7,672 文字
想像してみてください。特定の目的に完璧な新素材を作り出すことができるAIを。例えば、電気自動車用の超効率的なバッテリー材料や、航空宇宙産業向けの軽量で超強力な合金など。このAIはまさにそれを実現できるのです。これは最近登場したAIのブレークスルーの中でも、最も過小評価されているものの1つだと言えます。可能性は膨大で、考えられるほぼすべての産業に影響を与える可能性があります。
これはMicrosoftが開発したMatenと呼ばれるAIで、一から全く新しい材料を設計することができます。このビデオでは、Matenとは何か、何ができるのか、そしてこれまでのMatenの印象的な成果について説明していきます。これはかなり技術的な論文ですが、心配いりません。誰でも理解できるように、非常にシンプルな言葉で説明していきます。
この論文の内容に入る前に、一歩下がって、これまでの新素材の設計や発見の方法を振り返ってみましょう。古代、メソポタミアやエジプトなどの初期文明時代にさかのぼると、人々は基本的に試行錯誤で新しい材料を生み出していました。
異なる物質を混ぜ合わせて、その性質を観察するだけだったのです。もちろん、これは実験と観察に大きく依存していましたが、その時代にも実際にいくつかの素晴らしいものを生み出すことができました。例えば、初期文明は銅と錫を組み合わせることで、偶然にも青銅を発見し、これによってより強力な道具や武器が作られるようになりました。また、これらの初期文明は砂と熱を実験することでガラスも発見しました。
明らかに、この試行錯誤の方法は非常に遅く非効率的です。多くのテストが必要で、何が得られるか分からず、成功率も非常に低いものでした。これは新素材を発見するための最良の方法とは言えません。
20世紀初頭に進むと、物理学と化学の進歩が見られ、科学者たちは実際に材料を作る前に、数学的モデルを使って材料がどのように振る舞うかを予測し始めました。言い換えれば、これらのモデルを使って、原子がどのように配列して新しい材料を形成するかを予測することができたのです。
この利点は、より体系的で組織化されていることです。不必要な実験を減らすことができ、これにより現代のエレクトロニクスで使用される半導体や、ナイロンやテフロンなどの合成プラスチックのような、本当にクールな合成材料が生まれました。しかし、これらの数学的モデルは必ずしも正確ではなく、依然として非常に時間がかかるものでした。
これは、材料の設計と発見のさらに良い方法へと私たちを導きます。これはハイスループット実験と呼ばれるもので、基本的に実験を自動化して、何千もの材料の組み合わせを非常に素早くテストすることができます。これにより、リチウムイオン電池の電池材料や太陽電池、航空機用の新しい軽量材料、さらには新しい医薬品など、いくつかのクールな発見がありました。
しかし、この方法にもまだ多くの問題があります。まず、特定の性質を持つ材料を探す場合、特に時間がかかり非効率的になる可能性があります。さらに、既知の材料の数によって制限されることが多いのです。
ここで述べられているように、「スクリーンベースの方法は、依然として既知の材料の数によって根本的に制限されています。以前は知られていなかった結晶性材料の最大の探索でも、10の6乗から7乗程度の材料にとどまり、これは潜在的に安定な無機化合物の数のごくわずかな部分に過ぎません」
つまり、これらの方法では、既知の成分を組み合わせることしかできず、一から全く新しい材料を作り出すことはできないのです。さらにここでは、「これらの方法は目標とする性質を持つ材料を見つけるために効率的に導くことができません」と述べています。
言い換えれば、ただランダムに物を混ぜ合わせているだけで、システムを特定の目標に向けて導くことはできないのです。例えば、航空宇宙産業向けの軽量で超強力な材料を設計したり、非常に磁性の高い材料を設計したりすることは、これらのシステムでは難しいのです。
そしてついに、Matenの登場です。このAIは、遅く非効率的な材料発見の問題を解決することを目指しています。これは材料を直接設計する全く新しい方法であり、望む性質を指定することができます。これは、先ほど言及した前の方法と比べて、はるかに計画的で、はるかにターゲットを絞ったアプローチなのです。
次に、どのように機能するのかを見てみましょう。本当にクールな部分は、Matenが実際にディフュージョンモデルを使用していることです。ディフュージョンモデルは、現在の最先端の画像や動画生成器で広く使用されています。ディフュージョンモデルの仕組みについて、非常にシンプルな説明をしましょう。
