材料科学

Allegro-FM: 持続可能な材料科学を推進するAIシミュレーション

公開日 2025年7月25日

更新日 2026年5月28日

著者

Gaurav Roy

Securities.io を Google の優先ソースに追加

人工知能（AI）は材料科学分野で多くの発見をもたらしています。これらのさまざまな発見は理論的なものだけでなく、実際に産業界の幅広い分野に影響を与えている実用的なものです。

例えば、Microsoft (MSFT )はAI（Azure Quantum Elementsツール）とハイパフォーマンスコンピューティングを利用して 32百万の材料をスクリーニングし、候補を絞り込む¹ 作業を80時間で完了させました。このプロセスは通常数年かかります。科学者たちはまた、バッテリーにおけるリチウム使用量を70％削減できる材料も合成しました。

別の例では、MITの研究者たちがAIを使用して新しいタンパク質を設計し²、特定の機械的特性を持つ材料の製造に利用できる可能性があります。これらの材料は自然界には存在しませんが、自然に触発されたもので、石油由来のものに代わり、はるかに小さな炭素フットプリントを持つ可能性があります。

エネルギー貯蔵、バッテリーイノベーション、バイオ医療材料での突破口に加えて、AIは企業や科学者によって半導体技術、航空宇宙、化学製造などの分野でも積極的に探求されています。

プロジェクト	組織	適用分野	使用されたAIモデル
Azure Quantum Elements	Microsoft	バッテリー材料	クラウドAI + HPC
Protein Design Platform	MIT	バイオマテリアル	等価拡散
MOF Generator	アルゴンヌ国立研究所	炭素捕捉	生成AI
Allegro-FM	USC Viterbi	グリーンコンクリート	E(3) 等価FM

計算システムが通常は人間の知能に関連するタスクを実行できるという重要な活用例として、持続可能で環境に優しい材料の創出が挙げられます。

この例として、IBM’s (IBM ) RoboRXNがあります。このプロジェクトはAI、オートメーション、クラウドを組み合わせて材料発見を加速させます。このリモートでアクセス可能な化学ラボにより、IBMは新しい分子の自律的な合成とテストを可能にしています。このラボは生分解性ポリマーの発見に利用されています。

研究者は機械学習を用いて金属有機骨格（MOF）を炭素捕捉のためにスクリーニングしています。

炭素捕捉は産業施設からの温室効果ガス（GHG）排出削減における重要な技術です。MOFは二酸化炭素を選択的に吸収できるため、有望な候補となります。

これらの多孔質材料の分子は有機ノード、無機ノード、そして有機リンク剤から構成され、さまざまな配置に組み合わせることができ、多数の潜在的なMOF構造の設計とテストが可能です。

発見プロセスを加速するため、米国エネルギー省（DOE）のアルゴンヌ国立研究所の研究者は、使用³ 生成AIを使用して30分以内に12万件以上の新しいMOF候補を迅速に組み立てました。計算はスーパーコンピュータ上で実行され、最も有望な候補に対して時間のかかる分子動力学シミュレーションが行われました。

現在、USC Viterbi工学部の研究者は、主にセメント生産を通じて世界の炭素排出量の約8％を占めるコンクリート産業のCO2排出に取り組んでいます。

The idea is to have concrete that not only self-heals and lasts even longer but can also trap carbon dioxide from the atmosphere; for this, the researchers have developed a revolutionary AI model.

この高度に洗練されたモデルは、数十億個の原子の挙動を同時にシミュレートでき、前例のない規模で材料設計と発見の新たな可能性を切り開きます。

問題と解決策: コンクリート中の炭素

左側に産業的炭素排出、右側に未来的な炭素捕捉コンクリートを示す分割画像

毎年、干ばつ、山火事、豪雨、ハリケーンの頻度と強度が増加しています。その主な要因は、温室効果ガス排出の増加による地球温暖化です。

温室効果ガス排出とは、二酸化炭素（CO2）、メタン（CH4）、一酸化二窒素（N2O）などのガスが大気中に放出されることを指します。これらのガスは熱を閉じ込め、地球温暖化と気候変動に寄与します。

現在、温室効果ガス排出の主な源はエネルギー部門、輸送、電力・熱供給、農業です。製造業と建設業も大きな要因であり、コンクリートや鉄鋼などの建築材料は大きな炭素フットプリントを持ちます。

現代インフラの重要な要素であるコンクリートは至る所にありますが、その大量の温室効果ガス排出が大きな問題となっています。

コンクリートの主要成分であるセメントは、建設業界の炭素フットプリントのかなりの部分を占めています。セメント製造プロセスは石灰石のカルシネーションを伴い、大量のCO2を放出し、またキルンでの高温加熱には多大なエネルギーが必要です。

