Differential Learning for Robust Prediction of Thermal Stability with Application to Energetic Materials

あらゆる物質には、熱が耐えきれないほどに高まり、それをつなぎとめている化学結合が切れ始める瞬間、すなわち「限界点」が存在します。ロケットを動かしたり機械を駆動させたりする爆薬や推進力のような「高エネルギー物質」を設計する科学者にとって、この限界点を知ることは生死に関わる問題です。物質があまりに不安定すぎれば、保管中に早期に爆発してしまうかもしれません。逆に、あまりに安定しすぎれば、必要な時にその性能を発揮できない可能性があります。この安全マージンを測定する標準的な方法は、研究室で試料を加熱し、分解が始まる正確な温度を記録することです。しかし、この単純な測定法は、驚くほど信頼性に欠けることがあります。研究室によって加熱速度や試料の量、結果の報告方法が異なるためです。研究者が新しい分子が安全か危険かを予測するコンピュータモデルを構築するために、多くのソースからこれらの数値を集めようとすると、データはノイズが多く一貫性のない混乱状態となり、機械に予測を教えることがほぼ不可能になります。

ロスアラモス国立研究所とテキサス・テック大学の研究チームは、このノイズを切り抜けるための巧妙な方法を見出しました。彼らは、コンピュータに「分子が分解する正確な温度」を予測させるのではなく、「2つの分子を比較して、どちらがより安定しているかを判断させる」という方法を採用しました。彼らが「差分学習（differential learning）」と呼ぶこのアプローチは、実験室間の混乱を招く差異を無視し、材料の相対的な順序だけに焦点を当てています。人工知能に分子のペアを見せて、その安定性の差を予測させることで、チームは数千もの化合物を高精度にランク付けできるシステムを作り上げました。彼らの研究は、研究室のレポートにある単一の数値は必ずしも信頼できなくても、2つの化学物質間の関係性は確実に信頼できるということを示唆しています。

研究者たちは、この手法を炭素、水素、窒素、酸素のみを含む有機分子のデータセットに適用しました。これらは高エネルギー物質において一般的なグループです。彼らは発表された研究から実験データを収集しましたが、予想通り、数値は一貫していませんでした。標準的なコンピュータモデルを用いて各分子の分解温度を正確に予測しようと試みたところ、結果は芳しくありませんでした。モデルは非常に似通った分子を区別することに苦戦し、最も安定した分子や最も不安定な外れ値を特定することに失敗することがよくありました。この失敗は、データのノイズが真の化学的シグナルをかき消してしまっているという問題を浮き彫りにしました。

これを解決するために、チームは問いを変えました。コンピュータに対して「この分子の温度はいくらか？」と問うのをやめ、「この分子はあの分子よりも安定しているか？」と問うようにしたのです。彼らはコンピュータに分子のペアを入力し、それらの安定性の差を予測させました。この転換により、比較的少ないデータセットから膨大な数の学習例を生成することが可能になりました。もし850個の分子があれば、何十万ものユニークなペアを作成して学習させることができるのです。コンピュータは、ある分子が他方よりもよく形を保てる理由となる微妙な構造的特徴を捉えることを学び、絶対的な数値に付随する実験誤差を効果的に取り除きました。

彼らは、どちらのモデルが最もうまく機能するかを確認するために、2種類のコンピュータモデルをテストしました。一方のモデルは、分子を原子と結合の単純なグラフとして捉え、分子の形状から直接学習するものです。もう一方のモデルは、特定の結合を切断するのにどれだけのエネルギーが必要かといった、計算された特性のリストを使用して判断を下します。どちらのモデルも極めて優れた性能を示しました。テストセット内の分子をランク付けする際、両モデルとも約87パーセントの確率で、ペアのうちより安定した方のメンバーを正しく特定しました。これは、同じデータを用いて苦戦した従来のメソッドと比較して、大幅な改善でした。異なる方法で分子を見ているにもかかわらず、両方のモデルが成功したことは、乱れた実験データを扱うための堅牢な方法を見出したという確信を研究者に与えました。

単に分子をランク付けするだけでなく、研究者たちはコンピュータが実際に何を学習しているのかを理解したいと考えました。彼らはニューラルネットワークの「ブラックボックス」の中を覗き見る手法を用い、どの特徴が予測を左右しているのかを確認しました。その結果、コンピュータは主に2つの要因、すなわち「分子内の酸素のバランス」と「最も弱い化学結合の強さ」に大きく依存していることがわかりました。これは化学者が長年疑ってきたことと一致します。高エネルギー物質においては、酸素の存在は高い性能と相関することが多い一方で、安定性を低下させる傾向があります。また、鎖の中の最も弱い結合が分解の引き金となります。しかし、この研究は、単一の要因だけでは全体像を語れないことも明らかにしました。コンピュータは単に最も弱い結合だけを見ているのではなく、分子の形状、結合強度、そして化学的構成の全体的な組み合わせを考慮していました。これは、安定性の予測が、単一のパーツよりも多くの小さなパーツの相互作用が重要となる複雑なパズルであることを示唆しています。

この洞察が実世界でどのように活用できるかを実証するため、チームはTATBと呼ばれる有名な非常に安定した分子を起点としました。彼らはコンピュータに対し、分子の構造に小さな変化を加えた場合、それが安定性にどのように影響するかを予測するよう求めました。モデルは、特定の原子群を他のものに置き換えることで、分子の安定性を強化または弱体化させることができると正しく特定しました。例えば、特定の水素を含む基を酸素を含む基に入れ替えると、分子が著しく不安定になることを予測しました。逆に、特定の不安定な基を完全に取り除くことで、分子をさらに強固にできることも示唆しました。これらの知見は、適切なパワーと安全性のバランスを実現するために、どの構造的特徴を維持し、どれを避けるべきかを求める化学者に対して、明確なガイドを提供します。

本研究は、利用可能なデータが不完全である場合において、この差分的なアプローチが材料発見のための強力なツールであることを結論付けています。絶対値ではなく相対的な差に焦点を当てることで、研究者たちはデータの収集方法に一貫性がなくても、うまく機能するモデルを構築することができました。彼らは、他の人々がより安全で効果的な材料を設計するためにこの手法を利用することを願い、データセットとモデルを公開しました。現在のモデルは真空中の孤立した分子の特性に基づいたものですが、研究者たちは、現実世界の材料は分子同士が相互作用する固体形態で存在することを認めています。今後の課題として、これらの相互作用を考慮に入れる必要がありますが、この新しい手法の成功は、熱的安定性の複雑な化学を読み解くための有望な道筋を示しています。