15分 = 1年!人工知能と材料科学が出会うとき...

最近、NPJ—Computational Materials誌に研究論文が掲載されました。

この論文は米国のサンディア国立研究所の実験チームによって書かれたもので、彼らが開発した機械学習アルゴリズムを記録している。

このアルゴリズムは、材料科学者向けのシミュレーションを通常の約 40,000 倍の速さで実行できる。これは、種をまいてから 3 分後に新鮮なトマトを食べたり、ニューヨークからロサンゼルスまで 0.5 秒で飛行したりするのと同等の速さである。

近年、人工知能が材料科学の発展にどのように役立つかについての研究が数多く行われています。

1月8日、オックスフォード大学のフォルカー・L・デリンガー教授のチームは、第一原理計算データセットに基づく原子スケールの精密機械学習手法を開発した。

研究者らは、第一原理計算精度を備えた機械学習モデルに基づく、より一般的なガウス近似ポテンシャル（GAP）分子動力学シミュレーション（GAP-MD）を使用して、10万個のシリコン原子（10ナノメートルスケール）を含むシステムの液体-アモルファスおよびアモルファス-アモルファス遷移プロセスを研究し、その構造、安定性、電子特性を予測しました。

この方法は、実験観察と一致して、アモルファス シリコンの相転移プロセス全体をうまく記述および説明します。

この画期的な成果は、Nature 誌の表紙記事として発表されました。

[[379061]]

なぜ材料科学なのか

中国科学院物理研究所の著名な研究員である劉ミャオ氏は、後者の研究結果をより重視している。

中国科学日報とのインタビューで、彼はGAP法が10年前の発足以来継続的に改良されてきたことを紹介した。

「GAPは量子力学を利用して大量のデータを生成し、そのデータを使って機械学習モデルを構築することで、計算の効率と精度を向上させ、計算の難しさを簡素化し、これまで不可能だったことさえも実現します。」

劉ミャオ氏は、「GAPは大量の密度汎関数理論データから始めて、原子間の相互作用に関する情報を抽出し、物質計算研究対象の空間スケールを103～104倍に増幅し、時間スケールを103倍に拡大し、密度汎関数理論計算に近い精度を実現します」と説明した。

この研究では、研究者らはシミュレーションを使用して、シリコンの液体と非晶質の遷移プロセスをより広い範囲で明らかにし、極めて困難な実験条件下での材料の予測モデル化への新たな道を開いた。

さらに、原子スケールの機械学習手法は、シリコンという特定の材料を超えた新たな科学的発見につながる可能性があります。

この方法は、原子の安定構造や原子間相互作用などの物理的特性について、量子力学シミュレーションに近い精度で正確な予測を得ることができるため、これまで知られていなかった多くの現象を明らかにし、メソスコピック系、液体系、アモルファス多結晶系、生物系などの複雑系の動的進化を探求するために使用することができます。

前述の米国サンディア国立研究所の研究は、128 個の処理コアを備えた高性能コンピューティング クラスターに基づいていました。

研究者らは、コンピューティング クラスター上で単一の無支援シミュレーションを実行しました。

機械学習の場合、同じシミュレーションを 36 個のコアを使用して実行したところ、60 ミリ秒かかりました。これは同等のコンピューターの 42,000 倍の速度です。

これは、研究者が通常 1 年かかる計算プロセスをわずか 15 分で完了できることを意味します。

また、機械学習は、原子と分子の相互作用が時間の経過とともにどのように変化するかを計算する高速シミュレーションを実行するために長い間使用されてきました。

しかし、サンディア国立研究所が発表した結果は、機械学習が比較的大きなマイクロスケールでの材料シミュレーションを加速できることを実証した初めてのものである。

このシミュレーションにより、科学者は、溶融金属の小さな液滴が冷えて固まるときにどのように凝集するか、または混合物が溶けるときにどのように分解するかを迅速にシミュレートできます。

それだけでなく、新しいアルゴリズムは、標準シミュレーションの結果と 5% 異なる、非常に高い精度の回答を生成しました。

「私たちの機械学習フレームワークは、高忠実度モデルと本質的に同じ精度を、わずかな計算コストで実現します」と、このプロジェクトに携わったサンディア国立研究所の材料科学者、レミ・ディンゲビル氏は語った。

