見えない実験を何百万回も――MatlantisとNVIDIAが原子の研究室を高速化する

一本の試験管では渡れない海

現代社会を支える重要な材料は、見た目には地味なことが多い。水素を安くつくる粉末。充電を繰り返しても割れにくい電池の薄膜。タービンを長く守る潤滑油。二酸化炭素だけを捕らえる多孔質結晶。その働きは、目に見えない配置から始まる。原子間の距離はナノメートルの何分の一か。結合が伸びれば電子が組み替わり、表面はある分子を招き、別の分子を退ける。

人間の実験は長い間、この領域を間接的に航海してきた。混ぜる。加熱する。圧力をかける。塗る。測る。失敗し、条件を変える。自然が最後の答えを返すから強い方法だが、可能性の空間は残酷なほど広い。元素、濃度、表面、欠陥、温度、結晶相の一つが変わるだけで、別の材料になり得る。卓越した化学者でも探索できるのは、ごく小さな一角にすぎない。

Matlantisという名はmaterialと、失われた島Atlantisを合わせたものだ。数値の海の下に未知の大陸が眠るという比喩である。2026年4月15日、東京のMatlantisは、その船にNVIDIAの新しい機関部をつないだと発表した。AIが奇跡の物質を発見したのではない。仮想研究室が候補構造をより速く巡り、古い計算経路を待たずに、多くの処理をGPU上にとどめるための前進だった。

発表文の中に隠れた、もう一つの発表

見出しは「NVIDIA ALCHEMI Toolkitを統合」と伝えた。だが脚注に重要な限定がある。今回統合したのは、ALCHEMIの基盤層の一つ、Toolkit-Opsである。それ以前から、NVIDIA Warpで最適化されたカーネルを近接原子リストの作成とDFT-D3分散補正に使っていた。MatlantisとNVIDIAは、これら主要処理で最大10倍の高速化を報告した。

LightPFPは、対象とする材料分野を絞った軽量ポテンシャルであり、サーバー型構成への移行が進められた。サーバー呼び出しは計算資源を柔軟に使える一方、手元のノートブックとモデルの通信が新たな詰まりになり得る。Matlantisは、推論時の近接原子リスト作成をToolkit-Opsに置き換えることで、その負荷を抑えたとしている。提供時期は「近い将来」と表現された。

そして主力PFPと、より広いALCHEMI Toolkitの統合はロードマップだった。NVIDIA側の技術解説も慎重である。Matlantisは各部品を評価中であり、単一構造の最適化から、何百万もの分子配置を並列緩和する高スループット処理へ進める「可能性」があるとした。可能性は実測結果ではない。並列緩和は実験による発見でもない。この区別が、物語を正確に読む最初の約束になる。

なぜ「隣の原子の名簿」が宇宙を遅くするのか

大規模シミュレーションで、一つの原子が毎回すべての原子と比較する必要はない。多くの原子間モデルは一定の距離を境界にする。それぞれの原子の周囲を調べ、近い原子を特定し、その局所環境からエネルギーと力を推定する。近接原子リストは単なる帳簿に見える。しかし原子が数十万個あり、時間刻みが何千回も続き、候補構造も大量にあれば、帳簿作りそのものが基盤設備になる。

分散補正も費用を生む。一般的な密度汎関数近似では、長距離のファンデルワールス引力を十分に表せない場合がある。それでも弱い相互作用は、分子結晶、吸着、層状材料で重要だ。DFT-D3は経験的な補正を加える。静電相互作用、構造緩和、分子動力学にもそれぞれ計算カーネルがある。ニューラルネットワークだけが速くても、周囲のソフトウェアがCPU中心なら、待ち時間が増える。