水に次いで地球上で最も消費される製品であるため、コンクリートを環境に優しくすることが不可欠です。さもなければ、産業によって毎年10億トン以上のCO2が大気中に放出され続けます。10億トン以上のCO2で汚染された可能性があります。この問題への潜在的な解決策は、CO2をコンクリート自体に捕捉することです。

「CO2をコンクリート内部に入れるだけで、炭素中立コンクリートになります」と、USC Viterbiのコンピュータサイエンス、物理学、天文学、定量・計算生物学の教授である中野藍一郎は述べました。

そこで、中野氏はUSC Viterbiの同僚と共に、大気中の二酸化炭素を捕捉・貯蔵するプロセスである「CO2隔離」の研究を開始しました。

温室効果ガス排出を削減し炭素中立を実現する有望な解決策である一方、CO2隔離は困難なプロセスです。解決策を見つけるため、研究者はAIに目を向けました。

研究チームは、エクサスケール分子動力学シミュレーションのための基礎モデル（FM）を提示しました。そのために、E(3) 等価ネットワークアーキテクチャ（Allegro）というニューラルネットワークと、大規模な有機・無機材料データセットを活用しています。

得られたモデルはAllegro-FMで、さまざまな下流タスク向けに多様な材料シミュレーションを処理できます。

基礎モデルが材料科学を変革する方法

チームはAIモデルに基礎モデル（FM）を活用しており、これはAIにおけるパラダイムシフトであり、モデル訓練の方法を変革したと述べています。

FMとは、大規模で多様なデータセットで訓練された大規模AIモデルで、さまざまな下流タスクに適応できます。これらのモデルは事前訓練されており、特定のタスクに対して追加の訓練を必要としません。

FMの生成は極めてリソース集約的ですが、最初から作り直す必要はなく、プロンプトやファインチューニングによって個別タスクに適応でき、モデル開発とデータ生成にかかるコストと時間を削減できます。

十分に訓練されたFMは、はるかに少ないリソースでファインチューニングでき、限られた計算資源でもワークフローに組み込むことが可能です。

大規模ディープラーニングニューラルネットワークとして、FMは汎用モデルであり、カスタマーサポート、コンテンツ生成、画像作成・編集、翻訳、医療、ロボティクスなど、より専門的なAIアプリケーションの構築に利用できます。

したがって、データサイエンティストはこれらのモデルを基盤として、機械学習（ML）モデルを迅速かつコスト効果的に構築できます。

Microsoftが支援するOpenAIのGPTはFMの代表的な例です。その最初のモデルは2018年に1億1700万パラメータで開発され、次のGPT-2では15億パラメータに増加し、翌年にリリースされました。その後、2020年に96層のニューラルネットワークを持ち、1750億パラメータで訓練されたGPT-3が登場しました。パラメータとは、モデルが入力と出力を処理する際に使用する重みやバイアスなどの調整可能な数値です。

現在、最新モデルのGPT-4は1.76兆パラメータを持つと噂されており、生成AIアプリが人間に近いコンテンツを生成できるようになっています。

他の基礎モデルの例として、AmazonのNova、AnthropicのClaude、GoogleのGemini、MetaのLLaMA、Stable Diffusionがあります。

FMの多くの利点を踏まえ、USC Viterbiの研究者はエクサスケールMDシミュレーション用の基礎モデルであるAllegro-FMを構築しました。彼らのモデルは、公開されている大規模Materials Project Trajectory（MPtrj）とSPICEデータセットを、エクサスケール材料アプリケーション向けの総エネルギー整合（TEA）フレームワークに合わせて訓練しています。

材料シミュレーションは、相や相境界、粒界などの重要な特徴を記述するために多数の原子が必要であり、化学反応の正確な記述も求められます。

研究によれば、Allegroは大きな可能性を持ち、数百万から数十億の原子を必要とする材料シミュレーションに特に適しています。

Allegro-FMの突破口: 数十億の原子をシミュレート

大規模コンクリートマトリックス内に数十億の原子が存在する未来的な分子シミュレーションシーン (AMZN ) (GOOG ) (META )

The Journal of Physical Chemistry Lettersに掲載された研究詳細⁴は、AIモデルAllegro-FMとその優れた能力を示しています。AI駆動のシミュレーションモデルは、一度に数十億の原子をシミュレートする優れた能力を備えています。

実際の高コスト実験の前に、さまざまなコンクリート化学組成を仮想的にテストすることで、Allegro-FMはコンクリートを炭素源ではなく炭素シンクとして開発を進めることができます。

モデルのスケーラビリティはここで重要です。多くの分子シミュレーション手法は既に存在しますが、数百万、場合によっては数千の原子に限定されています。

対照的に、Allegro-FMは40億以上の原子を扱うことができ、エクサスケールスーパーコンピュータAurora上でシミュレートした際に97.5％の効率を示しました。Auroraは1秒あたり1クインティリオン（10^18）以上の計算を実行できます。

