あなたは、完璧な味の新しい料理を考案しようとしている熟練のシェフだと想像してください。しかし、あなたにはレシピ本がありません。代わりに、料理について少し知識はあるものの、時々デタラメを言ってしまう超スマートなAIアシスタントがいます。これは、科学者が「この材料は何ができるか？」と問うのではなく、「この特定の現象を起こすためには、どのような材料が必要か？」と逆方向に考えて、新しい材料（超強力な金属やより優れたバッテリーなど）を発明しようとする、材料科学の世界です。

このために、科学者はしばしば**大規模言語モデル（LLM）**を使用します。これらは、あらゆる化学の教科書をほぼすべて読み込んだAIアシスタントのようなものです。彼らは、どの材料を組み合わせればうまくいくかを推測することに長けています。しかし、これらのAIシェフには欠点があります。彼らは自信満々に間違えることがあるのです。彼らは、とても美味しそうなレシピを提案するかもしれませんが、それは実際には調理不可能なものである可能性があります。これを修正するために、研究者たちは、AIシェフが自身の仕事を実際のデータを使って検証する方法を与え、その突拍子もない推測をテスト済みの事実に変えようとしています。この論文は、AIが単にレシピについて語るだけでなく、実在する調理結果のデータベースに対してそれらをテストできる、よりスマートなキッチンを構築することについての物語です。

---

問題点：幻覚を見るAIシェフ

かつて、科学者は最適な材料を見つけるために、コンピュータを使用して何百万もの材料をシミュレーションしていました。しかし、これには多大な時間がかかり、膨大なデータが必要です。最近では、AI言語モデルを使用して新しい材料を「夢想」させる手法が使われ始めました。これらのAIエージェントは巧妙です。彼らは自らの推論を言葉にし、新しい原子の組み合わせを提案することができます。

しかし、落とし穴があります。これらのAIモデルはテキストで学習しているため、時として「幻覚（ハルシネーション）」を起こします。「要素Xと要素Yを混ぜれば、スーパー触媒ができる！」と言うことがあり、それは非常に論理的に聞こえます。しかし、実際にそれを作ろうとすると、失敗することがあります。AIは自信を持っていますが、間違っているのです。これまでの解決策としては、複数のAIエージェントを互いに議論させる方法がありましたが、もし彼らが同じ誤った論理を共有していれば、ただ堂々巡りの議論をしているだけになってしまいます。

解決策：ORCHESTRAと「魔法の翻訳機」

Dong Hyeon Mok氏とその同僚たちによるこの論文の著者たちは、ORCHESTRA（Operational Rule-grounded CHEmical Search Through Reasoning Agents）と呼ばれる新しいシステムを構築しました。ORCHESTRAを、4つの専門的なロボットが協力して働くキッチンだと考えてください。

1. デザイナー（設計者）： これまでに成功した事例や知識に基づき、新しい材料のレシピを提案するロボットです。
2. テスター（試験者）： 新しいレシピが実際に機能するかどうかを確認するために、高速なコンピュータシミュレーション（サロゲートモデル）を使用するロボットです。
3. インタープリター（解釈者）： テスト結果を見て、なぜそれがうまくいったのかという「ルール」を書き出そうとするロボットです。
4. キュレーター（管理者）： このロボットはボスです。どのルールが本物で、どのルールが偽物かを決定します。

ORCHESTRAの秘伝のソースは、ドメイン特化言語（DSL）です。通常、インタープリター・ロボットがルールを書くとき、それは「Bサイトにコバルトを使用する」といった平易な英語で書かれます。問題は、英語は曖昧であることです。DSLは魔法の翻訳機として機能します。それは、AIに対して、英語の文章を厳格な数学的コードへと翻訳することを強制し、それを数千の実際の材料を含むデータベースと即座に照合できるようにします。

単に「コバルトは良いと思う」と言う代わりに、AIは「私たちのデータベースの中で、ここにコバルトを持つ材料がいくつあり、そのうちの何パーセントが実際に機能したか」をカウントするコードを書かなければなりません。これにより、漠然とした推測が確固たる事実へと変わります。もしコードが、コバルトを含む材料のうち成功したのは100個中1個だけであることを示した場合、キュレーター・ロボットはそのルールをゴミ箱に捨てるべきだと判断できます。

実験：ダブルペロブスカイトを用いた調理

このシステムをテストするために、科学者たちはAIにダブルペロブスカイト酸化物を設計するよう求めました。これらは、燃料電池やソーラーパネルなどで使用される特定の結晶構造（非常に組織化されたレゴの塔のようなもの）を持つ材料です。彼らはAIに2つの主要な課題を与えました。