NVIDIAはALCHEMIを一個のAIモデルではなく、部品の集合として設計した。正式名はAI Lab for Chemistry and Materials Innovation。Toolkit-Opsは近接原子リスト、分散、静電相互作用などのGPUカーネルを提供する。広義のToolkitはPyTorchを基盤にデータの流れ、バッチ構造緩和、分子動力学を組み合わせる。NIMマイクロサービスはクラウド配備を担う。座標、原子グラフ、力、更新値をGPU内に保てば、CPUとGPUの間を何度も往復する「記憶の通行税」を減らせる。実験装置を別々の建物に置かない発想だ。

GPUツールがすること、しないこと

夢を計算可能にした方程式

歴史は量子革命から始まる。1926年、エルヴィン・シュレーディンガーは波動関数で物質を記述する方程式を示した。しかし電子が数個を超えると、厳密解は急速に難しくなる。電子が増えるたびに多次元の問題は膨らみ、現実的な化学には近似と巨大な計算が必要になる。

1964年、ピエール・ホーエンベルクとウォルター・コーンは見る対象を変えた。基底状態の性質は、複雑な多電子波動関数ではなく、三次元空間の電子密度から原理的に決まると示した。翌1965年、コーンとルー・ジュー・シャムは実用的な方程式を与えた。密度汎関数理論、DFTは計算材料科学の共通語になった。コーンは1998年、量子化学計算法を発展させたジョン・ポープルとノーベル化学賞を分け合った。

DFTは近似をなくしたわけではない。交換相関汎関数、擬ポテンシャル、基底関数、収束条件、有限モデルを研究者が選ぶ。表面はバルク結晶と異なり、強相関電子は難しく、計算上の安定性は合成可能性ではない。それでもDFTは驚くほど有用な取引を成立させた。構造、エネルギー、反応をコンピューターで扱える程度に量子力学を残したのである。

高価な一回答から、学習した地形へ

分子動力学は映画に似ている。一コマごとに全原子に働く力を求め、ごく短い時間だけ位置を進め、また力を問う。DFTは質の高い力を計算できるが、大規模系の全コマで電子を計算すれば費用は途方もない。古典力場は、人間が設計した数式で結合や相互作用を近似するため速い。ただし、結合が切れる化学変化や、想定外の環境では弱いことがある。

機械学習原子間ポテンシャルは、その中間を狙う。最初に、高価な電子状態計算で原子構造、エネルギー、力の教材をつくる。ニューラルネットワークが、その教材に潜むポテンシャルエネルギー面を学ぶ。後のシミュレーションでは、毎回電子を第一原理から解き直す代わりに、はるかに安い推論を使う。

ヨルク・ベーラーとミケーレ・パリネロが2007年に発表した論文は転機だった。高次元のポテンシャルエネルギー面を、原子ごとのニューラルネットワーク寄与の和として表し、シリコンで実証し、DFTより数桁速いと報告した。その後、グラフニューラルネット、回転に対して整合的なモデル、基盤モデル型の「汎用」ポテンシャルが急速に発展した。MatlantisのPFPは、この系譜に属する。

日本で結ばれたAIと石油会社の化学

Preferred Networks（PFN）は、深層学習と高性能計算を産業課題に応用してきた。ENEOSは、日本の石油事業の一世紀を超える歴史から、化学者、触媒、潤滑油、表面、材料開発の厳しい現実を持ち込んだ。協業は2021年6月、Preferred Computational Chemistry（PFCC）という合弁会社になった。出資比率はPFN 51%、ENEOS 49%、資本金は3億1000万円だった。

同年7月6日、Matlantisはクラウドサービスとして始まった。利用者は計算クラスターを導入したり、材料ごとにポテンシャルを一から訓練したりする必要がない。Atomic Simulation EnvironmentになじみのあるPythonの流れを使い、独自のPFPモデルと計算環境をサービス側で動かす。初期版は55元素の任意の組み合わせを扱い、特定のDFT設定で数時間から数カ月かかる課題を数秒へ短縮できると訴えた。

