AIは「存在しそうな物質」を検索する――CuspAIのAI材料工場とは何か【AI記事】

どうも、イケ助です。今回も気になる話題を整理します。

📝 この記事は、公開情報をもとに作成した AI 記事です。（たまに人手で調整している場合があります。） 利用時には事実確認をお願いします！

AIが文章や画像を作ることは、もう珍しくありません。では、まだ作られていない材料を「検索する」AIはどうでしょうか。

英国ケンブリッジのCuspAIは2026年7月、AI Materials Foundryというネットワークを発表し、同時に4億5,000万ドルのSeries Bを公表しました。話の芯は資金調達額そのものではありません。同社が狙うのは、「こういう性質が欲しい」と指定すると、候補となる物質の構造を探し、計算と実験へ渡す仕組みです。

ただし、ここで大事な線引きがあります。コンピューター上で有望に見える構造と、現実に合成でき、安定し、量産でき、価格競争力を持つ材料は別物です。AIは万能の発明機ではなく、人間が試すべき候補を大幅に絞る道具として見るほうが、実態に近いでしょう。

1. CuspAIとAI Materials Foundryとは何か

CuspAIは公式サイトによると、Chad Edwards氏とMax Welling氏が2024年に設立した材料探索AI企業です。本拠は英国ケンブリッジで、半導体、エネルギー、気候技術向けの材料探索を掲げています。

2026年7月20日に発表されたSeries Bは4億5,000万ドル。Kleiner PerkinsとNEAが主導し、企業評価額は26億ドルとReutersが報じました。これは、投資家が「AIが原子や分子の世界で使えるか」というテーマに大きく賭けていることを示す数字です。しかし、評価額は技術の実証済み度を表す成績表ではありません。

同日に発表されたAI Materials Foundryは、CuspAI単独の研究所というより、AI、データ、計算資源、合成・測定ラボ、産業側の工程知識をつなぐネットワークです。公式サイトでは45超のパートナーを掲げ、NVIDIA、Meta、Applied Materials、Hyundai、Kemira、A*STAR、University of Cambridge、ICSD、Wileyなどの名が掲載されています。

ここでいうFoundryは、半導体工場そのものではありません。AIが提案した候補を、計算だけで終わらせず、実験・評価・実装へ進めるための「材料開発の連携基盤」と読むのが妥当です。

CuspAIはこの中核にMIRAという自社プラットフォームを置いています。同社の説明では、目標物性の定義、候補生成、シミュレーション、合成計画、実験連携をオーケストレーションします。ただし、MIRAのモデル構造、訓練データの範囲、第三者比較、合成成功率を示す査読済みの公開資料は、今回確認できた範囲では見当たりませんでした。だから「何を目指す仕組みか」は説明できても、「すでにどこまで達成したか」は別に考える必要があります。

2. 「存在しない物質を検索する」とは何か

普通の検索エンジンは、すでに存在する文書、商品、画像を探します。材料探索で探すのは、まだ実験室で作られていない可能性がある構造です。

たとえば研究者が欲しいものは、化学式そのものではなく、次のような条件かもしれません。

  • 高温でも壊れにくい絶縁膜
  • 電気はよく通すが、熱は通しにくい材料
  • 二酸化炭素を選択的に吸着する多孔質材料
  • 希少元素を減らし、毒性も低い触媒
  • 性能だけでなく原料や製造コストも許容範囲の電池材料

そこで問題を逆向きにします。「この構造はどんな性質か」を問うのではなく、「この性質を満たしそうな構造は何か」と問う。この考え方がinverse design（逆設計）です。

AIは既存データから、組成、原子配置、結晶構造、分子骨格と物性の関係を学びます。目標条件を与えると、その条件に近そうな候補を生成したり、巨大な候補群に順位を付けたりします。つまり、AIは存在しない物質を無から魔法のように発明するのではありません。化学と物理の制約、既知データ、計算モデルの中で、「存在しそうで、目的に近そうな候補」を探しているのです。

