AIが次世代持続可能な冷却材料の探索を加速

材料の世界において、熱ナノフォトニクスは技術応用全般にわたる根本的なブレークスルーを実現するために重要です。

熱ナノフォトニクスはナノフォトニクスと熱科学を組み合わせ、ナノスケールでの熱伝達を操作・制御します。ナノ構造や材料を活用して熱放射と熱流を調整し、エネルギー回収、熱管理、センシングなど様々な応用での進歩をもたらします。

ナノフォトニクスはナノメートルスケールでの光の挙動を扱います。一方、ナノフォトニック材料は熱放射に対してスペクトル的および方向的な制御を提供します。

従来の材料探索方法は試行錯誤に依存しており、機械学習（ML）と人工知能（AI）の登場により、材料の発見、設計、最適化プロセスが大幅に加速され、材料科学の分野が革命的に変わりました。

技術はナノフォトニックやメタマテリアルの設計において強力な能力を示していますが、超広帯域制御と正確なバンド選択性を持つ高性能ナノフォトニックエミッタをカスタマイズする汎用的な設計手法を開発することは課題です。

これは従来のアルゴリズム、局所最適化の罠、事前に定義された形状や材料に制限されているためです。

しかし、テキサス大学オースティン校の研究者らが、スウェーデンのウメオ大学、シンガポール国立大学、上海交通大学の研究者と協力し、この課題に取り組んでいます。

彼らはML手法を設計しました、複雑な3次元熱メタエミッタを設計するためのものです。

メタエミッタは電磁放射を制御・操作するように設計された工学材料で、エネルギー効率と熱管理への応用が期待されます。

「我々の機械学習フレームワークは熱メタエミッタ設計における大きな飛躍を示しています。プロセスを自動化し、設計空間を拡大することで、これまで想像できなかった優れた性能の材料を創り出すことが可能です。」

– 研究共同リーダーの鄭月兵（ユエビン・チェン）教授、コックレル工学部ウォーカー機械工学部

AI駆動材料による気候レジリエントな都市設計

Nature誌に掲載された本研究は、室内温度を下げ、結果としてエネルギーコストを削減できる材料の設計に貢献した新しいMLベースのフレームワークの詳細を示しています。

彼らのフレームワークを用いて、科学者たちは実際に1,500以上の新材料を生成し、熱を選択的かつ制御された方法で放射できるようにしました。また、加熱と冷却の精度が向上し、エネルギー効率が改善されます。

このフレームワークは、材料の多様性と3次元構造の複雑さをカバーする限られたデータで複数のパラメータを最適化することで、超広帯域かつバンド選択的な熱メタエミッタを設計できます。

研究によると、彼らのアーキテクチャは二重の設計能力を実現します。第一に、スペクトル調整のために多数のメタ構造と材料組み合わせの逆設計を自動化します。第二に、従来の平面2次元構造の制限を克服する三平面モデリング手法を適用し、異なる3次元メタエミッタを設計する「前例のない能力」を持っています。

研究チームは、現在の先進的設計を上回る優れた光学的および放射冷却性能を示す7つの概念実証メタエミッタを提示しています。これら7つのクラスは特定の機能に合わせて設計されています。

開発された汎用フレームワークは3次元ナノフォトニック材料の製造を目的としており、研究者は「幾何的自由度と次元性の拡大、そして包括的な材料データベースにより、グローバルな最適化を促進する」と述べています。

設計システムの実用性を評価するため、研究者は4つのサンプル材料を製造し、その性能をテストしました。

メタエミッタ材料の一つを模型住宅の屋根に適用しました。その冷却性能を分析するため、標準的な市販の白色塗料と灰色塗料と比較しました。屋根が正午の直射日光に4時間さらされた後、研究者が観測したのは、新素材が従来の塗料より平均で5〜20℃低いという結果でした。

