AIエージェントを使って机上で軽量高エントロピー合金（LW-HEA）の探索パイプラインを回してみる。
大規模言語モデル（LLM）を活用したAIエージェントの検証と、自律的な研究探索パイプラインの構築にチャレンジしました。
当初は DeepSeek や LFM などの新興モデルの性能評価も目的とし、開発アシスタントとして OpenCode を使用してスタートしました。しかし、途中で OpenCode 側で API キーに関するトラブルが発生し一時的に作業が中断したため、その後は Antigravity CLI+ Gemini Argonへ切り替えて検証を継続しました。
テーマとして取り上げたのは、次世代の構造材料として注目される軽量高エントロピー合金（Light-Weight High-Entropy Alloys, LW-HEA）の組成設計と、それに伴う文献・特許ナレッジの自動構造化です。
個人的なPC環境（ローカルLLM ＋ 外部APIのハイブリッド）という制約の中で、自律型エージェントと計算材料インフォマティクス（MI）の評価エンジンを組み合わせ、情報の収集からスクリーニング、ナレッジ蓄積、知見整理・考察、そしてダッシュボード構築に至る一連のパイプラインを一気通貫で回した記録です。
背景：軽量高エントロピー合金（LW-HEA）における設計課題
高エントロピー合金（High-Entropy Alloys, HEA）は、単一の主要元素に添加物を加える従来の合金設計とは異なり、5種類以上の主要元素を等比率近くで混合することで、高い配置エントロピー効果（$\Delta S_{\text{mix}} \ge 1.5R$）により単相固溶体を安定化させる材料群です。
しかし、Cantor合金（CoCrFeMnNi）に代表される従来の主要HEAは高密度な遷移金属を主成分とするため、密度が 6.0 〜 12.0 g/cm³ と重く、航空宇宙や自動車、先端ロボティクスで要求される「軽量化」の面で課題がありました。
これに対し、軽量高エントロピー合金（LW-HEA）は、Al（アルミニウム）や Ti（チタン）などの軽量元素を骨格とし、純チタン（4.51 g/cm³）以下の超軽量でありながら、チタン合金を上回る高比剛性（$E/\rho > 25\text{ GPa}\cdot\text{g}^{-1}\text{cm}^3$）と超高耐食性を両立させることを目指す野心的な研究領域です。
ただし、軽元素（Al, Si等）と早期遷移金属（Ti, V, Cr, Nb等）を多成分で共存させると、負の混合エンタルピーにより脆性金属間化合物（Laves相やシリサイド）が析出しやすく、元素間の電位差に起因する微小ガルバニック腐食が進行しやすいという熱力学的トレードオフを抱えています。この広大な多元系組成空間から最適解を見つけ出すため、自動探索パイプラインを構築しました。
自動探索パイプラインの全体像
情報の収集から可視化までをエンドツーエンドで接続し、イテレーションを回す構造として以下の4ステージからなるパイプラインを設計しました。これだけ見ると特に目新しくもないと思います。自律的にパイプラインやスキル・ツールを構築しつつ進めさせます。重要なのは、最初の構想をそれなりに妥当性のあるものから始めることでしょうか。いくら自律的といっても情報収集が適切でなければ、残念な結果になってしまうこともしばしば。
【Stage 1: 収集 & 物理ガイド型スクリーニング】
└─ 論文・特許（800+件）の構造化収集 ＋ 物理法則（PDM/相安定性/密度）による一次絞り込み
│
▼
【Stage 2: ナレッジの蓄積（Google OKF 準拠 Wiki 化）】
└─ 抽出エンティティの Markdown 自動構造化 ＆ WikiLinks 相互参照グラフの形成
│
▼
【Stage 3: 知見の整理と導き出される考察】
└─ 7トラック最適候補ポートフォリオの導出 ＆ AIエージェント運用上の実証的考察
│
▼
【Stage 4: ダッシュボード構築 ＆ インターフェース化】
└─ 2D/3D パレート境界の可視化 ＆ 実験室向け VAR インゴット揮散補正計算ツールの統合
Stage 1: 文献・特許の収集と物理ガイド型スクリーニング
まず第1段階として、Web上の論文データや特許文献から組成値、物理定数、DOI、実験条件などのメタデータを自動抽出・構造化して収集します。イテレーションを回しながら、情報収集を拡大させます。
収集された候補に対し、ブラックボックスなAI推測だけに頼るのではなく、ドメイン知識に基づく物理法則・計算材料インフォマティクス（MI）の制約条件（Charter）を適用して一次スクリーニングを行います。
- 密度制約: 超軽量化基準である $\rho \le 4.50\text{ g/cm}^3$
- 耐食性モデル: 点欠陥モデル（Point Defect Model, PDM）による皮膜欠陥補償計算（$\log{10}(I{\text{corr}}) \le -7.0\text{ A/cm}^2$）
- 相安定性パラメータ: 単相固溶体化条件（$\Omega \ge 1.1$）、原子サイズ差（$\delta \le 6.6\%$）、価電子濃度（VEC）
Stage 2: ナレッジの蓄積（Google OKF 準拠 Wiki 化）
スクリーニングを通過した抽出データや文献情報は、分散・散逸させず蓄積・再利用できるナレッジ基盤へ自動投入します。人間があとから見ても分かるようにです。必要があれば人間が直接ナレッジに介入できます。
