人工知能
今日の材料発見を変革する5つのAIブレークスルー
人工知能（AI）は世界を変革し続け、人類の未来を再構築しています。
この技術は、人間の知能を必要とするタスクを実行することで、ほぼすべてのセクターで変化をもたらしています。AIシステムは膨大なデータを利用してパターンを特定し、意思決定を行います。
このようにして、AIは人間に似た推論や認知プロセスのあるレベルをシミュレートできるのです。
世界貿易機関のWorld Trade Reportによると、AIの生産性向上とコスト削減効果により、2040年までに世界GDPが12〜13％増加すると予測されています。
高所得経済圏とのデジタルインフラ格差を50％縮小し、AIの導入を広げることで、低・中所得経済圏は収入が最大15％増加する可能性があります。
国が生産性、貿易、経済的地位を強化するのに加えて、AIは産業全体でイノベーションを促進し、社会に貢献できます。その現在の主な取り組みの一つが材料発見です。
材料発見におけるAIの約束
材料の発見は常にイノベーションの鍵でした。何世紀も前、銅と錫の混合により青銅器時代が生まれ、より強靭な道具や武器が貿易と社会を変革しました。
その後、鉄器時代が訪れ、鉄の熟練が経済を再構築しました。19世紀に進むと、鋼が広く採用されました。鉄と炭素の合金である鋼は、鉄道、超高層ビル、船舶、機械の基盤となり、産業革命と世界的拡大を牽引しました。
20世紀後半、シリコン時代は半導体の発見と精錬により世界を変え、現代エレクトロニクスの基礎を築きました。現在は先進材料の時代で、グラフェン、炭素ナノチューブ、量子材料がクリーンエネルギー、軽量航空機、超高速コンピューティングへの扉を開いています。
AIと機械学習（ML）の登場は、材料やそれに関連するさまざまな産業のイノベーションに貢献し、材料発見、設計、最適化のプロセスを大幅に加速させています。
そのために、AIはアルゴリズムとモデルを活用して、特定の用途に必要な候補の膨大なデータベースをスクリーニングします。ここで、グラフニューラルネットワーク（GNN）やリカレントニューラルネットワーク（RNN）などのディープラーニングモデルが、材料科学で見られる複雑なデータセットを分析する上で重要です。
これらは、データベースから目的の特性を持つ既存材料を特定したり、組成と構造に基づいて材料の特性を予測したりすることもできます。
AIの助けを借りて、材料科学の分野は従来の試行錯誤法を超えることができるようになり、時間とコストが大幅に削減されます。
さらに、AIモデルは特定の要件に合わせた新規材料構造を生成できます。自動実験プラットフォームと統合すれば、AIは材料発見から製造への長いプロセスを高速化できます。
これらの利点にもかかわらず、特定の材料に対するデータの質や量の不足という課題が残っています。新たに発見・設計された材料を実験室で合成することも大きな課題です。
UCSBの材料科学者アンソニー・チータムはNatureで1、DeepMind（Alphabet（Google）の子会社）が開発したAIツールGNoMEが見つけた220万件の仮想結晶リストを調査した後に次のように述べました。「化合物を発見することは一つのことですが、全く新しい機能性材料を発見することは全く別のことです。」
多くのAI予測化合物が実用的でないことを指摘し、チータムは次のように述べました：
「かなり多くのものが馬鹿げていることが分かりました。」
これは予測と実際の実現のギャップを示しています。このギャップを埋めるには、AIと人間の専門知識、実験科学の組み合わせが必要です。
それでも、AIが材料科学を革命的に変えるという約束は無視できません。エネルギー、医療、自動車、航空宇宙などの重要な応用向けに材料開発を迅速化できる能力は、無視できないほど大きなインパクトがあります。
それでは、材料科学におけるAIの適用例の中で、材料発見とイノベーションの境界を押し広げる可能性を示す最も顕著な例をいくつか見てみましょう。
スワイプしてスクロール →
| 領域 | AIブレークスルー（セクションへジャンプ） | 実世界の成果 |
|---|---|---|
| ペロブスカイト太陽電池 | MLガイドによるプロセス＆逆設計 |
オープンエアセルのスケールアップ；HTM発見；約26.2％効率クラス |
| 水素電気触媒 | AI設計MPEA組成探索 |
超低過電位（HER/OER）、高い安定性 |
| 超硬材料 | ML＋進化的探索によるB–C–N相 |
安定相を予測、硬度40 GPa超 |
| ポリマー誘電体 | AI支援ブレンド探索＆HTスクリーニング |
200 °Cで最大11倍エネルギー密度（8.3 J cc⁻¹） |
| 固体電解質 | AI/HPCによる無機候補スクリーニング |
新規導体（例：N2116、Li8B10S19） |