例えば、画像生成器を使用して、猫の写真を生成するようプロンプトを入力した場合、実際には、このようなノイズの画像から始まり、各ステップでそのノイズの一部を除去していきます。十分なステップを繰り返すと、最終的にすべてのノイズが取り除かれ、猫のリアルな画像が得られます。もちろん、アーキテクチャははるかに複雑ですが、それがディフュージョンモデルの仕組みの本質です。
ここでクレイジーなのは、ランダムなノイズから画像や動画を生成するディフュージョンモデルを使う代わりに、このランダムなノイズが実際にランダムな原子の集まりだったらどうでしょう？そして、各ステップでそのノイズの一部を取り除いていき、最終的により組織化された安定した構造になるまで続けるのです。それがまさにMatenの仕組みなのです。
まず、彼らは大量の安定した結晶構造でAIを訓練し、各ステップで徐々にこの構造を破壊またはランダム化していきます。例えば、原子の種類や位置、結晶の組織化がランダムに変化され、多くのステップを経て、最終的にこの構造は完全にランダムな状態に破壊されます。
それが訓練プロセスです。そして、このAIが異なる材料の大量の例を通じて学習した後、このプロセスを逆転させることができます。特定の材料を生成させると、基本的にランダムな原子の集まりから始まり、各ステップでこのランダム性の一部を取り除いていき、最終的に安定した秩序ある構造が得られるのです。なんと素晴らしいことでしょう。
そして注目すべきは、先ほど言ったように、これは画像や動画の生成と全く同じ仕組みですが、彼らがこの同じアプローチを材料設計に適用したのは非常に創造的だったということです。
さらに良いことに、一部の画像生成器でスタイルやキャラクター、構図を指定できるのと同じように、特定の性質を持つ材料を生成するようにMatenを微調整することもできます。これは、コアモデルに追加されるアダプターモジュールと呼ばれるものを使用して行われます。
ここでは「ラベル付きデータセットを使用して、任意の特性制約に向けて微調整を可能にするアダプターモジュールをさらに導入します」と述べています。これにより、特殊な化学組成や対称性、磁気密度など、望む性質を指定することができます。
ここでは「Matenはアダプターモジュールを通じてさらに微調整することができ、望ましい化学組成、対称性、スカラー特性制約を持つ材料に向けて生成を導くことができます」と述べています。これには、後で説明する体積弾性率や磁気密度が含まれます。
この機能が本当のゲームチェンジャーなのです。以前のハイスループットスクリーニングやランダム検索アルゴリズムでは、ただすべてを混ぜ合わせて、何が出てくるか見ているだけでした。何が得られるか本当に分からなかったのです。しかしMatenでは、すべてがはるかにターゲットを絞ったものになります。望む性質を実際に指定することができ、AIはそれらの性質に実際に合う何かを設計しようと努力します。
これははるかに効率的です。「ねえMaten、この磁気密度を持つ材料を設計してくれない？」とAIに頼むだけで、実際にその基準に合う何かを設計してくれるのです。さらに、以前の方法が既知の材料の数によって制限されていたことを覚えていますか？これらを組み合わせることしかできず、全く新しいものを生み出すことはできませんでした。
これがMatenが非常に強力な理由です。これは基本的に生成AIなので、以前見たものをただコピーするだけではありません。すべての情報を取り入れて、全く新しいものを作ることができるのです。画像や動画の生成器と同じですよね？既存のものだけを生成するのではなく、創造的になって、コーヒーカップの中で渦を巻く海賊船や、砂漠でユニコーンに乗る宇宙飛行士のような、実際には存在しないものを生成することができます。
同様に、Matenも本当に創造的になることができます。私たちが知っている材料や構成要素に限定されることはありません。簡単に言えば、それがMatenの仕組みです。では、これはどれほど優れているのでしょうか？次に、これまでの印象的な成果をいくつか見てみましょう。
ここでは「以前の生成モデルと比較して、Matenによって生成された構造は、新規性と安定性がある可能性が2倍以上高く、微調整後は局所エネルギー最小値に15倍以上近づきます。Matenは微調整後、望ましい化学、対称性、および機械的、電子的、磁気的性質を持つ安定した新規材料の生成に成功しています」と述べています。
