AIは17日間で41種類の新素材を作成し、再び人間に勝利した。

わずか 17 日間で、人工知能 (AI) だけで 41 個の新しい素材が作成されました。これは 1 日あたり 2 個を超えるペースです。

対照的に、人間の科学者が新しい材料を作り出すには、何ヶ月もの試行と実験が必要になるかもしれません。

本日、A-Lab と名付けられたこの AI 研究所が権威ある科学雑誌 Nature で紹介されました。

報道によると、 A-LabはAI誘導ロボットが新素材を製造する研究所だという。人間の介入を最小限に抑えて、新しい材料を素早く発見できます。バッテリー、エネルギー貯蔵、太陽電池、燃料電池など、複数の研究分野で材料を識別し、迅速に追跡するのに役立ちます。

特筆すべきは、テストミッションにおいて、A-Lab が予測された 58 種類の物質のうち 41 種類を 71% の成功率で合成することに成功したことです。

テストデータは、バークレー研究所のオープンアクセスデータベース「Materials Project」と、Google DeepMind が開発した「Graph Networks for Materials Exploration (GNoME)」ディープラーニングツールから取得されます。

また本日、 Google DeepMind の GNoME が Nature に掲載され、Materials Project に約 40 万個の新しい化合物が追加されました。これは、プロジェクト創設以来、単一チームによる構造安定性データの追加としては最大規模であり、科学者が将来の技術のための新素材を発明するために使用するオープン アクセス リソースが大幅に増加します。

「地球環境と気候の問題を解決するには、新しい材料を開発する必要があります」と、バークレー研究所材料プロジェクトの創設者兼ディレクターであり、カリフォルニア大学バークレー校の教授であるクリスティン・パーソン氏は語った。 「材料の革新により、リサイクル可能なプラスチックの開発、廃棄エネルギーの活用、より優れたバッテリーの製造、より安価で長持ちするソーラーパネルの製造などが可能になります。」

AIにより、新素材の製造とテストがより迅速化

新しい技術の開発には、多くの場合、新しい材料が必要になります。しかし、素材を作るのは簡単ではありません。

科学者たちは計算によって何十万もの新しい種類の材料を予測してきたが、それらの材料が実際に作れるかどうかをテストするのは時間のかかるプロセスだ。材料が計算から商品化されるまでには長い時間がかかります。適切な特性を持ち、デバイス内で動作し、拡張可能で、適切なコスト効率とパフォーマンスを備えている必要があります。

今日では、スーパーコンピュータとシミュレーション技術の助けにより、研究者は材料をゼロから作成するために盲目的な試行錯誤に頼る必要がなくなりました。

この研究で、Google DeepMind チームは、Materials Project が 10 年以上かけて開発したワークフローとデータを使用して GNoME をトレーニングし、アクティブ ラーニングを通じて GNoME アルゴリズムを改善しました。

最終的に、 GNoME は 220 万個の結晶構造を生成し、そのうち 38 万個が Materials Project に組み入れられ、安定していると予測されました。これらのデータには、物質の原子がどのように配置されているか (結晶構造) と、物質がどれだけ安定しているか (形成エネルギー) が含まれます。

図 |化合物 Ba₆Nb₇O₂₁ は、GNoME によって計算された新しい物質の 1 つで、バリウム (青)、ニオブ (白)、酸素 (緑) を含みます。

論文によると、 GNoME により構造安定性予測の精度が 80% 以上に向上し、組成予測の精度は 100 回の試行あたり 33% に向上しました (以前の研究ではわずか 1% でした) 。

「GNoMEプロジェクトが無機結晶の研究を前進させることを期待しています」とGoogle DeepMindの材料発見チームの責任者であるエキン・ドガス・キューブック氏は語った。 「外部の研究者が独立した物理実験を通じて GNoME によって発見された 736 以上の新素材を検証し、私たちのモデルの発見が実験室で実現可能であることを証明しました。」

しかし、研究チームは論文の中で、実際の応用においては、競合する多形によって引き起こされる相転移、振動プロファイルと配置エントロピーによって引き起こされる動的安定性、究極の合成能力のより深い理解など、GNoMEにはまだいくつかの未解決の問題が残っているとも指摘している。

マテリアルプロジェクトで予測された新しい化合物を作成するために、A-Lab の AI は科学論文を研究し、アクティブラーニングを使用してそれらを適応させることで新しい処方を作成しました。

