新しい無機材料を探す作業は、候補の組み合わせが膨大で、一つひとつ実験するには時間がかかる。Google DeepMindの「GNoME」はこの探索をAIで大規模に行った研究で、論文は2023年11月にNatureへ掲載された。グラフニューラルネットワークと呼ばれる手法で、結晶の安定性を予測している。

論文の主張

論文によれば、GNoMEは約220万の結晶構造を安定性の目安となる範囲に見いだし、そのうち約38万1,000件を新たに安定と予測される構造として示した。これは、それまでに知られていた安定な結晶の数を大きく上回る規模である。また、そのうち736件は独立した研究グループによって既に実験的に作られていたと報告された。データはMaterials Projectを通じて公開された。

議論になっている点

一方で、予測された構造の新規性や有用性をどう評価するかについては、研究者の間で議論がある。2024年には、化合物としての新しさや実用性への疑問を呈する論考も公表された。同日にNatureへ掲載された自動合成実験室「A-Lab」の論文についても、後に著者訂正が出されている。予測の件数と、実際に使える材料の発見は分けて評価する必要がある。

読み方の注意

本論文の価値は、実験候補の母集団を一気に広げた点にあると整理できる。ただし安定性の計算上の予測は、合成できることや性能が優れることの保証ではない。数字は2023年の発表時点のものである。なお、数値や計画は発表時点のものであり、変更される可能性があります。最新の内容は出典の一次情報をご確認ください。

読み解くポイント

GNoMEをめぐる議論は、AIによる発見の「数え方」を問うている。計算で安定とされた構造の件数は明確だが、それを材料の発見と呼ぶには、合成できること、既知の物質と違うこと、用途に役立つことといった段階をどこまで要求するかが論点になる。批判側の論考も、予測そのものの規模を否定するものではなく、解釈の範囲をめぐるものである点に注意したい。材料探索では、候補を広げる工程と、絞り込んで確かめる工程は別の仕事であり、GNoMEは前者を大きく押し広げた研究と位置づけると、批判と成果の両方が整合的に読める。今後は、予測リストから実際に新規材料の実証がどれだけ積み上がるかが評価の軸になる。

あわせて、材料分野では、候補の発見から実際の製品に使われるまでには、合成、評価、量産という長い工程が続く。本記事で触れた予測や計画は、その入口にあたる段階の情報である。続報として実験的な実証がどこまで積み上がるかを追うことが、この事例の評価を更新していくうえでの物差しになる。

出典：Merchant et al., Scaling deep learning for materials discovery, Nature（2023年11月） https://doi.org/10.1038/s41586-023-06735-9

あわせて読みたい