これが何を意味するのか説明しましょう。まず、Matenは新しく安定した構造を生成する可能性が2倍以上高いと述べています。これは、設計する材料が実際に現実世界に存在する可能性が高いことを意味します。これは単なる理論的なアイデアではなく、実際に機能するのです。
そして、局所エネルギー最小値に15倍以上近いと述べています。材料のエネルギー最小値とは、最小限のストレスやひずみで存在できる、最も低いエネルギーが必要な休止位置のようなものです。他の方法と比較して、この休止フェーズに15倍近い設計ができるということは、その設計がはるかに安定して正確であることを意味し、これはもちろん実世界のアプリケーションでのより良いパフォーマンスにつながります。
そして、ここでは「さらにMatenが相当量のユニークで新規な材料を生成できるかどうかを調査しました。図2Dに示すように、1,000個の構造を生成する際のユニークな構造の割合は100%であり、100万個を生成する際でも86%にしか低下せず、新規性は約68%で安定しています」と述べています。
これは別の素晴らしい文章です。図2Dがここにありますが、1,000個の材料を生成させると、これらの材料の100%がユニークだと述べています。100万個生成させると、それらの構造の86%がユニークです。つまり86万個のユニークなアイデアです。そしてその68%、つまり約68万個のアイデアが新規なのです。
このAIモデルがこれほど多くの正当なアイデアを思いつくことができるのは、本当に驚くべきことです。Matenは材料設計の時間を何年もかかるものから数日に短縮します。このシステムを継続して実行したり、より多くの計算能力を投入したりすると、さらに多くの材料のアイデアが得られる可能性を想像してみてください。あるいは、これらの100万個の候補の中からでも、自動車、電子機器、医療、エネルギーなど、ほぼすべての産業において、はるかに優れた材料を見つけることができるはずです。これは世界に大きな影響を与えることでしょう。
もう1つの重要な文章があります。「周期表全体にわたって一般的なベースモデルを事前訓練しました」。以前のモデルは数種類の元素しか扱えませんでしたが、Matenは周期表のほぼすべての元素を使用して材料を設計することができます。これらは宇宙に存在するすべての元素です。これにより、設計や発見できる材料の範囲が大幅に広がります。
ここまでは、できることの印象的な部分を概要的にお話ししてきましたが、次に具体的な例をいくつか見てみましょう。研究者たちはMatenに高い体積弾性率値を持つ材料を設計させました。これは、押しつぶされることへの抵抗を測る指標です。値が高いほど、材料は強くなります。例えば、鋼鉄の体積弾性率は約160 GPaです。
ここでは「私たちはMatenによって生成された新規材料TaCr2O6を合成しました。これは、モデルを200 GPaの体積弾性率値で条件付けした後に生成されたものです」と述べています。基本的に、彼らはこのAIに「ねえMaten、200 GPaの体積弾性率値を持つ材料を設計できる？」と尋ね、Matenは実際にそれを設計し、科学者たちは実際にこの材料を現実世界で作り、この値に近いことを確認したのです。
(ここでスポンサー、Abacus AIによるChat LLMの紹介があります)
ここでは「実際に作られた材料の体積弾性率は169で、Matenが設計仕様として与えられた200に対して、相対誤差は20%未満でした」と述べています。この差は大きく見えるかもしれませんが、実験的な観点からは実際にはとても近い値です。同様の結果が他の分野にも適用できれば、バッテリー、燃料電池などの設計に大きな影響を与えることでしょう。
なんと素晴らしいことでしょう。これは私たちが今まで見たことのない全く新しい材料で、Matenに設計させたものが鋼鉄と同じくらい強く、実際の生活でそれを検証し、本当に超強力であることを確認したのです。
あるいは、ここにもう1つの例があります。Matenに400 GPa以上の体積弾性率を持つ材料を設計させると – 参考までに、これはほぼダイヤモンドと同じくらい強く、ダイヤモンドは世界で最も強い材料の1つです – これは切削工具や高圧アプリケーションに理想的でしょう。