これに基づき、チームはバンコクのような暑い都市のアパートビルで、年間約15,800キロワット時（kWh）の冷却コストを削減できると推定しています。標準的なエアコンは年間約1,500 kWhを消費します。

したがって、チームが作成した材料は住宅および商業のエネルギー節約に利用できます。都市部では、太陽光を反射し、特定波長で熱を放出することで温度を下げ、緑地が限られコンクリートが密集した構造によるヒートアイランド効果を軽減できる可能性があります。

興味深いことに、AIは新材料の発見からも恩恵を受けます。AIは大量のデータを必要としますが、材料科学はデータが不足しています。この技術を活用することで、材料特性をシミュレートし、そのデータを機械学習モデルの訓練に利用できます。

パーソンは現在、Materials Projectという多機関・多国籍プロジェクトを率いており、スーパーコンピューティングと高度なシミュレーション手法を活用して、既知のすべての無機材料およびそれ以外の特性を計算しています。このデータは新材料設計のために自由に利用可能です。

クリックして、暖房/冷房エネルギー消費の削減に役立つ適応型屋根タイルについて学んでください。

AI駆動材料発見のブレークスルー

トロント大学工学部の研究者は、新材料がどのように最適に利用できるかを予測し、材料発見と実装の間の遅れを減らす新しいツールを導入しました。

このマルチモーダルAIツールは、初期段階のデータを使用して、金属有機骨格（MOF）と呼ばれる多孔質材料の特定カテゴリに焦点を当て、新材料の実世界での潜在的利用を予測します。

昨年だけでも、研究者は調整可能な特性を持つ5,000以上の異なるMOFを開発したと、トロント大学（化学工学）のシェイド・モハマド・ムーサヴィ教授が述べました。彼は、ある特定の用途向けに作られたMOFが、全く別の用途に適した特性を持つことがしばしばあると指摘しました。

「材料発見において、典型的な質問は『この用途に最適な材料は何か』です」とムーサヴィは言いました。「私たちは質問を逆転させ、『この新材料に最適な用途は何か』と問いかけました。毎日多数の材料が作られる中で、次に『どの材料を作るか』ではなく『次にどの評価を行うか』に焦点を移したいのです。」

そこで、化学工学の博士課程学生サルタージ・カーンは、さまざまなデータで訓練されたマルチモーダル機械学習システムを開発しました。マルチモーダリティは、モデルに「より完全な画像」を提供し、合成後のデータを必要とせずにより正確な予測を可能にしました。

一方、アルゴンヌ国立研究所の研究者は、生成的AI拡散モデルを用いて、スーパーコンピュータでわずか30分余りで120,000以上のMOF候補を生成しました。改良されたニューラルネットワークにより、性能が高いと考えられる364のMOFに絞り込まれました。

さらに数日間の計算解析を行い、チームはデータセット中に102の安定したMOFを見つけました。そのうち6つは、人気のhMOFデータベースで上位5％に入るCO2吸収容量を持っていました。

別の例として、科学者はAIを用いて、発泡スチロールのように軽く、炭素鋼の強度を持つ全く新しいナノ材料を設計しました。

多くの材料、特に超小型の構成要素からなるナノ構造材料では、強度と靭性が相反しがちです。これらの構成要素が繰り返されることで材料は強くなりますが、同時に応力集中を引き起こし、突然の破断につながることがあります。

ナノ材料の設計方法を改善するため、研究者は可能な形状をシミュレートし、設計から学習したアルゴリズムに通すことで、重荷を支えながら応力を均等に分散させる最適な形状を予測しました。

研究者は3Dプリンターでこれらの形状を実体化し、1立方メートル・1キログラムあたり2.03メガパスカル（MPa）の応力に耐えることができ、これはチタンの5倍に相当します。