1. ペロブスカイト太陽電池：AI最適化材料とプロセス
最も有望な持続可能エネルギー解決策の一つは太陽光発電であり、その導入は急速に拡大しています。 2024年、世界は記録的な約600 GWの太陽光発電容量を設置し、2023年比で33％増加しました。この勢いは10年以内に年間約1 TWに達すると予測されています。
太陽エネルギーへの需要増大は、より高効率で多用途、かつコスト効果の高い太陽電池材料の必要性を生み出しています。
ペロブスカイトは独特の結晶構造を持つ材料で、自然に存在する鉱物を合成的に再現できるようになりました。有機と無機の元素を混合することで、光吸収特性が優れた合成ペロブスカイトが作られ、太陽光応用に非常に適しています。
高効率に加えて、これらの材料は柔軟性とバンドギャップの調整が可能ですが、スケーラビリティと安定性の課題が残っており、新たな組成探索が求められています。
そこで研究者は10年以上前から、ペロブスカイト太陽電池（PSC）の性能と材料特性、エネルギー変換プロセスを相関させるためにAIを活用し始めました。その後、AIを用いて材料組成を最適化し、設計戦略を開発し、性能を予測しています。
2019年、フロリダ中部大学の研究者はレビュー2し、ペロブスカイトに関する2,000件以上の査読論文から200以上のデータポイントを収集し、AIシステムに入力して最適なペロブスカイト太陽電池（PSC）のレシピを導き出しました。 同年、MITの科学者は開発3したモデルで、合成と分析を10倍高速化し、さらなる調査に値する2つの無鉛ペロブスカイトを発見しました。
2022年、MITとスタンフォード大学の研究者は報告4し、AIを活用して先進的な太陽電池製造をスケールアップしました。
このために、過去の実験データと熟練作業者の観察情報を統合したシステムが数年にわたり開発されました。この統合により結果がより正確になり、エネルギー変換効率18.5％のペロブスカイトセルが製造されました。
これは、主に生データを使用し、人間の経験を組み込まない多くの機械学習システムとは異なります。外部情報をモデルに組み込むために、ベイズ最適化に基づく確率因子を使用し、「以前は見えなかったトレンドを見つける」ことができました。
AIの支援で先進的なペロブスカイト太陽技術の発見は継続的に加速しており、PSC効率の向上が進んでいます。ある研究5では、効率が26.2％に向上し、「膨大な時間と資源を節約した」と報告されています。
2. AIが発見した水素生成用電気触媒
化石燃料に代わる有望な代替エネルギーは、水素です。 水素は地球上で最も豊富な元素であり、クリーンで再生可能なエネルギー源として注目されています。
しかし、商業規模の需要を満たすための効率的な水素製造は重大な課題です。ここで水の電気分解が有望な経路となり、電気触媒が重要な役割を果たします。したがって、低コストで活性が高く安定した電気触媒の開発は、水の電気分解による望ましい水素生成に不可欠です。
電気触媒は、プラチナなどの高価な貴金属や、ニッケル、コバルト、グラフェン、MXenesなどのより手頃な代替材料を利用して、水の電気分解に必要なエネルギーを低減させます。
材料の特性とコストに加えて、酸性、アルカリ性、または高温での反応かどうかに応じて特定の触媒が選択されます。
しかし、従来の試行錯誤法で既存・新規材料を探索し、反応を改善するのは非常に時間とコストがかかります。AIが利用され6、従来のアプローチの限界を克服し、新規候補を発見し、既存製品を改良しています。
最近の研究報告7では、DoEデータセットで訓練されたエントロピー・スクリーニングAIが、1620万種の化学組成を調べ、Fe12Co28Ni33Mo17Pd5Pt5を水の電気分解に最適な組成として特定しました。この合金は、HERとOERの両方で超低過電位を示し、堅牢な安定性を持ちます。
数年前、Google AIラボDeepMindは380,000の新化合物をMaterials Projectに貢献し、多くの触媒探索や自律実験の基盤となっています。
エネルギー貯蔵や炭素捕捉、光触媒、熱電材料、透明導体としての有用性が実験的に確認されています。
データベースには材料の原子配列や安定性が含まれています。GNoMEはプロジェクトが開発したデータとワークフローで訓練され、アクティブラーニングで改良されました。
Google DeepMindのGNoME計算とMaterials Projectのデータを用いて、研究者はBerkeley LabのA-LabでAIがロボットを指導する新材料合成を試みました。A-Labは41の新化合物8を成功裏に生成しました。
3. 超硬材料：MLが導くダイヤモンドを超える発見
軍事、航空宇宙、エネルギー生産などの産業は、事実上圧縮できない固体である超硬材料を求めています。これらの材料の硬度はビッカース硬度で40 GPaを超え、高い結合共有性と電子密度を持ちます。