このグラフを見ると、オレンジの線は新しい材料を見つける以前の方法で、緑の線がMatenです。x軸は基本的に計算量なので、システムにより多くの計算能力を投入すると、Matenは以前の方法と比べて、ダイヤモンドと同じくらい強い新しい材料をはるかに多く見つけることができることがわかります。106個対40個で、以前の方法の2倍以上見つけることができました。
ここにもう1つの例があります。非常に強力な磁石が必要だとしましょう。これは製造している製品の非常に重要なコンポーネントです。残念ながら、その磁石はもう入手できません。取引していた国からの輸出が停止され、その国だけがこの磁石を提供していたのです。
実は、ハーフィンダール・ハーシュマン指数、略してHHIと呼ばれるものがあります。これは基本的にサプライチェーンのリスクを測定するものです。ご存知の通り、高齢化する労働力に加えて、トランプが就任すると多くの国に大量の関税を課すでしょう。これにより、特に希少な材料について、世界中でサプライチェーンの不足が多く発生する可能性があります。
とにかく、HHIスコアが低いということは、その材料は比較的簡単に見つけることができ、サプライチェーンの問題の影響を受けにくいということです。そうです、Matenに低いHHIスコアを持つ非常に強力な磁石を設計するよう依頼することもできるのです。
ここでは「高い磁気密度と低いHHIスコアを持つ材料をMatenに見つけさせました。米国司法省と連邦取引委員会によると、HHIスコアが1,500未満の材料はサプライチェーンリスクが低いとされています。そこで、私たちはモデルに、この非常に高い磁気密度と1,250のHHIスコアを持つ材料を生成するよう依頼しました」と述べています。参考までに、これらが生成した材料の例で、これらは実際に低いHHIスコアを持つ非常に強力な磁石です。
このグラフを見ると、これらの緑の点はすべて私たちが知っている材料で、紫と青の点がMatenによって生成された新しいアイデアです。これらのほとんどは、ここに高い磁気密度を持ち、さらに低いHHIスコアを持っていることに注目してください。Matenが新しい材料に対してはるかにターゲットを絞った生成を行うことができることがわかります。そして、サプライチェーンリスクの低いこれらの新しい材料があれば、あなたのビジネスはサプライチェーンの問題の影響を受けにくくなるでしょう。
Matenがいかに有用で価値があるかおわかりいただけたと思います。これは世界のほぼすべての産業に大きな影響を与える可能性があります。最後に、材料発見の既存の最先端の方法とMatenを比較してみましょう。
まず左のグラフを見てください。Matenが競合を圧倒していることがわかります。これは、Matenと他の方法によって生成された安定的でユニークで新規な構造（SUNと略）の数を示しています。見てわかるように、Matenは安定的でユニークで新規な構造を生成する割合が圧倒的に高いのです。
そして右のグラフは、非常にシンプルな意味で、各方法によって生成された初期構造と最終的な平衡構造との差を示しています。値が低いほど、より効率的で正確であることを意味し、見てわかるように、Matenは圧倒的に低い値を示しています。これは、材料の設計がはるかに正確であることを意味します。
以上で、この論文の詳細な解説を終わります。論文へのリンクと研究ブログへのリンクを説明文に記載しておきます。かなり技術的な論文で多くの複雑な用語が使われていますが、理解しやすくなったと思います。画像や動画の生成と同じアプローチを材料生成に適用できたことは、本当に魅力的だと思います。
そしてこれは、私たちが手に入れる最悪の材料生成器になるでしょう。今後数年で、より多くの新しく効率的な材料が登場し、携帯電話から家電、医療まで、私たちが日常生活で使用するものがすべて、はるかに生産的でエネルギー効率の良いものになると思います。エキサイティングな時代が来ています。しっかりと身構えて、死なないように気をつけましょう。
コメント欄で、これらすべてについてどう思うか教えてください。いつものように、最新のAIニュースとツールを探して、皆さんと共有していきます。このビデオを楽しんでいただけたなら、いいね、シェア、登録をお忘れなく、そして今後のコンテンツもお楽しみに。
また、AIの世界では毎週本当に多くのことが起きているので、YouTubeチャンネルですべてをカバーすることは不可能です。AIで起きているすべてのことを本当に常に把握するために、無料の週刊ニュースレターの購読をお忘れなく。リンクは説明文に記載されています。ご視聴ありがとうございました。また次回お会いしましょう。
コメント