発表のポイント
- 実材料で重要な役割を担う「欠陥」のエネルギーを、人工知能（AI）で予測する手法を提案し、酸素空孔において世界最高の予測精度を実現しました。
- 開発したAIモデルを用いて有望な32種類のp型酸化物を提案しました。
- 本手法により、エネルギー変換デバイスや次世代エレクトロニクス材料の効率的な探索が期待されます。
概要
物質中に必ず存在する点欠陥は、材料特性を大きく左右する重要な要素であり、新材料の発見においてその特性の把握は不可欠です。しかし、欠陥形成エネルギーの評価には多大な計算資源が求められる量子力学計算が必要であり、実用材料探索の大きな障壁となっていました。
東北大学大学院工学研究科の澁井千紗大学院生（研究当時）、同大学金属材料研究所の清原 慎講師、Soungmin Bae助教、熊谷 悠教授らは、結晶をグラフとして扱うグラフニューラルネットワーク（GNN）を活用し、半導体や絶縁体中の欠陥がとり得る複数の電荷状態の形成エネルギーを単一モデルで同時に予測できる新しい枠組みを構築しました。これをもとに、酸素空孔の形成エネルギーを予測するAIモデルを構築し、世界最高精度の予測精度を実現しました。さらにこのモデルを用いておよそ2,000種類の酸化物材料を評価し、BaGaSbO をはじめとする有望な32種類のp型酸化物を提案しました。本成果は、これまで計算負荷の大きさから困難だった「欠陥を含む現実の材料の高速スクリーニング」を可能にするものであり、AI を活用した次世代材料開発の基盤技術として大きく貢献することが期待されます。
本研究成果は、2025年12月11日（現地時間）付で物理学分野を代表する国際学術誌Physical Review Letters にオンライン掲載されました。
詳細
- プレスリリース本文 [PDF: 545KB]
- Physical Review Letters [DOI: 10.1103/h66h-y5k6]
図1. 900酸化物中の酸素空孔形成エネルギー予測値で、横軸は、量子力学計算による値で、縦軸は機械学習による予測値を示しています。右下には、各電荷とそれらを合わせた際の平均絶対誤差をeVの単位で示しています。