Learning the Chronology of Materials Discovery for Synthesizability Prediction

新材料の探索は、時間との戦いです。現在、科学者は強力なコンピュータを使用して、何百万もの新しい化学レシピを想像することができ、電池やソーラーパネル、医薬品のための候補を、実験室でテストするよりもはるかに速く提案することができます。これにより、理論的な可能性の広大な海に対し、実際に構築され機能することが証明できるのはごくわずかな部分に限られるという、ボトルネックが生じています。これを乗り越えるために、研究者たちは、想像上のレシピのうちどれが実際に研究室で実現可能であるかを推測しようとするコンピュータモデルを開発してきました。従来、これらのモデルは、科学の歴史を静的なリストとして扱い、いつ、なぜ発見が起こったかを考慮せず、何が作られ、何が作られなかったかのみを見てきました。彼らは、新材料への道筋はランダムであると想定していますが、実際には、利用可能なツール、資金、そして変化する科学的関心によって形作られた、進化する特定の物語に従っているのです。

インペリアル・カレッジ・ロンドンの研究チームは、予測の仕組みを変える「ChronoSyn」と呼ばれる新しいアプローチを導入しました。このモデルは、材料の歴史を単なる事実のコレクションとして扱うのではなく、発見のタイムラインそのものから学習します。それは、科学者が新しい材料を発見した順序がランダムではないことを認識しています。その順序は、実用的なニーズや技術的進歩によって推進される進展を反映しているのです。コンピュータにこの歴史的なシーケンスを理解させることで、モデルは、どの化学的組み合わせが次に合成される可能性が高いかについて、より深い洞察を得ることができます。研究者たちは、過去の発見の日時を組み込むことで、モデルが、これまで見たこともないような新しい材料であっても、有望な新材料を特定する能力が大幅に向上することを発見しました。

この研究の核心は、モデルの情報処理方法にあります。モデルは、特定の元素の混合物である化学組成を取り込み、それをデジタル指紋へと変換します。この指紋は、その後、コンピュータプログラムの2つの異なる部分に同時に送り込まれます。一方のパートは、その材料が合成可能かどうかを予測しようとし、もう一方のパートは、その材料が他の材料と比較していつ頃発見された可能性が高いかを推測しようとします。モデルは、既知の材料のペアを比較することで学習し、最近の数年間に報告された材料には「後期の」スコアを、ずっと昔に見つかった材料には「初期の」スコアを割り当てるように、内部ロジックを調整していきます。この二重のタスクにより、コンピュータは、時間の流れを尊重した化学の共通理解を構築することを余儀なくされます。その結果、単に既知の材料のリストを暗記するのではなく、科学が化学空間をどのように移動していくかという軌道を理解するシステムが誕生しました。

タイムラインを無視する標準的なモデルと比較した際、ChronoSynはより高い精度を示しました。何十万もの既知および仮説上の材料を含むデータベースを用いた実験において、この新しいモデルは、実在し合成可能な化合物をより高い割合で正しく特定しました。この改善は、単なる統計的な微増ではなく、発見の歴史が貴重な手がかりを提供しているという明確なシグナルでした。研究者たちは、モデルが実際の歴史を反映するように材料をグループ化することを学んだことを観察しました。コンピュータの内部マップにおいて、1970年代や1980年代に発見された材料はある領域にクラスター化し、2010年代や2020年代に見つかった材料は別の領域に集まりました。この組織化により、モデルは、徹底的に探索された化学ファミリーと、調査が始まったばかりの化学ファミリーを区別することができました。

このタイムラインを読み取る能力は、まだ報告されていない材料を見る際に特に有用であることが判明しました。モデルは、近年の数十年間に発見された化学ファミリーに類似した、仮説上の組成のグループを特定しました。これらの「最近の傾向に近い」材料は、古い傾向の材料よりも合成可能性において高いスコートを与えられました。研究者たちは、これが理にかなっていることを見出しました。リチウムイオン電池や燃料電池などで最近活発に研究されている化学空間は、依然として探索が進められているため、その領域にある未報告の材料が実際に実現可能である可能性が高いのです。逆に、数十年前には盛んに研究されていたものの、その後静まり返った化学空間は、真に製造が困難、あるいは不可能である可能性が高いのです。モデルは、過去の探索の「停滞地」よりも、現在の研究の「最前線」を優先的に識別することを効果的に学習しました。

このアプローチの実用的な価値をテストするために、研究者たちは遡及的な実験を行いました。彼らは、例えば2018年までの利用可能な知識のみを用いてモデルを訓練し、その後、どの材料が発見されるかを予測させました。ChronoSynは、これらの将来の発見を特定する上で、標準的なモデルを一貫して上回りました。それは、カットオフ後の数年間で科学文献に実際に報告された組成を正確にフラグ立てすることに成功し、モデルが過去を用いて未来を予測できることを実証しました。これは、科学者がこれまで材料を見つけるために辿ってきた道筋が、次のブレイクスルーがどこで起こるかを示す地図を持っていることを示唆しています。

また、この研究は、モデルがランタニドなどのfブロック元素を含む希少元素を用いた複雑な材料を特定することに特に優れていることも明らかにしました。これらの材料は、集中的な研究期間とその後の静かな時期を伴う、独特の発見の波として現れることがよくあります。モデルはこれらの発見の波のタイミングを学習したため、新しい組成が現在進行中の研究トレンドに適合しているかどうかをより良く認識することができました。チームがChrono even 5000万個の潜在的な化学的組み合わせを持つ膨大な仮説空間にChronoSynを適用したところ、実現可能と思われる特定の化合物ファミリーを浮き彫りにしました。科学的記録との照合により、これらの高スコアの予測の多くが、実際に過去に合成され報告されていたものの、トレーニングに使用された主要なデータベースからは漏れていた材料であることが確認されました。

研究者たちは、この手法に限界があることも認めています。モデルは出版日を、発見の代用指標（プロキシ）として利用しており、それが材料が最初に作られた正確な瞬間と常に一致するとは限りません。また、人間の研究のバイアスを反映しており、歴史的に注目を集めてきた化学分野を優先する一方で、有望ながらも見過ごされている分野を見落とす可能性があります。さらに、モデルは化学式が「可能」かどうかを予測しますが、材料を安定または不安定にする特定の結晶構造については、まだ考慮していません。それにもかかわらず、この研究は、科学の歴史は単に「何が行われてきたか」の記録ではなく、「次に何ができるか」のガイドであることを示しています。材料発見の年代学を学習することで、科学者は過去を利用して、広大で未知の領域をより効果的にナビゲートできるようになるのです。