Google OKF（Open Knowledge Format）に準拠した構造化 Markdown ファイル群として蓄積を行い、WikiLinks（[[...]]）を用いた自動リンク形成によって、元素・相構成・特許出願人・物性値が相互に結びついたナレッジグラフを構築します。これにより、ローカル環境やRAG/LLMから即座にコンテキストを参照可能なオフラインWikiデータベースが形成されます。
Stage 3: 知見の整理と導き出される考察
蓄積されたナレッジとMIエンジンの出力を受け、AIエージェントが多角的な分析を行い、最終候補の導出と運用上の考察を整理します。
1. 最適候補ポートフォリオの導出
全方位の用途・制約を網羅するため、以下の7つのトラックに分類した候補組成ポートフォリオを自動導出しました。実際に有益な情報だったら、嬉しいです。この様に様々な組成（成分）を提案します。また、文献をベースに想定する製造方法も提案できています。
| # | トラック名 | 代表組成 (at%) | 密度 $\rho$ (g/cm³) | 比剛性 $E/\rho$ | Pugh比 (B/G) | 耐食性 $\log I_{\text{corr}}$ | 原子サイズ差 $\delta$ (%) | 特徴・推奨用途 |
|---|---|---|---|---|---|---|---|---|
| ① | 標準本命 (Baseline) | Al30.0 Ti35.0 V15.0 Cr10.0 Nb5.0 Si5.0 | 4.45 | 29.70 | 2.24 | -7.90 | 6.52 | Sc/Mgフリー、真空アーク溶解（VAR）標準対応の第一候補。 |
| ② | 最高耐食 (High-Cr) | Al33.0 Ti35.0 V5.0 Cr13.0 Nb9.0 Si5.0 | 4.49 | 29.70 | 2.19 | -8.09 | 6.57 | Cr を 13% に増強し、不飽和耐食性を極大化した設計。 |
| ③ | 耐孔食・高剛性 | Al30.0 Ti35.0 V15.0 Cr10.0 Mo5.0 Si5.0 | 4.50 | 30.73 | 2.18 | -7.85 | 6.55 | Nb を Mo に置換。海水塩化物環境での耐孔食性を強化。 |
| ④ | Siレス高靭性 | Al30.0 Ti35.0 V10.0 Cr15.0 Zr5.0 Sc5.0 | 4.42 | 30.57 | 2.09 | -8.00 | 4.98 | シリサイド脆化リスクを排除し、格子歪みを最小化。 |
| ⑤ | 厳密 Ω≥1.10 固溶体 | Al25.0 Ti35.0 V15.0 Cr10.0 Nb5.0 Sc10.0 | 4.44 | 28.46 | 2.25 | -7.88 | 6.38 | 相安定性条件（$\Omega \ge 1.15$）を完全クリアした単相BCC設計。 |
| ⑥ | 低偏析解 (Nb/Mo-Free) | Al35.0 Ti35.0 V10.0 Cr10.0 Mn5.0 Si5.0 | 4.50 | 29.35 | 2.15 | -7.68 | 6.62 | 高融点元素を排除。融点分散を抑え溶け残りを防止。 |
| ⑦ | 超低密度 (MA+SPS) | Al30.0 Ti35.0 V5.0 Cr15.0 Zr10.0 Mg5.0 | 4.41 | 29.96 | 2.06 | -7.40 | 6.40 | Mg 配合による極限軽量化。固相焼結（MA+SPS）専用。 |
2. エージェント運用から得られた知見と考察
イテレーションを周回させる中で、AIエージェントの挙動に関する実践的な課題と対策が明確になりました。
- Argonは流石でした: 後半で投入した Argon は安定しており、指定した数式モデルやフォーマットに従って手堅く計算と分析を進める能力を示しました。とはいっても、OpenCode経由で試したDeepSeek V4.1 FlashやGLM-5.3-flashでも利用できそうした。しかし、Beamは、この目的には力不足でした。Antifravity+Argonの組み合わせは使いやすかったです。
- 思考の補正は櫃お湯（Human-in-the-Loop）: エージェントは「Si を添加して低密度化する」といった特定の成功パターンが固まると、そこに固執して局所最適に陥る傾向が見られました。明らかに視野が狭くなった際には、人間側で「Siレスの条件（Scenario A）を強制挿入する」などの軌道修正や補正を行う手引きを入れないと小さくまとまっちゃいます。ヒトの知見は大事です。
Stage 4: ダッシュボード構築 ＆ インターフェース化
パイプラインの最終出口として、得られた知見や評価データを人間がインタラクティブに確認・操作できるダッシュボードを構築します。これは、後で材料設計に活かすことができるためです。最終的な成果のまとめ、と思ったのですが、人間が途中経過をチェックし適切に介入するHOTL(Human-on-the-loop)用のツールとしても役に立ちました。
まとめ
AIエージェントを単なる質疑応答ツールとして使うのではなく、「収集 → 物理スクリーニング → ナレッジ蓄積 → 知見整理・考察 → ダッシュボード化」という一連のパイプラインとして接続して周回させることで、材料探索でも机上で十分に価値のあるシステムを構築できました。
今後は、シミュレーションエンジンとのダイレクト接続や、実験プロトコル自動生成との連携など、夢は広がります。別の材料でも試してみたい・・・。だれか、私にトークンをください。