3. なぜ材料探索は総当たりできないのか

材料の難しさは、元素を選ぶだけでは終わらない点にあります。どの元素を、どの比率で、何個使うか。同じ組成でも原子の並び方や結晶構造が違えば、性質は変わります。欠陥、粒界、表面、温度、圧力、加工履歴も効きます。

炭素だけでも、原子の結び方が異なればダイヤモンドと黒鉛のように性質が大きく変わります。化学式が同じでも、原子の配置が違う「多形」があり得ます。実用品ではさらに、薄膜にできるか、電極と接触したときに壊れないか、湿気で劣化しないかまで問われます。

そのため材料探索は、一つの正解を計算する問題ではありません。安定性、導電性、強度、毒性、資源性、価格、寿命などが絡む、多目的最適化の問題です。ある性能を上げると別の性能が悪化することも多く、候補の数をただ増やせばよいわけでもありません。

4. AIは材料探索で何をしているのか

材料AIの役割は、だいたい五つに分けられます。

まず、既存データから物性を予測する段階です。構造を入力して、安定性、バンドギャップ、強度、吸着性能などを高速に見積もります。高精度な計算を全候補に実行する代わりに、AIを近似モデルとして使うことがあります。

次に、条件に合う構造を生成する段階です。生成モデル、進化的最適化、ベイズ最適化などで、目標物性に近い候補を出します。Microsoft ResearchのMatterGenは、物性制約に向けて無機結晶を生成するモデルの例です。

三つ目は、シミュレーションで絞り込む段階です。密度汎関数理論（DFT）は、量子力学に基づき電子状態や安定性を計算する代表的な手法です。分子動力学は、原子や分子の運動を時間変化として追います。これらは万能ではありませんが、実験前のふるいとして強力です。CuspAIは、関連技術としてオープンソースの分子シミュレーションエンジンkUPSも公開しています。ただし、公開情報だけでは、kUPSがMIRA全体の中でどのような位置付けにあるのか、どこまで実際に利用されているのかは確認できません。

四つ目は、合成方法を考える段階です。候補が安定そうでも、原料、溶媒、温度、圧力、触媒、反応順序が分からなければ作れません。副生成物が出る、目的の結晶相にならない、反応が遅すぎるといった問題が起きます。

最後が、実験結果を次の探索へ戻す段階です。候補を作り、測り、失敗も含めた結果を次のモデルや探索条件へ返す。この閉ループが回ると、AIは「もっともらしい候補」を並べるだけでなく、現実の実験に合わせて候補の出し方を修正できます。

CuspAIが、この全工程をどの案件でどこまで自動化・統合できているかは、公開情報だけでは判別できません。Foundryの新しさは、少なくとも現時点では、モデルの中身だけでなく、この工程を結ぼうとする運用体制にもあります。

5. 「シミュレーションで存在する」と「現実に作れる」は違う

ここがこの記事で最も重要な点です。「新素材を発見した」という言葉には、少なくとも五段階あります。

  1. コンピューター上で候補構造を生成した
  2. 計算で安定そうだと予測した
  3. 実際に合成した
  4. 物性を測定して狙いどおりだと確認した
  5. 寿命、コスト、歩留まり、規制を越えて製品に採用した

この五つは同じではありません。数学的に表現できる構造でも、物理的に不安定な場合があります。特殊な温度・圧力でしか存在しないかもしれません。合成経路が見つからない、原料が希少で高価、毒性が高い、実験室では作れても量産で再現できない、といった壁があります。

Google DeepMindのGNoMEは、この線引きを理解するのに良い例です。GNoMEは大規模な結晶候補の安定性を予測し、データを公開しました。しかし、安定性予測は合成や実用性能の保証ではありません。DeepMindとMaterials Projectに連携したA-Labの研究では、自律実験室が計算候補の合成を試みました。これは、計算と実験をつなぐ重要な実証です。同時に、合成には成否があり、実験設備が必要だという事実も示しています。

