 倍の効率でより安定した材料を生み出すことを示しました。安定性指標に基づいて微調整を施すことで、機械的安定性が 68%、メタ安定性（外部からの擾乱がない状態で安定状態を維持できる度合い）が 85% に達する結晶性材料の生成に成功しています。

続いて研究者たちは、本手法を用いて高い熱伝導率と電界下での容易な分極特性を持つ材料候補の生成を行いました。

「これらは半導体産業やデータセンターの冷却に応用可能な材料です」と Ju Li は語ります。「原理的には他の物性の創出にも応用可能ですが、特にデータセンターの冷却において熱伝導率は極めて重要です。同業界におけるエネルギー消費量は劇的に増加しており、その 30% が冷却に使用されています。業界は、発熱をより効率的に除去できる高熱伝導率材料を必要としています。」

材料設計の民主化

この新しい手法はあらゆる種類の材料に適用できるわけではありませんが、内部構造が高度に秩序だった固体材料に対して特に効果を発揮します。それでもなお、このアプローチを用いれば、多様な重要な特性を備えた安定した新規結晶性材料の生成が可能になります。

「私たちは単に安定した材料を生成するだけでなく、性能も重視しています」とチェンは語ります。「目標が2つある場合、その両方を50%以上の確率で達成するのはこの分野では困難です。過去には、特定の特性や安定性のどちらか一方だけを追求し、目的に合致する材料が1桁％しか得られなかったケースがありました。」

最終的に、この手法は次世代のさまざまな用途に向けた新規材料の開発をより多くの研究者が可能にするでしょう。

「これにより、後段での選別プロセスが不要になるため、膨大な計算コストと時間を節約できます」とリー氏は説明します。「これは数億もの材料を生成する大規模な取り組みだけでなく、特定の応用を対象とする小規模な研究グループにとっても役立つはずです。」

本研究は、米国エネルギー省、Mathworks 工学フェローシップ、国立科学財団（NSF）、および米国防総省脅威低減局の一部支援により実施されました。