ダイヤモンドは現在知られる最も硬い材料で、硬度は70〜150 GPaの範囲です。つまり、ダイヤモンド表面に凹みをつくるには70〜150 GPa以上の圧力が必要です。そのため、切削工具、研磨剤、耐摩耗コーティング、高圧実験に使用されています。
炭素原子がダイヤモンド立方体結晶構造で配列したこの貴重な結晶は、科学者が新たな適合材料を探す際にも利用されてきましたが、AIがそれを変えました。
長年にわたり、いくつかの研究者は新たな超硬相を発見9し、ある研究はBC10N、B4C5N3、B2C3N10が動的に安定した相であり、硬度が40 GPaを超えることを報告しています。
2020年、ヒューストン大学とマンハッタン・カレッジの研究者は機械学習モデル11を用いて新材料の硬度を正確に予測し、適切な化合物をより迅速に見つけることを可能にしました。
高圧で材料表面に痕跡を残すのに必要な圧力が大きいため、材料は希少で「新材料の特定は困難です」。そのため、合成が難しく高価な合成ダイヤモンドさえも、ヒューストン大学の化学准教授Jakoah Brgochは「依然として使用されている」と述べています。
ここでの複雑な要因は荷重依存性で、材料の硬度は加えられる圧力の量によって変わります。このため、実験的に材料をテストするのは複雑です。計算モデリングだけでもほぼ不可能であるため、研究者は化学組成のみから荷重依存性ビッカース硬度を予測するモデルを作成しました。
アルゴリズムは560種の化合物を含むデータベースを利用し、数百本の学術論文を調査しました。「すべての優れた機械学習プロジェクトは良質なデータセットから始まります」とBrgochは語り、「真の成功はこのデータセットの開発に大きく依存しています」と付け加えました。
その結果、10以上の新しい安定ボロカーバイド相が見つかり、モデルの精度は97％に達しました。研究者は実験での成功に期待を寄せています。
しかし、Brgochは「機械学習のアイデアは『次の最高の材料』を示すことではなく、実験探索を導くことです」と指摘しています。技術が行うことは「どこを探すべきかを教えてくれる」ことです。
4. ポリマー誘電体：AIが加速するエネルギー貯蔵材料
現代のエネルギー貯蔵に不可欠な要素は誘電体で、空気、ガラス、プラスチックなどの絶縁材料です。
誘電体材料の選択がコンデンサのエネルギー密度を決定し、ポリマー誘電体は低コスト、機械的柔軟性、信頼性、速放電速度、加工の容易さからエネルギー貯蔵に広く利用されています。しかし、エネルギー密度が低いという問題があります。
そのため、研究者は電力システム、エレクトロニクス、電気自動車（EV）向けにエネルギー貯蔵容量を高める新しいポリマー誘電体の開発に継続的に取り組んでいます。
AIはポリマー材料で驚異的な進歩を遂げています。例えば、数か月前にMITとデューク大学の研究者はAIを用いて12、応力応答性クロスリンク分子を組み込むことで、より耐久性の高いポリマーを作り出しました。MITの研究者はさらにシステムを構築し13、1日で最大700種の新ポリマーブレンドを検索、混合、テストし、バッテリー電解質、タンパク質安定化、薬物送達材料などの用途に活用しています。
新しいポリマーブレンドの設計は、開始可能なポリマーの組み合わせがほぼ無限に近く、いくつか選択された後に各ポリマーの組成とブレンド中の濃度を決める必要があります。
「このように広大な設計空間では、アルゴリズム的解決策とハイスループットワークフローが必要です。全組み合わせを総当たりでテストすることは不可能です。」
– 論文のシニアオーサー、Connor Coley
彼らのAIシステムは最適なブレンドを提示し、最良のものは個々の成分より18％高い性能を示しました。
AIが新しいポリマーオプションとブレンドを提供する効率性を考えると、この技術を適用し14、より優れたポリマー誘電体15を特定することができます。
研究チームは実際に発見し16、商用代替品の11倍のエネルギー密度を高温で実現する誘電体を開発しました。
革新的なアルゴリズムは、実際に材料を作る前にポリマーの特性と配合を予測するように開発されました。まず特定の要件を定義し、既存の材料特性データでMLモデルを訓練して望ましい結果を予測しました。
AIに加えて、研究者は確立されたポリマー化学と分子工学を用いて、ポリノルボルネンとポリイミド系の誘電体群を発見し、多くが高エネルギー密度と広温度範囲での高熱安定性を示しました。
しかし、特にある誘電体は200 °Cで8.3 J cc⁻¹というエネルギー密度を示し、商用ポリマー誘電体よりはるかに高い性能を持っています。
