MASON: Materials Atomistic Structure builder Operated in Natural language

材料科学の世界において、研究者は原子レベルで物事がどのように機能するかを理解するために、物質の極めて正確で微小なモデルを構築する必要があることがよくあります。例えば、新しいバッテリーがどのように電荷を保持するか、あるいは薬物が細胞とどのように相互作用するかを予測することを想像してみてください。科学者たちは、これらを理解するために、特定のパターンに従って配置された原子のデジタル版を作成します。これらのパターンは「結晶構造」として知られ、コンピュータチップのシリコンからジェットエンジンの金属に至るまで、あらゆるものの設計図となっています。これらを研究するために、科学者は強力なコンピュータを使用してシミュレーションを実行しますが、コンピュータが作業を開始する前に、人間がまずモデルを構築しなければなりません。これは繊細な作業です。もし原子の配置がわずかでも間違っていれば、シミュレーション全体が失敗し、その結果は無意味なものになってしまいます。数十年にわたり、このステップには、複雑なコンピュータコードを書くか、3D形状を手動で操作する研究者が必要であり、そのプロセスは低速で、ヒューマンエラーが起こりやすく、新しい世代の人工知能が単独で扱うことも困難でした。

研究チームは、人間の意図とデジタル構築の間のこの溝を埋めるために設計された、「MASON」と呼ばれる新しいツールを導入しました。このシステムにより、科学者は必要な構造を普通の英語で記述することができ、人工知能エージェントがそれらの言葉を正確でエラーのない原子モデルへと翻訳します。AIに、間違いを含む可能性のあるコードを書かせるのではなく、MASONはAIに対して、直接使用できる専用の特化したツールセットを提供します。これは、建築者に毎回セメントを混ぜてレンガをゼロから成形させるのではなく、あらかじめ用意された、完璧に校正されたレンガとハンマーを与えるようなものです。研究者たちは、このアプローチが信頼できるものであることを実証しました。これにより、AIが「白金表面に付着した一酸化炭素のモデルを作れ」という単純な要求を受け取り、シミュレーションの準備が整った複雑で科学的に妥当な構造を生成できるようになりました。

研究者が対処した核心的な課題は、現代のAIは会話をしたり問題を推論したりすることはできるものの、結晶学の特定の厳格なルールには苦労するという点です。過去には、科学者がAIにモデルの構築を依頼したい場合、AIはそれを行うためのプログラムを書かなければなりませんでした。これはリスクを伴います。なぜなら、コード内のわずかなエラーが、原子の重なり合いや、現実には存在しない構造を引き起こす可能性があるからです。MASONシステムは、AIと構築プロセスの間に位置する専用のサーバーとして機能することで、このダイナミクスを変えました。研究者が質問を投げかけると、AIはリクエストを一連の手順に分解し、各手順を実行するためにMASONを呼び出します。その後、MASONはその操作（結晶の層を切り出す、あるいは欠損した原子を追加するなど）を実行し、構築した内容を正確に報告します。このフィードバックループにより、もしステップに問題が生じた場合、AIは結果を確認し、モデルが完成する前に次の動きを修正することができます。

このシステムは、モデル構築のライフサイクル全体をカバーする5つの主要なカテゴリのツールで構成されています。第一に、既存の構造を分析して、原子数を数えたり原子間の距離を測定したりすることで、その妥当性をチェックできます。第二に、結晶のより大きなバージョンを作成したり、原子を取り除いて欠陥をシミュレートしたりといった、特定の欠陥を導入したりできます。第三に、結晶ブロックをスライスして平坦な表面を作成できます。これは、化学物質が金属とどのように相互作用するかを研究するために不可欠です。第四に、それらの表面上の正確な位置に分子を配置できます。最後に、2つの異なる材料を結合させて、それらがどのように適合するかを確認できます。これはヘテロ構造の作成として知られています。いずれの場合も、ツールが幾何学的な重労働を担い、原子が正しく配置され、対称性が維持されることを保証します。

研究者たちは、システムが機能することを証明するために、白金表面に吸着した一酸化炭素のモデル構築という完全な例を辿りました。プロセスは、AIがバルク白金の基本構造を読み込み、その形状を検証することから始まりました。次に、AIはMASONに対し、この材料の薄いスライス（具体的には4層の原子厚）を切り出し、固体ブロックを模倣するために下部2層を固定するように指示しました。システムはこのスライスを拡張してより広い表面積を作り出し、一酸化炭和分子が取り付け可能な特定のスポットを特定しました。最後に、AIはMASOLに対し、特定の凹部から正確に2オングストローム上の位置に分子を配置するよう指示しました。10回以上の個別のツール呼び出しを含むこの一連のプロセスを通じて、AIは次元や原子の配置に関する絶え間ない更新を受け取りました。最終的な結果は、すべての幾何学的チェックをパスした完全な3次元モデルであり、スーパーコンピュータでシミュレーションを実行する準備が整っていました。

研究者たちはまた、信頼性を確保するために、幅広い他の課題に対してもこのシステムをテストしました。彼らはグラフェンナノリボン、炭素原子のねじれた層、および炭化ケイ素とシリコンの間の複雑な界面のモデル構築に成功しました。それぞれのケースにおいて、AIは自然言語のリクエストを使用して構築をガイドし、MASONは正確な実行を提供しました。例えば、欠損した原子を持つシリコン結晶のモデルを作るよう求められた際、システムは結晶の対称性がどのように変化したかを正しく特定し、残りの原子の新しい配置を報告しました。2つの異なる材料を組み合わせるよう求められた際、システムはストレスを最小限に抑えるために原子格子を整列させる最善の方法を計算し、選択肢をAIに提示しました。テストされた18の事例すべてにおいて、AIによって構築された構造は数学的に一貫しており、幾何学的に健全であり、手動計算の結果と一致していました。

この研究は、科学研究をより自律的にするための重要な一歩となります。AIエージェントに信頼できる専門的なツールを装備させることで、研究者たちは、AIに基本的な構造タスクのための独自のコードを書かせる必要性を排除しました。これにより、エラーの可能性が減少し、AIは構築の機械的な詳細ではなく、科学的な推論に集中できるようになります。このシステムはオープンソースであり、他の科学者が独自のモデルを構築するために使用できるほか、Model Context ProtocolをサポートするあらゆるAIフレームワークと連携できるように設計されています。究極の目標は、単にモデルをより速く構築することではなく、研究者が平易な言葉で科学的な問いを提示すれば、AIが初期の原子配置から最終的なデータ分析に至るまでの実験のセットアップ全体を処理できるようなワークフローを実現することです。現在のバージョンは構造の構築に焦点を当てていますが、同じアプローチをシミュレーションの実行や結果の分析にも応用できる可能性があり、科学者が目標を定義し、機械がその実行を担うという未来へと、この分野を近づけています。