AI が作った触媒、本当に作れる？『表面』から『内部』を逆算する

『バルク』って、触媒の本体のこと？『表面』と何が違うの？

触媒で働く場所は表面なんです。分子がぶつかって反応する舞台は、材料の一番外側。だから AI も「反応を起こしやすい表面の原子配置をつくろう」と最適化する。そこまでは直感的ですよね。 でも表面だけ優れていても、その下の本体（バルク）がダメだと使い物にならない。理由は二つ。一つは、そもそも物質として成立するかどうか。表面の原子配置がどんなに完璧でも、それを支える本体の結晶構造が存在しなければ、実験で再現できません。もう一つは安定性。表面エネルギーが高すぎると、触媒を使ってるうちに表面の形が変わってしまう。 つまり表面と本体は、デザインと施工みたいな関係。AI は「こういう反応特性を持つ表面が欲しい」と設計しても、「その表面が成り立つ本体は何か」を知らないから、机上の空論になってしまう。CatRetriever はその逆算をやってるわけです。表面から「この本体ならあり得る」という親を見つけ出すことで、初めて「実験で試す価値がある」という判定が下せるようになったということなんでしょう。

触媒って、実生活でどこに使われてるもの？AI が作れるようになると、何が変わるの？

触媒は、実は毎日の生活のあちこちに組み込まれているんですよね。車の排気ガスを無害化する触媒コンバーター、洗剤の性能を高める酵素、ガソリンの精製、アンモニア肥料の製造。あるいは水素を燃料にする燃料電池。これらすべて触媒がなければ成立しません。 いまの触媒開発は、基本的に試行錯誤です。化学者が「この材料とこの構造なら」と予想を立てて、何度も実験を繰り返し、運良く性能の高い触媒に出会う。それは数年単位の時間と莫大なコストがかかる。 AI が触媒を自動設計できるようになると、この試行錯誤の回数を劇的に減らせます。「こういう反応を起こしたい」という目標から、実現可能な候補を数秒で生成する。化学者はその中から最適なものを選んで実験する。開発期間が短くなり、新しい触媒が世に出るペースが加速する。 そうなると、今まで経済的に見合わなかった反応にも触媒が活躍できるようになる。たとえば CO2 からプラスチックを直接つくるとか、そういった脱炭素技術が現実的なコストで実行できる可能性が高まる、と言えそうです。

AI が材料設計に使われるようになったのは最近なの？なぜこれまで『表面と本体の繋ぎ』が問題だったままだったの？

AI が材料設計に本格的に使われ始めたのは、ここ5年ほどの話です。背景には計算能力の飛躍的な向上と、機械学習モデルの精度向上があります。ただ、「表面と本体の繋ぎ」が見落とされてきた理由は、分野の歴史にあるんですよね。 従来の触媒研究は、実験で見つけた「効く表面」の性質を逆算して、その親結晶を推定していました。つまり、表面と本体は実験プロセスのなかで自動的に一体だった。ところが AI は違う。膨大なデータから表面の『最適パターン』を生成するので、その表面がどの結晶に属するのか、そもそも自然界に存在しうるのかまでは保証できない。 換言すれば、AI が「実験を飛ばして直接答え」を提案する時代になったからこそ、この繋ぎの部分が露出したわけです。従来は誰も気にしなかった。材料科学の研究者たちが、AI の生成物に「待ってくれ、その表面、本当に作れるのか」と気づくまで時間がかかったのかもしれません。

つまり、『作ったはずの設計が実際には存在しない結晶だった』ってことがあり得るってこと？

正にそこですね。AI が表面だけ作って「これでいいはず」と言っても、その表面を持つ結晶体そのものが、この世に存在できない、あるいは存在しても極度に不安定で、実験で再現不可能な場合があり得るということです。 たとえば、築きたい建物の外壁デザインだけを AI に作らせて、その外壁が実際に立つために必要な内部構造（基礎や骨組み）は考えないままだと、図面上はいくら素晴らしくても、施工できない建築案になってしまう。触媒の場合も同じで、表面の原子がどう配置されるか は分かっても、その表面を支える本体結晶の内部構造は化学的な安定性に直結します。本体が不安定だと、表面だけ素晴らしい触媒は造形不可能なまま終わるわけです。 CatRetriever は逆算の発想で、「この表面が実際に存在するなら、内部はこんなはずだ」と候補を推定し、その候補が実際に作れる結晶かどうかを検証できるようにした。AI 設計と現実実験のギャップを埋める、地味だが本質的な工夫と言えそうです。

精度が91%ってことは、約1割は外れるってことだよね。その外れたケースって、どうやって見分けるの？

AI が提案した結晶が実験で作れなかったとき、その外れが何なのかを見分けるのは実は大変なんですよね。 一つの考え方としては、91%という精度そのものが、既に「見分けるための情報」を内包しているのかもしれません。つまり CatRetriever は複数の候補を確率的に出す。第1候補が外れる確率は約9%ですが、上位3候補に広げれば98%。だから実験者は、「第1候補がうまくいかなかったら、2番目や3番目を試す」という段階的な検証ができるわけです。 ただそれは、失敗が最初からある程度織り込まれているということでもあります。材料科学では「この設計では物理的に結晶が安定しない」という根本的な失敗もあれば、単に「うちの実験装置では再現できなかった」という技術的な失敗もある。AI の提案が外れたとき、それが理論的な不可能なのか、実験的な工夫の不足なのかを切り分けることが難しい。 むしろ重要なのは、9%の外れを「次の学習データ」にしていくことなのかもしれません。実験で再現できなかったケースを積み重ねることで、AI はその先の精度向上につながるような気がします。