「AIが材料科学に本格的に参入したのは、ホワイトハウスのMaterials Genome Initiativeが10年以上前に始まったことがきっかけです。当時は好奇心主導の研究が中心でしたが、近年になってAI駆動の加速ポリマー発見が実世界で成功例を見せ始めています」とジョージア工科大学の共同著者Rampi Ramprasad教授は語ります。「これらの成功は産業材料R&Dの風景に大きな変革をもたらしています。」
5. 固体電解質：AIが実現する安全で高エネルギー密度のバッテリー
携帯機器やEVの普及、再生可能エネルギー貯蔵需要の増大に伴い、世界のバッテリー市場は急速に進展17しています。バッテリーが現代社会で果たす重要な役割を考えると、研究者は常にエネルギー効率が高く安全なバッテリーテクノロジーの開発に取り組んでいます。
リチウムイオンバッテリーは現在最も広く使用されていますが、寿命が限られ安全リスクもあります。これらは固体電池（SSB）によって対処されています。
固体電池は液体電解質を固体電解質に置き換えることで、 高温での発熱リスクを排除し、エネルギー密度を高め、耐久性を向上させ、安全で高出力なバッテリーを実現します。
しかし、固体電解質バッテリーは低イオン伝導率、電極界面の適合性、機械・化学的安定性、コスト効率の製造といった課題に直面しています。そのため、研究者はAIを活用してこれらの課題を克服できる材料を探索しています。
他の分野とは異なり、バッテリーはAI応用が最も活発な領域の一つです。自動車メーカーやスタートアップが固体電池R&Dに巨額投資し、膨大なデータベースが蓄積され、MLモデルの訓練に十分な規模となっています。
政府も国内サプライチェーンの確保とエネルギー・気候目標達成のため、固体電池を戦略的優先課題に位置付けています。
このように、AIは研究者や企業が新しい固体電解質を発見するのを支援19しています。
昨年、Microsoftの研究者はAIとスーパーコンピュータを組み合わせ、3200万件の潜在的無機材料を数日でスクリーニングし、18件の有望候補を見つけました。新素材N2116はリチウム使用量を70％削減でき、電球を点灯させる実験が行われました。20
一方、DeepMindのAIツールGNoMEは528件の有望なリチウムイオン導電体を特定21し、バッテリー効率向上に寄与する可能性があります。
さらに、スタンフォード大学の研究者はLBS（Li8B10S19）22を開発し、「実験的に観測された中で最も安定した硫黄系リチウムイオン電解質」と評価しました。研究者は約10年前にAIを用いて液体電解質を置換する固体電解質を特定23していました。
結論
これらの例は、AIが新材料の発見速度を加速できることを示しています。現在の課題は、コンピュータ予測を実世界の成果に結び付けることであり、そのためにはAIと経験豊富な研究者、信頼できるデータを組み合わせる必要があります。
スワイプしてスクロール →
| ブレークスルー | 主な利点 |
|---|---|
| ペロブスカイト太陽電池 | 高効率、スケーラブルセル |
| 水素触媒 | 低コスト、安定した水分解 |
| 超硬材料 | 新しい超硬相（40 GPa超） |
| ポリマー誘電体 | 高温で11倍エネルギー密度 |
| 固体電解質 | 安全で高エネルギー密度バッテリー |
現在はまだ初期段階です。これらの発見は、クリーンエネルギー、安全な技術、耐久性の高い材料、そして地球を消耗させない産業へと私たちを導いています。AIは材料科学のやり方を変えており、次に来るものにとって重要です。
人工知能への投資についてすべて学ぶにはここをクリックしてください。
参考文献
1. Peplow, M. (2025). AIは何百万もの新材料を夢見ている。実際に有用か？ Nature, 646, 22–25. 2025年10月1日掲載。 https://doi.org/10.1038/d41586-025-03147-92
2. University of Central Florida. (2019, December 16). 人工知能がスプレーオン太陽電池の製造を支援できるかもしれない. ScienceDaily. 2019年12月16日掲載 https://www.sciencedaily.com/releases/2019/12/191216122415.htm
3. Gu, Y., Wang, Z., Chen, L., Bi, W., & Peng, Y. (2019). 単一ソース蒸着による高効率ペロブスカイト太陽電池. Joule, 3(12), 3026–3043. https://doi.org/10.1016/j.joule.2019.09.016
4. Liu, Z., Rolston, N., Flick, A. C., Colburn, T. W., Ren, Z., Dauskardt, R. H. & Buonassisi, T. (2022). 知識制約付き機械学習によるオープンエアペロブスカイト太陽電池製造プロセス最適化。 Joule, 6(4), 834. https://doi.org/10.1016/j.joule.2022.03.003
