AIによる「モグラ叩き」式材料探索：900万ドルを調達し、より「冷える」チップ向け素材を開発

ムーアの法則が徐々に減速する中、チップ設計者たちはトランジスタ数の増加による恩恵が薄れる一方、チップの発熱による消費電力の壁がパフォーマンスに「跳ね返っている」と感じている。市場は材料レベルからのブレークスルーを急務としている。このほど、材料系スタートアップのDiscovered Materialsが900万ドルの資金調達完了を発表した。同社はAIによる「モグラ叩き」式アプローチで、化学空間の隅々に潜む次世代材料を探し出そうとしている。

AIによる「モグラ叩き」式材料探索とは何か？

「モグラ叩き」式探索とは、本質的には高スループットスクリーニングのプロセスだ。AIモデルが化学空間において数十億種類の候補となる原子配列を生成し、エネルギー安定性・電子構造・熱伝導率などの重要特性を一つひとつ評価し、実現不可能な構造の大部分を除外した上で、候補リストをより精度の高い物理シミュレーターに渡して検証する。この手法は従来の試行錯誤とは根本的に異なる。従来の材料科学者は数百種類のサンプルを合成するのに数年を費やして、ようやくわずかに性能の優れた合金を一つ見つけていたが、AIは探索範囲を数百万倍に拡大しながら、高コストのウェット実験を必要としない。

チップの「熱の病」と新材料への渇望

先端プロセスが5nm、3nmさらに微細化が進む中、トランジスタのスイッチングで生じる熱はますます集中し、リーク電流の増大や動作周波数の低下を招いている。現在主流の空冷・液冷などの冷却ソリューションはいずれも「外部処理」にすぎず、チップ自体の発熱を根本から低減することはできない。エンジニアたちはより高いキャリア移動度、より高い熱伝導率、あるいはより低い誘電率を持つ材料によって、物理レベルからチップ特性を変えることを求めている。そのため、AIを用いて安定性が高く集積しやすい新型化合物を探索することが、突破口として大きな注目を集めている。

AI材料探索はすでに業界のトレンドに

AIを材料研究に活用すること自体は目新しくない。DeepMindは220万種類の新型安定結晶を含むGNoMEデータセットを公開し、GoogleのOpen Catalystプロジェクトでは機械学習で触媒をシミュレートし、米国の「材料ゲノムイニシアチブ」も材料データの共有を推進している。ただし、こうした取り組みは基礎科学データベースの拡充に偏りがちだ。これに対してDiscovered Materialsは、チップ製造のシナリオを明確なターゲットとして定め、材料の製造可能性も選別基準に組み込んでいる。AIは「材料が安定しているか」を判断するだけでなく、「製造しやすいか」も評価する。この製造業指向のロジックは、半導体業界において特に歓迎されている。

編集後記：「見つける」から「使える」まで、どれほど遠いのか？

「AIモグラ叩き」は効率的かつ魅力的に聞こえるが、真の課題は探索アルゴリズム自体にあるのではなく、仮想的な予測から実際の量産までの溝にある。

AIは1時間以内に数千から数万種類の候補材料を生成できるが、それらを実用可能なチップに変えるには、長期間かつ高コストのプロセス検証が必要だ。訓練データの品質も大きなリスク要因となる。データセット自体に誤りがあれば、モデルが予測する「モグラ」は叩けば叩くほどずれていく可能性がある。さらに、既存のAIモデルは既知の物理法則の最適化は得意とする一方、人間の化学的直感を超えた斬新な構造を生み出すことは難しく、材料科学者とアルゴリズムエンジニアの深い協力が不可欠だ。

今回の900万ドルの資金調達は、AI材料探索という方向性に賭ける価値があると投資家が信じていることを示している。計算規模の拡大と実験フィードバックのループが形成されるにつれ、AIは研究を補助するツールから、半導体サプライチェーンにおける真の生産力へと転換する可能性がある。将来、データセンターは巨大な冷却塔を必要としなくなり、スマートフォンの消費電力も大幅に削減されるかもしれない。そしてその変化を後押しするのは、化学の世界でひっそりと行われる「モグラ叩き」かもしれない。

本記事はTechCrunchより編訳