無機物質の逆合成の効率が飛躍的に向上。韓国チームがRetrieval-Retroを立ち上げ、その成果がNeurIPS 2024に選出された。
2023年11月、米国ローレンス・バークレー国立研究所の科学者たちはロボットアームの周りで息を呑んだ。A-Labと呼ばれるこのAI材料合成プラットフォームは、41種類の新しい無機材料を次々と合成することに成功した後、初めての合成失敗を経験したばかりだった。赤い警告灯が点灯すると、研究室は歓声で沸き立ちました。プロジェクトリーダーのゲルブランド・セダー教授は次のように説明した。「この失敗は成功よりも価値がある。」これは、溶媒のダイナミクスを理解する上での AI の盲点を明らかにします。これは人間と機械の共進化における重要な瞬間です。」
この一見異常な祝賀行事は、無機材料合成の分野において、ここ 1 世紀もの間起こっていなかったパラダイムシフトを反映しています。有機化学者EJコーリーが1960年代に逆合成分析法を提唱して以来、無機化学者は独自の「聖杯」を探し求めてきました。レゴブロックを分解するのと同じように、複雑な無機材料をリバースエンジニアリングして実用的な合成ステップにするにはどうすればよいでしょうか?
この夢は2020年に好転した。中国科学技術大学の于樹紅院士のチームが、機械学習を使用して界面のエネルギー差を予測し、半導体ナノワイヤ上の特定の場所に磁性材料を「刻む」ことに成功したことをネイチャー・ナノテクノロジー誌に発表したのだ。かつて学界では20年にわたる実験の積み重ねが必要だと考えられていたこの技術は、AIによってわずか3か月で解明されました。
変化の波は予想よりも早く来ています。 2023年には、Google DeepMind が GNoME プラットフォームを立ち上げました。わずか 17 日間で 380 個の安定した無機結晶が選別され、そのうち 52 個が実験的に検証されました。さらに驚くべきことは、ノースウェスタン工科大学のチームが宇宙船用のセラミックコーティングを開発していたとき、AIは「まずマイクロクラックネットワークを構築し、次に修復剤で埋める」という直感に反する経路を逆に推論する——この「損失防止」戦略により、航空機の自己修復型「装甲鱗」を鍛造するのと同じように、材料の耐熱性が 300°C 向上します。
現在、世界中の研究室の換気フードの背後では、静かな二重の革命が静かに進行しています。AI は人間の総合的な経験から学習するだけでなく、人間の直感を超える新しい準備の道を模索し、創造しています。最近、韓国化学技術研究院（KRICT）と韓国科学技術院（KAIST）は、Retrieval-Retroと呼ばれる無機逆合成計画法を共同で提案しました。この方法は、熱力学関係と注意メカニズムを組み合わせることで、無機材料合成の効率と精度を向上させることに成功しました。新しい合成式を特定する際のその優れた性能は、材料発見の分野に新たな希望をもたらし、将来の研究においてより大きな役割を果たすことが期待されています。
「Retrieval-Retro: 専門知識による検索ベースの無機逆合成」と題された関連成果は、AI分野の最高学術会議であるNeurIPS 2024に選出されました。
論文リンク:
https://doi.org/10.48550/arXiv.2410.21341
データセットのダウンロード リンク:
オープンソースのアドレス:
https://github.com/HeewoongNoh/Retrieval-Retro
無機逆合成：実験的な試行錯誤に大きく依存しており、AIアルゴリズムはまだ改善の余地がある
材料科学の長い歴史を通じて、試行錯誤は未知のものを探求する唯一の方法でした。科学者は、偶然に性能の「スイートスポット」に到達するまで、盲人が象に触れるように、配合を繰り返し調整し、サンプルを焼成しました。このパターンは、逆合成分析の誕生により、有機合成の分野で初めて破られました。1964 年に EJ Corey は、ターゲット分子をパズルのようにシントンに逆分解し、盲目的な試みではなく論理的推論によって合成経路を見つけることを提案しました。ベンゾフラン合成の問題を解決するときと同じように、化学者はフェノール誘導体のあらゆる組み合わせをテストする必要がなくなりました。代わりに、重要な CO 結合の切断部位を特定することで、フェノールと 1,3-ジカルボニル化合物の鉄触媒カップリング経路を正確に特定できます。化学結合のインテリジェントな切断に基づくこの思考革命により、有機合成は経験主義から合理的設計の時代へと移行することができました。
