Beyond Synthesis Conditions: Linking In-situ Growth Dynamics to Carbon Nanotube Forest Properties through Multimodal Machine Learning

土壌や雨からではなく、シリコンチップ上の薄い金属膜から育つ森を想像してみてください。それはガスの流れによって養われています。これはカーボンナノチューブの世界です。純粋な炭素からなる極めて微細な管であり、驚異的な強度と容易に電気を通す性質を持っています。科学者たちは長年、これらのチューブを垂直に密集した「森林」として成長させることを追求してきました。なぜなら、それらはフレキシブル電子機器から強力な電池に至るまで、あらゆるものに革命をもたらす可能性があるからです。標準的な手法は、触媒を加熱し、そこに炭素を豊富に含むガスを送り込むというもので、「化学気相蒸着法（CVD）」として知られています。長年、研究者たちはもし温度、ガスの種類、流量といったレシピを完璧に制御できれば、その森林がどれだけの高さまで成長するか、そしてどれほどの材料を収穫できるかを正確に予測できると考えてきました。出発条件こそがすべてを物語っており、最終結果に見られる差異は、測定ツールのわずかな揺れのような、単なるランダムなノイズであるという仮定でした。

日本の産業技術総合研究所の研究チームは、この仮説を検証するために、森林の成長をリアルタイムで観察することに決めました。彼らは単にガスの流量を設定して実験が終わるのを待つのではなく、ナノチューブの森林が形成される過程において、毎秒ごとに高さを測定するシステムを構築しました。彼らはこれらのライブ成長ビデオを、データの中からパターンを見つけ出す学習プログラムの一種である機械学習と組み合わせました。彼らの目的は単純でした。初期のガス設定だけで最終的な収穫量を予測できるのか、あるいは成長のプロセス自体の中に、初期条件では見落とされる秘密が隠されているのかを確認することでした。彼らが見つけた事実は、プロセスの捉え方を変えるものでした。ガスの設定値は、森林がいかに速く成長を開始するかを教えることはできますが、その成長がいつまで続くかまでは教えてくれなかったのです。最終的な収益率（イールド）を決める真の要因は、最初のレシピではなく、作業中の触媒の状態の変化であり、それは成長が進むにつれて初めて明らかになるストーリーだったのです。

研究者たちはまず、厳密に管理された条件下でこれらのナノチューブ森林を成長させ始めました。アセチレンを炭素源とし、水素、および触媒の活性を維持するための少量の水蒸気を混合した特定のガスを使用しました。温度は摂氏750度に一定に保ち、全ガス流量も一定でしたが、水素と水蒸気の量を変えることで異なる成長環境を作り出しました。10分間の成長期間の後、彼らは森林の最終的な高さと重量を測定しました。予想通り、森林のサイズには大きなバラつきがありました。同じようなガス設定からスタートしても、高く重厚に育ったものもあれば、短くまばらに留まったものもありました。この散らばりは、初期条件だけでは全体像を説明できないことを示唆していました。

理由を探るため、チームは成長中に取得されたライブの高さ測定値を分析しました。そこで彼らは、森林が単に最終的なサイズが異なるだけでなく、根本的に異なる方法で成長していることを見出しました。ある森林は急速に立ち上がり、10分間ずっと成長を続けました。また別の森林は勢いよく始まったものの、数分後に成長が止まってしまいました。研究者がコンピュータを用いてこれらの成長パターンをグループ分けすると、最終的な高さとは無関係に、曲線に明確な形状が存在することがわかりました。これは、2つの森林が最終的には同じ高さになったとしても、そこに至るまでの履歴が全く異なる場合があることを意味します。一方は着実に成長し、もう一方は急激に進んで停滞するという具合です。初期のガス設定からは、こうした違いを説明することはできませんでした。

次に、チームは機械学習モデルに対し、ガスの設定のみを使用して最終結果を予測するように指示しました。モデルは森林の密度や炭素構造の品質については妥当な予測ができましたが、収益率、つまり生産される総材料量の予測においては完全に失敗しました。モデルはすべての実験に対して中間的な値を推測してしまう傾向があり、非常に高い森林や非常に短い森林を見逃してしまったのです。この失敗により、初期条件だけでは不十分であることが裏付けられました。モデルはある決定的な情報を欠いていました。それは「触媒がどのくらい活動状態を維持できるか」ということです。ガス設定は初期速度を決定しますが、成長がいつ停止するかを予測することはできなかったのです。

これを解決するため、研究者は「観測ウィンドウ」と呼ばれる新しい考え方を導入しました。彼らは、ガス設定に加え、成長曲線に基づいて予測を行うよう機械学習モデルに求めましたが、その際、曲線の抽出タイミングを段階的に変えて行いました。最初は最初の2分間、次は4分、6分……というように、最大でフル時間の10分間まで変化させていったのです。調査の結果、最初の数分間の時点では、依然としてモデルによる最終収益率の予測精度は低いことが分かりました。必要な情報はまだ存在していなかったのです。しかし、観測ウィンドウが中盤から後半へと進み、時間が経過していくにつれて、予測精度は突如として向上しました。6分が経過した時点で、たとえ成長が完了していなくても、モデルは合理的な確信を持って最終的な高さと収益率を推定できるようになりました。

このタイミングこそが重要な発見でした。研究者たちは、以前に無視されていた「ノイズ」が、実際には一つの「信号」であったことに気づいたのです。収益率の変動はランダムな誤差ではなく、触媒の挙動が時間とともに変化した結果でした。ある触媒は長く活性を維持して森林を高成長させた一方で、他の触媒は早期に失活しました。この進化は開始時には予兆がなく、成長が進展することで初めて姿を現します。機械学習モデルは、成長曲線の形状、特に成長速度の減衰を読み取ることで、成長がいつ終わるかを予測することを学んだのです。

また、本研究はガスの混合物のうち、どの成分が最も重要であるかも特定しました。コンピュータ解析によれば、ガス流に含まれる水蒸気と水素の量が、収益率を予測する上で最も重要な要素でした。これらのガスは触媒の働きを助けることが知られており、データはその影響力が決定的であることを証明しました。対照的に、一度成長曲線が含まれてしまえば、炭素源の量は最終的な予測にほとんど影響を与えませんでした。これは、ガス供給と触媒の健康状態とのバランスこそが、究極の収穫量を左右することを示唆しています。

この研究の影響は、単にナノチューブを成長させることにとどまりません。複雑な製造工程を進めるための新たな設計図を提供しています。単にレシピを設定して最善の結果を祈ったり、最後まで待ち切って成功を確認したりするのではなく、現在進行形のプロセスをリアルタイムで見守りながら意思決定ができるようになるのです。もし成長曲線が「今回は低くなるだろう」というサインを示せば、時間と資源を節約するためにプロセスを途中で終了することも可能です。逆に、成長の見込みが高い場合は、収穫量を最大化するために現場で状況に応じて条件を変更することも可能になります。これにより、モニタリングの役割は、完成品をチェックするだけのものから、進化するプロセスの状態を能動的に管理するものへとシフトします。

結局のところ、研究者たちは、カーボンナノチューブの森林の物語は、決して初期条件だけで書かれるのではないことを示しました。始まりは舞台を用意しますが、パフォーマンスの中盤と終盤は、触媒がどのように振舞うかによって決まるのです。成長を展開しながら観察し、スマートな計算機モデルを使ってその徴候を読み取ることにより、プロセスが完了するかなり前の段階で結末を予測することが可能となります。このアプローチは、静的なレシピを素材とのダイナミックな会話へと変容させ、自律的に適応・最適化を行う次世代の自動化ラボラトリーへの扉を開いています。