要旨: 機械学習は化学に革命をもたらしています。予測モデルが仮想スクリーニングを加速することの価値を超えて、生成AIは逆設計を可能にすることを目指し、化合物から性質を予測するパラダイムを、性質から化合物を生成するという形へと反転させようとしています。化学者は現在、有機化学、さらには創薬を含む、豊富なAIツールボックスにアクセスできるようになっています。しかし、これらの手法を無機化合物に適用することは、無機化合物が本質的に抱える性質によって課される課題のために、いまだ限定的です。本レビューでは、遷移金属錯体やミクロポーラス（微孔性）材料を含む、分子から結晶に至るまで多様なシステムを対象として、これらの課題がどのように取り組まれてきたかを分析します。分析の焦点は、生成AIの手法が、無機化合物の化学組成、幾何構造、対称性、電子構造といった全体の複雑さに対応するデータ表現モデルのパイプラインへとどのように進化してきたかにあります。さらに、ベンチマークの標準化や、合成可能性メトリクスの開発といった将来の方向性についても議論します。
生成AIによる無機化合物の逆設計
arXiv cs.LG / 2026/4/15
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- この論文／レビューは、生成AIによって化学のワークフローを、特性予測（化合物→特性）から逆設計（特性→化合物）へとシフトできると主張している。
- 無機化合物にAIを適用する際の、組成・幾何・対称性・電子構造の複雑さに起因する制約が、データ表現→モデルのパイプラインの進化によってどのように対処されてきたかを概説している。
- 分析対象は、無機分子、結晶、遷移金属錯体、マイクロポーラス材料など、複数の無機系のタイプにまたがっている。
- 逆設計で得られた候補を実際に合成可能なものとして実現するために、標準化されたベンチマークや合成可能性（synthesizability）を定量化する指標の作成といった今後の必要性を強調している。