企業の形も変わった。2024年、三菱商事が業務・資本提携に入り、海外展開を支えた。PFCCは2025年7月、Matlantis株式会社に社名を変えた。これは一人の研究者が公開したコードでも、NVIDIAだけの製品でもない。AI企業、エネルギー・化学大手、総合商社が組み合わさった、日本の産業ソフトウェア会社である。

PFPはどう「汎用」を学んだか

汎用とは、すべての化学を解決したという意味ではない。一つの学習済みモデルが、材料ごとに新しいモデルを作らず、多数の元素と構造群を扱うことを目指すという意味だ。2022年の査読論文に登場したPFPは、45元素の任意の組み合わせを対象とした。教材は分子、結晶、スラブ、クラスター、吸着構造、無秩序構造にまたがった。

重要なのは、不安定で高エネルギー、平衡から外れた構造も数多く含めた点である。美しい平衡結晶だけで学んだモデルは、穏やかな港しか知らない航海士に似ている。分子動力学を始めれば、原子はすぐに歪んだ未知の状態へ進む。多様な構造を学ぶことは、状態間の道中で壊れにくくする。

論文では、リチウム拡散、金属有機構造体への吸着、銅・金の秩序無秩序転移、フィッシャー・トロプシュ合成触媒の探索を示した。触媒の例では、選んだ活性化エネルギーについて参照計算との相関係数0.98、平均絶対誤差0.097電子ボルトを報告し、文献と整合するバナジウム助触媒を見いだした。科学的に意味のある試験だが、後の商用版すべての独立認証ではない。著者の多くはPFNまたはENEOSに所属し、学習済みモデルは非公開である。

5900万構造、その先に新しい汎関数

2024年のPFP v7では、対象が96元素へ広がった。会社の定義では自然界に存在する全元素を含む。PFNによれば、学習データは分子・結晶など5900万構造に達し、その生成に使った計算量はGPU一基で2264年分に相当した。開発にはPFNの計算機だけでなく、産業技術総合研究所のAI橋渡しクラウドABCIも使われた。

NVIDIA発表から3カ月後の2026年7月16日、PFP v9は96元素すべてでr²SCAN計算モードを標準にした。表面、吸着、配位化合物、分子結晶の教材を拡充し、結晶・表面安定性、融点、水の粘性で一致度が改善したとMatlantisは説明する。これは会社による検証であり、DFTの既知の誤差が消えたという宣言ではない。学習済みポテンシャルは、教師となった電子状態計算の性格と限界を受け継ぐ。

この変化は、商用の汎用ポテンシャルが何であるかを示す。完成した神託ではなく、保守される科学機器だ。対象元素が増え、参照計算が変わり、問題分野が加わり、利用現場の失敗が次版へ戻る。再現性にはバージョンが欠かせない。PFP v5で得た結果は、当然にv9の結果ではない。

LightPFPは汎用性と引き換えに規模を得る

小さな系では見えない現象がある。亀裂、粒界、高分子界面、電池電極の挙動には、数十万原子が必要になる場合がある。汎用モデルは化学空間を広く渡れるが、重いため規模に限界がある。

LightPFPは重点を逆転させる。対象材料のカテゴリーを絞り、膨大な新規DFT計算から始める代わりに、PFPが作った参照データで軽いモデルを訓練する。Matlantisは数十万原子、当時のPFPより10倍を超える規模を扱えるとする。広い知識を持つ教師が、安く走る専門家を育てる形である。

NVIDIA統合はここで合理的になる。サーバー配備、分散処理、大きな原子系ほど、通信と近接原子リストの費用が目立つ。すでに速いニューラルネットワーク部分を少し速くするより、周囲のカーネルを軽くする方が実用上の価値を生むことがある。

「2000万倍速い」という数字の危うい単純さ

MatlantisはPFPについて「数万倍」、資料によっては「最大2000万倍」と表現してきた。選んだ比較では、どちらも成立し得る。だが普遍的な換算率ではない。原子数、ハードウェア、DFT条件、必要精度、バッチ処理、数値精度、モデル版、単一の力計算か全工程かで速度は変わる。