KemiraとCuspAIのPFAS除去材料の案件も、慎重に読むべきです。Kemiraによる共同研究の公式発表では、約300兆通りに及ぶ設計空間を探索し、三つの対象PFAS分子について物性データ付きの新規設計を5,000超生成した後、約20の優先候補を次段階の開発・試験へ進めたとしています。発見段階は約6か月で進めたという説明も、企業側の発表です。これは候補空間を絞る実例として興味深い一方、「300兆件をすべて一件ずつ高精度計算した」ことを意味せず、すでに浄水製品に採用され、量産済みだという意味でもありません。

6. 従来の材料インフォマティクスと何が違うのか

CuspAIが突然ゼロから始めた分野ではありません。背景には、計算材料科学、ハイスループット計算、材料データベース、材料インフォマティクス、機械学習による物性予測があります。

Materials Projectは、既知・仮想材料の計算物性を公開し、研究者が候補を検索・比較する基盤を長く提供してきました。そこへ近年、生成モデルによる逆設計、自動実験、ロボット実験室が重なっています。

CuspAIの説明から見える違いは、単一の予測モデルというより、データへのアクセス、GPU計算、産業パートナーの課題、実験・製造の専門知識をまとめる点です。もしここが実際に機能すれば、候補を出すAIと、候補を現実に作る側の断絶を小さくできます。

ただし、MIRAの性能や閉ループの稼働範囲は公開仕様から検証できません。現段階での新規性は「特定モデルが既存研究を完全に超えた」と断言するより、材料探索の工程統合を事業化しようとする構想とネットワークにある、と書くのが安全です。

7. GNoME、MatterGen、UMA、A-Labは何が違うのか

プロジェクト主な役割公開・検証の状況CuspAIとの違い
CuspAI / AI Materials Foundry目標物性から候補を探し、計算・合成・ラボ連携を掲げる関連技術のkUPSは公開。MIRAの詳細仕様や性能評価は非公開。Kemira案件は試験段階商用プラットフォームとパートナーネットワークを中心にする
GNoME結晶候補の安定性予測と大規模探索Nature論文・候補データを公開Foundryのような顧客案件の工程統合ではない
MatterGen物性条件に誘導した無機結晶の生成Nature論文、コード・データの一部を公開生成モデル研究が中心
UMA（Meta FAIR）原子レベルのシミュレーションを支える汎用モデル論文・モデルを公開Foundryでは構成要素になり得る予測基盤
Materials Project計算物性の検索・データ基盤データ、API、OSSを公開データベース中心で、商用の工程統合ではない
A-Lab合成・解析を自律実行する実験室Nature論文で条件と成否を報告AI生成そのものではなく、実験のボトルネックを担う

比べる際は、候補数や速度を同じものさしで並べないことが大切です。予測モデル、生成モデル、データベース、ロボットラボは、材料開発の異なる場所を担当しています。

8. レアメタル代替は、AIだけで解決しない

CuspAIは、半導体などで希少金属の依存を減らす可能性を掲げます。たとえば米地質調査所（USGS）は、イリジウムを電気化学プロセスや触媒、ルテニウムを触媒、電気接点、コンピューターのチップ抵抗器などに使う重要鉱物として挙げています。

代替が難しいのは、ある元素が希少だからだけではありません。耐熱性、耐食性、電気特性、加工性、既存工程との相性を、代替材料も同時に満たさなければならないからです。さらに供給量、精製設備、価格変動、リサイクル、特許、規制も関わります。

AIは、希少元素を使わない候補を探索条件に入れられます。しかし候補が見つかった瞬間にサプライチェーン問題が解けるわけではありません。「レアメタル不足をAIが解決する」と言い切るのではなく、代替案を探す探索空間を広げ、実験候補を優先順位付けする役割だと捉えるべきです。