1. 簡単な課題： 特定の「バンドギャップ」（電気の伝わりやすさ）と「生成エネルギー」（安定性）を持つ材料を見つけること。
2. 難しい課題： **酸素発生反応（OER）**に優れた材料を見つけること。これは、水を水素燃料に分解するために必要な非常にトリッキーな化学プロセスです。これは、単一のステップではなく、3つの異なる化学ステップが同時に起こることに依存するため、困難を極めます。

彼らは、材料設計における4つの異なる方法を比較しました。

• ランダム： サイコロを振るように、ただ材料を選ぶ。
• バックグラウンド： フィードバックのルールなしに、学習内容のみに基づいてAIに推測させる。
• ルールのみ： AIに推測させ、英語のルールを書かせるが、厳格な数学的チェックは行わない。
• DSL誘導型： 数学的な翻訳機を備えた完全なORCHESTRAシステム。

結果：数学は推測に勝る

結果は、DSL誘導型のチームが、特に難しい課題において明確な勝者であることを示しました。

• 簡単なタスク（バンドギャップ／エネルギー）において： DSL誘導型のAIは、約**68.1%の確率で成功する材料を見つけました。「ルールのみ」のAIは64.2%**と、僅差でこれに続きました。これは、より単純な問題であれば、単にルールについて話すだけでもAIに役立つことを意味しています。
• 難しいタスク（OER）において： DSL誘導型のAIは、約**21.3%**の確率で成功する材料を見つけました。他の手法は、これよりもはるかに成績が悪かったのです。

なぜ数学の翻訳機がこれほど大きな違いを生んだのでしょうか？著者らは、「ルールのみ」のAIがミスを繰り返していたことを発見しました。そのAIは「鉛を使用する」といったルールを提案していましたが、データを数学的にチェックできなかったため、データが間違いを示しているときでもそのルールを信じ続けてしまいました。しかし、DSL誘導型のシステムは、あるルールが「ゼロの精度（つまり間違いであること）」を即座に検出し、直ちに削除することができました。

このシステムは学習能力も示しました。AIがテストを繰り返すにつれて、そのルールはどんどん改善されていきました。ルールの「精度（正しかった割合）」は上昇し、「リフト（ランダムな推測よりもどれだけ優れているか）」も増加しました。

キッチンで見つけたもの

科学者たちが、DSL誘導型のAIがOERチャレンジのために設計することに成功した材料を調べたとき、面白いことが分かりました。AIは現実世界の化学の秘密を再発見していたのです。

• Bサイトにおけるコバルトが不可欠であることを突き止めました。
• 隣接するサイトにルテニウムまたはイリジウムがあるのが最適であることを発見しました。
• Aサイトにおける特定の希土類元素（ネオジムやプラセオジムなど）が役立つことに気づきました。

これらはまさに、現実のラボで人間（化学者）が使用する材料そのものです！AIは単にランダムな数字を見つけたのではなく、材料を機能させる実際の化学的パターンを見つけ出したのです。

限界：翻訳機には語彙がある

この論文は、システムが完璧ではないことも認めています。 「魔法の翻訳機（DSL）」には限られた語彙があります。もしAIが、材料の表面に関する非常に複雑なことを言おうとしても、翻訳機がそれを理解できない場合、システムはその内容をチェックすることができません。いくつかのケースでは、「ルールのみ」のAIの方が、たとえ数学的にチェックできなくても、英語でより複雑なことを言えるため、わずかに優れたパフォーマンスを示すことがありました。

著者らは、将来的には、すべての複雑な化学をカバーできるような、より多くの言葉を持つより大きな翻訳機が必要になるかもしれないと示唆しています。しかし現時点では、AIに現実のデータに対して自身の数学をチェックさせる方法を与えることが、AIをはるかに優れた科学者にすることだと証明しました。

まとめ

この論文は、新しい材料を発見するために、ゼロから新しいAIを訓練する必要はないということを示唆しています。代わりに、賢い既存のAIを取り上げ、その突拍もない推測を現実に根付かせるための「計算機（DSL）」を与えることができます。AIが自分のアイデアをテスト可能なコードへと翻訳することを強制することで、AIが事実を捏造するのを防ぎ、実際に機能する材料をより速く見つける手助けをすることができます。それは、夢想家に定規と計算機を与えて、その夢を実際に形にできるようにするようなものです。