研究者は、これらの材料を航空宇宙分野の超軽量部品として、燃料需要と航空の高い炭素フットプリントの削減に活用できると見込んでいます。

「従来、これらの材料設計は試行錯誤に依存し、時間と労力がかかっていました。このアプローチはしばしば最適でない設計につながり、効果的に機能するために必要な特性を持つ材料の創出を制限します。」

– 鄭

したがって、研究者はこの技術の改良とナノフォトニクスの他の側面への応用に取り組み続けます。

「機械学習がすべての解決策ではありませんが、熱管理の独自のスペクトル要件は高性能熱エミッタの設計に特に適しています。」

– 共著者 カン・ヤオ

AIが新材料の発見を加速する方法

材料の構造、特性、加工、性能に焦点を当てる材料科学は、航空宇宙、エレクトロニクス、エネルギー、医療など多くの分野の基盤を形成しています。

実際、新材料の発見と開発は何世紀にもわたり人類の歴史を形作り、技術の進歩に不可欠でした。

数十年にわたり、好ましい特性を持つ新しい無機材料を見つけるために試行錯誤アプローチに依存してきました。この方法は非常にリソース集約的で、数十万時間の実験が必要です。

材料の分子・原子レベルでの複雑さが新材料発見を長期かつ高コストにしています。そのため、スーパーコンピュータの利用可能性が高まったことで、材料の挙動シミュレーションが可能となり、材料科学は変革されました。

そして現在、AIの登場により計算的アプローチが加速し、材料科学は革命的変化を迎えています。材料の望ましい特性と制約を提示することで、生成的AIシステムは全く新しい材料を創出できるようになりました。

結局のところ、現在の高度なモデルは大規模データセットで訓練され、高スループットコンピューティングと組み合わせることで、候補材料を迅速にスクリーニングし、短時間で多数の物質の特性を予測できます。

AIは開発時間や人材・材料リソースを大幅に節約できるだけでなく、複雑で多様な市場要件を正確に満たすことも可能です。

カリフォルニア大学バークレー校の材料科学教授、クリスティン・パーソンが指摘するように、現在はビッグデータとAIが科学を牽引するパラダイムにあります。今日、機械学習アルゴリズムを訓練するだけのデータが十分にあり、「それはイノベーションの速度に全く新しいレベルをもたらす」と彼女は述べました。

興味深いことに、AIは新材料の発見からも恩恵を受けます。AIは大量のデータを必要としますが、材料科学はデータが不足しています。この技術を活用することで、材料特性をシミュレートし、そのデータを機械学習モデルの訓練に利用できます。

パーソンは現在、Materials Projectという多機関・多国籍プロジェクトを率いており、スーパーコンピューティングと高度なシミュレーション手法を活用して、既知のすべての無機材料およびそれ以外の特性を計算しています。このデータは新材料設計のために自由に利用可能です。

クリックして、暖房/冷房エネルギー消費の削減に役立つ適応型屋根タイルについて学んでください。

AIベース材料発見への投資

AIの投資可能性を見ると、今後数年で市場規模は数兆ドルに達すると予測され、非常に大きいです。この技術革新を牽引する企業、特に材料科学分野では、MicrosoftとGoogle（Alphabet Inc.）の2社が際立っています。両社は材料研究の規模と精度を高める独自モデルを展開していますが、本稿ではAlphabet Inc.に焦点を当てます。

Alphabet Inc. (GOOG )

2023年後半、GoogleのDeepMindは材料探索のためのグラフネットワーク（Gnome）というAIツールをリリースし、材料発見プロセスを加速しました。当時、このツールはディープラーニングを活用して220万個の新結晶を発見したと報告した。

Googleは、これは「約800年分の知識に相当し、予測の規模と精度に前例のないレベルを示す」と指摘しました。新たに発見された結晶には38万の安定材料が含まれ、実験的合成の有望な候補であり、将来の技術を支える可能性があります。

Gnomeモデルはグラフニューラルネットワーク（GNN）モデルで、入力データはグラフとして表現されます。GnomeはMaterials Projectのデータ（結晶構造と安定性）で訓練され、新しい候補結晶を生成し、その安定性を予測します。

