光は宇宙の始まりから存在し、人類は長い時間をかけてその振る舞いを理解してきた。ガラスを削り出してレンズを作り、はるか遠くの星々の動きから微小な生命の姿までを捉えてきた。しかし、現代の科学技術が挑んでいるのは、光の波長よりも小さなナノメートルの領域で、光の軌道を極限まで閉じ込め、自在に操るという極めて緻密な領域である。
ナノフォトニクスと呼ばれるこの分野は、量子コンピューティングを支える情報伝達や、紙のように薄いカメラレンズの実現など、次世代の技術を根底から支える可能性を秘めている。だが、その微細な構造を設計するプロセスは、長らく計算機科学の限界と隣り合わせの状態にあった。
スウェーデンのチャルマース工科大学の研究チームは、この膠着状態を打ち破る革新的なアプローチを発表した。彼らはニューラルネットワークに電磁気学の基礎方程式を事前に学習させた「physics-informed（物理学の知見を組み込んだ）」機械学習システムを開発した。このデジタルな「スーパーブレイン」は、これまで数ヶ月を要していた光学コンポーネントの設計プロセスをわずか数日へと劇的に圧縮し、ナノスケールの光制御技術に新たなパラダイムをもたらそうとしている。
ナノスケールの光を操る。シミュレーションの泥沼とAIの「白紙状態」
光の波長よりも小さな構造体において、光は日常的な直感とは全く異なる振る舞いを見せる。メタマテリアルと呼ばれる人工の光学材料を設計するためには、マクスウェル方程式という古典電磁気学の金字塔をコンピューター上で力技で解き続ける必要がある。
特定の光を反射し、別の光を透過させるようなナノ構造を探し出す作業は、広大な砂漠の中から一粒の砂金を見つけ出すようなものだ。従来の手法では、1回のフルウェーブ電磁界シミュレーションに数十分から1時間を要し、目的の構造にたどり着くまでに数万回もの試行錯誤を繰り返さなければならなかった。
この膨大な計算コストを削減するため、近年では機械学習を用いたアプローチが盛んに研究されてきた。ニューラルネットワークに大量のシミュレーション結果を読み込ませ、構造と光学的特性の関係性を学習させる手法である。だが、ここに一つの大きな矛盾が生じていた。
従来のディープラーニングモデルは、物理学に関しては全くの「素人」である。チェスのルールを知らない初心者に膨大な棋譜を見せてルールの推測から始めさせるように、標準的なニューラルネットワークはエネルギー保存則や因果律といった宇宙の基本的なルールを全く知らない「白紙状態」から学習をスタートする。そのため、AIに正しい予測を弾き出させるためには、質の高いシミュレーションデータを大量に与え続ける「データ飢餓」のサイクルに陥る。4万回のシミュレーションデータを用意するために、スーパーコンピューターをフル稼働させても1ヶ月以上の時間を費やす状況が常態化していたのである。
車輪の再発明を防ぐ。物理の摂理を宿したデジタル頭脳の誕生
「電磁気学の方程式を熟知している私でも、材料を見ただけでその特性を即座に見抜くことはできない。だがコンピューターにはそれが可能だ」。チャルマース工科大学のPhilippe Tassin教授はそう語る。研究チームが直面した最大の問いは、AIに最初から「物理法則」を教えておけば、ゼロから法則を推測させる無駄を省けるのではないか、というものだった。
彼らが導き出した解決策が、「QNM-Net（Quasinormal Mode-Based Neural Network）」と呼ばれる独自のアーキテクチャである。このシステムは、単にAIの予測結果を後から物理的な条件で補正するものではない。AIの神経回路の奥底に、光の共鳴を記述する数学的枠組みを直接組み込んでいるのである。