9. 巨額資金調達は何に必要なのか

材料AIは、チャットボットのようにモデルを配るだけで完結しません。大規模計算、質の高い実験データ、計測機器、合成・評価ラボ、領域ごとの研究者、長い検証期間が必要です。Foundryという構想が目指すのも、この「デジタルの候補」と「物理の実験」の間を埋めることです。

4億5,000万ドルは、こうした設備・データ・人材・国際拠点に資金が必要な分野だという見方を支えます。ただし、26億ドルの企業評価と、量産材料を生んだ実績は混同できません。投資家が買っているのは、現時点の完成品だけでなく、材料探索の工程を変えられるかもしれないという将来の選択肢です。

まとめ：AIは科学者を代替するより、実験候補を変える

AIによる材料探索の価値は、AIが人間より深遠な科学理論を一人で考え出すことだけにはありません。人間が到底試せないほど大きな候補空間から、実験する価値のある候補を絞り込めることにあります。

AIは、まだ作られていない物質を検索する、と言えます。ただし正確には、欲しい性質から構造を逆算し、既知の化学・物理・データの範囲で、存在しそうな候補を探しているのです。

AIは実験を不要にするのではなく、どの実験から試すかを変えます。そして材料の検索エンジンには、検索結果を現実に作る工場、ラボ、測定、製造工程が必要になります。

最後に答えを出すのは、画面上のスコアではありません。現実の物質と、実験です。AIが科学者を置き換えるというより、科学者が試す候補を変える。CuspAIのAI Materials Foundryが本当に問われるのは、まさにその候補が研究室の外まで届くかどうかでしょう。

参照元

この記事はイケ助がお届けしました。

イケ助
イケ助

【池波（管理人）からひと言】
AIは疲れないから電力だけで働かせ放題とかって話はよく聞きますし、デジタルツインみたいな発想も結構前から出てますが、電子の世界から現実の世界に何かを呼び出すのって意外とハードルが高いんですよね。本当にそこらへんも踏まえて色々考えられるというなら、やはりAIってすごいんだなぁと思います。ただ、現実世界は時間の流れも違うので、検証含めてやるとなるといくらAIの効率が凄いとはいえ作業時間は結構かかりそうですよね。このケースはこれが問題でダメだったとか、そういう情報をいかに蓄積して共有して使いまわせるのかってのも大事になってくる気がしますね。。。とか、今回は真面目なコメントになってしまいました。。。

Raspberry Pi5 16GB Starter Kit 技適を取得済み ラズベリーパイ5 16GBボード/64GB カード/ABS放熱ケース/PD電源アダプター/アクティブクーラー/MicroHDOUTケーブル/ドライバー/カードリーダー/日語説明書 ラズベリーパイ5セット（Raspberry Pi 5 16GB Kit）
¥42,980 （2026/03/08 01:27時点 | Amazon調べ）
Amazon
＼楽天ポイント4倍セール！／
楽天市場
＼商品券4%還元！／
Yahooショッピング
ASUS NVIDIA GeForce RTX 5070Ti ビデオカード 16GB GDDR7 PCI Express 5.0 / PRIME-RTX5070TI-O16G 国内正規代理店品
¥161,414 （2026/05/06 15:21時点 | Amazon調べ）
Amazon
＼楽天ポイント4倍セール！／
楽天市場
＼商品券4%還元！／
Yahooショッピング
UGREEN M.2 SSD 外付けケース-M.2 NVME/PCIE SSDケース USB C 3.2 Gen 2接続 10Gbps高速転送速度 アルミ製 8TB容量対応 M.2 NVMe to USB 変更 2230 2242 2260 2280(M-Key M&B Key) 対応
¥1,935 （2026/03/21 23:12時点 | Amazon調べ）
Amazon
＼楽天ポイント4倍セール！／
楽天市場
＼商品券4%還元！／
Yahooショッピング
タイトルとURLをコピーしました