Googleは密度汎関数理論（DFT）を用いて性能を繰り返し検証し、予測力を評価しました。‘トレーニングプロセス’では‘アクティブラーニング’を使用し、得られたデータをモデルにフィードバックすることでGnomeの性能を大幅に向上させました。

Googleによれば、モデルの安定性予測精度は50％から80％に急上昇しました。一方、モデルの効率は10％未満から80％以上に拡大しました。

さらに、Genomeが予測した約736種の材料が外部研究者により独立して合成されました。Googleはローレンス・バークレー国立研究所と協力し、41種の新材料を合成し、ツールの予測力と自律実験の力を検証しました。

では、時価総額2.2兆ドルの巨人のパフォーマンスを見てみましょう。執筆時点で株価は約182ドルで、年初来で3.86％下落しています。EPS（TTM）は8.97、P/E（TTM）は20.29です。配当利回りは0.46％です。

企業財務に関して、Googleの親会社Alphabetは2025年3月31日で終了した第1四半期に902億ドルの収益を報告しました。一株当たり利益は2.81ドルです。CEOのサンダー・ピチャイは「事業全体で健全な成長と勢いを示しており、この成長は当社独自のフルスタックAIアプローチに支えられている」と述べました。

Alphabet Inc.（GOOG）最新株式ニュースと動向

結論

AIは私たちの生活のあらゆる側面を変革しており、未来を形作る材料設計にも影響を与えています。技術の材料科学への統合は真のパラダイムシフトを示し、かつては数年かかっていた発見が、現在では数日、さらには数時間で実現できるように加速しています。

簡単に言えば、AIは膨大なデータセット、高スループットコンピューティング、生成モデルを活用し、研究者が前例のない効率と精度で新材料を予測・設計・最適化できるようにし、材料イノベーションの近い将来を牽引しています。

クリックして、環境志向のクリーンエネルギー株について学んでください。

参考文献：

1. Xiao, C.; Liu, M.; Yao, K.; et al. 機械学習による超広帯域およびバンド選択的熱メタエミッタ. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Khan, S. T.; Moosavi, S. M. マルチモーダル機械学習を用いた金属有機骨格（MOF）合成と応用の結びつけ. Nature Communications 2025, 16, 5642. https://doi.org/10.1038/s41467-025-60796-0
3. Park, H.; Yan, X.; Zhu, R.; et al. 炭素捕集用金属有機骨格設計のための分子拡散モデルに基づく生成的人工知能フレームワーク. Communications Chemistry 2024, 7, 21. https://doi.org/10.1038/s42004-023-01090-2
4. Serles, P.; Yeo, J.; Haché, M.; Demingos, P. G.; Kong, J.; Kiefer, P.; Dhulipala, S.; Kumral, B.; Jia, K.; Yang, S.; Feng, T.; Jia, C.; Ajayan, P. M.; Portela, C. M.; Wegener, M.; Howe, J.; Singh, C. V.; Zou, Y.; Ryu, S.; Filleter, T. ベイズ最適化による炭素ナノラティスの超高比強度. Advanced Materials 2025, 37 (14), e2410651. https://doi.org/10.1002/adma.202410651
5. Sun, K.; Li, Q.; Liu, Q.; Song, J.; Dai, M.; Qian, X.; Gummidi, S. R. B.; Yu, B.; Creutzig, F.; Liu, G. 都市構造の解読：深層学習とリモートセンシングによる高精度建築材料識別. Environmental Science & Ecotechnology 2025, 24, 100538. https://doi.org/10.1016/j.ese.2025.100538
6. Merchant, A.; Batzner, S.; Schoenholz, S. S.; et al. 材料発見のためのディープラーニングのスケーリング. Nature 2023, 624, 80–85. https://doi.org/10.1038/s41586-023-06735-9