しかし、戦場が無機質な世界に移ると、事態はさらに複雑になります。初め、無機化合物はより複雑な結合メカニズムを伴うため、その構造と特性の関係を有機分子のように官能基を通じてモジュール的に分析することは困難です。第二に、無機合成反応は、多相界面の進化や準安定状態との競合を伴うことが多く、その反応速度は有機系の溶解反応よりも予測が困難です。さらに、無機結晶場安定化エネルギーや欠陥形成エネルギーなどの重要なパラメータに対する既存の計算化学手法の計算精度は、信頼性の高い逆経路推論をサポートするには不十分です。その結果、無機逆合成研究は依然として実験的な試行錯誤に大きく依存しており、その理論的枠組みの構築は有機系の場合よりもはるかに複雑です。
今日、AI テクノロジーの追加により、この分野に新たな道が開かれました。たとえば、生成的敵対的ネットワークは人間の経験の限界を打ち破り、特殊な電磁気特性を持つペロブスカイト格子などの革新的な構造を設計できます。量子モンテカルロ法は、ミクロの世界に深く入り込み、高温超伝導体におけるクーパー対の量子もつれのメカニズムを分析します。負けじと、グラフニューラルネットワークは原子軌道再編成のルールを解読することで、無機材料特有の量子反応ルールシステムを徐々に構築してきました。
これらの分野における AI 技術の継続的な進化により、無機逆合成の困難さは徐々に克服されつつあります。技術革新の波の中で、畳み込み変分オートエンコーダは、材料の逆設計を実現する初めてのものです。それはこの分野に光をもたらします。その後、ElemwiseRetro モデルでは、予測精度を最適化するために前駆体テンプレート ライブラリがさらに導入されました。しかし、既存のアルゴリズムは大きな進歩を遂げているものの、しかし、「類似の材料を参照する」化学者の意思決定の知恵はまだ完全には再現されていない。言い換えれば、AI は材料をより正確に設計するために、人間の化学者がどのように考えるかをさらに学習する必要があるということです。
この欠点を補うために、ソウル国立大学の研究チームは、「Retrieval-Retro」と呼ばれる新しい無機逆合成計画法を開発しました。高度な検索技術と注目メカニズムを通じて前駆体情報を効率的に識別および抽出することで、材料の発見と合成を加速することを目的としています。広範囲にわたる実験により、Retrieval-Retro はさまざまなシナリオ、特により現実的で困難な年区分シナリオで優れたパフォーマンスを発揮することが示されています。無機材料の新しい合成式を発見するその優れた能力は、実用的な材料発見におけるその大きな応用可能性を十分に証明しています。
Retrieval-Retro: 無機逆合成計画への革新的なアプローチ
リトリーバル・レトロの核心は、2つの補完的なリトリーバーを使用することです——24,304件の材料科学論文から抽出した33,343の無機材料合成式を参考に前駆体情報を抽出するマスク前駆体補完（MPC）リトリーバーと神経反応エネルギー（NRE）リトリーバー。
データセットのダウンロード リンク:
MPC リトリーバーは、前駆体間の依存関係を学習することで、ターゲット材料に類似した前駆体を持つ参照材料を識別します。ターゲット マテリアルとナレッジ ベース内のすべてのマテリアル間のコサイン類似度を計算して、最も類似する上位 K 個のマテリアルを取得します。この方法は、前駆体とターゲット材料間の相関関係を効果的に捉えることができ、その後の合成計画に重要な手がかりを提供します。
しかし、MPC リトリーバーは類似した前駆体のセットを識別できるものの、無機合成において極めて重要な、物質間の熱力学的関係を無視しています。このため、NREリトリーバーは熱力学的駆動力に基づいており、参照物質は、ターゲット物質と前駆体集団間のギブス自由エネルギー (∆G) を考慮して選択されます。一定の圧力と温度の下では、負の ∆G は合成反応が自発的に起こる可能性があることを示しており、 ∆G 値が大きいほど、前駆体コレクションが目的の物質を合成できる可能性が高くなります。 NRE リトリーバーは、事前トレーニングと微調整メカニズムを通じて DFT で計算された生成エネルギー データと実験的な生成エネルギー データを使用し、対象物質と参照物質の生成エネルギーを予測して、熱力学的に最も有利な参照物質を選択します。
