USA Rare Earth、仏量子コンピューター企業Pasqal、産業化学AIを手がけるRiven Systemsが、量子機械学習でレアアース用の新しい抽出剤を探す計画を発表した。Rivenが数千件の自動実験から学習データを作り、Pasqalの中性原子量子プロセッサー（QPU）が量子モデルと古典モデルを比較する。だが、量子コンピューターがレアアースを分離したわけではない。今回始まるのは、互いによく似た元素を分ける化学を、実験と計算の閉じたループで探す試みだ。その価値は量子ビット数ではなく、候補分子が最大数百段に及ぶ工程を実際に短くできるかで決まる。
分離装置の外側にある量子計算の役割
3社が2026年9月17日に示した役割分担は明快である。Riven Systemsは自律型の鉱物分離実験室で数千件の実験を行い、抽出剤の選択性を学ぶためのデータを生成する。Pasqalは中性原子QPUを使う量子機械学習モデルを、同じデータで訓練した古典計算モデルと比較する。USA Rare Earthは分離工程の知見と、候補を実原料で検証する場を担う。
対象原料も実務を意識している。テキサス州Round Top鉱床から得る予定の原料、第三者が供給する混合希土類炭酸塩（MREC）、ネオジム磁石の加工で出る切削くずである。構想では、量子機械学習が有望な抽出剤を選び、Rivenの自律実験室が試し、上位候補をコロラド州Wheat RidgeにあるUSA Rare Earthの研究開発施設で検証する。その後で初めて、候補を同社の処理フローシートへ組み込む。
したがってQPUは、鉱石へレーザーを当てて元素を選り分ける装置ではない。自律実験で得た古典データから、どの分子を次に試すかを決める計算モデルの一部である。電子状態を量子コンピューターで直接精密計算する「量子化学シミュレーション」とも、発表された範囲では異なる。量子特徴写像、回路構成、学習法、量子ビット数は公表されていない。
発表文は、より強く結合する分子が見つかれば、処理施設を小さくし、設備費、運転費、エネルギー消費を下げられる可能性があるとする。すべて将来の効果だ。同社は注意書きで、量子計算、AI、自律実験室を組み合わせた産業応用が新しく、比較的未検証であり、実用的な分子候補を得られない可能性も明記している。
数百段の装置を生む、わずかな化学差
レアアースの難しさは、地中から掘り出すところだけにない。ネオジム、プラセオジム、ジスプロシウム、テルビウムなどの元素は化学的な振る舞いが似ており、混合物から一度で高純度に分けにくい。そこで広く使われる溶媒抽出では、水相と有機相を混ぜ、目的元素がどちらへ移りやすいかという小さな差を利用する。混合と沈降を何度も繰り返し、差を積み上げる工程である。
米エネルギー省（DOE）のネオジム磁石供給網報告によると、溶媒抽出列は最大数百基のミキサーセトラーを使う可能性がある。各基は溶媒と原料液を混ぜる槽と、軽い相と重い相を重力で分ける槽からなる。DOEはネオジムとプラセオジムの分離だけで30基を要し得る例を挙げ、工程が大量の酸、アルカリ、水を消費すると説明している。試薬の購入と廃水処理は、そのまま運転費になる。
抽出剤は、この連鎖の最初に効く。特定元素への選択性が少し上がれば、同じ純度と回収率へ届くまでに必要な段数を減らせるかもしれない。装置が減れば、施設面積と設備費だけでなく、滞留時間、溶媒、洗浄液、廃水も減る可能性がある。逆に、実験室で強く結合しても、相分離が遅い、分子が壊れやすい、再利用できない、毒性や価格が高いといった問題があれば、商用工程では使えない。
DOEの「数百段」や「30基」は業界構造を説明する例であり、USA Rare Earthの現行設備数ではない。それでも、3社が分子探索を供給網の競争力へ結び付ける理由は見える。狙っているのは計算の速度だけではない。わずかな化学差を広い工場で増幅してきた構造そのものだ。
古典AIという比較基準
機械学習による抽出剤探索は、量子コンピューターを待って始まったわけではない。Oak Ridge National Laboratoryなどの研究者が2022年にJACS Auへ発表した査読論文は、古典的な全結合ニューラルネットワークで、ランタノイドが有機相へどれだけ移るかを示す分配係数を予測した。
