材料探索の課題に、物理を意識したAI手法が挑む
東北大学の研究者らは、数千種の材料を高速にスクリーニングして誘電特性を評価しつつ、従来の予測手法よりも精度を高められるAI手法を開発したと述べている。Physical Review Xに掲載された研究で、チームはこの手法により、8,000種を超える候補をスクリーニングした結果、これまで未知だった高誘電率酸化物材料31種を特定したと報告した。
この進展は、材料科学における長年のボトルネックに対処するものだ。材料が電場にどう応答するかを予測するのは計算負荷が高いが、その応答は現代の電子機器にとって中心的な要素である。誘電材料はスマートフォンやコンピューターなど幅広い機器で使われており、有望な候補を見つけるためのより良いツールは、実用面で大きな価値を持つ。
直接予測が難しい理由
複雑な材料特性は、単一の出力として扱うと、AIシステムが信頼性高く予測するのが難しいことが多い。東北大グループの解決策は、その直接的な近道を避けることだった。研究者らは、モデルに誘電率をそのまま当てさせるのではなく、最終的な特性に寄与する、より基本的な物理量を軸に問題を構成した。
原文で示されたシステムでは、モデルは原子が電場にどう応答するかを表すBorn有効電荷と、材料内の原子振動を捉えるフォノン特性を別々に予測する。これらの要素を物理式で組み合わせ、イオン性誘電テンソルを再構成する。
この設計こそが論文の主張の核心である。研究者らは、物理をワークフローに組み込むことで、結晶構造から最終的な誘電挙動へ直接飛び込もうとする手法よりも、AIが速く、しかも信頼性高くなると論じている。
スクリーニングで何が見つかったか
この手法を用いて、チームは8,000種を超える酸化物材料をスクリーニングし、その中から31種のこれまで未知だった高誘電率酸化物に絞り込んだ。これは探索空間を大きく縮小するものであり、材料発見におけるAIの実用的な役割を示している。つまり、実験や第一原理計算を完全に置き換えるのではなく、次にどこへ高価な労力を投入すべきかを研究者が判断する助けになる。
電子機器にとってこれは重要だ。高誘電率材料は、電場の制御、部品内でのエネルギー蓄積、そして機器要求が高まる中での性能向上に不可欠だからだ。従来の計算ワークフローだけで、これほどの規模の候補探索を迅速に行うのは難しい。
