Surrogate Modeling for the Design of Optimal Lattice Structures using Tensor Completion

あなたは、完璧な新しいレシピを考案しようとしているマスターシェフだと想像してください。あなたのパントリーにはあらゆる材料が揃っており、それらをあらゆる方法で組み合わせて、最も美味しい料理を見つけ出そうとしています。しかし、ここには落とし穴があります。考えられる組み合わせの数が膨大すぎるため、もし全てのレシピを実際に作って試食しようとしたら、一生キッチンにこもりきりになってしまうでしょう。これは、科学者が新しい材料を設計する際に直面している問題そのものです。彼らには、微細な構造の形状のような「設計の選択肢」という名の「パントリー」があり、最も強固、あるいは最も軽いものを見つけ出したいと考えています。これを助けるために、彼らはコンピュータとスマートなアルゴリズム（機械学習と呼ばれます）を使用し、実際に調理する前に、どのレシピがうまくいくかを推測します。しかし、これらの賢いコンピュータは、うまく学習するためには、あらゆる種類のレシピを少しずつ「味わう」必要があります。現実の世界では、科学者は多くの場合、作るのが最も簡単だったり、最も安価だったりするレシピだけを試食するため、知識に巨大な空白が生じてしまいます。この論文は、これらの空白を埋めるための巧妙な新しい方法を探求しており、それによって、データが乱れていたり不完全であったりする場合でも、より速く最高の材料設計を見つけることができるようにします。

この研究の背後にいる研究者、Shaan Pakala氏とそのチームは、「格子構造（ラティス構造）」の設計という課題に取り組みました。これらを単なる金属の塊ではなく、微細な支柱で作られた複雑な3Dハニカム構造や足場のようなものだと考えてください。これらの構造は、非常に軽量でありながら驚異的な強度を持つことができるため、航空機や医療用インプラントなどに最適です。チームは、これらの格子構造の「最適解」――つまり、その重さに対して最高の機械的性能（力がどのように伝わるか）を発揮するもの――を見つけ出したいと考えました。

通常、科学者は新しい設計がどのように機能するかを予測するために、機械学習ツールを使用します。論文では、これらのツールは、学習データ（コンピュータが学ぶ例）がケーキ全体に砂糖をランダムに振りかけた時のように、均一に広がっている場合には非常にうまく機能すると説明されています。しかし現実には、科学者は不均一にサンプリングを行うことがよくあります。例えば、ラボで作りやすい設計や、安価に作れる設計だけをテストする場合などです。これは「偏った（バイアスのある）」データを生み出し、コンピュータがある設計領域については明確に把握している一方で、他の領域については盲目になってしまう状況を作り出します。著者らは、標準的な機械学習手法（ガウス過程やXGBoostなど）は、データに偏りがある場合に苦戦することを発見しました。それらは特定の設計に適合しすぎたり（オーバーフィット）、混乱したりして、未知の設計の性能を予測することに失敗してしまうのです。

この問題を解決するために、チームは設計問題を「テンソル補完」と呼ばれる巨大な多次元パズルとして扱うという、異なるアプローチを提案しました。ルービックキューブを想像してみてください。ただし、単に色がついているのではなく、各小さな立方体には材料の強度を表す数字が入っています。もし、テストした設計に相当する外側の面にある数字しか分かっていない場合、テンソル補完は、その中にある隠れた数字を導き出すための数学的なマジックになります。研究者たちは、材料の設計をこれらの多次元パズルへと変換しました。そこでは、パズルの各側面が異なる設計変数（パラメータ）を表しています。そして、既知のピースから見つかったパターンに基づいて、欠けているピースを埋めるアルゴリズムを使用したのです。

チームは、実験者が探索空間の特定の便利な領域でのみ設計をテストし、残りの領域を未探索のままにしたシナリオをシミュレーションすることで、この手法をテストしました。彼らは、この「テンソル補完」法を標準的な機械学習ツールと比較しました。その結果、データが均一に広がっている場合には標準的なツールもまずまずの結果を出しましたが、データに偏りがある場合には、テンソル補完法の方がはるかに優れた性能を示すことが分かりました。実際、データに偏りがある場合、テンソル法は最高の伝統的手法と比較して、精度（R²スコアで測定）を約5%向上させました。また、不均一なサンプリングによって混乱することなく、未知の設計の性能を予測することもできました。

この論文は、このアプローチが材料科学者にとって強力な新しいツールであることを示唆しています。これは、材料設計の全問題を解決したと主張しているのではなく、問題を単にデータを暗記するリストとしてではなく、完成させるべきパズルとして捉えることで、より良い材料の推測が可能になることを示しています。これは、すべての可能性をテストすることができない場合に特に有用です。著者らは、テンソル補完が、可能な設計の数が指数関数的に増加していく中で、完璧な格子構造の探索を加速させるための、スマートな「代理モデル（サロゲートモデル）」――つまり、高価な物理実験の賢い代役――になり得る有望な手法であると結論付けています。彼らは、他の人々がこの手法を試し、自分たちの材料パズルに機能するかどうかを確認できるように、コードを公開しています。