この論文は、材料探索のやり方を変える「逆材料設計」についての総説です。従来の「ある材料の性質を予測する」流れから、目標と制約を満たす候補を直接提案する流れへ移行することを扱います。著者らは、結晶構造を生成する最新の手法と、それらを検証・改良する閉ループ（提案→評価→フィードバック）ワークフローを整理して紹介しています。

レビューの中心には四つの生成モデル群があります。変分オートエンコーダ（VAE：Variational Autoencoder）は材料を低次元の“潜在コード”に圧縮して再構成します。敵対的生成ネットワーク（GAN：Generative Adversarial Network）は生成器と識別器が競うことで候補を作ります。正規化フロー（Normalizing Flow）は可逆な変換を重ねて確率を正確に扱います。拡散モデル（Denoising Diffusion Probabilistic Models）はノイズを段階的に取り除いて試料を再構成します。これらは大規模なデータベースから化学・構造の「先行知識（プリオリ）」を学び、条件付き生成や制約付きサンプリングを可能にします。

論文はまた、多様なデータを一つの表現にまとめる「マルチモーダル学習」の重要性を強調します。構造データに加え、熱力学や電子特性、顕微鏡像、スペクトル、加工履歴、論文テキストなどを組み合わせることで、設計目標の指定や制約条件の扱いが堅牢になります。逆設計の実際の運用は、候補を生成する「提案」、安価な検査から高精度な第一原理計算（DFT：Density Functional Theory）や実験まで階層的に行う「評価」、結果を学習系に戻す「フィードバック」の三段階で回ります。フィードバックにはベイズ最適化や強化学習、アクティブラーニングなどが組み合わされることが多いと述べられています。

この流れが重要な理由は明快です。単に列挙して絞る従来の探索よりも、事前に目的を定めて物理的・実用的な制約内で探す方が効率的になる可能性があるからです。著者らは、生成モデルやマルチモーダル表現、閉ループの統合が「自動材料発見」への道を開くと指摘します。ただし、単純にスクリーニングを速めるだけでは不十分であり、妥当性や合成可能性といった検証を組み込む「検証意識のある」ワークフローが不可欠だと強調します。

重要な注意点も明示されています。数値予測で安定と出ても実際には実験で作れない場合があります（成長条件の制約、運動学的障壁、より安定な相の存在など）。また、代理モデルの悪用（surrogate exploitation）、多様性の喪失（diversity collapse）、データ分布のずれ（distribution shift）、そして「安定性と合成可能性のギャップ」といった失敗モードが繰り返し報告されています。したがって、逆設計の成果は有効性・新規性・一意性・安定性・コストといった段階的な評価で示す必要があると結論づけています。