Energetically Driven Structure Matching for Autonomous Total X-ray Scattering Experiments

新材料の発見を目指す現代の探求において、科学者たちは、自律的に稼働する研究所へとますます目を向けている。これらの「自律型実験室（セルフドライビング・ラボラトリー）」は、ロボットを使って化学物質を混合し、強力なコンピュータで結果を分析し、人工知能が次に何をすべきかを決定するという、連続したループを用いて動作する。その目的は、より優れた電池やより効率的な触媒といった、特定の特性を持つ材料を見つけ出すプロセスを加速させることにある。しかし、重大な障害が依然として残っている。それは、ロボットが実際に何を作り出したのかを正確に知ることである。機械が微小な粒子を合成するとき、コンピュータは完璧な形状を予測するかもしれないが、熱、表面張力、原子のストレスといった不確実な現実によって、実際の粒子はわずかに異なるものになり得る。もしシステムが、今作った材料の真の構造を正確に読み取ることができなければ、効果的に学習したり、次のステップを精密に導いたりすることはできない。コンピュータによる理想化されたモデルと、原子レベルの物理的な現実との間にあるこの溝こそが、自律科学における次の突破口となるべき場所である。

デンマーク技術大学とコペンハーゲンIT大学の研究チームは、特に金ナノ粒子を用いた実験において、この溝を埋めるための新しい手法を開発した。これら数ナノメートルほどの幅しかない微小な粒子は、多くのテクノロジーにおいて極めて重要であるが、その内部の原子配列がその挙動を決定する。研究者たちは、全X線散乱と呼ばれる手法に焦点を当てた。これは、X線ビームが粒子に当たり、その反射パターンによって原子構造を明らかにする手法である。従来の自律的な実験では、システムは実験によるX線パターンを、球体や八面体といった完璧な幾形に基づいたコンピュータ生成パターンのライブラリと比較していた。この方法は高速ではあるが、しばしば間違いを引き起こした。コンピュータはロボットに対して特定の形状を作ったと告げるが、後になってみると、コンピュータのモデルが微小な粒子の表面にある原子がどのように移動し、引き伸ばされるかを無視していたために、実際の粒子は異なるサイズや形態であったことが判明するのだ。

これを解決するために、チームはコンピュータモデルにエネルギーと熱を取り入れる手法を導入した。単に静的で完璧な形状を見るのではなく、機械学習に基づいた高度なコンピュータプログラムを使用して、金粒子の原子が実際にどのように緩和し、どのように動くかをシミュレートした。彼らは3つの詳細レベルをテストした。第一は、計算は速いが誤りがちな、単純で理想化された形状である。第二は、コンピュータに原子を「緩和」させ、より安定した低エネルギーの状態へと移動させることで、多くのサイズ誤差を修正する手法である。第三は、最も詳細なレベルであり、粒子が熱で振動しているかのようにシミュレートし、単一の凍結された画像ではなく、動的な形状の雲を作り出す手法である。これら3つのアプローチを、金ナノ粒子からの実際のX線データと比較したところ、結果は明白であった。単純なモデルは一貫して粒子のサイズを過小評価し、時には形状を混同した。原子の緩和を考慮したモデルははるかに優れていたが、原子の熱運動を含めたモデルは、実際の実験データとほぼ完璧に一致した。

研究者たちは、単純なモデルが失敗する理由が、粒子を剛体ブロックとして扱っており、表面の原子が制約を受けにくく、ストレスを軽減するために内側に引き込まれたり移動したりすることを無視しているためであることを突き止めた。この歪みがX線の散乱方法を変え、コンピュータに誤ったサイズや形状を推測させてしまうのである。機械学習モデルを使用してこれらの変化を考慮することで、システムはデカヘドロン（十面体）とオクタヘドロン（八面体）のような、見た目が似ている形状を区別することができた。さらに、チームは粒子を真空中で、かつわずかに低い温度でシミュレートすることは、水中でシミュレートすることとほぼ同一の結果をもたらすことを見出した。これは実用上の大きな利点である。つまり、周囲の液体をモデル化する必要がなく、コンピュータがこれらの複雑で熱を考慮したシミュレーションをより高速に実行できることを意味しており、リアルタイムでの使用を可能にしている。

この高度な精度を自律実験の厳しい時間制限の中で機能させるために、チームは「漏斗（ファンネル）」戦略を設計した。プロセスが広い網から始まり、有望な候補へと迅速に絞り込まれていく様子を想像してほしい。まず、システムは高速で単純なモデルを使用して、幅広い可能性をスキャンし、いくつかの可能性の高い形状とサイズを特定する。次に、それらのトップ候補のみを取り上げ、より詳細なエネルギー考慮型の緩和シミュレーションを実行してリストを精査する。最後に、最も計算コストの高い熱シミュレートモデルを、残った最良の選択肢に対してのみ適用する。この階層的なアプローチにより、システムはコンピュータの計算完了を何時間も待つことなく、可能な限り正確な構造情報を得ることができる。テストにおいて、この手法は15分間のウィンドウ内で最適な適合構造を特定することができ、これは現実世界の自律合成実験のサイクルと一致する時間枠である。

この研究の意義は、金ナノ粒子だけに留まらない。エネルギー駆動型の構造マッチングが合成と並行して実行できることを証明することで、研究者たちは、あらかじめ設定された計画に従うだけでなく、自身が見つけたものに基づいて目標を適応できる研究所への道を示した。もしシステムが、現在の条件下では特定の形状を作ることは不可能であることや、わずかに異なる形状の方がエネルギー的に安定していることに気づけば、リアルタイムで目標を更新することができる。これは、自律科学を、単に静的な標的を狙うことから、物理的に可能な領域を探求することへと進化させるものである。本研究は、迅速なスクリーニングとターゲットを絞った高忠実度のシミュレーションを組み合わせることで、科学者がついに、自律型実験室に対し、自ら作り出した材料の真の原子構造を見通す能力を与えることができるということを示している。これにより、盲目的な推測を、明確で情報に基づいた意思決定へと変えることができるのである。