対象物件の素材を直接デザイン！ Microsoft の MatterGen モデルはオープンソースであり、生成 AI を使用してマテリアル リバース デザインの新しいパラダイムを再定義します。
2023年12月、Google DeepMindは材料化学分野の深層学習モデルGNoMEを「Nature」に公開し、220万の新しい無機材料の結晶構造を発見したと主張した。この画期的な成果の 1 週間も経たないうちに、Microsoft は材料リバース デザイン用の生成 AI モデルである MatterGen を発売すると発表し、全員に次のように言いました。将来的には、必要な特性に応じて新しい材料の構造を直接設計できるようになります。
Google の GNoME モデルが、AI が巨大な化学空間で新しい材料を迅速に発見する可能性があることを示しているとすれば、Microsoft の MatterGen は、リバース デザインを通じて特定のニーズを正確に満たす生成 AI の能力をさらに証明しています。この 2 つは、AI の異なるエントリ ポイントを示しています。材料化学の分野でも、大規模発見から「デザイン・オン・デマンド」への新たな技術移行を示しています。 1 月 16 日、「無機材料設計のための生成モデル」と題された MatterGen の結果がついに Nature に正式に掲載されました。さらに興味深いのは、このモデルがオープンソースになったことです。HyperAI Super Neural は、ワンクリックで展開して実行できるチュートリアル「MatterGen 無機材料設計モデルのデモ」を公開しました。誰でもモデルのパフォーマンスをテストできます。
チュートリアルのアドレス:https://go.hyper.ai/5mWaL
東南大学のワン・ジンラン教授はかつて、「深層生成モデルによる逆設計: 材料発見の次のステップ」という記事で、従来の機械学習支援材料設計研究では、そのほとんどが化学物質全体における候補材料の特性を予測していると指摘しました。彼女は、生成モデリングが材料のリバース エンジニアリングの効果的な戦略であると考えており、これはマイクロソフトの研究と一致しています。 。
MatterGen は拡散モデルに基づいており、たとえば多属性磁性材料を設計する場合、高い磁性密度と低いサプライチェーンリスクの化学組成を備えた構造を提案します。同時に、モデルには複数の調整可能な適応モジュールも装備されており、化学的特性、対称性、材料特性などの制約に従って微調整して、特定の磁気的、電子的、または機械的特性を満たす材料を生成し、検証することができます。 DFT を通じて。近い将来、あるシナリオに基づいて「カスタマイズされた」新素材が実現する可能性があると考えられます。
前述の拡散モデルに加えて、今日の主流の生成モデルには、敵対的生成ネットワーク (GAN)、変分オートエンコーダー (VAE)、自己回帰モデル (自己回帰モデル) などが含まれており、その中心原理はデータ分布を学習することです。新しいサンプル。
今日の記事では、HyperAI が新材料の生成モデル リバース デザインの価値を紹介し、電池材料、高エントロピー合金、超電導材料などにおけるこの技術の具体的な進歩について説明します。
新素材開発とタンパク質設計の「類似性」
典型的な材料開発の問題では、特定の特性を備えた新しい材料を見つけたいと考えます。実際には、ターゲットの特性を満たす適切な結晶構造を探します。
従来、新材料の開発は試行錯誤が中心でしたが、この「先進設計」の特徴は構造や特性の発見にあります。最も一般的な置換方法を例にとると、La-Ba-Cu-O 超電導体は最も初期の銅系超電導体ですが、超電導度は液体窒素温度範囲よりも低い 35 K しかありません。研究者らは、Y元素を添加した後、LaをLaに置き換えた構造を研究し、Y-Ba-Cu-O超伝導体の超伝導温度が液体窒素温度領域よりも高いことを発見した。ただし、この方法の開発サイクルは非常に長く、非常に偶発的なものになります。
コンピューター技術と量子力学理論の進歩により、密度汎関数理論 (DFT) に基づく材料予測手法が徐々に成熟し、構造検索アルゴリズムと高スループット計算を組み合わせて、特定のデータベースで特定の制約に従って効率的に使用できるようになりました。可能性のある材料は、合成とテストのために研究所に送られる前にスクリーニングされます。しかし、未知の物質の化学空間は非常に大きく、さまざまな元素の潜在的な組み合わせは数百万以上に達するため、大規模なスクリーニングの計算コストは非常に高くなります。
AI を活用したリバース デザインは、材料空間スクリーニングの慣性思考から抜け出し、目標性能を満たす材料構造を直接生成する新しい考え方を提供し、材料の効率的な設計と最適化を実現します。
