AI、2次元磁性材料の磁気相を予測

オークリッジ国立研究所などの研究チームは、結晶対称性と電子構造を統合した「対称性電子フィンガープリント（SEF）」と呼ぶ新たな機械学習表現を開発し、2次元磁性材料における磁気秩序の分類と磁気モーメント・磁気異方性エネルギーの回帰を同時に実現した。論文はarXivに公開されている。

従来の機械学習手法は化学的環境を記述するにとどまり、磁性を支配する結晶対称性や交換相互作用の物理を表現できないという根本的な限界を抱えていた。SEFはWyckoffサイト幾何学、結晶学的対称操作、サイト分解電子構造を一体的に符号化することで、遍歴電子系のストーナー強磁性と局在スピン系の超交換反強磁性という二つの異なる磁性メカニズムを識別する。ランダムフォレストによるアンサンブル学習と組み合わせたモデルは、CoおよびNiを含むハロゲン化物・酸化物に対する第一原理計算との比較でも高い予測精度を示した。

とりわけ注目されるのは、モデルの予測不確実性が高い領域の解釈である。従来であれば予測失敗とみなされるこの領域を、研究チームはFM相とAFM相が縮退した「競合磁気相」の診断シグナルとして積極的に活用した。この不確実性領域に該当する材料では、わずかな外部摂動によって強磁性・非共線磁気秩序・フラストレーション秩序間の相転移が誘起されることが第一原理計算で確認されており、スイッチング素子や磁気センサとして潜在的に有用な候補群を系統的に抽出できる。

ビジネスへの影響は材料探索プロセスの根本的な変革にある。半導体・電子部品メーカーの研究開発部門にとって、次世代磁気デバイス材料のスクリーニングにかかる実験コストと時間を大幅に削減できる。現在、スピントロニクス素子向け新材料の合成・評価サイクルは一候補当たり数週間から数ヶ月を要するとされるが、SEFを用いた計算スクリーニングにより有望候補を事前に絞り込むことで、研究開発費のROI向上と開発リードタイムの短縮が期待される。具体的には、磁気ランダムアクセスメモリ（MRAM）やスピン軌道トルクデバイスの材料選定において、実験試行回数の削減というKPIへの直接的な貢献が見込まれる。

量子コンピューティング分野でも応用余地は大きい。量子ビット実装に向けた2次元材料の選定では、磁気異方性エネルギーのコントロールが性能を左右するが、SEFによる異方性エネルギーの定量的予測はデバイス設計の初期段階での材料選択基準として活用できる。IBMやGoogleなど量子ハードウェア開発企業の材料科学部門、あるいはそれらを支援する材料サプライヤーにとって、競合他社との差別化を図るための計算ツールとなり得る。

素材・化学メーカーにとっても知財戦略上の示唆がある。SEFが示す「競合磁気相」領域は、微量ドーピングや外圧印加による磁気相制御が可能な材料群に対応しており、機能性材料の特許ポートフォリオ構築に向けた白地領域の特定ツールとして機能する。製品開発ロードマップの優先順位付けに活用できる点で、研究開発戦略部門の意思決定を支援する。

今後の課題としては、SEFが現状で2次元材料に限定されている点が挙げられる。3次元バルク磁性体や界面磁性への拡張、さらにデータベースとの統合による大規模高速スクリーニングが実用化の鍵となる。産学連携による訓練データの拡充と検証が進めば、材料インフォマティクスの標準ツールとしての地位を確立する可能性がある。