東北大学・東京工業大学・・産業技術総合研究所の共同研究チームは、第一原理計算と機械学習を組み合わせることで、光触媒や電子・光電子デバイス設計に重要な表面のバンドアライメント（イオン化ポテンシャルと電子親和力）を物質横断で見通せるようにしました。ハイスループット計算で得た大規模データを学習させ、面方位や終端といった最小限の情報から高速に推定できる点が特徴です。この記事は、この研究の背景、得られた成果、今後の広がりをやさしく解説します。
材料の性能は表面で大きく変わりますが、実験では清浄表面を保つことが難しく、吸着不純物の影響でイオン化ポテンシャルや電子親和力を精確に測るのは容易ではありません。理論計算は理想的な表面を扱える一方で、ハイブリッド汎関数など高精度手法は計算資源を多く要し、面方位や終端の違いまで考慮して多様な表面を網羅的に評価するのは現実的ではありませんでした。研究現場では、こうした実験的・計算的な制約が初期設計のボトルネックになっていました。
研究チームは、最先端のハイスループット第一原理計算で約三千種類の酸化物表面の緩和構造と表面エネルギー、イオン化ポテンシャルと電子親和力を計算し、そのデータを機械学習へ渡す流れを整えました。まず二元系酸化物の無極性表面について約二千二百種類のデータベースを構築し、文献に報告された実験値と理論値の整合を確認しています。
次に表面の方位と終端位置といった情報から、ニューラルネットワークがイオン化ポテンシャルと電子親和力を推定するモデルを作成し、Learnable SOAPと呼ばれる記述子で元素数の異なる系にも拡張しました。
さらに約七百種類の三元系酸化物無極性表面データに対して転移学習を行い、物質の種類が増えても予測精度を保ちながら適用範囲を広げています。この結果、多様な酸化物の表面バンドアライメントを短時間で俯瞰できるようになり、光触媒や電子・光電子デバイスの候補選定を進めやすくなりました。
参照元：Journal of the American Chemical Society（https://pubs.acs.org/doi/10.1021/jacs.3c13574）
参照元：東京工業大学ニュース（https://www.titech.ac.jp/news/2024/068929）
参照元：ASCII.jp（https://ascii.jp/elem/000/004/192/4192409/）
手法は酸化物材料のスクリーニングにそのまま活用でき、硫化物や窒化物など別系統の材料へも拡張が検討されています。表面に限らず、同様の枠組みを他の特性の予測へ応用することも想定され、候補の絞り込みや設計方針の立案を早めやすくなります。研究はデータ駆動の材料開発を推進する取り組みと方向性を同じくしており、学内外の連携拠点を通じた産学官協働の議論も進めやすくなるでしょう。
専門領域を持っているMIベンダーを厳選しました。
自社の研究対象に近しい領域を専門としているMIベンダーの方が、
コミュニケーションにズレがなく、知見や実績も豊富な可能性があります。
化学・素材分野で数多くの開発を成功に導いた実績があります。
日立グループ全体の強みを活かして材料開発を総合的に支援できることから、早期の市場参入を可能にします。
富士通では、創薬に特化したプラットフォームを用意。特許読解、法規制物質チェックにも一貫して対応可能。
特定の材料開発プロセスではなく、創薬研究プロセス全体のDXが叶う点も魅力です。
新しいエネルギー材料の特性を正確に予測する「Mat3ra」(旧Exabyte.io)プラットフォームを提供。
新しいバッテリー材料や軽量合金の開発をスピーディーに進められることが可能です。