新エネルギー自動車電池から太陽電池、コンピュータチップなど多くの分野で、新材料が発見されれば、技術面の突破を加速させることは間違いない。しかし、新材料の開発には通常、科学者たちが数ヶ月から数年かけて繰り返し試験と検証を行う必要がある。しかし、グーグル傘下のDeepMindがこのほど発表した研究は、多くの科学技術分野での新材料の応用速度を大幅に加速させるだろう。
グーグルのDeepMindの研究チームは、人工知能ツール「材料探索グラフィックスネットワーク（以下、GNoME）」を通じて、理論的に安定しているが、ほとんどが実験では実現されていない結晶構造を発見した。この成果は11月29日、トップ誌ネイチャー（Nature）に発表された。
GNoMEが発見した結晶構造の数は科学史上発見されたこのような物質の数の45倍以上であり、業界内では、この技術は再生可能エネルギーや先進的な計算チップなどの分野の発展に新たな道を提供すると考えている。
GNoME安定性予測精度は反復学習において急速に向上する
GNoMEと呼ばれる人工知能モデルは、無機結晶構造、すなわち原子の繰り返し配置を予測し、ある材料に特殊な性質を持たせることを目的としているという。これまで、人類が知られているのは約48,000種類の無機結晶だけだった。
今回のGNoMEモデルは、この数字を最大220万種類に拡張した。Deepmind氏によると、この220万種類の新しい結晶構造のうち、38万個の安定した結晶構造が実験によって合成されることが期待されており、実際の応用の見通しがあり、超伝導材料や次世代電池材料などの「未来の変革的技術」を発展させる可能性があるという。GNoME「人類に知られている安定材料の中で数段の拡張を実現し、約800年にわたって革命的な潜在力を持つ新しい材料を発見した」。
より多くの新材料を発見するために、DeepMindチームは2つの異なる深さ学習モデルを結合した。1つ目は、既存の材料中の元素を修正することで、10億を超える構造が生成されたことです。第二の方法は既存の材料構造を捨て、完全に化学式に基づいて新材料の安定性を予測する。この2つの深さ学習モデルの結合は、新しい材料の発見により広範な可能性を提供している。
候補の新材料構造生成後、研究者はGNoMEモデルによりスクリーニングした。このモデルは特定の構造の分解エネルギー（decomposition energy）を予測することができ、これは材料の安定度を測定する重要な指標である。「安定している」、分解しにくい材料だけが、工業用途に重要な意義をもたらすことができる。したがって、GNoMEは最も応用可能性の高い材料を予測して選択し、既知の理論的枠組みに基づいてさらに評価する。
このプロセスはDeepMindチームによって何度も繰り返され、発見ごとに次のトレーニングに組み込まれるという。第1ラウンドのテストでは、GNoMEは異なる材料の安定性を予測する精度は5%程度だったが、反復学習全体の過程で、GNoMEの予測精度は急速に向上した。最終的な結果は、GNoMEが最初のモデルで構造安定性を予測する精度が80%を超え、2番目のモデルでは33%まで精度が向上したことを示している。
新構造のいくつかはより安定した形に減衰するか、完全に作成することはできないが、DeepMindチームはアルカリ土類ダイヤモンド様光学材料（Li 4 MgGe 2 S 7）と潜在的な超伝導体（Mo 5 GeB 2）を含む736種類のGNoMEで発見された新材料を実験室で作成することに成功し、現在試験を行っている。
DeepMindの上述の論文共同著者の一人で、材料研究開発責任者のDogus Cubuk氏は、「私にとって、材料科学は基本的に抽象的な思考と物理宇宙の交差点であり、より良い材料で改善されない技術があるとは考えにくい」と述べた。
マサチューセッツ工科大学材料科学・工学教授のJuLi氏は、GNoMEは材料発見分野の「アルファフォールド」と見なすことができると考えている。「アルファフォールド」は2020年にDeepMindが発売した人工知能システムで、タンパク質構造を高精度に予測でき、生物研究や薬物発見に大きな進展を遂げた。JuLi氏によると、GNoMEの強力な能力のおかげで、人類が知っている安定材料の数は42.1万種に10倍近く増加したという。
GNoMEは500種類以上の応用可能性のあるリチウムイオン伝導体を発見した
「毎日経済新聞」の記者は、実は人工知能モデルを利用して新材料を製造するのはDeepMindが初めてではないことに気づいた。米国ローレンス・バークレー国立実験室Kristin Personが率いる「材料プロジェクト（Materials Project）」はすでに類似の技術を用いて48,000種類の材料の安定性を発見し、向上させた。この実験は、GNoMEのいくつかの発見を含む材料データベースからデータを取得し、機械学習とアームを使用して、人間の介入なしに新しい材料を設計した。
しかし、GNoMEが発見した新材料は、ローレンス・バークレー国立実験室の仕事とは規模と精度の面で異なるものになっている。
ミネソタ大学化学工学・材料科学助教授のクリス・バーテル氏は、これまでのモデルと比べて、GNoMEの訓練データは少なくとも1桁多いと考えている。メリーランド大学材料科学・工学科のYifei Mo准教授も、以前同様の研究を行ったことはコストが高いだけでなく、規模が限られているため、GNoMEはこれらの新材料の発見をより高い精度とより低い計算コストで拡張することができ、「影響は大きいかもしれない」と指摘した。
さらに重要なことに、DeepMindチームはバークレー国立実験室と協力し、これらの新しい結晶を自律的に合成できるロボット実験室を作成しました。A-Labと呼ばれています。新しい材料が発見された後、これらの材料を合成してその用途を検証することも同様に重要である。A-Labも、ロボット技術と機械学習を組み合わせて、これらの材料の後続開発を最適化するためのGNoMEのいくつかの発見と「材料プロジェクト」の成果を結合してきた。
DeepMindとバークレー研究所の研究者によると、これらの新しい人工知能ツールはエネルギー、コンピュータ、その他多くの分野のハードウェア革新を加速させるのに役立つという。例えば、リチウムイオン電池導体は、GNoME人工知能モデルによって発見された新しい材料の中で最も応用の見込みがある例の一つである。DeepMindによると、GNoMEは528種類の応用可能性のあるリチウムイオン伝導体を発見しており、その中には電気自動車の電池の効率向上に役立つ可能性があるという。
しかし、新しい材料が発見されてからも、一般的にはビジネス用途に移行するには数十年かかる。Dogus Cubuk氏は記者会見で、「これを発見から応用までの過程を5年に短縮できれば、大きな進歩になるだろう」と述べた。