自然界の超大作:17日間で41種類の新素材を創り出し、AIが再び人間を圧倒

出典:アカデミックヘッドライン

画像ソース: Unbounded AIによって生成

人工知能(AI)は、わずか17日間で、1日に2個以上、41個の新素材を独自に作成しました。

対照的に、人間の科学者が新しい材料を作成するには、数か月の試行錯誤が必要になることがあります。

現在、A-Labと呼ばれるAIラボは、権威ある科学雑誌「ネイチャー」で紹介されています。 **

紹介文によると、**A-Labは、AI誘導ロボットが新しい材料を製造する実験室であり、人間の介入を最小限に抑えて新しい材料を迅速に発見できるため、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特定して迅速に追跡するのに役立ちます。

特筆すべきは、A-Labがテストミッションで、予測された58物質のうち41物質の合成に成功し、成功率が71%であったことです。

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であるMaterials Projectと、Google DeepMindが開発した深層学習ツール「Graph Networks for Materials Exploration(GNoME)」から得られたものです。

また、本日、Google DeepMindのGNoMEがNature誌に掲載され、約40万の新しい化合物がMaterials Projectに寄与し、プロジェクトの開始以来、1つのチームによる新しい構造安定性データの追加としては最大となり、科学者が将来の技術のための新材料を発明するために利用できるオープンアクセスリソースが大幅に増加しました。

カリフォルニア大学バークレー校の教授で、バークレー研究所の材料プロジェクトの創設者兼ディレクターであるクリスティン・パーソン氏は、「地球環境と気候の問題を解決するには、新しい材料を創造する必要があります。 材料のイノベーションにより、リサイクル可能なプラスチックの開発、廃棄物エネルギーの利用、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構築などが可能になります**。 "

AIを使用すると、新しい材料の製造とテストが速くなります

新しい技術の開発には、多くの場合、新しい材料が必要です。 しかし、材料の製造は簡単なことではありません。

科学者たちは何十万もの新しい材料を計算してきましたが、それら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です。 材料が計算されてから製品化されるまでには長い時間がかかります。 適切な属性を持ち、デバイスで動作でき、スケーラブルで、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、スーパーコンピューターとシミュレーションのおかげで、研究者はやみくもにゼロから材料を作ろうとする必要がなくなりました。

この作業では、Google DeepMindチームは、Materials Projectが10年以上にわたっ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。

その結果、GNoMEは220万の結晶構造を生成し、そのうち38万は材料プロジェクトに含まれ、安定であると予測されました。 これらのデータには、材料の原子の配列(結晶構造)と安定性(形成エネルギー)が含まれます。

化合物Ba₆Nb₇O₂₁は、GNoMEによって計算された新しい物質の1つであり、バリウム(青)、ニオブ(白)、酸素(緑)を含んでいます。

論文によると、GNoMEは構造安定性の予測精度を80%以上に向上させ、コンポーネントの予測精度を100試行あたり33%に向上させました(以前の研究では1%)。

Google DeepMindの材料発見チームの責任者であるEkin Dogus Cubuk氏は、「GNoMEプロジェクトが無機結晶の研究を前進させることを願っています。 GNoMEが発見した736以上の新材料は、外部の研究者によって独立した物理実験によって検証されており、私たちのモデルの発見が実験室で達成できることが証明されています。 "

しかし、研究チームは論文の中で、相転移による動的安定性、振動プロファイル、競合する多形体によって引き起こされる配置エントロピー、最終的な合成能力のより深い理解など、GNoMEの実用化にはまだいくつかの未解決の問題があることも指摘しています。

材料プロジェクトで予測された新しい化合物を創り出すために、A-LabのAIは、科学論文を研究し、アクティブラーニングを用いて微調整することで、新しい処方を作成しました。

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、A-Labの主任研究者であるGerd Ceder氏は、「私たちは驚異的な71%の成功率を達成しており、改善すべきいくつかの方法を見つけました。 私たちは、理論とデータを組み合わせて自動化することで、驚くべき結果が得られることを証明しました。 材料の製造と試験をこれまで以上に迅速に行うことができます。 "

報告によると、意思決定アルゴリズムを少し変更するだけで、この成功率は74%に向上し、コンピューティング技術が改善されれば、成功率はさらに78%に向上する可能性があります。

「私たちは、私たちが生成したデータを無料で使えるようにして、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教えたいと考えています」と Persson 氏は述べています。 実験のみの場合よりも、幅広い新しい化合物や特性を効率的かつ迅速にスキャンできます。 "

A-LabやGNoMEなどの協力により、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向上させるより効率的な太陽電池、次世代コンピューターのより高速なトランジスタなど、将来の技術に有望な材料に集中することができます。

実証済みのアプリケーションの可能性

現在、Materials Project は Google DeepMind の化合物をさらに処理し、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、研究者に無償で提供されるほか、材料プロジェクトと連携するA-Labなどのプロジェクトにも供給されます。

図:Materials Projectデータベースにある12種類の化合物の構造。

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に基づいて、多くの分野で新しい材料の有用性を実験的に確認してきました。 それらのいくつかは、次のようなアプリケーションの可能性を示しています。

※炭素回収(大気中の二酸化炭素の抽出)において ※光触媒(光の作用で化学反応を加速する物質で、汚染物質の分解や水素の製造に利用できるもの)として ※熱電材料(廃熱を利用して電気エネルギーに変換する材料)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主要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1つにすぎません。

**上記の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もたらしました。 **

2020年、米国国立標準技術研究所(NIST)を含む複数の機関からなる研究チームが、科学者による追加のトレーニングなしで、潜在的に有用な新材料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がクローズドループで新素材を発見するプロセス(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と化学反応を行う自動システムを組み合わせて、ビジネスに必要な新しい化学材料の研究開発と生産を加速する「人工化学者」と呼ばれる技術を開発しました。

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・新規を問わず、あらゆる材料の構造的・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。 研究者はこれを使用して、充電式リチウムイオン電池用のより安全でエネルギー密度の高い電極と電解質を見つけることができます。

図| マルチボディダイアグラムの位置エネルギーと主な計算モジュールの模式図(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を思い描いています。 特定の実験ワークフローへの合成技術の適用性を評価するために、研究者らは、合成速度、スケーラビリティ、範囲、および合成品質をカバーする10の指標のセットを確立し、これらの指標のコンテキストでいくつかの選択的組み合わせ合成技術を要約しました。

**ハイテクの基盤と先駆者として、新素材は幅広い用途があり、情報技術やバイオテクノロジーとともに、21世紀で最も重要で有望な分野となっています。 **

今後、AIなどの技術のブレークスルーにより、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を促進する高効率太陽電池、次世代コンピュータの一翼を担うトランジスタの高速化など、将来の技術でより有望な材料に注目することが期待されます。

参考リンク: