AIが新しい材料の候補を示しても、それだけで半導体の製造や性能改善に役立つとは限りません。候補がなぜ有望なのか、どの条件で期待どおりに働くのかを確かめる必要があります。材料研究で問われるのは、もっともらしい答えを出す能力に加え、複雑な物理現象を説明し、検証に耐える予測を生み出す能力です。

米サンフランシスコの新興企業Discovered Materialsは、この実力を測るため、材料科学の未解決問題を対象とする総額100万ドルの懸賞を発表しました。対象は五つの問題で、超伝導の理論から半導体の界面構造、放熱材料の設計につながる計算手法までを含みます。100万ドルは五つの課題に対する賞金の総額であり、各課題に同額が設定されているわけではありません。



同社は、先端チップ向けの新材料をAIで探索する、設立から数カ月の企業です。米国のスタートアップ育成プログラムであるY Combinatorの2026年春期プログラムに参加しました。今回の課題設定では、世界の有力大学の研究者による助言を受けています。

共同創業者のAdvaith Sridhar氏が問題視するのは、材料科学でAIの進歩をどう判定するかという点です。数学では定義や条件を明確にし、解答の正否を判断できる問題がありますが、材料では何をもって解決とするのかを定めること自体が容易ではありません。今回の懸賞は、研究費を投じて答えを募ると同時に、AIが目指すべき具体的な到達点を提示する試みと位置づけられます。

五つの課題のうち二つは、材料の振る舞いを説明する理論を求めるものです。一つは銅酸化物の超伝導を説明する理論、もう一つは光を当てることで材料の性質が変わる理由を予測する理論です。後者では、とくに超伝導に関連する現象が焦点となっています。いずれも、望ましい性質を持つ材料を列挙するだけでは答えになりません。

超伝導とは、一定の条件で電気抵抗がゼロになる現象です。銅酸化物はその研究対象となる材料群ですが、今回の課題が求めているのは、低い温度で観測される超伝導を説明する理論です。室温で動作する新材料の発見を発表したものではありません。企業が技術動向を読む際にも、既知の現象を理解する研究と、製品に使える材料の開発は区別する必要があります。



光を照射したときの変化についても、光を当てれば必ず超伝導になるという意味ではありません。問われているのは、外部からの刺激によって材料の状態が変化する仕組みを、説明や予測につなげることです。一般に材料の性質は、組成だけでなく温度や外部から受ける作用にも左右されます。そのため、ある条件で観測した結果を、別の条件へそのまま当てはめることはできません。

こうした理論研究が企業に関係するのは、経験的な探索を整理する手掛かりになり得るためです。仮に現象の理解が進めば、どの条件を変え、何を測るべきかを判断しやすくなると考えられます。ただし、理論の成立から材料の製造、製品への採用までは別の検証が必要です。今回の二つの問いは、その出発点となる物理の理解をAIがどこまで深められるかを試しています。

半導体産業との接点が具体的なのは、構造と性質を結び付ける二つの数値計算の課題です。一つは、シリコンと二酸化シリコンの界面構造を予測する手法です。シリコンは半導体材料として広く使われ、二酸化シリコンは絶縁材料として使われます。両者の組み合わせは多くの半導体に登場するため、その境界を理解することには産業上の意味があります。

界面とは、異なる材料が接する境界です。材料名が分かっていても、境界で原子がどのように並ぶかまで自動的に決まるわけではありません。材料内部の構造を理解することと、異なる材料を接合した場所を理解することは、別の問題を含みます。今回求められるのは、この界面の構造を予測するための数値的な方法です。



もう一つは、結晶粒の構造から熱特性を予測する手法です。多くの材料は、原子の並ぶ向きなどが異なる小さな結晶の集まりとして捉えられます。その一つ一つが結晶粒で、粒の配置や境界を含む構造が、材料全体の性質を考える際の要素になります。今回の課題は、この構造と熱の伝わり方を対応付け、より優れた放熱材料の設計につなげることを目指しています。

企業の研究開発という視点では、二つに共通する価値は、試作する前に構造の影響を見積もれる可能性にあります。ただし、計算できることと、狙った構造を実際に作れることは同じではありません。予測手法が得られた場合も、対象となる材料や構造の範囲、実測との一致、製造条件への適用可能性を確かめる必要があるでしょう。AIによる発見を事業上の成果として評価するには、この橋渡しまで見ておくことが欠かせません。