実際、AI によるリバース デザインは生物医学分野で画期的な進歩を遂げ、2024 年 10 月に初めてノーベル化学賞が AI 分野で授与されました。受賞者の半分は同大学のデイビッド ベイカー氏に授与されました。タンパク質設計への顕著な貢献が認められ、ワシントン賞を受賞。彼の研究の多くでは、深層学習を逆に使用して、機能的な新しいタンパク質を設計するためのアミノ酸配列を生成する例を観察できます。
新しい材料の開発とタンパク質の設計には多くの類似点があります。たとえば、材料の巨視的特性はその微細構造によって決まりますが、タンパク質についても同様です。タンパク質の分野では、アミノ酸配列はタンパク質が特定の二次、三次、さらには四次構造に折り畳まれるように導き、それによってタンパク質の生物学的機能を決定します。同様に、材料科学は、原子、化学結合、および官能基の選択と配置に依存して、分子またはより複雑な材料構造を構築し、それらの特性を決定します。
この類似性により、タンパク質設計における一般的な AI 手法が、リバース デザインによる材料特性の最適化、新しい構造の探索、まったく新しい材料の開発など、材料科学研究の参考となることが可能になります。
同時に、他の生成モデル、視覚モデル、言語モデル、および強化学習、注意メカニズム、拡散モデル、事前訓練モデル、マルチモーダル技術、モデル調整メカニズムなどの他の高度な技術が生物医学の分野で登場しています。また、材料科学においても幅広い応用の可能性を秘めています。
新しい材料は生物医学の長い臨床試験サイクルを経る必要がなく、倫理的要因や安全性要因の影響を排除できるため、実際に導入される可能性がより高い可能性があることは言及する価値があります。
Microsoft MatterGen を例として、生成 AI リバース デザイン マテリアルの新しいパラダイムを探ります。
Microsoft の MatterGen モデルは主に拡散アーキテクチャに基づいており、まず原子の種類、原子の位置、周期格子をランダムな構造に徐々に破壊し、次にそのプロセスを逆に完了するようにモデルをトレーニングして、モデルが徐々に復元する方法を学習できるようにします。ランダムノイズからのオリジナル構造。この論文の責任著者であるXie Tian氏は、これがビデオ生成の中核となる考え方に非常に似ていると考えています。
OpenAIが開発したWenshengビデオモデルSoraを例に挙げると、研究者らは「ビデオ圧縮ネットワーク」技術を使用して、入力された画像やビデオをオートエンコーダ（Encoder）に基づいて低次元データに圧縮し、これらのビデオを圧縮した。は「時空間パッチ」に分解され、さらに Transformer の処理を容易にするために 1 次元のデータ シーケンスに変換されます。その後、Transformer は各空間および時間パッチのノイズ除去を完了し、処理されたテンソル データを Decoder を通じてビデオに復元します。
一方、拡散アーキテクチャに基づいて、研究者らはモデルに既知の安定した材料データの構造を学習させ、モデルのトレーニングが完了すると、ランダム分布から無条件にサンプリングし、逆のプロセスを経てモデルを作成できます。それに基づいて材料の法則を理解し、条件を満たす新しい材料構造を生成します。さらに、研究者はネットワークの各層に条件を追加して、基本モデルを微調整します。これらの条件は、微調整後の特定の化学的特性、対称性、または任意のターゲット特性になります。このモデルは、指定された条件に従って材料構造を直接生成し、計算手法を通じてその安定性を検証できます。
以下に示すように、ストロンチウム - バナジウム - 酸化物化学系の新しい材料生成の場合、MatterGen によって生成された材料構造は非常に合理的 (fi) に見え、計算検証の結果、これらの材料は安定していることがわかります。
さらに、計算機による検証に加え、中国科学院深セン先端技術研究所とも協力し、MatterGenを用いた新材料TaGrの合成に成功した。2○6、実験的に測定された体積弾性率は 169 GPa であり、設計値 200 GPa との相対誤差は 20% よりも低くなります。同時に、チームは科学者からフィードバックを得て、モデルの反復と最適化を継続して、実際の応用価値を高めることも望んでいます。
ほとんどの材料設計問題には、室温超伝導体やバッテリー用の超イオン伝導体など、極端な特性を持つ材料を見つけることが含まれるため、従来の検索ベースの手法を実装するのは困難ですが、生成モデルではターゲット特性を使用してガイダンスを提供できることは言及する価値があります。これらの画期的な材料の発見のために提供されます。Microsoft はこのモデルを使用して、バッテリー設計、太陽電池設計、炭素回収などのさまざまな材料を調査しています。
