Google DeepMindは、次世代のマイクロプロセッサ、電池、太陽電池などの形成に使用できる可能性のある何百万もの無機結晶構造を予測できるAIモデルを開発したと発表した。
結晶構造は、原子が繰り返しパターンに配列して構成されています。結晶構造は、特定の条件下で電気、光、磁気を伝導する特殊な特性を示すことが多く、電子工学において有用です。
例えば、シリコンはダイヤモンド立方晶構造を形成し、ご存知の通り、コンピューターチップの微細な電子回路の基盤として使用されています。グラフェンは六角格子状の炭素原子層で構成されており、その熱特性は宇宙船のヒートパイプやサーマルストラップの製造に利用されています[PDF]。
望ましい特性を持つ未知の結晶構造を発見しようとする科学者たちは、既知の物質を様々な元素や分子と反応させ、何か素晴らしい結果が生まれることを期待して実験を行ってきました。しかし、試行錯誤の方法は複雑で時間がかかり、往々にして行き詰まってしまいます。
新しい構造が化学的に安定しているかどうか、そして研究室で作ってみる価値があるかどうかをモデル化するコンピューターシミュレーションの使用により、状況は改善されました。
この計算手法は、数万通りの潜在的な結晶構造の発見につながったと報じられています。Google DeepMindの研究者たちは今週、220万通りの結晶構造の候補を導き出すAIモデルを開発し、そのうち38万通りの候補物質は将来の技術に利用できるほど安定している可能性があると発表しました。
GNoMEという愛称を持つこのソフトウェアは、69,000個の既知の結晶から得られたデータで学習されたグラフニューラルネットワークに基づいています。新素材の原子構造または化学式が与えられれば、GNoMEはその潜在的な特性を予測し、科学者はそれに基づいてその安定性を計算できます。もしすべてが有望であれば、実用的な材料として研究する価値があるかもしれません。
- AIエージェントは人間を模倣することで汎用人工知能に近づくことができる、とDeepMindが発見
- Google DeepMind の GraphCast AI 天気予報は、理論上は魅力的に見えますが...
- AIは誇大宣伝を超えて、科学研究の発展を約束する
「漸進的なトレーニングサイクル中のモデルの予測力を評価するため、密度汎関数理論（DFT）として知られる確立された計算手法を用いて、そのパフォーマンスを繰り返しチェックした。DFTは物理学、化学、材料科学で原子の構造を理解するために使用され、結晶の安定性を評価する上で重要である」と、GNoMEに関するネイチャー論文の共著者であり、Google DeepMindの研究者であるアミル・マーチャント氏とエキン・ドガス・キュブック氏は説明した。
「私たちは『アクティブラーニング』と呼ばれるトレーニングプロセスを採用し、GNoMEのパフォーマンスを劇的に向上させました。GNoMEは新規かつ安定した結晶の構造予測を生成し、それをDFTを用いて検証しました。得られた高品質なトレーニングデータは、その後、モデルのトレーニングにフィードバックされました。」
GNoME はこの手法を使用して、グラフェンに類似した構造を持つ 52,000 個の化合物と 528 個のリチウムイオン伝導体、および超伝導体や充電式バッテリーの材料の作成に使用できる可能性のある 15 個のリチウム遷移金属酸化物を生成したと報告されています。
GNoMEの予測精度がどの程度なのかは定かではありませんが、有望なツールになりそうな気もします。完全に納得しているわけではありませんが、機械学習の方向性としては興味深いものです。
科学者は基本的に、GNoMEのようなツールを使えば、新しい化合物を研究室で作り、商業化の可能性のあるものに開発する価値があるかどうかを判断できる可能性があります。予測された数百万の構造のうち、736の結晶が、以前の別の実験で化学的に検証された構造と一致したため、少なくとも何かの手がかりがあるのかもしれません。これらの構造のうち184は、最近発見されたばかりです。
ロボットとAIの融合
しかし、新しい結晶構造を予測することから将来のハードウェア用の材料を作成することまでは大きな一歩です。
別のプロジェクトでは、ローレンス・バークレー国立研究所のMaterials Projectの研究者と共同で、GNoMeの出力の一部を用いて、ロボットアームで調理する58種類の無機粉末を選定しました。彼らは、酸素、二酸化炭素、水と反応しないと予測される対象を選びました。つまり、通常の条件下では安定しているということです。
無機粉末を製造するための化学レシピは、学術論文から抽出したテキストデータで学習させた大規模言語モデルによって生成された。そして、このレシピはロボットアームに一連の指示として入力され、ロボットアームが実行する。ロボットは材料を選択し、混合し、加熱することで化合物を生成する。「A-Lab」と名付けられたこのシステム全体は、Nature誌に掲載された2本目の論文で説明されている。
ローレンス・バークレー国立研究所のGNoMe搭載ロボットが動作中...画像提供：マリリン・サージェント/バークレー研究所
A-Labは17日間ノンストップで作業を続け、58個のターゲットのうち41個を合成することに成功しました。「驚異的な71%の成功率を達成し、さらに向上させる方法もいくつかあります」と、A-Labの主任研究員であり、バークレー研究所とカリフォルニア大学バークレー校の科学者でもあるガード・セダー氏は熱く語りました。
ロボットが合成に成功した41種類の物質のうち、35種類はA-Labが生成したレシピに基づいて作られた。しかし、このシステムは通常、最初の試みで正しい結果を出すことはなく、数百種類の候補レシピを吐き出すため、それらをテストする必要がある。「最終的に目標の71%が得られたにもかかわらず、A-Labがテストした355種類の合成レシピのうち、目標の物質を生成できたのはわずか37%だった」と研究者らは論文に記している。
研究者たちは、反応時間の遅さ、揮発性物質、そしてシステムの不正確さが失敗の原因であることを発見した。化合物がロボットでは合成できないほど複雑だったり、十分に安定していなかったりするケースもあった。粉末の結晶構造がドロドロの塊になってしまうケースもあった。「この成功率は、研究室の意思決定アルゴリズムにわずかな修正を加えるだけで74%まで向上させることができ、計算技術も改善すればさらに78%まで向上させることが可能だ」と研究者たちは示唆した。
セダー氏は、A-Labの実験は、AIとロボット工学の進歩により、科学者が以前よりも速く材料を製造し、テストできるようになることを証明したと述べた。
「地球規模の環境問題や気候変動問題に取り組むには、新しい素材を開発しなければなりません」と、バークレー研究所マテリアル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もあるクリスティン・パーソン氏は主張する。「素材の革新によって、リサイクル可能なプラスチックの開発、廃エネルギーの有効活用、より高性能なバッテリーの製造、そしてより安価で長寿命の太陽光パネルの製造など、様々な可能性が開けるでしょう。」®
