米カリフォルニア州マリブにある研究所HRLラボラトリーズ（HRL）では、素材科学者のハンター・マーティンとその部下たちが、粉砂糖のように細かいグレーの粉末を機械に投入する。その成分のほとんどはアルミニウムだが、ほかにもいくつかの元素がブレンドされている。原子のレヴェルまで厳密に吟味されたものだ。

機械は3Dメタルプリンターだ。粉末をちょうどひと粒分の厚さで層状に敷いては、上部のレーザーで層同士を溶接する「積層造形」を行う。そうして数時間後には、お菓子のブラウニーほどのサイズの小さなブロックがプリントされた。

HRLの親会社であるボーイングとゼネラルモーターズ（GM）は、複雑な形をした金属製の部品を大量に3Dプリントし、新世代の洗練された航空機や自動車に使いたいと考えている。欧州の航空機メーカー、エアバスはすでに翼を取り付けるブラケットに3Dプリントの金属製部品を採用している。民間航空機としては史上初めてのことだ。

しかし、マーティンによれば現在、金属の粉末は品質に問題があり、この技術に利用するには限界があるという。部品の素材にぴったりの合金でも、残念ながら3Dプリントには使えない。粉末の粒子に含まれる原子を正しく積み重ねられず、溶接部が脆く、壊れやすくなるのだ。

アルゴリズムが合金の原料を指定する

マーティンのグループは合金の強度を高めようとレシピに手を加え、3Dプリントに適したものにしようと考えた。主にHRLのセンサー＆マテリアル研究所で、ボーイングとGMの先進技術開発に携わったときのことだ。

秘密兵器は機械学習のソフトウェアだった。ベイエリアを本拠とする企業シトリーン・インフォマティクスが開発したものだ。この結果、人工知能（AI）のアルゴリズムによって、ボーイングが次の機体でどのような素材を採用すべきかを化学的に判断できるという。

テストブロックをつくるまでに、マーティンは2年以上を要した。元素周期表を入念に眺め、金属粉末の強度を高める組み合わせを1,000万通りも導き出した。そのなかから、試作する価値のあるレシピ突き止めるためにシトリーンの機械学習アルゴリズムを活用した。

トヨタの新型プリウスであれ、スマートフォンであれ、レインコートであれ、企業が製品を改良するときには、まず材料となる素材の改善を検討する。iPhone用に硬いガラスを開発するといった品質改善につながる可能性もあるし、（原価を下げて）より安いバッテリーを製造する方法を考え出せるかもしれない。

カーネギーメロン大学の教授で以前、シトリーンと共同研究を行ったこともある素材科学者のリズ・ホルムは「どんなものも『どんな素材でつくるか』から始めなくてはなりません」と語る。

研究者の“勘”に頼る科学から脱却する

だが、これまで、このプロセスには気が遠くなるほど長い時間がかかった。もしLEDの発光効率を上げようとすればまず、何年もかけて素材科学の分野で試行錯誤を繰り返し、叩き台となる半導体のレシピを選ばなくてはならない。そして、その素材がすべての基準を満たすようになるまで、さらに何年もかけて、うんざりするほど微調整を繰り返す。

シトリーンのCEO、グレッグ・マルホランドは「科学的手法とはそういうものです。仮説を立て、実験し、何らかの結論に至ったら、またそこから出発するのです」と話す。マルホランドがまだビジネススクールにいた2013年、シトリーンの共同創業者であるブライス・メレディグとカイル・ミシェルは、このプロセスを短縮できるのではないかと考えた。

重要なのは最初のレシピを正しい領域から選ぶことだ。たいていの場合、同じ素材を長年取り扱って熟練した研究者の“感覚”が求められる。だが、ひとりの科学者の限られた経験に頼るのではなく、アルゴリズムに何十年分もの実験データを与えてみようというのが彼らの発想だった。

