MicrosoftのMatterGenは、磁性や対称性などの欲しい性質を条件として与えると、それに合う無機材料の結晶構造を生成するAIモデルで、2025年にNatureへ論文が掲載された。構造を予測・探索する従来の材料AIに対し、性質から構造を逆設計する生成型のアプローチが特徴である。ただし生成された候補の大半は計算上の提案であり、合成と実用化は別段階である。
MatterGenとは:性質を条件に結晶構造を生成する拡散モデル
MatterGenは結晶構造に対する拡散モデルを、約60万8千件規模の安定材料データで学習させたと論文は述べる。化学組成に縛られない生成が可能で、学習データにない元素の組み合わせも提案できるとされる。特定の対称性や機械的性質、磁気的性質などを条件として差し替える微調整の仕組みも示され、目的別に生成を寄せる設計になっている。
実験検証の範囲:生成候補を実際に合成した事例
検証では、生成候補の一つを実際に合成する実験が行われ、目標とした性質との差異が一定範囲に収まったと報告された。この『生成→合成→測定』まで通した点が、計算のみの材料提案と一線を画す。一方で、合成できた事例は限られ、生成候補全体の合成成功率や、既存材料を置き換える性能・コスト優位まで示されたわけではない。論文の主張範囲をここで線引きすることが正確な理解につながる。
材料AIの読み方:生成件数と実用材料の距離
既存のGNoMEのような大規模予測データベースとは役割が異なり、MatterGenは目的条件に沿った候補生成器である。日本の材料研究者にとっては、自社の合成・評価設備と組み合わせたときに初めて価値が出る道具であり、AI単体の性能指標だけでは導入判断ができない。生成AIの出力と実験部門の処理能力のバランス設計が、材料AI活用の実務論点になる。数値は2025年のNature論文に基づく。
材料研究者は、条件指定の自由度と自社の合成可能性の重なりを見たい。R&D担当者は、生成件数を成果と数えず、合成・測定まで進んだ候補の割合で評価する基準作りが参考になる。
あわせて読みたい
「220万の結晶構造をAIが予測:GNoME論文と、その後の議論」 https://deeptech.aohalab.ai/#/article/62
「AlphaFold 3:タンパク質だけでなく、薬との結びつきまで予測する」 https://deeptech.aohalab.ai/#/article/61
出典:Nature論文「A generative model for inorganic materials design」(MatterGen, 2025年) https://www.nature.com/articles/s41586-025-08628-5
本記事で紹介した内容は2026年11月時点の公表情報に基づきます。内容は変更される可能性があります。最新の内容は出典の一次情報をご確認ください。
生成候補と合成・評価体制のバランスを、自領域で設計するには
MatterGenの読みどころは、生成モデルの性能指標そのものではなく、生成候補と自社の合成・評価設備を組み合わせたときに初めて価値が出る点にあります。材料AIの導入判断や、生成と実験のバランス設計については、AOHA LABが研究成果の事業化に関する調査・整理で支援しています。
まず、本文の整理に沿って、条件指定の自由度と自社の合成可能性の重なりと、合成・測定まで進んだ候補の割合で評価する基準を書き出してみてください。そこまでが、記事内で完結する第一歩です。
そのうえで、導入判断の進め方については、この記事の下にある相談フォームから、30分無料相談を受け付けています。なお、生成された候補の大半は計算上の提案であり、合成と実用化は別段階である点にご留意ください。