Generative and multimodal AI for materials prediction and design: Progress, challenges, and perspectives
本論文は、AI駆動型の材料探索における新規性の立証という課題に対処するため、材料特性の階層構造とエビデンスに基づくフレームワークを提案し、実験的に実現可能な材料の設計を可能にするためには、マルチモーダルなデータの統合およびベンチマークにおける現在の限界を、コミュニティ全体の標準化を通じて克服しなければならないと論じている。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
あなたは、全く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。あなたのレシピ本には、数千もの既知の料理が詰まっていますが、あなたは世界がかつて味わったことのないものを生み出したいと考えています。科学の世界では、これを「材料発見（マテリアルズ・ディスカバリー）」と呼びます。科学者たちは、橋のための超強力な金属や、永遠に続くバッテリー、あるいはコンピュータをより速く思考させるチップのような、新しい「モノ」を発明しようとしています。長い間、彼らはこれらを、化学物質を混ぜ合わせ、運を天に任せて試行錯誤することで行ってきました。しかし今、彼らには強力な新しい助手があります。それが人工知能（AI）です。
AIを、何百万ものレシピ本を数秒で読み解くことができる、非常に賢い副料理長だと考えてください。AIは、実際に調理することなく、新しい材料の組み合わせがどのような味になるか（科学においては、新しい材料がどのように振る舞うか）を予測することができます。この論文は、ある特定のタイプのAIに焦点を当てています。それは、「生成型（ジェネレーティブ）」AI、つまりゼロから全く新しいレシピを夢想できるシェフのようなAIと、「マルチモーダル」AI、つまりレシピを読むだけでなく、食べ物の写真を見たり、ジュージューという音を聞いたり、香りを嗅いだりして、全体像を理解できるシェフのようなAIです。皆が抱いている大きな疑問は、「このAIは本当に実用的で使える新しい材料を発明できるのか、それとも単に、現実のキッチンでは崩れてしまうような、もっともらしいレシピをでっち上げているだけなのか？」ということです。
シェフィールド大学などの研究チームによって書かれたこの論文は、このAIが実際にどこまで到達したのかを厳しく検証しています。彼らは、AIが新しい「形状」や「組成式」（例えば、家の新しい設計図を描くようなもの）を発明することには非常に長けているものの、それらの家が実際に建てられ、人が住めることを証明することには依然として苦戦していると主張しています。著者らは、「新しさ」についての新しい考え方を導入しています。彼らは、新しさには3つのレベルがあると言います。
- 構造的新規性（Structural Novelty）：AIが、誰も見たことがないような形状や組成式を発明すること。これは、青い屋根と緑のドアを持つ家を描くようなものです。
- 物理的新規性（Physical Novelty）：新しい材料が、鋼鉄よりも強かったり、銅よりも電気をよく通したりといった、何か素晴らしい働きをすること。これは、家を建ててみて、それがハリケーンにも耐えられることが判明するようなものです。
- 展開的新規性（Deployment Novelty）：その材料が、実際に工場で作られ、販売され、現実世界で使用できること。これが最も難しいレベルです。それは、これら数千軒の家を安価に建てることができ、かつ一年後に腐ったりしないことを証明するようなものです。
研究者たちは、AIが現在、第一のレベルにおいてはスーパースターであることを発見しました。AIは、紙の上では素晴らしく見える、安定した結晶構造を何百万も生成することができます。しかし、第二と第三のレベルで壁に突き当たります。なぜでしょうか？ それは、AIが学習するデータが不完全だからです。AIシェフが学習できるデータの多くは、材料の成分（化学組成）と理想的な設計図（結晶構造）のみを教えてくれます。それらは、調理プロセス（材料がどのように加熱、冷却、または加圧されたか）や、現実世界での性能（長年使用した後にどのように耐えうるか）については、ほとんど教えてくれないのです。
この論文は、もし「調理プロセス」を知らなければ、AIは新しいレシピが実際に作れるかどうかを判断できないと説明しています。それは、5,000度で焼く必要があるケーキのレシピを持っているようなものです。AIは「おや、これは新しいケーキだ！」と言うかもしれませんが、実際のパン屋は、そんな温度で焼くことは不可能だと知っています。著者らは、現在のAIのベンチマークは、家を建てることではなく、綺麗な絵を描くことだけにポイントが与えられるビデオゲームのようなものであると指摘しています。それらは、現実世界の製造、欠陥、そして時間を無視した、完璧な条件下を前提とするコンピュータ・シミュレーションに依存しているのです。
チームは、AIが「クールな絵」から「真の発明」へと進化するためには、科学界がデータの共有方法を変える必要があると示唆しています。彼らは、最終的な結果だけでなく、失敗した試み、使用された具体的な温度、かかった時間、そして間違いといった、プロセス全体の物語を記録し始める必要があります。彼らは、AIモデルがハイライトシーンだけでなく、この完全で混沌とした物語に基づいて訓練されるべきであるという、新しい標準を求めています。彼らは、将来のAIは「実現可能性第一（feasibility-first）」であるべきだと提案しています。つまり、現在の技術で実際に構築できることが分かっている材料のみを提案すべきである、ということです。
要約すると、この論文は、AIは素晴らしい夢想家であるが、実用的な建設者になるためには、より優れた指示が必要であると示唆しています。著者らは、AIが新しい材料を設計できないと言っているのではなく、現実世界で機能する材料を設計するためには、レシピ以上のものをAIに与える必要があると言っているのです。私たちは、レシピだけでなく、キッチン、道具、そして何が成功し、何が失敗したかという歴史を含めた、物語のすべてを与える必要があります。それまでは、AIの「新しい」発見は、単なる美しいアイデアとして画面上に留まり、それを現実のものにする方法を人間が解明するのを待つことになるでしょう。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。