前兆情報を抽出する過程で、Retrieval-Retro は、自己注意と相互注意のメカニズムを採用しています。構成グラフ エンコーダーを介してターゲット マテリアルと参照マテリアルをエンコードすることにより、モデルは、自己注意メカニズムを介して参照マテリアルの表現を強化し、相互注意メカニズムを介してターゲット マテリアルの表現と強化された参照マテリアルの表現をマージして、暗黙的に前駆体情報を抽出できます。この方法は、参照物質の情報を十分に活用できるだけでなく、参照物質の前駆体情報を直接使用することによる制限を回避し、モデル学習能力と新しい合成式の導出能力を大幅に向上させます。
Retrieval-Retro の有効性を検証するために、研究者らはそれをいくつかの既存の無機逆合成法およびベースライン法と比較しました。これらの方法には、Roost や CrabNet などのマテリアル構成ベースの表現学習方法や、Composition MLP や Graph Network などの新しく提案されたベースライン方法が含まれます。実験結果によれば、Retrieval-Retro は、すべてのテスト シナリオでベースライン モデルよりも優れたパフォーマンスを発揮します。特に年ベースの設定では、パフォーマンスの向上がより顕著になります。これは、Retrieval-Retro が理論的に革新的であるだけでなく、実際のアプリケーションにおいても優れた適応性と有効性を備えていることを示しています。
究極の物質錬金術：AIが周期表に疑問を持ち始めるとき
ソウル国立大学のRetrieval-Retroモデルが従来の検索の限界を打ち破ったことを背景に、無機逆合成の分野は新たな発展の機会を迎えています。2024年現在、人類は元素番号118のOgを合成しています。これらの元素は現実世界では半減期が非常に短いかもしれませんが、AI 支援による材料発見のアプリケーションはすでに登場しています。
現実と仮想を織り交ぜたこの探求は、材料科学の認知的側面を再構築しています。従来の無機化学では依然としてポーリングの法則とヒューム・ロザリーの法則に従っていますが、AI ではテンソル ネットワークを使用して電子相関効果を再構築し、量子アニーリング アルゴリズムを通じて高温超伝導体の潜在的なメカニズムを探索し始めています。例えば、A-Lab はロボット工学と機械学習を組み合わせることでさまざまな新しい無機材料の合成に成功し、材料合成における AI の大きな可能性を実証しました。
この認知的飛躍は二重の革命をもたらします。技術的なレベルでは、Microsoft の量子コンピューティング チームは、最新の量子チップ「Majorana 1」を通じて、トポロジカル キュービットと逆合成アルゴリズムを組み合わせて、トポロジカル導体材料を使用したより安定した効率的な量子コンピューティングを実現しています。科学哲学の観点から言えば、MIT の合成知能研究所は、AI が仮想反応炉を通じて化学合成プロセスをシミュレートおよび最適化する方法を研究し始めており、それによって物質世界に対する人間の理解が再定義される。キュリー夫人が瀝青石からラジウムを抽出したのと同じように、AI は仮想反応炉で人間がまだ名前をつけていない物質形態を沈殿させているのかもしれない。
古いパラダイムと新しいパラダイムの交差点に立つ無機逆合成は、最も刺激的な章を書き記しています。それは、ラヴォアジエ時代から受け継がれた材料分解の伝統を継承するだけでなく、人間と機械のコラボレーションによる「ポストヒューマン材料科学」を生み出します。上海シンクロトロン放射光源のX線とGNoMEのニューラルネットワークが共同で380番目の安定結晶を分析したところ、技術的な反復だけでなく、認知次元のアップグレードも確認できました。量子力学が古典物理学を覆したように、AIは材料科学のための複数の現実の「シュレーディンガーの道具箱」を切り開きつつあります。
注目すべきは、本当の革命は機械が人間に取って代わることではなく、AI が非局所波動関数を使用して化学結合を再定義し始めることで、人間がついに物質世界を観察するための第二の目を手に入れるということである。これらの「機械の目」の監視下で、無機材料の合成は経験的なスキルから、古典化学と量子宇宙を結びつける認知的な架け橋へと変化しています。