5. Wu, J., Torresi, L., Hu, M., Reiser, P., Zhang, J., Rocha-Ortiz, J. S., Wang, L., Xie, Z., Zhang, K., Park, B.-w., Barabash, A., Zhao, Y., Luo, J., Wang, Y., Lüer, L., Deng, L.-L., Hauch, J. A., Guldi, D. M., Pérez-Ojeda, M. E., Seok, S. I., Friederich, P. & Brabec, C. J. (2024). 逆設計ワークフローがペロブスカイト太陽電池向けホール輸送材料を発見。 Science, 386(6727), 1256-1264. 2024年12月13日掲載。 https://doi.org/10.1126/science.ads0901
6. Ding, R., Chen, J., Chen, Y., Liu, J., Bando, Y. & Wang, X. (2024). 可能性の解放：電気触媒設計における機械学習応用。 Chemical Society Reviews, 53, 11390–11461. 2024年10月9日掲載。 https://doi.org/10.1039/D4CS00844H
7. Kim, J., Kim, D. W., Choi, J. H., Goddard, W. A., & Kang, J. K. (2025). 水素生成のための多主成分合金のAI駆動設計。 Proceedings of the National Academy of Sciences of the United States of America, 122(28), e2504226122. 2025年7月15日掲載。 https://doi.org/10.1073/pnas.2504226122
8. Szymanski, N. J., Rendy, B., Fei, Y., Kumar, R. E., He, T., Milsted, D., McDermott, M. J., Gallant, M., Cubuk, E. D., Merchant, A., Kim, H., Jain, A., Bartel, C. J., Persson, K. & Zeng, Y. (2023). 自律実験室による新材料の加速合成。 Nature, 624, 86–91. 2023年11月29日掲載。 https://doi.org/10.1038/s41586-023-06734-w
9. Avery, P., Wang, X., Oses, C., Toher, C., Curtarolo, S., Mehl, M. J., Levy, O., Kramer, M. J. & Gaultois, M. W. (2019). 機械学習に基づく進化的構造探索で超硬材料を予測。 npj Computational Materials, 5, 89. 2019年9月3日掲載。 https://doi.org/10.1038/s41524-019-0226-8
10. Chen, W. C., Schmidt, J. N., Yan, D., Oses, C., Toher, C., Curtarolo, S. & Mehl, M. J. (2021). 機械学習と進化的予測による超硬B-C-N化合物。 npj Computational Materials, 7, 114. 2021年7月21日掲載。 https://doi.org/10.1038/s41524-021-00585-7
11. Zhang, Ziyan, Mansouri Tehrani, Aria, Oliynyk, Anton O., Day, Blake & Brgoch, Jakoah. (2021). アンサンブル学習で次世代超硬材料を探索。 Advanced Materials, 33(5), e2005112. 2020年12月4日掲載。 https://doi.org/10.1002/adma.202005112
12. MIT News. (2025, August 5). AIが化学者のプラスチック開発を支援. MIT News. 2025年8月5日取得、https://news.mit.edu/2025/ai-helps-chemists-develop-tougher-plastics-0805?utm_source=chatgpt.com