こうしたアルゴリズムをつくるには、何十年分もの実験データを探し出す必要があった。彼らはソフトウェアをつくって昔の分厚い辞書をスキャンし、データに変換した。そして、自分たちで考え出したアルゴリズムに、珍しい物質の結晶に関するスーパーコンピューター・シミュレーションの結果を入力してみた。さらにユーザーインターフェース（UI）も改良し、操作性を高めた。研究者が求める素材をドロップダウンメニューとトグルボタンから選択できるようにしたのだ。

判読不能の手書きメモをデータ化するには

シトリーンのチームはこの4年間、HRL以外にもパナソニック、米国防総省高等研究計画局（DARPA）、世界の国立研究所といったクライアントと提携を進めてきた。しかし、それでもなお、素材科学の各種プロジェクトでデータ不足に頭を痛めている。「手元のデータを最大限に生かすには、多少なりとも“クリエイティヴなこと”をせざるを得ません」とマルホランドは言う。

例えば、グーグル翻訳のアルゴリズムは何百万という言葉に裏打ちされている。しかし、素材科学の場合、データポイントが1,000あるいはもっと少ないこともあるのだ。2～3年前に発見されたばかりの素材に取り組もうとしている企業もある。

より多くの判断材料をアルゴリズムに与えるため、マルホランドらはアルゴリズムに物理や化学の一般知識も与えている。ときには、手書きのデータに頼らざるをえない場合さえあるという。

「顧客から提供された書類やノートをスキャンしなければならないこともあります。これは非常に骨の折れる作業です。たいてい、わたし自身が研究所で使っていたノートとよく似ています。つまり判読不能の走り書きがずらりと並んでいて、あちこちのページに化学薬品をこぼした染みがあったりするのです」とマルホランドは言う。

研究者に残される大切な役割は

幸いなことに、マーティンが率いるHRLラボラトリーズとの仕事では、そこまでの苦労はなかった。マーティンがシトリーンを知ったのは大学院のときで、シトリーンの最高科学責任者（CSO）であるメレディグがやってきて講演したからだった。

マーティンらは、合金の溶接性を高めるにはどの原子を加えればよいかを、シトリーンなら予想できるかもしれないと気づいた。原子の理想的なサイズや、形成すべき化学結合の種類が、アルゴリズムで大まかにでも判明するかもしれないということだ。

実際、マーティンのチームはソフトウェアの助けを借り、1,000万通りあったレシピ候補の大部分を除外し、現実的に扱える範囲の100前後に絞り込んだ。従来、このプロセスは研究室で実験を繰り返すなかで進められていた。「何年もかかったであろうプロセスを数日に短縮しました」とマーティンは言う。

こうして探し出した新しい金属粉末の調合を使って、マーティンらは試作ブロックをいくつかプリントし、その強度を調べた。顕微鏡で詳しく観察し、さらに何千ポンドもの力で引っぱるテストを行い、基準をクリアしたと結論づけた。

ただし、シトリーンのソフトウェアがどんなに優秀でも、研究者の専門知識が不要になることはないと指摘するのは、この研究には参加していないイリノイ大学アーバナ・シャンペーン校の教授ウイリアム・ポール・キングだ。マーティンのチームはただ、このソフトウェアに向かって「この金属粉末を溶接できるようにしてくれ！」と言えばいいわけではない。どんな化学的特性を求めているのかを明確にアルゴリズムに伝えなければならないのだ。「そのためには相当の専門知識が必要です」とキングは言う。

むしろ素材科学者たちは、このソフトウェアのおかげで、何十年もかけて組織的に蓄積してきた知識を有効に活用できる。「素材科学の抱えるたくさんの疑問に最新の答えを出すといっても、100年もかけるわけにはいきません。せいぜい5年か10年です。場合によっては、もっと短くても済むでしょう」とマルホランドは言う。無理な話ではない。シトリーンは実際、マーティンの問題に数日で答えを出してみせたのだから。