Gooogle DeepMindは、同社が開発したAIが、「人類が知っている安定物質の桁違いの拡大」を達成したことを報告している。同社のGNoME（Graph Networks for Materials Exploration）ディープラーニングツールは、“理論的には安定しているものの実験的には実現されていない新しい結晶構造”の組み合わせを、220万個発見したという。これは、これまで人類がその歴史の中で発見してきた総数の実に45倍以上であり、およそ800年分の知識に相当する画期的なものだ。
「これらの候補の中には、超伝導体、スーパーコンピューターの動力源、電気自動車の効率を高める次世代電池に至るまで、将来の変革をもたらす技術を開発する可能性を秘めた材料が含まれています」と、Google DeepMindは声明の中で述べている。
画期的な素材の開発に繋がる可能性
結晶構造は、繰り返しパターンで配置された原子で構成されており、特定の条件下で電気、光、磁気を伝導する特性を示すことが多く、電子工学において有用だ。
例えば、シリコンはダイヤモンド立方結晶構造を形成し、コンピュータチップの微細な電子回路の基盤として使用されている。また、グラフェンは六角形の格子状に配置された炭素原子の層で構成され、宇宙船の熱パイプや熱ストラップを作るための熱特性が試験されている。
これまで、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、既知の材料を異なる元素や分子と反応させる実験を行ってきた。この試行錯誤の方法は複雑で、数ヶ月単位という膨大な時間がかかり、しばしば行き詰まることも多い。
技術の進歩に伴い、コンピュータシミュレーションの使用によって、新しい構造が化学的に安定かどうかをモデル化し、実験室で作成する価値があるかどうかを判断することが可能になった。過去10年間で、バークレーラボのMaterial Projectや他のグループが主導する計算機的アプローチにより、28,000もの新素材が発見された。しかしこれまでは、AIが導く新しいアプローチでは、実験的に実行可能な材料を正確に予測する能力において、“根本的な限界にぶつかっていた”と、Google DeepMindは述べている。
今回、Google DeepMindの研究者らは、220万通りの可能な結晶構造を提案したAIモデルを開発し、そのうち38万の候補材料が将来の技術に使用するのに十分な安定性を持つと考え、Material Projectのデータベースに登録した。そのうちの736個はすでに世界中の研究所で独自に合成されている。
Google DeepMindが開発したディープラーニングツール「GNoME」は、69,000の既知の結晶から取得されたデータに基づいてトレーニングされたグラフニューラルネットワークに基づいている。新しい材料の原子構造または化学式が与えられると、GNoMEはその潜在的な特性を予測し、科学者はそれがどれだけ安定しているかを計算することができる。もしそれが有望に見えれば、実現可能な材料として追求する価値があるかもしれないとの判断を下す手助けをしてくれる。
Google DeepMindの研究者であり、GNoMEに関するNature誌の論文の共著者Amil Merchant氏とEkin Dogus Cubuk氏は、「モデルの予測力を進行中のトレーニングサイクルで評価するために、物理、化学、材料科学で原子の構造を理解するために使用される密度汎関数理論（DFT）として知られる確立された計算技術を繰り返しチェックしました。我々は、GNoMEのパフォーマンスを劇的に向上させる『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使用しました。GNoMEは新しい、安定した結晶の構造に対する予測を生成し、それらはDFTを使用してテストされました。その結果、高品質のトレーニングデータがモデルトレーニングにフィードバックされました」と、説明する。
このアプローチを使用して、GNoMEはグラフェンに似た構造を持つ52,000の化合物、528のリチウムイオン導体、および超伝導体や充電式バッテリーの材料として使用できる可能性のある15のリチウム遷移金属酸化物を生成した。GNoMEの予測の正確さはまだ完全には明らかではないが、有望なツールである可能性がある。
バークレーラボのMaterial Project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Kristin Persson氏は、「地球環境と気候の問題に対処するためには、新しい材料を作らなければなりません。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、廃棄エネルギーの利用、より優れたバッテリーの製造、より長持ちする安価なソーラーパネルの製造など、さまざまなことが可能になる可能性があります」と語った。
AIとロボティクスの組み合わせ
研究者らはまた、GNoMEの計算と材料プロジェクトからの情報を使って、バークレーラボのA-Labでテストした。このラボには、人工知能によって誘導されるスマートロボットがあり、人間の手をほとんど借りずに素早く新素材を作ることができる。
GNoMeの出力のいくつかを使用して、ロボットアームが合成する58の無機粉末を選択した。彼らは、酸素、二酸化炭素、水と反応しないと予測されたターゲットを選んだ。つまり、通常の条件で安定しているはずだ。
無機粉末を作るための化学レシピは、学術論文からスクレイピングされたテキストデータでトレーニングされた大規模言語モデルによって生成された。これらは、ロボットアームが実行する一連の指示としてフィードされた。ロボットは材料を選択し、混ぜ合わせて化合物を作成するために加熱する。
わずか17日間で、A-Labは41の新しい化合物を作った。これは、たった1つの新素材を作るのに数ヶ月を費やすかもしれない人間が通常要する時間よりはるかに速い。
A-Labの主任研究員であり、バークレーラボとカリフォルニア大学バークレー校の科学者であるGerd Ceder氏は、「私たちは71％という驚異的な成功率を達成しました。我々は、理論とデータ面をオートメーションと組み合わせることで、信じられないような結果が得られることを示してきました。材料プロジェクトにより多くのデータポイントを追加することで、より賢い選択ができるようになります」と、述べている。
ロボットによって合成された41の材料のうち、35はA-Labによって生成されたレシピから作られた。ただし、システムは通常、最初の試みで正しく行うことはなく、テストする必要がある何百もの潜在的なレシピを出力する。「最終的には71％のターゲットが得られたにもかかわらず、A-Labによってテストされた355の合成レシピのうち、37％だけがそのターゲットを生成しました」と研究者らは論文で述べている。
彼らは、遅い反応時間、揮発性の材料、およびシステムの不正確さが失敗につながったことを発見した。時には、化学化合物が複雑すぎてロボットが作ることができなかったり、十分に安定していなかったりもした。場合によっては、粉末の結晶構造がぐちゃぐちゃの混乱になった。「この成功率は、ラボの意思決定アルゴリズムにわずかな変更を加えるだけで74％に改善され、計算技術も改善されればさらに78％になると提案されています」と彼らは述べている。
このコラボレーションのゴールは、データを活用し、データ主導の探索を可能にし、最終的に企業がより実行可能なショットを提供することだとパーションは説明した。
論文
- Nature:
参考文献
コメントを残す