このアプローチの核心は、「擬似基準モード（Quasinormal Modes: QNM）」の理論にある。光が物質にぶつかって散乱する際の複雑な応答を、研究チームは「鐘の音」に例えられる共鳴モードの足し合わせとして分解した。外部へエネルギーが逃げていく（音が減衰していく）開放系において、光がどのように閉じ込められ、そして漏れ出していくのか。QNM展開という理論を用いることで、システムはエネルギー保存則を満たす厳密な計算式の上で予測を行うことができる。
この構造により、ニューラルネットワークの役割は「結果の丸暗記」から「物理パラメータの推論」へと変化する。物理的なルールという強固なレールが敷かれているため、AIはあり得ない予測（例えば、入ってきた光よりも強い光が反射されるといったエネルギー保存則の違反）を物理的に出力できなくなる。AIに物理の「基礎教育」を施すことで、車輪の再発明を完全に防いだのである。
共鳴を聴き分けるAI。擬似基準モードがもたらす圧倒的なデータ圧縮
物理法則を組み込んだ効果は、数字として劇的な形で現れた。フォトニック結晶（PhC）スラブと呼ばれる周期的な穴の空いたナノ構造体の設計において、QNM-Netは従来モデルの常識を覆すデータ効率を見せつけた。
通常のニューラルネットワークが意味のある予測精度に到達するためには、数千から数万の訓練サンプルが必要だった。しかしQNM-Netは、全体のわずか2%にあたる160個のデータサンプルを学習しただけで、平均二乗誤差が10のマイナス3乗を下回る極めて高い精度を叩き出した。
このデータ効率の向上は、研究開発のタイムラインを根本から書き換える。これまでニューラルネットワークの訓練用データを生成するだけで30日を要していたプロセスが、わずか3日へと短縮されたのである。そして一度訓練を終えたネットワークは、未知の構造を入力されても、その光学的特性をわずか1ミリ秒で正確に予測する。
| 比較項目 | 標準的ニューラルネットワーク | QNM-Net（本研究） | 構造的優位性 |
|---|---|---|---|
| 学習アプローチ | ゼロからのデータ駆動型（白紙状態） | 物理法則駆動型（QNM展開の組み込み） | 物理的矛盾のない予測を保証 |
| 必要データ量 | 数千〜数万サンプル | 160サンプル（従来の約2%） | 圧倒的なデータ効率 |
| データ生成期間 | 約30日（最大4万回のシミュレーション） | 約3日 | 計算リソースの大幅な節約 |
| パラメータ数 | 数十万〜数百万（ブラックボックス） | 約1.4万（物理的に解釈可能） | 軽量かつ高速な推論（1ミリ秒） |
AIが導き出す予測の背後にある「理由」が透けて見える点も、このアーキテクチャの特筆すべき点である。従来のAIが「なぜその形が良いのか」を説明できないブラックボックスであったのに対し、QNM-Netが予測する中間パラメータ（共鳴周波数や減衰率）は、マクスウェル方程式の固有値と直接結びついている。科学者はAIの予測結果を物理的な視点から検証し、新たな知識を引き出すことが可能になった。
目的から形を削り出す。1秒未満で完了する「逆設計」の威力
QNM-Netの真の力は、特性を予測する順方向の計算だけにとどまらない。産業界が最も渇望している「所望の光学的特性から、それを実現する構造を逆算する」という逆問題（Inverse Design）において、その威力は最大限に発揮される。
特定の周波数の光だけを強く反射させたい、あるいは特定の波長で光を特定の方向に曲げたいという目的があるとする。QNM-Netを用いた最適化プロセスでは、AIが予測した物理パラメータと目的値との差を最小化するように、自動微分を用いて設計を逆算していく。
- QNM-Netを用いた「逆設計（Inverse design）」の成果。所望の光学的特性（固有振動数と損失率）を指定すると、AIがその条件を満たすフォトニック結晶の厚みや穴の配置を逆算する。数百回の最適化ステップがわずか1秒未満で完了し、AIの予測（青線）と従来の厳密なフルウェーブシミュレーション結果（黒線）が極めて高い精度で一致している。(Credit: Viktor A. Lilja, Albin J. Svärdsby, Timo Gahlmann, Philippe Tassin, Laser & Photonics Reviews (2026). DOI: 10.1002/lpor.202502769)*