さらなる応用: 高エントロピー合金や超電導材料の開発を例に挙げます。
新素材は、航空宇宙、新エネルギー、電子情報、生物医学などのハイテク分野の発展を推進する基礎であるだけでなく、新技術、新装置、新プロジェクトのバックボーンでもあることは誰もが知っています。しかし、現在、我が国の素材産業は依然として伝統的な素材が主流であり、新素材、特に高級新素材の供給は限られており、同時に基幹技術の不足により、一定の需要が生じています。輸入材料に依存しており、人為的な欠陥が存在するため、問題は依然として残されています。
現在、生成型 AI の発展により、材料科学は新たな研究パラダイムの変化をもたらしています。この新興分野にできるだけ早く参入できれば、欠点を克服して「追い越し」を達成できる可能性があります。次に著者は、高エントロピー合金や超電導材料などの開発における生成AIの適用の具体的な事例を取り上げ、この技術が新材料の飛躍的な開発にどのように役立つかを探っていきます。
高エントロピー合金
ガスタービン、原子炉、航空宇宙推進システムなどの工学用途では、優れた高温機械的特性を備えた金属合金が強く求められています。耐火性高エントロピー合金（RHEA）は、さまざまな高融点耐火元素を添加することにより、1000℃以上の温度でも高強度性能を維持することができ、高温合金に匹敵する高温強度を示し、広く注目されています。研究者からも注目を集めています。
しかし、他の高温合金と比較すると、特定の側面（室温延性など）における RHEA の性能には依然として課題があり、これまで RHEA の設計は主に研究者の経験と直感に頼っていました。同時に、RHEA の可能な組成範囲は広く、数十億の候補成分が含まれているため、潜在的な合金の迅速な発見は大幅に制限されています。
これに関して、ペンシルベニア州立大学材料科学工学部およびコンピューティングおよびデータサイエンス研究所の助教授であるウェスリー・ラインハート氏は、「高エントロピー耐火合金の逆設計ツールとしての生成深層学習」という論文を発表しました。生成モデリングは材料設計、特に高エントロピー合金の設計における有望な新しい手法であるという暫定的な結論が導き出されました。この成果は、JMI によって年間優秀論文として評価されました。
用紙のアドレス:
https://www.oaepublish.com/articles/jmi.2021.05
この論文の中で研究者らは、過去10年間で密度汎関数理論（DFT）などの計算手法が基本的に成熟し、大量のデータが蓄積され、それが深層学習の応用の基礎となり、開発を促進したと述べています。しかし、残念ながら、巨大な設計空間が依然として重要な課題であり、生成モデリングの「リバース デザイン」がこれに対する解決策を提供します。
したがって、研究者は条件付き敵対的生成ネットワーク (CGAN) を使用して、追加の条件ベクトルをジェネレーターに提供し、その出力を制御します。言い換えれば、条件ベクトルはターゲット特性 (合金組成や性能指標など) に関連する情報を提供し、潜在空間と目的の指標の間のマッピングを確立でき、ジェネレーターは一貫した条件サンプルを生成します。このモデルがアルミニウム合金の設計に成功し、計算手法によって検証されていることは言及する価値があります。
研究者らは、CGAN の使用に加えて、条件付き変分オートエンコーダー (CVAE) も新しい材料設計に使用できることにも言及していることにも言及する価値がありますが、これはトレーニング プロセスに固有のノイズ注入と、再構築エラーに対する事前定義された測定要件のためです。 , VAEはGANほど効果的ではありません。
超電導材料
超電導材料とは、特定の温度で抵抗がゼロになる導体を指し、送電、モーター、輸送、航空宇宙、マイクロエレクトロニクス、コンピュータ、通信、核物理学、新エネルギー、バイオエンジニアリング、医療など幅広く使用されています。超電導の発見以来、この分野は関連するノーベル賞を複数輩出しています。
高い臨界温度 (Tc) を持つ新しい超伝導体の発見は、材料科学および物性物理学の分野において常に重要な課題であり、国立標準技術研究所およびその他の研究者はマイクロソフトの研究者と協力して、新しい超伝導体の拡散モデルを提案しました。ユニークな構造と化学組成を持つ超電導体を使用して材料を生成します。この研究は「データ駆動型深層生成モデルを使用した次世代超伝導体の逆設計」と題され、The Journal of Physical Chemistry Letters に掲載されました。
