材料科学において、目標とする特性を持つ候補材料を迅速に特定することは重要な課題である。物理シミュレーションに代わる手法として機械学習が注目されており、安定性やその他の目標特性に基づいて材料を高速かつ低コストでスクリーニングし、高コストな合成段階に進む候補を減らすことが可能になっている。近年では大規模言語モデル（LLM）がこの役割に応用されているが、これらのモデルはパラメータ数が膨大で、訓練時と推論時の両方で計算コストが高く、高通量タスクには不向きである。この非効率性は、言語モデルの過度なパラメータ化と、材料生成を系列学習問題として定式化することの難しさの両方に起因している。
本論文では、これらの限界に対処するため、PRISMatと呼ばれる費用対効果の高い置換不変なモデルを提案する。PRISMatの中心的な革新はその置換不変な設計にあり、材料内の原子や構造単位を任意の順序で処理できるため、特定の系列順序に依存せず、材料の本質的な特徴をより自然に捉えることが可能である。LLMと比較してパラメータ数が大幅に削減され、訓練と推論の速度が著しく向上しているため、高通量の材料スクリーニングに適している。
実験では、PRISMatは特定の表面特性を持つ結晶スラブの生成に適用された。結晶スラブは材料表面研究の重要なモデル系であり、へき開エネルギーや仕事関数などの表面特性は、触媒や電子デバイスなどの応用において極めて重要である。研究チームはPRISMatをLLMベースのベースラインモデルと比較した。その結果、PRISMatは推論時間が短いにもかかわらず、生成品質で優位に立つことが示された。具体的には、ターゲット材料探索において、PRISMatはへき開エネルギー予測で平均絶対誤差（MAE）0.188 eV/Ų、仕事関数予測でMAE 2.79 eVを達成した。これは次善モデルと比較して誤差を4分の1に削減するものであり、顕著な性能優位性を示している。
本論文は「PRISMat: Policy-Driven, Permutation-Invariant Autoregressive Material Generation」と題され、Claire Schlesingerら4名の著者によって2026年5月15日に提出され、現在NeurIPS 2026で査読中である。論文は人工知能（cs.AI）と材料科学（cond-mat.mtrl-sci）の学際領域に属し、全10ページ、8つの図表を含む。PRISMatの登場は、高通量材料スクリーニングに対してより実用的で効率的なソリューションを提供し、候補材料から実験合成までのプロセスを加速し、材料開発のコストと時間を削減することが期待される。