この逆算プロセスに要する時間は1秒未満である。これまで数百回、数千回の重いシミュレーションを繰り返してようやく辿り着いていた最適解に、人間が瞬きをする間に到達する。物理モデルが内包されているため、最適化アルゴリズムが非物理的な「幻の解」に迷い込むリスクも極めて低い。
複雑な迷宮を解き明かす。自由造形メタサーフェスが示す未来の設計図
この技術は単純な幾何学模様にしか通用しないわけではない。研究チームはさらに複雑な「自由造形誘電体メタサーフェス（Free-form Dielectric Metasurface）」の設計にもQNM-Netを適用した。これは100×100のグリッド状のピクセルで表現され、直感的な対称性を持たない極めて複雑な迷路のような構造である。
膨大な設計空間を持ち、複数の共鳴が重なり合うこのシステムにおいても、QNM-Netは高い適応力を示した。データセットのサイズを従来のモデルと比較して約3分の1に抑えながら、同等の予測精度を達成したのである。興味深いことに、AIは散乱スペクトルに寄与しない「不要な共鳴モード」を自ら判断し、モデルの枠外へと自動的に排除する挙動を見せた。人間が手作業でフィルタリングしなければならない複雑なモードの取捨選択を、AIが物理法則に基づいて自律的に行っているのである。
光学設計のパラダイムシフト。量子通信から極薄レンズまでのマクロな展望
チャルマース工科大学が成し遂げたこのブレイクスルーは、ハードウェアの社会実装を直接的に牽引する。その背後には、スウェーデン初の大規模量子コンピュータ構築プロジェクトとの強固な連携が存在する。
現在、GoogleやIBMをはじめとする巨大テック企業が超伝導量子コンピュータの開発競争で先行しているが、計算能力を飛躍させる「量子ネットワーク」のスケーラビリティを確保するためには、光を用いた情報伝達技術が欠かせない。欧州発の技術として、特定の量子ハードウェアの制約に縛られず、光学コンポーネントの設計サイクルを従来の10倍の速度で回せるようになったことは、この熾烈な覇権争いにおいて強烈な戦略的優位性をもたらす。光を極限まで閉じ込め、効率的に反射・伝送する「機械的コンプライアンスを持つフォトニック結晶」の設計ボトルネックが解消されることで、フォールトトレラント（障害耐性）を持つ量子通信ネットワークの構築が一気に現実味を帯びる。
さらに、この技術は私たちの日常生活のデバイスにも直結する。スマートフォンのカメラレンズはこれ以上薄くできない物理的な限界に近づきつつあるが、ナノフォトニクスによるフラットな「メタレンズ」が実用化されれば、カメラの出っ張りは過去のものとなる。同様に、現在のかさばるVR/ARヘッドセットは、普通のメガネと変わらない薄さと軽さを持つようになるだろう。QNM-Netは、これらの次世代光学デバイスを市場に送り出すための「設計の高速道路」となる。
残された課題もある。極端に複雑なメタサーフェスの設計においては、非常に微弱な共鳴モードをAIが捉えきれないケースも報告されており、完全なモデル化にはさらなる調整が必要である。研究チームのViktor A. Liljaは、オートエンコーダーを用いた転移学習の導入など、さらなるデータ効率化の可能性を探求している。また、製造工程で生じるナノレベルの誤差（ノイズ）に対して、物理法則を組み込んだモデルが標準的なAIよりも高い堅牢性を持つことも示唆されており、実環境における製造歩留まりの向上にも寄与する可能性が高い。
物理法則という自然界のルールブックを読み込んだ「スーパーブレイン」は、計算機科学と光学の境界を溶かしつつある。人類がナノスケールで光の軌道を自在に描く未来は、もはや遠い想像の産物ではない。