用紙のアドレス:
https://pubs.acs.org/doi/10.1021/acs.jpclett.3c01260
この成果の中で研究者らは、周期材料で生成モデルを使用する際の主な課題は、並進および回転不変の表現を作成することであると述べ、この問題は結晶拡散変分オートエンコーダ (CDVAE) を使用して解決できると述べました。
したがって、上の図に示すように、研究者らは 1,058 個の超電導材料の DFT データを使用して CDVAE モデルをトレーニングし、3,000 個の新しい超電導候補材料を生成できるようにしました。続いて、事前学習済みの深層学習モデル ALIGNN を使用してこれらの候補構造の超電導特性を予測し、スクリーニングを経て 61 個の候補材料が得られました。最後に、研究者らはこれらの材料に対して DFT 計算を実行して、予測を検証し、新しい材料の動的および熱力学的安定性を評価しました。 15 の潜在的な超電導材料候補の構造を以下の図に示します。この研究により、このようなアプローチにより次世代材料のリバースデザインが可能になることがわかりました。
もちろん、上記のケースに加えて、生成モデルは他のマテリアル デザインにも具体的に適用されています。著者は参考のためにいくつかの事例を特別にまとめました。
*リチウム電池設計
論文タイトル: 生成 AI を使用した微細構造最適化によるリチウムイオン電池の設計
用紙のアドレス:
https://www.cell.com/matter/fulltext/S2590-2385(24)00446-6
*ナノコンポジット設計
論文のタイトル: ナノ複合材料におけるカスタマイズされた機能のための生成 AI
用紙のアドレス:
https://easychair.org/publications/preprint/sDm2
*2Dマテリアルデザイン
論文のタイトル: 深層学習生成モデルを使用した新しい 2D マテリアルの計算による発見
用紙のアドレス:
https://pubs.acs.org/doi/abs/10.1021/acsami.1c01044
※エンジニアリングセメント系複合材料設計
論文のタイトル: 人工セメント質複合材のパフォーマンスベースの設計のための生成 AI
用紙のアドレス:
https://www.sciencedirect.com/science/article/abs/pii/S1359836823004961
*メカニカルおよびバイオニクス材料設計
論文のタイトル: 生成 AI アプローチによる機械的および生物インスピレーションを受けた材料の強化
用紙のアドレス:
https://www.sciencedirect.com/science/article/pii/S2949822824001722
最後に書きます
現在、材料設計における生成 AI の応用の多くはまだ実験段階にあり、この技術を実際に実装するには、計算による材料性能の評価に加えて、実際の実験による検証にも依存する必要があります。この点において、新しい材料のコンピュータによるスクリーニングと実験的合成の間のギャップを縮め、最小限の人員で材料を迅速に発見したい場合には、自動化された研究室を構築し、クローズドループの発見を達成することが特に重要です。
カリフォルニア大学バークレー校の自動研究室である A-Lab を例に挙げると、実験ステップを自動的に実行できるだけでなく、データに基づいて自律的に意思決定を行うことができ、17 日間の連続稼働で 41 個の合成に成功しました。対象素材は58個、成功率は71%と高い。生成 AI を使用して材料を設計し、自動化された研究室を通じて効率的な合成と検証を行うことが、材料科学の急速な発展を促進する効果的な方法になりつつあることがわかります。
参考文献:
1.https://nullthought.net/?p=5222&utm_source=chatgpt.com
2.https://academic.oup.com/nsr/article/9/8/nwac111/6605930?login=false
3.https://mp.weixin.qq.com/s/UX71cMgsEo49tLPiFu3D8A
4.https://mp.weixin.qq.com/s/e1DqTa1Tgyi4OWpgwrj48Q
5.https://www.youtube.com/watch?v=Smz1go6_Spo&t=896s
6.https://www.youtube.com/watch?v=yWXPV3bsC2c&t=7s
7.https://www.youtube.com/watch?v=Uv22eVcmmXA