研究チームは、14種の三価ランタノイドと109種の配位子について、文献から1202件の分配係数を集めた。分子の物理化学的な記述子と原子の結合情報を組み合わせると、最良モデルは検証セットで決定係数R2が0.85、二乗平均平方根誤差（RMSE）が0.53、平均絶対誤差（MAE）が0.34となった。分配係数の対数値を予測するモデルなので、この誤差は小さくない。それでも候補を大量にふるいにかける出発点にはなる。
論文は予測だけで終わっていない。学習・検証データに含めなかった4種の新しいジグリコールアミド系配位子を合成し、実測値と比べた。各配位子で予測と実験のR2は0.78〜0.92、MAEは0.21〜0.41だった。ただし、試した新規配位子は4種にすぎず、学習データに少ない官能基を持つ分子では大きな誤差が出たと著者らは報告している。
この先行研究は、Pasqalの量子モデルが越えるべき基準を具体化する。同じ実験データを使い、学習・検証の分け方をそろえ、強い古典モデルと比べる必要がある。予測精度だけでなく、未見の分子骨格へ外挿できるか、学習と推論に何時間かかり、QPU利用料を含む総費用がいくらになるかも比較対象だ。弱い古典モデルを相手に勝っても、量子計算の実用価値は示せない。
量子AIが越えるべき三つの関門
量子機械学習が供給網へ届くまでには、少なくとも三つの関門がある。第一は計算上の比較である。量子モデルと古典モデルへ同じ訓練データを与え、交差検証、未見の分子骨格、計算時間、消費電力、費用を含めて比べる。精度が同じなら、少ないデータで学べる、候補空間を速く絞れるといった別の利点を示す必要がある。
第二は化学実験だ。モデルが高得点を付けた分子を合成し、ジスプロシウム、テルビウム、イットリウムなどを含む混合液で分配係数と分離係数を測る。選択性に加え、相が分かれる速さ、抽出剤の安定性と再利用性、不純物への耐性も確かめなければならない。予測の当たり外れを次の学習へ戻してこそ、自律実験室のループが機能する。
第三は工程である。実原料を連続処理し、純度と回収率を維持したままミキサーセトラーを何段減らせたかを測る。試薬、水、廃水、エネルギー、処理量、設備費と運転費が同時に改善するとは限らない。ある指標を良くした代わりに、抽出剤が高価になれば競争力は上がらない。
2026年9月20日までに確認できた3社の発表は役割分担と比較試験の設計を示す一方、抽出剤候補、量子モデルの予測精度、古典モデルとの差、設備段数やエネルギーの削減幅を示していない。
未公表だから失敗したという意味ではない。プロジェクトは結果を出す前の段階にある。だからこそ、今後「量子AIで効率化」と発表されたときは、どの古典モデルと比べたか、候補を合成したか、実原料で工程指標が改善したかを分けて読む必要がある。三つを一つの見出しに畳み込めば、研究の進展と宣伝文句を見分けられない。
Wheat Ridgeから供給網へ
USA Rare Earthは2026年6月、Wheat Ridgeで湿式製錬の実証施設を稼働させたと発表している。施設には多段の溶媒抽出回路、リアルタイム監視用のSCADA、現場分析室を備える。対象はRound Top鉱石、第三者のMREC、磁石切削くずの3系統で、今回の提携が挙げる原料と重なる。
同施設は、Round Top向け、外部原料の受託処理向け、磁石再資源化向けという三つのフローシートを並行してリスク低減する場所でもある。USA Rare Earthは、工程データをDOE傘下のNational Energy Technology Laboratoryと進めるデジタルツインの基礎データに使うとしている。自律実験室が分子の選択性を学び、量子・古典モデルが候補を絞り、Wheat Ridgeが実原料で工程を検証する。三つのデータ系を接続できれば、計算上の改善を工場の設計値へ変える道筋ができる。
供給網の集中は、その検証を急ぐ背景である。米地質調査所（USGS）によれば、中国は2023年に世界のレアアース鉱山生産の68%を占めた。また2020〜2023年平均では、米国のレアアース化合物・金属の見かけ消費の67%が中国からの供給に依存した。前者は鉱山生産、後者は米国の消費に占める輸入元の比率であり、分離精製能力の世界シェアではない。数字の対象は違うが、鉱石を確保するだけでは中流の依存を解けないことは共通している。
量子モデルが古典モデルを僅かに上回るだけでは、この集中は動かない。候補分子が実原料で再現し、純度と回収率を保ちながら設備段数、試薬、水、廃水、エネルギーのいずれかを測定可能な幅で減らし、商用規模でも採算が合うことが条件になる。そこまで到達すれば、3社の閉ループは量子計算のデモではなく、西側の分離能力を増やす製造技術として評価できる。
