AIが有望と判断した水素貯蔵材料を、実際に作り、使える性能まで確かめるには何が必要か。東北大学を中心とする国際研究チームは、物理法則を組み込んだAIと実験を結び、結果を次の材料設計に戻す研究基盤の指針をまとめた。新材料の発見ではなく、探索の信頼性を高めるための展望論文だ。[1]
大学の日本語発表は8月25日、英語での紹介は9月8日。大学によると、論文は8月14日付で学術誌ACS Energy Lettersにオンライン掲載された。[1] 9月24日号では、材料開発にAIを取り入れる企業や研究機関にとって、この提案が何を問いかけるかを考える。
「よく貯まる」だけでは足りない
水素貯蔵材料には、貯蔵量に加え、水素を出し入れする温度や圧力、反応の速さ、繰り返し使用への耐久性が求められる。大学の説明では、同じ組成でも微細構造や製造履歴、不純物などの影響を受けるため、材料名と性能値だけを集めても十分な比較にはならない。[2]
企業の研究開発で考えれば、AIが高く評価する材料と、手元の設備で合成・評価できる材料との間には距離がある。候補を大量に挙げる能力に加え、実験へ進める根拠を示せるかが重要になる。
物理法則と測定条件を、予測の段階から
提案は69人の専門家による検討をもとに、データ、物理モデル、AIによる材料設計、自動化実験を結ぶ。熱力学や反応速度との整合性を、学習や候補選びの段階から確認する考え方だ。[1]
熱力学が扱う「どの条件で水素を取り込んだり放出したりできるか」と、反応速度が扱う「どれほど速く進むか」は別の問題である。計算上の貯蔵量が大きくても、用途に合う条件と時間で取り出せなければ、実用上の評価は変わる。
データについても、測定値だけでなく出典や条件、不確かさ、失敗例を残す方針を示す。[2] 編集部の分析では、これはデータを増やすだけの課題ではない。別の研究室が結果を追試できる記録を整え、何が既知で何が未確認かを区別する作業でもある。
実験が外れた理由を、次の探索へ戻す
中心となるのが「閉ループ型材料探索」だ。候補を予測し、合成・測定した結果でモデルを更新する。大学は、実際の材料の状態と計算上のモデルを継続的に対応させるデジタルツインも将来像として挙げる。[1]
研究成果を評価する三つの問い
候補を実際に合成できたか。用途に必要な条件で予測を確かめたか。その結果を、次の候補選びへ反映できたか。予測精度だけでなく、この一連の過程を検証する必要がある。
例えば、予測した性能が出なかった場合、材料の選択が悪かったのか、試料の作り方が異なったのか、測定条件に差があったのかで、次に行う実験は変わる。失敗を単なる除外データにせず、原因を切り分けられる記録として残すことに価値がある。
研究投資の評価軸も変わる
大学は今後の課題として、データ形式の標準化や、反応速度・劣化に関する情報の充実、自動実験との連動を挙げる。[2] 自律的な研究基盤を整えるには、計算機だけでなく、測定装置やデータ管理、人による判断にも投資が必要になる。
企業が効果を測るなら、候補の出力件数よりも、検証済みの候補を得るまでの実験回数や期間、費用が有用な指標になるだろう。今回の指針から、貯蔵性能の向上率や商用化時期を導くことはできない。提案された循環が、再現できる実験結果をどこまで効率よく積み重ねられるかが、次の評価点となる。