あるDFT計算が2カ月、学習済みモデルの推論が0.数秒なら、比率は劇的だ。しかしモデルの教材を作るため、事前に大量のDFT計算を使っている。判断境界に近い候補には新しい高精度計算が必要になる。よさそうな粉末は、合成、精製、構造解析を経て、熱、圧力、時間の下で試される。量産性、毒性、原料調達、知的財産は推論速度だけでは解けない。

4月の「最大10倍」は、また別の数字である。PFPとDFTの比較ではなく、シミュレーション経路の一部カーネルを指す。誠実な説明は、数字から分母を切り離さない。

証明書ではなく、探索灯

材料探索は漏斗である。化学知識、列挙、生成AIなどから組成や構造を出す。高速ポテンシャルが明らかに不安定な候補を捨て、構造を緩和し、エネルギーを順位付けし、動きを模擬する。残った少数を高価なDFTで再計算し、その後に合成と測定が待つ。各段階は別の問いに答える。

低エネルギーと予測されても結晶が作れるとは限らない。安定なバルク相も空気中で分解するかもしれない。触媒表面は運転中に組み替わり、毒される。電解液はイオンをよく通しても燃えるかもしれない。原子規模で優れた合金が、非現実的な製造温度を要求することもある。エネルギーと力の予測から市場製品へ進むほど、必要な実験証拠は増える。

2026年1月に始まったMatlantis CSPは、機会と境界をよく示す。同社はガリウム・金・カルシウム系で13の未知結晶候補を報告し、本田技術研究所が早期導入した。「候補」が正確な言葉だ。高精度DFTと実験が、地図の印が本当に陸地かを決める。

汎用ポテンシャルが外れる場所

モデルが最も得意なのは、学習データが表す世界の内側で補間することだ。欠陥、特殊な電荷状態、極端な温度、未知の配位、長距離分極、反応の遷移状態は、教材の外へ連れ出す。滑らかで自信ありげな予測でも間違う。材料版の分布シフトである。

PFP以外の汎用ポテンシャルを対象にした独立研究では、複雑で分布外の環境において、エネルギーや力を過小評価する系統的な「軟化」が報告された。表面、欠陥、固溶体、イオン移動障壁などだ。PFPの欠陥を示した研究ではないため、そのままMatlantisへの判定には使えない。しかしモデル群全体への警告にはなる。きれいな結晶緩和の成績だけで、あらゆる産業界面の性能は決まらない。

課題型ベンチマークは、単一の平均誤差では足りない理由も示す。安定・不安定の境界では、ごく小さい差が候補を残すか捨てるかを決める。平均エネルギー誤差が良好でも偽陽性は出る。不確かさ、分布外検出、バージョン別試験、高精度計算へ戻す規則が必要だ。

競争相手は公開、非公開、そして世界中にいる

原子の海を渡るのはMatlantisだけではない。MACE、CHGNet、M3GNet、SevenNet、MatterSim、Orb、eSENなどが、精度、速度、元素範囲、ライセンス、使いやすさで競う。ソースや重みを公開するものもあれば、サービスとして提供するものもある。NVIDIA ALCHEMI自体が複数のモデル系列とつながるため、一社の専用装置ではなく競争の基盤でもある。

Matlantisの非公開クラウド方式は、維持管理された環境、巨額の事前学習投資、産業向け支援を提供する。一方、重みや学習データを完全には点検できず、再現性、データ所在、モデル継続性、ベンダー依存の課題がある。公開モデルは監査と自社運用に向くが、企業側が構築、検証、保守を担う。正解は材料、研究所の能力、誤りの重大さによって変わる。

日本の産業にとってなぜ重要か

日本の製造業の強さは、完成品の中で見えない材料と工程知識に宿ることが多い。フォトレジスト、電池部材、特殊化学品、セラミックス、触媒、軸受、精密フィルム。狭い優位を、実験と暗黙知の蓄積で守ってきた。AIシミュレーションは、専門家の価値を下げずに、その技の一部を検索可能で反復できる工程へ変える可能性がある。

