計算機にとって、材料とは何か——「安定」は何に対して測られるのか

2026/6/18

これは5回の入門シリーズ 「凸包(The Convex Hull)」 の第1回です。問いはひとつ——AIが物理世界について「知っている」とはどういうことか、そして誰がその正しさを確かめるのか。材料の話とロボットの話は遠く見えて、同じ一つの骨格を持っています。その骨格を、なるべく基礎から、しかし薄めずに辿ります。

結晶は数百バイト。なのに、なぜ「安定か」を即答できないのか

ある結晶を計算機に教えるのは簡単です。どの元素が、どんな箱(単位格子)の中の、どの位置にあるか——それだけ。数百バイトで書けます。ファイルとしてはテキスト1枚です。

ではなぜ、そのファイルを渡して「この材料は安定ですか?」と訊いても、計算機は即答できないのでしょう。もっと根本的に——「安定」とは、そもそも何に対して測られる量なのでしょうか。

ここが、この分野全体の土台です。そして「AIが新材料を発見」という見出しのほぼすべては、煎じ詰めるとこの一点に行き着きます。

安定性は「内在的な性質」ではなく「相対値」

直観に反するかもしれませんが、ある原子の組み合わせが「安定」かどうかは、その物質単独では決まりません。同じ原子を使った、ありとあらゆる別の組み方すべてと比べて初めて決まります。

例えば、ある元素A・Bを1:1で混ぜた化合物 AB を考えます。AB という結晶は、放っておくと

AB のまま安定でいるかもしれないし、
「A の塊」と「B の塊」に分かれた方がエネルギー的に得かもしれないし、
A₂B と AB₃ の混合物に分かれた方が得かもしれない。

自然は「いちばんエネルギーの低い状態」へ向かいます。だから AB が安定なのは、A・B から作れる他のどの組み合わせよりエネルギーが低い(少なくとも同じ)ときだけです。

この「他のどの組み合わせにも負けない境界」を、各組成の生成エネルギーをプロットして下から包んだ線(高次元では面)として描いたものが——凸包(convex hull) です。

ソフトウェアエンジニアなら、これはパレート最適とまったく同じ構造だと気づくはずです。ある点が凸包に「乗っている」のは、それを支配する(より低エネルギーな)組み合わせが存在しないときだけ。安定な相は、エネルギー空間のパレート前線に乗った点なのです。これは簡略化ではなく、文字通り同じ数学です。

このシリーズが必要とする方程式は、実質これ一本だけです:

hull からの距離 = E(その結晶) − E(凸包)

安定性とは、ある基準面に対する引き算にすぎません。距離がゼロなら凸包上=安定。正なら凸包より上=準安定または不安定(放っておけば分解する)。AIが「安定な新材料」と言うとき、計算しているのはこの引き算が(ほぼ)ゼロ以下になる点を探すことです。

では、その「基準面」はどこから来るのか——DFT という近似

ここで肝心の問いが立ち上がります。引き算の相手である E(凸包)——各組成のエネルギー——は、誰がどう測ったのでしょう。

実験室で全部測った、のではありません。ほとんどは計算で求めます。使う道具が 密度汎関数理論(DFT, Density Functional Theory) です。DFT は、量子力学の多体問題を現実的な計算量で解くための近似法で、材料計算の主力です。多くの物性をそこそこの精度で出せます。

しかし——ここが本シリーズの背骨です——DFT 自体がシミュレーション(近似)であって、現実の測定ではありません。バンドギャップや強相関系など、DFT が系統的に外す領域も知られています。つまり「凸包より下にある」は「DFT が計算した基準面より下にある」という意味であって、「ビーカーの中で本当に結晶化する」とイコールではない。

だから見出しの構造はこうなります:

派手な部分(「220万個の新材料!」)は表面。 本当の仕事と価値は、その下の基準エネルギーと、現実で本当に作れるかにある。

基準面を理解しなければ、見出しは意味を持ちません。これは当サイトが繰り返す主張——「律速は一番目立つ部分ではない」——の、材料版・第1回です。

触ってみる:材料版の ImageNet

抽象論で終わらせないために、実物を挙げます。Materials Project(2011年、Lawrence Berkeley 国立研究所の Kristin Persson らが創設)は、DFT で計算した13万を超える無機化合物の物性を、誰でも無料で(CC 4.0、2025年時点で約60万ユーザー)公開しているデータベースです。機械学習における ImageNet に当たる、この分野の共通基盤と言えます。

エンジニアなら、5行ほどで実物に触れます(pip install mp-api):

from mp_api.client import MPRester
with MPRester("YOUR_API_KEY") as mpr:
    # ある組成のエントリを取得し、hull からの距離を見る
    docs = mpr.materials.summary.search(
        formula="Fe2O3", fields=["material_id", "energy_above_hull"])
    for d in docs:
        print(d.material_id, d.energy_above_hull)  # 0 なら凸包上=安定

energy_above_hull がゼロの多形は安定相、正のものは準安定相——同じ組成でも、凸包に乗っているかどうかで運命が分かれます。数式の hull からの距離 が、そのままAPIのフィールド名になっている。安定性が「基準面に対する引き算」だという話が、コードでそのまま確認できるわけです。

まとめ、そして次回

第1回の要点は一つです。**「AIが材料を発見した」は、煎じ詰めると「あるモデルが、DFT で計算した凸包より下に点を予測した」**ということ。派手な予測は、地味な基準エネルギーの上に乗っている。基準面(凸包)を理解せずに見出しだけ読むと、何を主張しているのか分からなくなります。

次回(第2回)は、そのモデルの話です。DFT は正確ですが遅い。何百万もの候補をふるいにかけるには遅すぎる。そこで「DFT を約1万倍速く近似するニューラルネット」——いわば原子のための基盤モデル——が登場します。あなたが LLM で知っている事前学習と分布シフトの話が、原子の世界でそっくり再演されます。凸包は毎回戻ってきます。

この記事はAIが下書きし、人間が編集・公開しています。