東京科学大学の研究者チームは、材料探索における人工知能の予測過程を可視化する新手法を開発した。同手法はグラフニューラルネットワークと階層的クラスタリングを組み合わせ、結晶構造と光学吸光スペクトルの相関関係を抽出して材料を分類する。研究は東京科学大学物質構造実験室の高橋明准教授、大場文康教授、当時修士課程の高松新太氏らが主導し、東北大学材料科学研究所の熊谷優教授らとの共同研究として進められた。成果は学術誌Advanced Intelligent Discoveryで公開された。 従来のAIモデルは材料の原子構造から物性を高精度に予測できる一方、予測根拠が不明瞭なブラックボックス化が課題となっていた。本研究では金属酸化物やカルコゲナイドなど2,681種の化合物データを用いて学習済みのモデルから内部特徴量を抽出した。酸化数や電子配置を明示的に入力せずとも、原子配置のみから学習された本質的な構造的特徴を自動抽出する仕組みを実現。抽出した特徴量に基づくクラスタリングにより構造的・スペクトル的特性が類似する材料群を分類し、光学特性を支配する化学的要因を定量的に解明した。 本手法の適用は材料設計の効率化に直結する。太陽電池や光検出器、顔料など光学応用が重要な分野において、所望の物性を実現するための元素種や結晶構造の設計指針構築を支援する。また、本アプローチは光学スペクトルに限らず温度や圧力条件下での物性評価にも拡張可能であり、多様な物性データから構造と特性の因果関係を一般化して抽出することを可能にする。高橋准教授は本手法が機械学習の学習過程を詳細に可視化し、材料設計に有用な物理化学的知見を提供できると指摘する。今後、予測モデルの透明性向上を通じて、試行錯誤に依存しない効率的な新材料開発の基盤技術として展開が期待される。