これは大きな成果で、従来のモデルが扱える計算能力の約1,000倍に相当します。

さらに、新しいモデルは柔軟性があり、89種類の化学元素をカバーしています。そのため、セメント化学や炭素貯蔵など、さまざまな応用分野で分子挙動を予測することが可能です。

「コンクリートは非常に複雑な材料です。多くの元素と異なる相、界面から構成されています。そのため、従来はコンクリート材料に関わる現象をシミュレートする方法がありませんでしたが、現在はAllegro-FMを使用して機械的特性や構造特性をシミュレートできるようになりました。」

– ケン・イチ・ノムラ、USC Viterbiの化学工学・材料科学実務の教授で、ナカノと20年以上共同研究しています。

研究者が実行したシミュレーションは、Allegro-FMが炭素中立であることを示しており、他のコンクリートよりも適した選択肢となります。興味深いことに、AIモデルはコンクリートに関する他の課題も解決します。

CO2の主要排出源である耐火材料は平均で約1世紀しか持続しません。現代のコンクリートとは異なり、古代ローマのコンクリートは2,000年以上も長く持続しています。

CO2の再捕捉は、コンクリートの耐久性向上にも寄与します。

「CO2、いわゆる『炭酸塩層』を入れると、より頑丈になります。」

– 中野

したがって、Allegro-FMは現在の寿命よりはるかに長く持続する炭素中立コンクリートをシミュレートできます。

AI駆動のセメント設計: Allegro-FM

実験では、チームはAllegro-FMをトーベルモライト11Å（T11A）結晶、すなわち自然に一般的に存在するカルシウムシリケートハイドレート（CSH）鉱物に適用しました。この特定の鉱物は古代ローマのコンクリートに見られます。

セメントは、鉱化プロセスを通じて炭素を捕捉できるため、炭素貯蔵材料として大きな注目を集めています。CO2鉱化は地球化学サイクルの一部として自然に起こります。このメカニズムの理解は、長期的かつ安全な炭素貯蔵を保証するために依然として重要です。

ここで、先進的なシミュレーションは洞察を提供できますが、計算コストが高いか、化学的精度が限定的です。一方、スケーラブルな基礎モデルは、セメントの炭素貯蔵挙動を正確にモデル化する可能性を示しています。

したがって、Allegro-FMは汎用性、スケーラビリティ、予測性、計算効率を備えており、原子スケールの詳細を犠牲にせずに動的シミュレーションを可能にする大きな可能性を示しています。

研究によれば、フレームワークはCSHゲルのナノ構造、自己修復セメント、耐久性セメント設計の調査に利用でき、地球物理学と土木工学の新たなアプローチを提供します。以下のように述べられています：

「Allegro-FMは、構造的、機械的、熱力学的特性の記述において高レベルの量子化学理論と優れた一致を示すと同時に、構造相関、反応速度論、機械的強度、破壊、固体/液体溶解といった、モデルが訓練されていない領域でも新たな能力を示します。」

材料研究の未来: AIが量子力学に取って代わる

AIの活用は、科学者やエンジニアにとってゲームチェンジャーとなりました。従来、原子の挙動をシミュレートするには、正確な数式や「深遠で高度な量子力学現象」の系列が必要で、技術的に高度で時間がかかっていました。

しかし、もうそうではありません。AI、特に近年の技術進歩により、科学者の研究手法が変革されています。

「現在、この機械学習AIの突破口により、すべての量子力学をゼロから導く代わりに、研究者はトレーニングセットを生成し、機械学習モデルに実行させるアプローチを取っています。」

– ノムラ

モデルは現在、膨大なデータ量と複雑さを少ないリソースで処理でき、全プロセスがはるかに迅速かつ効率的になっています。

実際、Allegro-FMは原子間の「相互作用関数」を正確に予測できます。原子の反応や相互作用は通常、多数の個別シミュレーションと膨大な計算時間を要します。

しかし、従来のように要素ごとに個別の方程式や関数で行う代わりに、新しいAIは周期表全体の相互作用関数を同時にシミュレートでき、シミュレーションが高速化し、材料オプションが増えるとノムラは説明しています。

「従来のアプローチは特定の材料セットをシミュレートすることです。例えば、シリカガラスはシミュレートできますが、薬剤分子と同時にシミュレートすることはできません。」

技術的にも、新システムははるかに効率的で、AIモデルは大規模スーパーコンピュータが必要だった精密計算を少ないリソースで実行でき、タスクを簡素化し、スーパーコンピュータをより高度な研究に活用できるようにします。

