MITの研究者たちは2026年3月30日、非侵襲性の中性子散乱技術のデータを用いて材料中の点欠陥を分類・定量化するAIモデルを開発したと、学術誌『Matter』に発表した。
筆頭著者は材料科学・工学科の博士課程候補者ムーヤン・チェン氏、シニアオーサーは核科学・工学科准教授のミンダ・リー氏。モデルは2,000種類の半導体材料で訓練され、周期表の56元素に対応する。欠陥濃度0.2%以上の点欠陥を最大6種類まで同時に検出できる。次のステップとしてラマン分光データへの対応を計画している。研究はDepartment of EnergyとNational Science Foundationの支援を受けた。
From: 
MIT researchers use AI to uncover atomic defects in materials
【編集部解説】
この研究を一言で表すなら、「材料の見えない素顔を、AIが高精度に読み解くことに成功した」ということです。
私たちが日常的に使っているスマートフォン、EV（電気自動車）のバッテリー、太陽光パネル。これらの性能を左右しているのは、「原子スケールの欠陥（ドーパント）を一定濃度で意図的に導入する」という点です。欠陥と聞くと不良品を思い浮かべますが、材料科学における「点欠陥（point defect）」とは、いわば「設計された不完全さ」です。半導体製造における「ドーピング」がその典型で、現代のエレクトロニクス産業は、この欠陥を精密に制御する技術の上に成り立っています。
問題は、「作る」技術と「測る」技術の間に、長年大きな溝があったことです。現状の検査手法には、それぞれ限界があります。製造現場では、ラインから出てきた完成品のごく一部を破壊検査するのが慣行であり、残りは「おそらくこうなっているはず」という推測に頼らざるを得ませんでした。
今回MITが開発した「DefectNet」（論文における正式名称）は、この構造的な問題に真正面から挑んでいます。中性子散乱という非破壊の計測手法から得た「原子の振動パターン」のデータを、ChatGPTと同じマルチヘッドアテンション機構を持つAIが解析することで、材料を傷つけることなく、最大6種類の点欠陥を同時に、しかも0.2%という低濃度まで検出できます。訓練データは2,000種類の親材料から生成された16,000件以上のシミュレーションスペクトルであり、周期表の56元素に対応する汎用性を持ちます。
ポジティブな側面として最も重要なのは、「非破壊かつ複数同時検出」という組み合わせが前例のない点です。これにより、半導体や次世代バッテリー材料の品質管理に革命をもたらす可能性があります。欠陥を「推測」から「測定」へと転換できれば、歩留まりの向上や不良品の削減につながり、製造コストの抑制にも直結します。半導体の微細化が進み、わずかな欠陥も性能に直結する時代において、この精度の検出能力は産業界にとって大きな意味を持ちます。
一方で、現時点では課題も残ります。中性子散乱施設は世界でも限られた研究機関にしかなく、量産ラインへの即時展開は現実的ではありません。研究チーム自身もこの点を正直に認めており、次のステップとして、より広く普及しているラマン分光法への対応を計画しています。ラマン分光法が使えるようになれば、この技術の産業応用への道が大きく開くでしょう。また、現時点での検出対象は点欠陥に限られており、粒界や転位といったより大きな構造欠陥への拡張も今後の課題です。
長期的な視点に立つと、この研究はAIによる「材料科学の基盤モデル（foundation model）」という潮流の中に位置づけられます。56元素・2,000材料をカバーする汎用モデルを構築したという事実は、特定の材料に特化した従来のアプローチとは一線を画すものです。将来的には、設計段階でAIが最適な欠陥パターンを提案し、製造後にAIが欠陥を非破壊で検証するという、材料開発の全工程がAIで繋がるサイクルの実現が視野に入ってきます。
規制面では、医療機器や航空宇宙部品など、材料の信頼性が人命に関わる分野での品質基準に影響を与える可能性があります。非破壊で定量的な欠陥検証が標準化されれば、「何割かのサンプルを破壊検査すれば十分」という現行の検査基準そのものが見直されるかもしれません。
ミンダ・リー准教授の言葉を借りるなら、「欠陥は諸刃の剣」です。適切に制御された欠陥は材料の可能性を広げ、制御を失った欠陥は製品の性能を損なう。AIはその剣をより精密に扱うための「目」になろうとしています。
【用語解説】
点欠陥（Point Defect）
結晶格子の中の特定の位置に、本来とは異なる原子が置換・混入している状態のこと。半導体製造では「ドーピング」によって意図的に点欠陥を導入し、電気的特性を制御する。今回の研究が検出対象とする欠陥の種類である。
ドーピング（Doping）
半導体などの材料に微量の不純物原子（ドーパント）を意図的に添加し、電気伝導性などの特性を変化させる技術。現代の半導体製造の基盤技術であり、この「仕込む」技術と「測る」技術のギャップが長年の課題だった。
