MicrosoftのMatterGenは、磁性や対称性などの欲しい性質を条件として与えると、それに合う無機材料の結晶構造を生成するAIモデルで、2025年にNatureへ論文が掲載された。構造を予測・探索する従来の材料AIに対し、性質から構造を逆設計する生成型のアプローチが特徴である。ただし生成された候補の大半は計算上の提案であり、合成と実用化は別段階である。

MatterGenとは：性質を条件に結晶構造を生成する拡散モデル

MatterGenは結晶構造に対する拡散モデルを、約60万8千件規模の安定材料データで学習させたと論文は述べる。化学組成に縛られない生成が可能で、学習データにない元素の組み合わせも提案できるとされる。特定の対称性や機械的性質、磁気的性質などを条件として差し替える微調整の仕組みも示され、目的別に生成を寄せる設計になっている。

実験検証の範囲：生成候補を実際に合成した事例

検証では、生成候補の一つを実際に合成する実験が行われ、目標とした性質との差異が一定範囲に収まったと報告された。この『生成→合成→測定』まで通した点が、計算のみの材料提案と一線を画す。一方で、合成できた事例は限られ、生成候補全体の合成成功率や、既存材料を置き換える性能・コスト優位まで示されたわけではない。論文の主張範囲をここで線引きすることが正確な理解につながる。

材料AIの読み方：生成件数と実用材料の距離

既存のGNoMEのような大規模予測データベースとは役割が異なり、MatterGenは目的条件に沿った候補生成器である。日本の材料研究者にとっては、自社の合成・評価設備と組み合わせたときに初めて価値が出る道具であり、AI単体の性能指標だけでは導入判断ができない。生成AIの出力と実験部門の処理能力のバランス設計が、材料AI活用の実務論点になる。数値は2025年のNature論文に基づく。

材料研究者は、条件指定の自由度と自社の合成可能性の重なりを見たい。R&D担当者は、生成件数を成果と数えず、合成・測定まで進んだ候補の割合で評価する基準作りが参考になる。

あわせて読みたい

「ディープテックの領域地図：バイオ・宇宙・素材・エネルギーの違い」 https://seed.aohalab.ai/#/article/22

「AlphaFold 3：タンパク質だけでなく、薬との結びつきまで予測する」 https://seed.aohalab.ai/#/article/61

出典：Nature論文「A generative model for inorganic materials design」（MatterGen, 2025年） https://www.nature.com/articles/s41586-025-08628-5

本記事で紹介した内容は2026年11月時点の公表情報に基づきます。最新の内容は出典の一次情報をご確認ください。