PFNはアルゴリズムと計算機、ENEOSは化学課題と産業データ、三菱商事は国際供給網への経路、産総研は公共スーパーコンピューター、NVIDIAは加速計算の生態系を持ち寄る。補助金の名札がなくても、小さな産業政策のような構図だ。国内の科学能力を、世界的なハードウェア基盤へつなぐ。

同時に経済安全保障の問いも生む。研究データと候補構造は企業秘密になり得る。クラウドはアクセスと監査記録を厳密に管理しなければならない。GPU供給とソフトウェア依存は地政学的な詰まりにもなる。米国のアクセラレータ基盤上で動く日本の材料プラットフォームは、輸出機会であると同時に、管理すべき依存関係である。

白書についての注記――記載を確認できなかった

当初の企画説明には、Matlantisが「2026年版通商白書の企業事例」として登場するとあった。Japan.co.jpが経済産業省の日本語全文を検索したところ、Matlantis、Preferred Networks、ENEOSの材料シミュレーション事例を社名で確認できなかった。同白書はTIER IVなど別のデジタル企業を取り上げている。

Matlantisは2026年版ものづくり白書のAI・デジタル製造という主題に合うが、主題との一致と、社名入り事例の掲載は別である。本稿はそのため、確認できない白書帰属を繰り返さず、MatlantisとNVIDIAの4月発表、査読済みPFP論文、企業史、独立した科学文献を根拠にした。訂正は技術の価値を下げるものではない。政府文書を、存在しない証拠に変えないためである。

シュレーディンガーからALCHEMIへ――近似の一世紀

何が証明され、何がまだか

統合が本当に意味を持つための証拠

新しいボトルネックは「判断」になる

計算が高価な時代、科学者はどの問いにコンピューター時間を使うかを慎重に選んだ。推論が安くなると、機械はもっともらしい答えを研究室へ大量に送り込める。詰まりは計算から選別へ移る。どの候補が独自で、頑健で、合成可能で、安全で、価値があるのか。

仕事の形も変わる。化学者は探索空間と検証基準を設計する。データ技術者は来歴を守る。実験家は希少な最終審になる。経営者は「何構造を計算したか」という魅力的な数字に流されず、1円、1カ月あたりの意思決定の質を見なければならない。

ALCHEMIのバッチ処理とMatlantisの汎用ポテンシャルは、見えない実験を何百万回も回す世界を近づける。成功はGPUが何本の軌跡を描いたかではなく、誤解を招く候補をどれだけ実験台へ送らずに済んだか、そして奇妙だが価値ある候補をどれだけ残せたかで測られる。

2026年8月時点の公平な結論

Matlantisは、日本発の本格的なマテリアルズAI基盤を築いた。PFPには査読済みの科学的基礎があり、2022年論文の45元素から、会社公表ではv9の96元素へ広がった。触媒、電池、半導体、合金、潤滑油、セラミックス、化学品の利用を掲げる。NVIDIAとの協業は、速い学習済みモデルを囲むCPU中心の遅い配管という、実在する工学課題を狙っている。

4月の節目を膨らませてはいけない。実装を確認できるのはToolkit-Opsであり、主力PFP内の全ALCHEMI部品が完成したわけではない。10倍は一部計算の数字だ。DFTとの大きな倍率は課題依存で、学習、検証、合成、量産を含まない。「何百万配置」という将来像はバッチ化が開く可能性であり、発見実績の報告ではない。

それでも、狭い事実は十分に重要だ。DFTは不可能な記述を扱える形へ置き換え、量子化学を実用化した。ニューラルポテンシャルは、繰り返されるDFTを高速に近似した。GPUネイティブのツールは、モデル周囲の摩擦を減らす。各層は直接性の一部と引き換えに、探索範囲を広げる。責任ある研究室は梯子を外さない。AIが提案し、量子計算が点検し、実験が決める。