Prediction of Diffusion Coefficients in Mixtures with Tensor Completion

大きな全体像：空白を埋める

巨大なスプレッドシート（行列）を想像してみてください。そこでは、すべての行が特定の化学物質「溶質」（染料の滴のようなもの）を表し、すべての列が特定の「溶媒」（水や油のようなもの）を表しています。このスプレッドシートの各ボックスの中には、その染料がその油の中でどれくらいの速さで広がるかを知りたいと考えています。この速度は拡散係数と呼ばれます。

問題は、このスプレッドシートの大部分が空欄であることです。実験を行うには時間がかかり、コストも高く、手間がかかるため、科学者たちはこれらの組み合わせのほんの一部しか測定できていません。

長い間、科学者たちは欠落した数値を推測するために、「半経験的モデル」（SEGWEモデルなど）を使用してきました。これは、古い経験則に基づいた大まかな地図を使うようなものです。それなりに機能しますが、非常に精密というわけではありません。

近年、科学者たちは空白を埋めるために機械学習（ML）を使い始めました。彼らはこの問題を「欠落した数字を当てるゲーム」（行列補完と呼ばれます）として扱いました。もし、特定の染料が水の中でどのように振る舞うかを知っていれば、別の染料が油の中でどのように振る舞うかを、コンピュータが数学的に推測できるのです。これは非常にうまく機能しましたが、一度に特定の温度（通常は室温の298 K）に対してのみ有効でした。

新しいイノベーション：3Dパズル

この論文の著者たちはこう問いかけました。「もし、300 K、310 K、あるいは350 Kでの速度を知る必要があるとしたらどうだろうか？ 各温度ごとにコンピュータを走らせ直すことはできないだろうか？」

答えは「ノー」です。なぜなら、それらの他の温度に対して、コンピュータに学習させるためのデータが十分に足りないからです。

そこで、彼らは**テンソル補完法（TCM）**を構築しました。

• 例え： もし従来のメソッドが平面的な2Dのスプレッドシート（行 × 列）だったとしたら、新しいメソッドは3Dのルービックキューブです。
  • 次元1： 溶質（染料）。
  • 次元2： 溶媒（油）。
  • 次元3： 温度。

3つの異なる温度に対して3つの別々のコンピュータを訓練するのではなく、彼らはたった一つの3Dコンピュータモデルを訓練しました。このモデルは、キューブ全体を一度に見渡します。モデルは「熱は物質の動きを速くする」ということを学習し、データが存在する温度だけでなく、その間のあらゆる温度における空の箇所を埋めるために、そのパターンを利用します。

より賢くする方法：「ハイブリッド」アプローチ

コンピュータは賢いですが、同時に白紙の状態でもあります。これを助けるために、著者たちはハイブリッドアプローチを採用しました。

1. 「先生」（SEGWE）： 彼らはまず、従来の粗いSEGWEモデルによる予測をコンピュータに読み込ませました。これにより、コンピュータに、物事がどのように振る舞うべきかという基本的な「物理学のレッスン」を与えました。
2. 「生徒」（AI）： 次に、実際に存在するわずかな実験データを見せました。コンピュータは、現実と一致するように「先生」のアドバイスを調整しました。

これは、生徒に教科書（SEGWEモデル）を与え、その後にいくつかの練習テスト（実際のデータ）を受けさせるようなものです。生徒は一般的なルールを学びますが、現実の世界で実際に起こっていることに基づいて、それらを修正していきます。

「能動学習」戦略：正しい質問をする

スマートなモデルであっても、完璧にするためにはまだより多くの実データが必要です。しかし、彼らはランダムに化学物質を測定して時間を無駄にしたくありませんでした。

彼らは**能動学習（Active Learning）**と呼ばれる戦略を用いました。

• 例え： 教師がテストを採点している場面を想像してください。教師が学生にランダムに100問の数学の問題を解かせる代わりに、教師は学生の回答を見て、どこで混乱しているか（不確実性が高いか）を特定し、「君が間違え続けているこの3つの特定の問題だけを練習しよう」と言うようなものです。

コンピュータは自身の予測を確認し、自身が最も確信を持てていない化学混合物を見つけ出し、科学者にこう伝えました。「これらを測定してください」。すると、科学者たちはラボへ行き、特殊な装置（PFG NMR）を使用して、まさにそれらの混合物を正確に測定したのです。この「ターゲットを絞った」アプローチにより、モデルの精度はランダムに推測する場合よりもはるかに速く向上しました。

結果

この論文は、この新しい3D「ルービックキューブ」モデル（TCM）が、従来の2Dスプレッドシートモデルや古い粗いマップ（SEGWE）よりも、以下の3つの点で優れていると主張しています。

1. 精度： 拡散速度をより正確に予測します。
2. 範囲： データが全く存在しない温度においても速度を予測できます（268 Kから378 Kの間を外挿可能）。従来のモデルは、学習した特定の温度でしか推測できませんでした。
3. 堅牢性（ロバスト性）： 他の手法よりも、極端で誤った推測（アウトライヤー）が少なくなります。

まとめ

要約すると、著者たちは、温度に制限のある平面的な機械学習モデルを、温度に柔軟に対応できる3Dモデルへと進化させました。彼らは古い物理法則と新しい実世界のデータを組み合わせてコンピュータを教育し、最も役立つ新しい実験を行うために「スマートな質問」戦略を使用しました。その結果、異なる温度における化学物質の混合と移動を予測するための、より優れたツールが誕生しました。