2026.11.20 │ 東北大学 金属材料研究所 │ 元発表:2026.11.11

東北大学ら、言語モデルの再学習なしで材料物性を予測する手法を開発

ニュース紹介

「言語モデルを用いた材料物性の予測を軽量化」

東北大学 金属材料研究所の熊谷悠教授と、東京科学大学、横浜市立大学の研究グループは、大規模言語モデル(LLM)を再学習せずに材料の物性を予測する軽量な機械学習手法「ZEBRA-Prop」を開発しました。材料の構造や組成を自然言語の文章で表し、専門的な数値指標を設計せずに予測します。後段の小規模なニューラルネットワークのみを学習する方式です。

約2,200件のデータでの比較で、学習時間は従来のLLM手法より約95%短縮し、精度は従来のLLM手法に近い水準を維持しました。材料情報を複数の短い文章に分け、重みを学習しながら統合することで、LLMが一度に読める文章量の制限を緩和しています。約2,200件のデータなら、高性能GPUを使わず一般的なPCで数十分程度で学習できます。成果は『Advanced Intelligent Systems』に掲載されました。

出典:東北大学 金属材料研究所 2026年11月11日 プレスリリース/掲載誌:Advanced Intelligent Systems/DOI:10.1002/aisy.70592
https://www.tohoku.ac.jp/japanese/2026/11/press20261111-04-ZEBRA.html

FrontJournalの解説

この研究分野について

新しい材料を探すとき、研究者は既に測られた物性のデータで機械学習モデルを訓練し、未知の材料の性質を計算より速く見積もります。物性とは、電気の通しやすさや光の吸収など、材料の性質を表す値です。

近年は、材料の構造や組成を文章に書き起こし、LLM(文章を読み書きするAI)で物性を予測する方法が広がりました。専門的な数値指標を人が設計する手間を省ける一方、物性ごとにLLMの再学習(ファインチューニング)が必要で、計算資源と時間がかかるという課題がありました。

①LLMを再学習せず、学習時間を約95%短縮

「東北大学」「東京科学大学」「横浜市立大学」の研究グループが開発した「ZEBRA-Prop」は、LLMの中身を書き換えません。論文題名に「埋め込み」とあるとおり、文章を数値の並びに変換するところまでをLLMに任せ、その後ろに置いた小規模なニューラルネットワークだけを学習します。

約2,200件のデータでの比較で、学習時間は従来のLLM手法より約95%短くなりました。高性能GPUを使わず、一般的なPCで数十分程度の学習が可能です。

②材料情報を短い文章に分け、読める量の制限を緩和

LLMには一度に読める文章量の上限があり、構造や組成を細かく書くほど文章が長くなります。ZEBRA-Propは材料情報を複数の短い文章に分け、それぞれを数値に変換した後、重みを学習しながら統合します。精度は従来のLLM手法に近い水準を保ちました。

原文の図1では、チタン酸バリウム(BaTiO₃)の高温相のバンドギャップ(電子が動けるようになるまでに必要なエネルギーの幅)を予測する例で、学習の流れを示しています。

FrontJournalからのひとこと

大型のGPUを持たない研究室でも、手元のPCで物性予測モデルを試せる点に、この手法の意義があります。合成条件や実験記録のように文章で書ける情報を入力に使えるため、研究チームは実験データからの物性予測への応用を見込んでいます。

FrontJournal編集部

本記事は、FrontJournalが公開情報をもとに独自に分析した第三者コンテンツであり、対象企業・研究機関の公式見解ではありません。

この企業の方へ

内容に誤り・更新が必要な点があれば、可能な限り速やかに修正します。お気づきの点はお問い合わせまでご連絡ください。

掲載情報の修正・写真の追加・更新はこちら

プレスリリース原文を読む