中国科学院深圳先端技術研究所の研究員である欧永勝氏は、この研究について説明し、これはコンピューターシミュレーションを利用して計算プロセスを高速化する試みであると述べた。この目標が達成された理由は、材料科学自体が実験を重視しているためである。つまり、実験プロセスのデータ計算は人工知能が優れている分野である。

「つまり、材料科学と人工知能の間に火花が散ったのです。」

両者は互いに影響し合う

実際、材料科学のような実験に重点を置く分野は多く、人工知能と他の分野を組み合わせた学際的な分野も数多くあります。

「最近の人工知能の急速な発展の原動力は、計算能力の向上です。これにより、膨大な量のデータの生成と処理が可能になり、人工知能があらゆる生活の場に浸透するようになりました。」

劉ミャオ氏は、「材料科学はデータ蓄積の急速な発展期に入ったばかりだ。ハイスループット実験やコンピューティングなどの新しい技術が、材料科学の分野で大量のデータを生み出している。人工知能はビッグデータの分析と処理を可能にする」と述べた。

「実験を通じて、研究者は関連する法則を要約し、一般化することができます。コンピュータ アルゴリズムは、コンピュータ実験のプロセスです。そうして初めて、コンピュータは関連する法則を要約し、一般化し、特定のタスクを完了することができます。たとえば、コンピュータは詩を書きます」と Ou Yongsheng 氏は述べています。

2019 年 2 月、米国科学アカデミーは、材料研究に関する 3 回目の 10 年調査「材料研究の最前線: 10 年調査」を発表しました。この調査では、過去 10 年間の材料研究分野の進歩を評価し、今後 10 年間の材料研究の機会、課題、新しい方向性を特定しました。

中でも、ナノ材料や高エントロピー合金などの先端材料の研究において、人工知能は大きな期待が寄せられています。

機械学習手法は材料設計とスクリーニングにおいて大きな可能性を示しており、新材料の発見と従来の材料の更新を大きく促進することが期待されています。

逆に、人工知能の発展も材料科学のサポートに依存しています。スマートロボット、ウェアラブル医療機器、仮想現実（VR）画像、IoT都市システム...将来のスマートセンサーには、極めて高い感度、柔軟性、透明性、安定性が求められ、材料に対する新たな要件が求められます。

「人工知能と材料科学は交流を深め、お互いを促進し合うべきだ。」

中国科学院院士の趙忠賢氏は、2019年の広東・香​​港・マカオ大湾区科学技術イノベーションフォーラムで、将来、人工知能に使われる敏感な部品の問題を解決するには材料科学に依存すると提案した。同時に、材料科学のニーズに基づいて人工知能技術と理論を開発することも必要である。

データが先、アルゴリズムは後

「人工知能は多くの分野で進歩を促進できるプロトタイプであり、それを変革するには専門家の力が必要です。」と欧永生氏は述べ、「現在、学際的な研究がイノベーションの原動力となっています。ツールとしての人工知能が最大の役割を果たすには、他の分野と協力する必要があります。」

人工知能のディープラーニングの基盤として、データの質と量はこの分野の鍵となります。

現在、多くの国が独自の材料科学データベースを保有しています。

「データベースがあれば、ディープラーニングなどの人工知能手法でデータ間のつながりやパターンを抽出できる」と劉ミャオ氏は言う。「データ量が十分でないために、人工知能とあまり関わりのない分野もある」

2018年、劉ミャオ氏らは共同で中国の材料科学データベース「Atomly」の作成を開始し、2020年8月に公開されました。

「材料科学データベースがオンラインになった後、主に2つの影響がありました」とLiu Miao氏は説明した。

まず、現在の研究のほとんどは経験に基づく指導に基づいています。つまり、研究者は自分の経験に基づいて判断し、実験的な合成と特性評価を通じて材料の試行錯誤と検証を行います。ビッグデータと人工知能が関与すると、データ駆動型の方法で予測が行われ、実験がより的を絞ったものになります。

第二に、人間個人の認知能力には限界があり、生涯にわたって知識を蓄積してもボトルネックに遭遇します。一方、コンピュータは上限なく水平方向に継続的に拡張できます。

「2016年、アルファ碁は人間のチェスプレイヤーに勝利しました。将来的には、人工知能と材料科学データベースも改善を続け、人間の材料研究の優れた助っ人になることが期待されます」と劉ミャオ氏は語った。