Google DeepMindがAIツールを使って220万種類の新しい結晶構造を発見、これまで発見されてきた数の45倍以上

GoogleのAI研究部門であるGoogle DeepMindが、「GNoME」と呼ばれるAIツールを使って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を220万種類も発見しました。220万種類という数字は、これまで発見された結晶構造の45倍以上にもおよびます。

Scaling deep learning for materials discovery | Nature
https://www.nature.com/articles/s41586-023-06735-9

Millions of new materials discovered with deep learning - Google DeepMind
https://deepmind.google/discover/blog/millions-of-new-materials-discovered-with-deep-learning/

Google’s DeepMind finds 2.2M crystal structures in materials science win | Ars Technica
https://arstechnica.com/ai/2023/11/googles-deepmind-finds-2-2m-crystal-structures-in-materials-science-win/

コンピューターチップやバッテリー、ソーラーパネルに至るまで、現代の技術は無機結晶に依存しています。新しい技術を実現するには、結晶が安定している必要があり、そうでない場合は分解してしまう可能性があるためです。新しい安定した結晶を得るには、数カ月にわたる精密な実験が必要となってきました。

Google DeepMindの研究チームは、現地時間の2023年11月30日に科学誌のNatureで発表した論文の中で、220万種類の新しい結晶構造を発見したことを共有しています。新しい結晶構造の発見には、新しい材料の安定性を予測することで新素材の発見速度と効率を劇的に向上させるディープラーニングツールの「Graph Networks for Materials Exploration(GNoME)」が利用されています。

GNoMEを使って新しく発見された結晶構造は220万種類あり、このうち38万種類は構造的に安定したものであると期待されています。これらの結晶構造の中には超電導体、スーパーコンピューター、次世代バッテリーといった革新的な技術につながる可能性を秘めた材料が含まれているそうです。

論文の共著者であるイーキン・ドガス・キューブク氏は、「私にとって材料科学とは、基本的に抽象的な思考と物理的宇宙が出会う場所です」「より優れた材料があれば、どんな技術も向上します」と語りました。

GNoMEでは機械学習を用いて最初に候補となる構造を生成し、次にその構造の安定性を評価することで、新しい結晶構造を特定しています。なお、過去10年間で発見された安定した物質の数は2万8000種類であるため、GNoMEを用いた新素材の発見は「800年分の知識量に相当します」とGoogle DeepMindは言及しました。

GNoMEは最先端のグラフニューラルネットワーク(GNN)モデルで、入力データは原子間の接続に例えることができるグラフ形式をとるそうです。そのため、GNNは新しい結晶構造の発見に特に適しているとのこと。GNoMEでは結晶構造とその安定性に関するデータでトレーニングされており、漸進的なトレーニングサイクルの中でモデルの予測力を評価するために、安定性を評価するために重要である原子の構造を理解するために物理学・化学・材料科学で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使用して、結晶構造のパフォーマンスを繰り返しチェックします。

Google DeepMindはGNoMEのパフォーマンスを劇的に向上させるために「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ました。GNoMEでは新しい安定した結晶構造の予測データを生成し、これをDFTを用いてテストし、その結果は高品質なトレーニングデータとしてGNNモデルのトレーニングに利用されています。

外部ベンチマークテストを用いて測定する材料の安定性予測における発見率は、最先端モデルの場合は約50％ですが、GNoMEは80％という非常に高い数字をたたき出しました。また、GNoMEが発見した新しい結晶構造を複数の研究室が独自に合成しており、予測が正しいことを実証しています。