早稲田大学のマテリアルズインフォマティクス(MI)成功事例

近年、材料開発では実験回数や開発期間を抑えながら、新しい材料特性を予測する手法としてマテリアルズインフォマティクス（MI）の活用が進んでいます。中でも早稲田大学と富士通の研究グループによる量子アルゴリズム活用の事例は、少数データでも複雑系材料の予測で高い性能を示した点で注目されています。

従来の機械学習は、学習データの範囲内では高い精度を出しやすい一方で、材料開発で重要となる未知領域の予測や、実験データが少ない条件では精度低下や過学習が課題でした。今回の研究は、こうしたMI活用時の壁に対して、量子回路学習という新しい手法でアプローチした事例です。

早稲田大学・富士通が取り組んだマテリアルズインフォマティクスの研究背景

近年の材料開発では、研究者の経験や勘に頼った実験の繰り返しだけでなく、情報科学を活用して材料特性を予測するマテリアルズインフォマティクス（MI）が広がっています。機械学習を使うことで、従来よりも時間とコストを抑えながら材料設計を進めやすくなりました。

一方で、新規材料開発では学習に使える実験データが数十～数百件程度と限られることが多く、原子レベルの複雑な相互作用を持つ材料では、従来の機械学習手法だけでは十分な精度を出しにくいという課題がありました。特に、学習データの範囲外にある未知領域の予測では、精度低下や過学習が起こりやすいことが大きな壁だったのです。

マテリアルズインフォマティクス（MI）で示された成果

早稲田大学理工学術院の山本知之教授と富士通の研究グループは、量子アルゴリズムの一つである量子回路学習（QCL）を用いて、高エントロピー合金の硬さ予測を検証しました。高エントロピー合金は、5種類以上の原子がランダムに配置し、原子レベルで複雑な相互作用を持つ代表的な複雑系材料です。

その結果、QCLは従来の機械学習モデルと比べて、材料開発で重要となる少数データによる未知領域の予測で高い性能を示しました。特に、学習データの範囲を超えた高硬度材料の予測や、データ密度の低い領域での予測において、精度が落ちにくいことが確認されています。データ数がわずか100件程度でも、実用的な精度で予測が可能であることが示された点は、MI活用の幅を広げる研究成果といえます。

参照元：早稲田大学公式HP　https://www.waseda.jp/inst/research/news/84283

今後の研究展開

今回の研究成果により、量子回路学習は新しい材料を開発する初期段階の有力なツールになり得る可能性が示されました。少ない実験データでも未知材料の性質を予測しやすくなれば、材料開発の初期段階から候補を絞り込みやすくなり、開発スピードの向上が期待されます。

また、早稲田大学は本研究を通じて、複雑な構造を持つ材料開発の加速に加え、極限環境で使用される高性能材料の実現にもつながる可能性があるとしています。今後は、量子デバイス実機での検証や他の複雑系材料への適用が進むことで、量子回路学習を用いたMI活用が新しい材料開発手法として広がる可能性があります。

専門的な領域を持つMIベンダーを選ぶ重要性

MIベンダーの中には、専門領域を持つ企業があります。各ベンダーが保有するデータの質と量は解析精度に大きく影響し、研究開発のスピード向上やコスト削減につながります。そのため専門領域で強みを持つベンダーのMIを選ぶことが重要です。