中野は、AIが「はるかに小さな計算リソースで量子力学的精度を実現できる」と指摘しています。

この研究は素晴らしい成果を示していますが、まだ多くの課題が残っています。ノムラが述べたように、チームは「より複雑な形状や表面」へと研究を進め、コンクリート研究を継続する予定です。

グリーン化学への投資

米国最大手の化学企業の一つであるDow (DOW )は、持続可能な材料と炭素捕捉技術に積極的に投資しています。Allegro-FMのようなAI駆動シミュレーションは、Dowのような企業がより環境に優しい化学品を開発するための完璧なツールです。

Dow Inc. (DOW )

同社は、包装・特殊プラスチック、性能材料・コーティング、産業用中間体・インフラストラクチャーなど、いくつかの事業部門で事業を展開しています。

時価総額177億2000万ドルで、Dow Inc.の株価は25ドルで取引されており、年初来で37.53％下落しています。EPS（TTM）は0.40、P/E（TTM）は62.66で、配当利回りは5.58％です。

DOW 価格チャート

今週、同社は2025年第2四半期の財務結果を報告し、売上高が前年同期比7％減少して101億ドルとなり、出荷量も1％減少したことを明らかにしました。

同社のGAAPベースの純損失は8億100万ドル、1株当たり損失は1.18ドルでした。営業活動によるキャッシュフローはマイナス4億7000万ドルでした。この期間中、Dowは配当を通じて株主に4億9600万ドルを還元しました。

今年、同社はGoogleと提携し、フィルムプラスチックや混合材料を識別するAIソーティングシステムを開発しました。このシステムはGoogleの機械学習モデル、Dowの材料設計知識、そしてDowのリサイクル子会社Circulusのリサイクル技術を活用し、分子組成に基づいてリサイクル可能な材料を特定します。

DowはAIを活用して化学品や材料の製造プロセスを最適化しています。この技術により、変数をリアルタイムで監視・調整し、効率的なプロセスと一貫した結果を確保しています。

さらに、同社はR&DにAIを導入し、新素材の発見だけでなく既存素材の改良も目指しています。

結論

コンクリートは強度、汎用性、コスト効率、耐久性に優れ、建設で広く利用されている強力な材料です。しかし、二酸化炭素の大量排出源でもあり、代替策の検討が重要です。

最新の研究とAllegro-FMツールにより、材料研究のスケーラビリティにおいて画期的な突破口が開かれ、数十億の原子を同時にシミュレートできるようになり、コンクリートのような日常的に依存する材料を再考することが可能になりました。

AIは、よりクリーンで長寿命なコンクリートなどの材料を設計する新たな手段を提供し、より強固な建築物だけでなく、環境に優しい未来を創造し、材料が気候問題の一因ではなく解決策となる未来へと導きます。

コンクリートの欠点を克服する方法を学ぶにはここをクリックしてください。

参考文献：

1. Chen, C.; Nguyen, D. T.; Lee, S. J.; Baker, N. A.; Karakoti, A. S.; Lauw, L.; Owen, C.; Mueller, K. T.; Bilodeau, B. A.; Murugesan, V.; Troyer, M.; Thien, D.; (…additional authors as listed). 人工知能とクラウドハイパフォーマンスコンピューティングによる計算材料発見の加速：大規模スクリーニングから実験的検証へ. arXiv preprint arXiv:2401.04070 (2024). https://doi.org/10.48550/arXiv.2401.04070
2. Anand, N.; Eguchi, R. R.; Mathews, I. I.; Höhn, M.; Chen, Y.; Pellegrino, J.; Li, J.; Lee, Y.; Park, J.; Zhang, J.; Baek, M.; Ovchinnikov, S.; Baker, D. 等価デノイジング拡散確率モデルを用いたタンパク質構造と配列設計. Chem, 9(6), 1646–1664 (2023). 公開日 online 2023年4月20日. https://doi.org/10.1016/j.chempr.2023.03.013
3. Park, H.; Yan, X.; Zhu, R.; Huerta, E. A.; Chaudhuri, S.; Cooper, D.; Foster, I.; Tajkhorshid, E. 金属有機骨格の炭素捕捉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, 7(1), Article 21 (2024). 公開日 online 2024年2月14日. https://doi.org/10.1038/s42004‑023‑01090‑2
4. Nomura, K.; Hattori, S.; Ohmura, S.; Kanemasu, I.; Shimamura, K.; Dasgupta, N.; Nakano, A.; Kalia, R. K.; Vashishta, P.
Allegro‑FM：エクサスケール分子動力学シミュレーションのための等価基礎モデルへ向けて。
5. 物理化学レター誌, 16 (25), 6637–? (2025). 公開日 online 2025年6月20日. https://doi.org/10.1021/acs.jpclett.5c00605