GNoME（ジーノーム）
DeepMindが2023年に発表したグラフニューラルネットワークベースの材料科学AI。220万以上の新規安定結晶構造を発見し、既知の安定材料数を約10倍に拡大した。
GNoMEとは
GNoME（Graph Networks for Materials Exploration）は、DeepMindが2023年11月にNature誌で発表した材料科学向けAIシステム。グラフニューラルネットワーク（GNN）を用いて結晶材料の熱力学的安定性を予測し、220万以上の新規安定結晶構造を発見。それまで人類が実験的に確認してきた安定無機結晶の総数（~2万件）を約100倍上回る候補を生成した。
背景：Materials Informatics
新材料の発見は従来、試行錯誤的な実験合成と第一原理計算（DFT: Density Functional Theory）の組み合わせで行われてきたが、探索空間が膨大すぎる問題があった。Materials Project・AFLOW・OQMDなどのデータベースに蓄積されたDFT計算データをGNNで学習することで、計算コストを大幅に削減しながら安定性予測が可能になった。
アーキテクチャと手法
グラフ表現
結晶構造を原子ノード・結合エッジからなるグラフとして表現:
- ノード特徴: 原子種・電子配置・周期表位置
- エッジ特徴: 原子間距離・結合角・周期的境界条件
安定性スコアリング
形成エネルギー（Formation Energy）と凸包上の距離（Distance to Hull）を予測し、凸包上（=熱力学的安定）の構造を抽出。
2段階パイプライン
- 能動学習ループ: GNoMEが候補構造を生成 → DFTで検証 → 結果でモデル再訓練
- 大規模生成: 訓練済みモデルで数百万候補をスクリーニング
主要成果
- 発見数: 220万以上の新規安定結晶構造（うち38万が既知の安定材料）
- 新規材料数: 約52万件の実験合成候補
- 注目候補: Li-S電池材料、固体電解質、トポロジカル絶縁体候補など
- 再現実験: UC Berkeley等の研究機関が41件の新規材料を実際に合成・確認
他のAI材料探索との比較
DeepMindのGNoMEはGNN+能動学習で無機結晶全般を対象とする。Microsoftのターゲット特化拡散モデルMatterGenは条件付き生成に強みを持つ。TsinghuaのCrystal-LLMはLLM+結晶構造でテキストから構造生成が可能。各システムは異なる強みを持ち相補的関係にある。
材料科学AIの課題
- 合成可能性: 安定でも実際に合成できない構造が多い
- 特性予測: 安定性だけでなく電気・光・磁気特性の予測精度向上が必要
- 有毒元素: Pb・Cd等の環境規制元素を含む候補が多い
- スケールアップ: 実験室レベル合成から工業製造への橋渡し
応用への期待
- 次世代電池: 固体電解質・高容量アノード材料
- 半導体材料: Siを超える高移動度材料
- 超伝導体: 室温超伝導候補の系統的探索
- 触媒設計: 水素製造・CO₂変換触媒
- 磁性材料: 永久磁石・スピントロニクス素子
GNoMEはAlphaFoldと並ぶ「AI for Science」の代表的成果として、材料発見の新時代を象徴するシステムである。