残る一つの課題は、密度汎関数理論、英語でDensity Functional Theoryと呼ばれる計算手法を改善する数値的な方法です。略称はDFTです。個別の材料現象を説明する課題とは異なり、材料科学で使う計算そのものの基盤に焦点を当てています。特定の材料を一つ見つけることと、材料を調べる道具を改良することでは、成果の広がり方が異なります。

DFTは、原子や分子、固体の電子状態を調べ、構造や性質を理解するために用いられる手法です。電子を一つずつ詳細に扱う問題を、電子密度に着目して扱います。ただし、実際の計算には近似が含まれ、あらゆる材料や現象を同じ精度で扱えるわけではありません。計算結果を利用するときは、どの条件で、何をどこまで予測できるのかが問題になります。



この課題を企業の立場から読むなら、AIの役割を材料候補の提案だけに限定しない点に注目できます。探索に使う計算手法が改善されれば、候補を比較したり、追加の検証が必要な対象を絞ったりする工程にも影響する可能性があります。これは想定される波及効果であり、今回すでに計算精度や研究効率の向上が実証されたという意味ではありません。

また、DFTを改善するという大きな目標だけから、計算時間がどれだけ短くなるのか、どの材料への予測が良くなるのかまでは判断できません。企業が今後の成果を評価する際は、改善の対象となった性質、比較に使った計算や測定、適用できる範囲を確認するとよいでしょう。基盤手法の改良は幅広い用途につながり得ますが、その価値は具体的な検証条件と結び付けて読む必要があります。

Discovered Materialsは課題の発表前に、先端AIモデルを使って解決を試みました。AIエージェントにはインターネットへのアクセスや、そのほかのリソースを与え、各問題に数日間、自律的に取り組ませています。それでも目立った進展は得られませんでした。少なくとも今回の試行では、AIに時間と情報源を与えるだけで解ける問題ではなかったことになります。

ただし、この結果をAI全体の限界として扱うことも適切ではありません。利用した具体的なモデルや評価の詳細が示されていないため、他の条件でも同じ結果になるとは判断できません。現時点で確認できるのは、同社による事前の試行が大きな前進につながらなかったという範囲です。より新しいモデルや多くの計算資源で解けるかどうかは、今後の検証に委ねられています。



同社が強調するのは、誰が解くか以上に、何を解けば前進と認められるかです。Sridhar氏は、自社、大学研究者、先端AIの開発企業など、解決の担い手にこだわらない姿勢を示しています。課題の解決状況を追うことで、AIの材料科学における能力向上を測る考えです。

課題づくりに参加したスタンフォード大学教授のFelipe Jornada氏も、材料科学には観測できても説明できない現象があると指摘しています。こうした現象の説明は、物理の理解だけでなく、電子機器やエネルギー貯蔵、材料製造にも関わります。AIが多くの仮説を生成できるほど、それを確かめる問いと基準の設計が研究の要所になると考えられます。企業にとっても、提案の数や説明の流暢さより、第三者が確かめられる成果を評価の中心に据える姿勢が参考になるでしょう。

Discovered Materialsの事業の中心は、半導体に使う新材料の開発です。同社は大手半導体企業と研究プロジェクトを進めるとともに、自社でも科学研究に資金を投じています。2026年8月にシード資金調達を発表した際、Sridhar氏は1年以内に有用な材料を生み出すことへの期待を語りました。今回の取材では、その見通しが少し前倒しになり、1年より短い期間で産業上有用な材料を見つけられるとの確信が強まったと説明しています。

これは経営者による開発の見通しです。すでに産業用途で使える材料が完成したという発表でも、量産への採用が確定したという説明でもありません。懸賞の五つの問題と、同社の材料開発事業も関連はありますが、同じ達成条件を持つ取り組みとして扱うべきではないでしょう。



日本の半導体、材料、製造装置関連企業がこの動きを評価する際は、自社の判断に必要な成果を具体化すると役立ちます。例えば放熱材料を検討するなら、熱特性の予測だけで選定できるのか、加工や接合の条件まで確認する必要があるのかを整理します。界面構造の予測を使う場合も、計算対象と自社工程の条件が対応しているかが検討の出発点です。これらは今回の成果として報告された内容ではなく、研究成果を利用する際の一般的な確認事項です。

今回の懸賞から読み取れるのは、AIを研究に導入する際、最初に用意すべきものがモデルだけではないということです。自社で解きたい問いを一つ選び、現在の方法でどこまで分かるか、どの結果が得られれば前進と判断するかを言葉にする。そのうえで必要な計算や実験を定めれば、外部のAI研究成果も比較しやすくなります。新材料の発見という見出しを追うだけでなく、自社の課題について合格条件を一つ書き出すことが、実務につながる一歩になります。