13. MIT News. (2025, July 28). 新システムがポリマー材料探索を劇的に高速化. MIT News. 2025年8月5日取得、https://news.mit.edu/2025/new-system-dramatically-speeds-polymer-materials-search-0728?utm_source=chatgpt.com
14. Tan, D. Q. (2020). ポリマー系誘電体の絶縁強度向上の探索：ポリマーナノコンポジットに関する焦点レビュー. Journal of Applied Polymer Science, 137, e49379. 2020年4月5日掲載。 https://doi.org/10.1002/app.4937915.
15. Ji, S., Jeong, D.-Y. & Kim, C. (2022). 人工ニューラルネットワークを用いたポリマー複合材料の高誘電設計。 Applied Sciences, 12, 12592. 2022年12月25日掲載。 https://doi.org/10.3390/app122412592
16. Gurnani, R., Shukla, S., Kamal, D., Wu, C., Hao, J., Kuenneth, C., Aklujkar, P., Khomane, A., Daniels, R., Deshmukh, A. A., Cao, Y., Sotzing, G. & Ramprasad, R. (2024). AI支援による高温誘電体のエネルギー貯蔵向け発見。 Nature Communications, 15(1), 6107. 2024年7月19日掲載。 https://doi.org/10.1038/s41467-024-50413-x
17. Lombardo, T., Paoli, L., Fernandez Pales, A. & Gül, T. (2025). バッテリー産業が新たなフェーズに突入。 IEA Commentary. 2025年3月5日掲載。 https://www.iea.org/commentaries/the-battery-industry-has-entered-a-new-phase?utm_source=chatgpt.com
18. Hu, Q., Chen, K., Li, J., Zhao, T., Liang, F. & Xue, D. (2024). 機械学習で固体電解質開発を加速。 Next Energy, 5, 100159. https://doi.org/10.1016/j.nxener.2024.100159
19. Wang, S., Liu, J., Song, X., Xu, H., Gu, Y., Fan, J., Sun, B. & Yu, L. (2025). 人工知能が固体電池の材料スクリーニングと性能評価を支援。 Nano-Micro Letters, 17, 287. 2025年6月6日掲載。 https://doi.org/10.1007/s40820-025-01797-y
20. Kuang, J. (2023). DeepMindのGnomeが材料科学にAIを押し込んでいる. Time Magazine. 2023年6月6日掲載。 https://time.com/6340681/deepmind-gnome-ai-materials/
21. Microsoft. (2024). AIとHPCが科学的発見を加速させる方法。 Microsoft Source – Innovation Features. 2024年10月29日掲載。 https://news.microsoft.com/source/features/innovation/how-ai-and-hpc-are-speeding-up-scientific-discovery/
22. Ma, Y., Wan, J., Xu, X., … (2023). 高速で安定したリチウムチオボレート固体電解質、Li6+2x[B10S18]Sx（x≈1）の実験的発見. ACS Energy Letters, 8(6), 2762–2771. https://doi.org/10.1021/acsenergylett.3c00560
23. Stanford University. (2016). バッテリーが燃えない：スタンフォードの科学者がAIを活用し、安全なリチウムイオンバッテリーを創出。 Stanford News. 2016年12月12日掲載。 https://news.stanford.edu/stories/2016/12/no-burning-batteries-stanford-scientists-turn-ai-create-safer-lithium-ion-batteries