中性子散乱（Neutron Scattering）
物質に中性子線を照射し、散乱パターンから原子の配置や振動の状態を調べる非破壊的な分析手法。X線では見えにくい軽元素の検出にも優れており、DefectNetの入力データとして用いられた。大型研究施設が必要なため、利用できる環境は限られる。
ラマン分光法（Raman Spectroscopy）
物質にレーザー光を照射し、分子の振動状態を調べる光学的分析手法。企業の品質管理現場にも広く普及しており、研究チームが次のステップとして対応を計画している手法である。
マルチヘッドアテンション機構（Multi-head Attention Mechanism）
ChatGPTなどの大規模言語モデルを支えるトランスフォーマー構造の核心技術。データの中の複数の「関係性のパターン」を並列に学習できる仕組みで、DefectNetはこれを振動スペクトルデータの解析に応用している。
基盤モデル（Foundation Model）
大量のデータで事前訓練され、様々なタスクに転用・応用できる汎用的なAIモデルのこと。DefectNetは半導体材料の欠陥検出に特化した材料科学分野の基盤モデルとして位置づけられる。
X線回折（X-ray Diffraction）
X線を結晶に照射して回折パターンを解析し、結晶構造を調べる手法。一部の欠陥の特徴づけには有効だが、すべての欠陥タイプを網羅的に検出することはできない。
透過型電子顕微鏡（Transmission Electron Microscope, TEM）
電子線を試料に透過させて原子レベルの構造を可視化する顕微鏡。高い分解能を持つ一方、試料を薄くスライスして破壊する必要があるため、完成品の全数検査には不向きである。
粒界・転位（Grain Boundary / Dislocation）
点欠陥より大きなスケールの構造的な欠陥。粒界は異なる結晶粒の境界面、転位は結晶格子のずれを指す。研究チームは今後、点欠陥に加えてこれらの検出にもアプローチを拡張することを計画している。
【参考リンク】
MIT（マサチューセッツ工科大学）（外部）
1861年創立の米国屈指の理工系研究大学。DefectNetを開発したミンダ・リー准教授の研究チームが所属する核科学・工学科が今回の研究を主導した。
Oak Ridge National Laboratory（外部）
米国エネルギー省が運営する国立研究所。世界有数の中性子散乱設備を持ち、今回の研究でSiGeやMgB₂の実験データ取得・検証を担当した。
Matter（Cell Press）（外部）
Cell Press（エルゼビア傘下）刊行の材料科学国際査読誌。DefectNetの論文が2026年3月30日号に掲載された権威ある学術誌。
U.S. Department of Energy（米国エネルギー省）（外部）
米国エネルギー政策を担う連邦政府機関。材料科学・核科学・エネルギー技術分野の研究を幅広く支援し、今回のDefectNet研究にも資金を提供した。
National Science Foundation（米国国立科学財団）（外部）
米国における基礎科学・工学研究の主要な連邦助成機関。大学の研究活動を幅広く支えており、今回のMIT研究への資金支援機関のひとつ。
【参考記事】
A Foundation Model for Non-Destructive Defect Identification from Vibrational Spectra（外部）
DefectNetの正式論文プレプリント。16,000件以上のスペクトルで訓練、0.2%〜25%の濃度範囲で欠陥検出可能と詳述した一次資料。
Can AI defect detection map six atomic defects in semiconductors noninvasively?（外部）
2026年3月30日付の英語解説記事。MITニュースをベースに技術的背景を整理し、今後の拡張計画（粒界・転位への応用）にも言及している。
AI Aids MIT in Uncovering Atomic Material Defects（外部）
2026年3月30日付の転載記事。元記事の内容を忠実にまとめており、数値（2,000材料・6種類・0.2%）の正確性確認に使用した。
Mingda Li | MIT NSE（外部）
シニアオーサーのミンダ・リー准教授の公式プロフィール。研究領域（量子・核・AI）と2025年APSフェロー選出の経歴を確認した。
【編集部後記】
「欠陥」という言葉に、どんなイメージを持っていますか？私たちは長い間、それを「避けるべきもの」として捉えてきました。
でも実は、私たちの手元にあるデバイスの性能は、見えないところで精密に制御された「欠陥」に支えられています。AIが材料の素顔を読み解く時代に、あなたはどんな可能性を感じますか？
