科学者たちは、バイオ炭が水中の抗生物質を分解する速度を正確に予測するAIモデルを開発し、フィルターの開発期間を数年から数週間に短縮して手頃な価格での飲料水浄化への道を開きました。
ジュナイド・ラティフ氏とナ・チェン氏が率いる研究チームは、数十件の先行研究からデータを収集し、バイオ炭の原料の種類、熱分解温度、気孔率、化学組成、酸化剤の濃度、反応条件といった16の主要なパラメータを特定しました。
このデータベースを基に複数の機械学習モデルを訓練した結果、トランスフォーマー・アーキテクチャを採用したTabPFNが、決定係数R² ≈ 0.91、最小の予測誤差という最高の精度を示しました。
科学的な新規性は、試行錯誤の連続から材料の標的型デザインへと移行したことにあります。以前は効果的なバイオ炭の選定に数百回もの実験が必要でしたが、現在ではアルゴリズムが、どのパラメータの組み合わせが汚染物質の分解速度を最大化するかを数秒で評価します。
並行して研究チームはウェブツールを作成しました。これにより、あらゆる研究者が自分の材料のパラメータを入力し、即座に反応動力学の予測を得ることができます。
実用的な意義は明らかです。排水中の抗生物質は、細菌の薬剤耐性拡大を促す要因の一つとなっています。
農産廃棄物（トウモロコシの芯、わら）から得られるバイオ炭は安価で環境に優しく、光触媒（TiO₂、g-C₃N₄）と組み合わせることで、太陽光の下でスルホンアミド系抗生物質を60分以内に98%分解することが可能です。
AIモデルは、特定の水処理条件においてそのような結果を保証する正確なレシピを見つけるのに役立ちます。
限界を理解することも重要です。現時点でモデルは限られた種類の抗生物質と実験室環境のデータで訓練されており、実際の排水には汚染物質の混合物、有機物、懸濁物が含まれており、プロセスに影響を与える可能性があります。
また、工業規模における複合材料の長期的な安定性にはさらなる検証が必要です。実験室テストでは5サイクル後も材料の有効性が維持されましたが、工業的な運用モードはより過酷になる可能性があります。
次はどうなるでしょうか？チームはデータセットを拡張し、PFAS、マイクロプラスチック、次世代医薬品など、他の汚染物質クラスのデータを含めることを計画しています。
同時に、AIによって設計されたバイオ炭フィルターの実地試験について、試験的な水処理施設との交渉が進んでいます。結果が確認されれば、この技術は今後3〜5年以内に自治体や産業企業向けの標準的なソリューションに加わる可能性があります。
