AIが室温超伝導体探索を桁違いに加速：カゴメ格子超伝導体2種を機械学習で発見、SuperCコンソーシアムが2033年目標に照準

何があったのか

Aalto大学、Rice大学、Princeton大学、Ruhr大学Bochum、Donostia国際物理センターの国際チームが、2026年6月17日発行のPhysical Review Researchに、機械学習によるカゴメ超伝導体YRu3B2とLuRu3B2の発見を報告した。両物質はAIが予測した候補で、その後の実験合成で1K未満の臨界温度で超伝導になることが確認された。SuperCコンソーシアムのTörmä教授は、機械学習ベースの事前スクリーニングと、有望候補への集中的計算を組み合わせる手法により、将来的には処理できる物質数を数十億のオーダーに引き上げられる可能性があるとの見通しを示している。既知の7,000超の超伝導体のうち、その実現可能性を理論的に予測できたのは約20種にとどまっており、計算コストが探索のボトルネックとなってきた。今回のパイプラインは、この構造的な制約を突破する可能性を持つ。

なぜ超伝導体探索は難しかったのか

超伝導体は電気抵抗ゼロで電流を流せる物質で、発電、送電、コンピューティング、医療画像、輸送、次世代エネルギーインフラなど、産業社会のエネルギー効率を根底から変える可能性を持つ。ただし、超伝導体になり得る元素の組み合わせは事実上無限で、実際に超伝導性を示す物質は極めて少数である。加えて、既知の超伝導体の大半は絶対零度に近い極低温での冷却装置を必要とし、実用範囲が限定される。従来の探索手法は、密度汎関数理論（DFT）などに基づく第一原理計算で候補物質の電子状態を1つずつ計算し、超伝導になるかを予測するものだった。この方法は正確だが計算コストが極めて高く、1物質あたり数時間から数日を要する。既知7,000物質のうち20物質しか予測できていない事実が、この計算コストの重さを象徴している。

SuperCのAI駆動パイプラインの構造

このパイプラインの新規性は、機械学習によって計算対象を数百万・数十億から数百に絞り込み、そのうえで従来の高精度計算を集中投入する分業構造にある。計算リソースを賢く配分することで、既存手法では現実的に不可能だった探索空間の走査を可能にした点が本質である。

発見された物質と量子幾何学

YRu3B2とLuRu3B2は、いずれもカゴメ格子と呼ばれる特殊な結晶構造を持つ。カゴメ格子は日本の伝統的なカゴ編みの六角形パターンに由来する名前で、電子がフラットバンド（エネルギー分散が平坦な電子状態）を形成しやすい構造として知られる。両物質の超伝導性は、フラットバンドを形成する電子から生じており、量子幾何学的な性質が超伝導特性に影響を与える可能性を示唆している。臨界温度は1K未満と極めて低いが、この発見の価値は温度そのものではない。AIが実サンプルが1つも存在しない段階で物質を予測し、その後の実験で予測が正しかったと確認された点に本質的な意義がある。パイプラインが機能することが実証されたことで、今後は量子幾何学的性質による超伝導性増強が支配的な物質、そしてその増強が臨界温度を極低温冷却なしでアクセス可能な領域まで押し上げる物質を探索する、より難易度の高い課題へと進むことになる。

室温超伝導体が実現すると何が起きるか

Törmä教授は、室温超伝導体が実現した場合の影響を3方向で説明している。第1に、送電網の抜本的な効率化である。現在の送電系統では発電量の相当割合が抵抗損失として失われており、これがゼロになれば世界のエネルギー消費構造が変わる。第2に、情報通信技術（ICT）セクターの熱フットプリント削減である。データセンターの消費電力の相当割合は冷却に費やされており、超伝導コンピューティングが実現すれば、この構造そのものが変わる。データセンター需要はAI時代に指数関数的に膨張しており、電力消費の抑制は気候変動対策としての意義も持つ。第3に、強力な磁石、高速コンピュータ、医療画像、先進輸送、新エネルギー技術など、超伝導が可能にする応用領域の広がりである。SuperCコンソーシアムは、2033年までに室温超伝導体を発見するという野心的な目標を掲げている。従来の探索速度で考えれば非現実的な目標だが、AI駆動パイプラインの登場によって現実味を帯びる可能性がある。

関連企業と市場動向

超伝導体の応用領域は、量子コンピュータ、核融合、医療画像、送電、粒子加速器など多岐にわたる。

投資視点では、AI駆動の材料探索が学術研究段階から産業応用段階に移行しつつある流れが本質である。GoogleのDeepMindが2023年に発表したGNoMEプロジェクトは、220万の新規結晶構造をAIで予測しており、材料探索の常識を書き換えた。今回のSuperCの成果は、これを超伝導という特定機能に絞ったパイプラインとして精緻化したものと位置付けられる。長期的には、AI駆動材料探索プラットフォームを提供する企業、超伝導応用製品を製造する企業、そして超伝導計算のための高性能コンピューティングリソースを提供する企業の3層が、恩恵を受ける構造となる可能性がある。

課題と今後の展望

今回のパイプラインが検証したのは、カゴメ構造における新しいBCS超伝導体を効率的に発見する能力である。BCS超伝導体は電子とフォノンの相互作用で電子ペアが形成される伝統的なタイプで、臨界温度が原理的に上限を持つ。室温超伝導体を実現するには、非BCS機構、たとえば量子幾何学的性質、電子相関、フラットバンドの相互作用が支配的な役割を果たす物質を探す必要があり、これは同じパイプラインでもより難しい課題となる。Törmä教授自身が、今回の物質はその未来への一歩であって未来が近いことの証明ではないと率直に位置付けている。過去には室温超伝導体の主張が撤回された事例（Nature誌が2023年にRochester大学の主張を撤回）もあり、業界は慎重な検証を求める姿勢を強めている。技術的な課題としては、機械学習モデルの学習データが既知の超伝導体に偏る傾向があるため、真に新しいタイプの超伝導体を予測する能力に限界がある可能性がある。量子計算と機械学習を組み合わせるハイブリッド手法が、この限界を突破する候補となる。実験合成の側では、AIが予測した物質を実際に合成できるかは別問題で、合成可能性と安定性を同時に評価するAI手法の開発も並行して進む必要がある。それでも、AIが材料探索の律速段階を突破しつつあることは間違いなく、今後10年で超伝導体探索の景色は根本的に変わる可能性がある。室温超伝導体がAIによって発見される日は、まだ遠いかもしれないが、少なくとも前より近づいたとみられる。