「私たちは驚異的な71パーセントの成功率を達成しており、すでにそれを改善する方法も見つけています」と、バークレー研究所およびカリフォルニア大学バークレー校の科学者であり、A-Labの主任研究員であるゲルト・セダー氏は語った。 「理論とデータを自動化と組み合わせることで、驚くべき成果が得られることを実証しました。これまでよりも迅速に材料を製造し、テストすることができます。」

意思決定アルゴリズムに若干の変更を加えると、成功率は 74% まで向上すると報告されています。コンピューティング技術が向上すれば、成功率はさらに 78% まで向上します。

「私たちが生成したデータを無料で公開し、世界中の材料設計を加速させるだけでなく、コンピューターが人々のために何ができるかを世界に伝えたい」とパーソン氏は語った。 「個々の実験よりも効率的かつ迅速に、広範囲の新しい化合物や特性をスキャンできます。」

A-Lab、GNoMEなどの支援により、科学者は自動車の燃費を向上させる軽量合金、再生可能エネルギーの効率を高める高効率太陽電池、次世代コンピューター向けの高速トランジスタなど、将来の技術に有望な材料に焦点を当てることができます。

応用の可能性を示している

現在、Materials Project では、Google DeepMind からさらに多くの化合物を処理し、オンライン データベースに追加しています。新しいデータは研究者に無料で公開され、Materials Project と協力する A-Lab などのプロジェクトにも活用される予定です。

図 | Materials Project データベースからの 12 個の化合物の構造。

過去10年間、研究者たちはMaterials Projectのデータから得た手がかりをもとに、さまざまな分野で新素材の有用性を実験的に確認してきました。次のようなものには、応用の可能性が示されています。

炭素回収（大気から二酸化炭素を抽出する）

光触媒（光の存在下で化学反応を加速し、汚染物質を分解したり水素を生成したりするために使用できる物質）として

熱電材料（廃熱を利用して電気に変換する材料）として

透明導体として（太陽電池、タッチスクリーン、LEDに使用可能）

もちろん、これらの潜在的な材料を見つけることは、人類が直面している大きな技術的課題のいくつかを解決するための多くのステップのうちの 1 つにすぎません。

上記 2 つの研究に加えて、AI は近年、新素材の発見と合成において多くのブレークスルーを達成しています。

2020年、アメリカ国立標準技術研究所（NIST）を含む複数の機関の研究チームが、科学者による追加のトレーニングを必要とせずに、潜在的に有用な新素材を自律的に発見する「CAMEO」と呼ばれるAIアルゴリズムを開発しました。

図 | CAMEO による閉ループ操作での新材料探索プロセス (出典: NIST)

同年、ノースカロライナ州立大学とバッファロー大学の研究者らは、AIと化学反応の自動化システムを組み合わせて、ビジネスに必要な新しい化学物質の開発と生産を加速させる「人工化学者」と呼ばれる技術を開発した。

2022年、カリフォルニア大学サンディエゴ校工学部のナノエンジニアは、既存か新素材かを問わずあらゆる素材の構造的および動的特性をほぼ瞬時に予測できるAIアルゴリズム「M3GNet」を開発しました。研究者はこれを活用して、より安全でエネルギー密度の高い充電式リチウムイオン電池の電極や電解質を見つけることができます。

図 |多体グラフのポテンシャルエネルギーと主な計算モジュールの概略図（出典：カリフォルニア大学サンディエゴ校）

今年3月、Nature Synthesis誌に掲載された研究では、コンビナトリアル合成とAI技術の共同開発によって加速される材料科学の未来が描かれました。特定の実験ワークフローに対する合成技術の適合性を評価するために、合成速度、スケーラビリティ、範囲、合成品質をカバーする 10 個のメトリック セットを確立し、これらのメトリックのコンテキストでいくつかの選択的なコンビナトリアル合成技術をまとめました。

ハイテクの基盤であり先駆けである新素材は、極めて幅広い用途を持っています。これらは、情報技術やバイオテクノロジーとともに、21 世紀で最も重要かつ最も有望な分野となっています。

将来、AI などの技術の画期的な発展により、科学者は、自動車の燃費を向上させる軽量合金、再生可能エネルギーの開発を促進するより効率的な太陽電池、次世代のコンピューターで役割を果たすより高速なトランジスタなど、将来の技術においてより有望な材料に焦点を合わせるようになると期待されます。

参考リンク:

https://www.nature.com/articles/s41586-023-06735-9

https://www.nature.com/articles/s41586-023-06734-w