AIとシミュレーションによる科学の加速
MITのラファエル・ゴメス・ボンバレリ准教授は、AIとシミュレーションの融合による「第2の転換点」を定義し、科学発見の加速と新素材開発への応用について語っている。
キーポイント
科学におけるAIの第2の転換点
2015年の表現学習や生成AIの第一波に続き、言語と複数のモーダリティを統合した「汎用科学知能」への移行期にあると指摘する。
AIとシミュレーションの融合手法
物理ベースのシミュレーションと機械学習、生成AIを組み合わせることで、電池、触媒、プラスチック、OLEDなどの新素材を発見する。
Lila Sciencesによる科学スーパーインテリジェンスの実現
生命科学、化学、材料科学業界向けに科学的スーパーインテリジェンスプラットフォームを構築するLila Sciencesを設立し、研究の効率化と未来の創造を目指す。
シミュレーションとプログラミングへの転向
Gómez-Bombarelliは博士課程の途中で実験からシミュレーションへ移行し、プログラミングが思考を整理する自然な方法であり、物理的な制約が少ないと評価した。
AIを活用した材料探索と起業
彼は2015-2016年にディープラーニングを用いた分子理解や生成AIの初期応用を行い、その後、有機EL材料に焦点を当てた企業を設立し、大規模な計算を通じて有望な材料を発見した。
学術界からの民間企業への転身
教授職の過酷さを目の当たりにして学術界を離れ、民間企業での実務を経験した後、MITの教員職への応募を強要され、現在も同大学で活動している。
AIとシミュレーションの相乗効果
Gómez-Bombarelliは、物理ベースのシミュレーションとAIアルゴリズムの間には、データが増えるほど双方が改善される「好循環（virtuous cycles）」が存在すると指摘している。
影響分析・編集コメントを表示
影響分析
この記事は、AIが科学的研究のインフラストラクチャとしてどのように進化しているかを示す重要な指標です。特に、生成AIの能力を科学分野の専門知識（物理シミュレーションなど）と結びつけることで、従来の手法では不可能だった材料探索の速度と精度を向上させる可能性を示唆しています。これは、製薬、エネルギー、材料科学などの分野におけるイノベーションのペースを根本的に変える可能性があります。
編集コメント
MITの最先端研究が示す通り、AIは単なるツールではなく、科学発見そのものを再定義する「共創者」としての役割を強めています。特に、物理法則とAIモデルを融合させるアプローチは、実証可能性の高い次の段階のAI応用として注目すべきです。
プレス問い合わせ 広報担当:
MITニュースオフィスウェブサイトでダウンロード可能な画像は、クリエイティブ・コモンズ表示-非営利-改変禁止ライセンスの下、非営利団体、報道機関、一般に提供されています。提供された画像は、サイズにトリミングする以外、改変してはなりません。画像を複製する際はクレジット表記が必要です。以下の表記がない場合は、「MIT」とクレジットしてください。
閉じる 
キャプション: 「科学のためのAIは、AIの最もエキサイティングで野心的な用途の一つです」とラファエル・ゴメス＝ボンバレリは言う。「AIの他の用途には、より多くのデメリットと曖昧さがあります。科学のためのAIは、より良い未来を時間的に前倒しすることです。」 クレジット: 写真: ジョディ・ヒルトン 前の画像 次の画像
10年以上にわたり、MITのラファエル・ゴメス＝ボンバレリ准教授は、人工知能を用いて新素材を創り出してきた。技術が拡大するにつれ、彼の野心も膨らんだ。
現在、材料科学・工学の新たに終身在職権を得た教授は、AIがかつてない方法で科学を変革する段階にあると信じている。MIT内外での彼の仕事は、その未来を加速することに捧げられている。
「私たちは第二の変曲点にいます」とゴメス＝ボンバレリは言う。「最初の変曲点は2015年頃で、表現学習、生成AI、科学の一部領域でのハイスループットデータの第一波がありました。それらは私がMITの研究室に最初に持ち込んだ技術の一部です。今、私たちは第二の変曲点にいると考えています。言語を混合し、複数のモダリティを統合して汎用科学的知能を作り出す段階です。言語について推論し、材料構造について推論し、合成レシピについて推論するために必要な全てのモデルクラスとスケーリング則を手に入れようとしています。」
ゴメス＝ボンバレリの研究は、物理学ベースのシミュレーションと機械学習や生成AIなどのアプローチを組み合わせ、現実世界での応用が有望な新素材を発見する。彼の仕事は、電池、触媒、プラスチック、有機発光ダイオード（OLED）のための新素材につながっている。また、AIを創薬、ロボティクスなどに応用するスタートアップの科学諮問委員会に参加し、複数の企業を共同設立した。彼の最新の会社であるライラ・サイエンシズは、ライフサイエンス、化学、材料科学産業のための科学的超知能プラットフォーム構築に取り組んでいる。
それら全ての仕事は、科学研究の未来が、今日の研究よりもシームレスで生産的なものとなることを確実にするために設計されている。
「科学のためのAIは、AIの最もエキサイティングで野心的な用途の一つです」とゴメス＝ボンバレリは言う。「AIの他の用途には、より多くのデメリットと曖昧さがあります。科学のためのAIは、より良い未来を時間的に前倒しすることです。」
実験からシミュレーションへ
ゴメス＝ボンバレリはスペインで育ち、幼い頃から物理科学に惹かれていった。2001年、彼は化学オリンピックで優勝し、地元の大学であるサラマンカ大学で学部生として化学を学ぶ学問の道に進んだ。ゴメス＝ボンバレリは博士課程も同大学に残り、DNA損傷化学物質の機能を研究した。
「私の博士課程は実験から始まりましたが、途中でシミュレーションとコンピュータサイエンスの魅力に取りつかれました」と彼は言う。「私は研究室で測定していたのと同じ化学反応をシミュレーションし始めました。プログラミングが脳を整理する方法が好きでした。それは思考を整理する自然な方法のように感じました。プログラミングはまた、手や科学機器でできることの制限がはるかに少ないのです。」
次に、ゴメス＝ボンバレリは博士研究員としてスコットランドに渡り、生物学における量子効果を研究した。その仕事を通じて、ハーバード大学の化学教授、アラン・アスプル＝グジクとつながり、2014年に次の博士研究員として彼の下に加わった。
「私は2016年に化学に生成AIを使った最初の人物の一人であり、2015年に分子を理解するためにニューラルネットワークを使った最初のチームの一員でした」とゴメス＝ボンバレリは言う。「それは科学のための深層学習のごく初期の日々でした。」
ゴメス＝ボンバレリはまた、より多くのハイスループット実験を実行するために、分子シミュレーションの手動部分を排除する作業を始めた。彼と共同研究者たちは最終的に材料全体で数十万回の計算を実行し、テストに有望な数百の材料を発見した。
研究室で2年を過ごした後、ゴメス＝ボンバレリとアスプル＝グジクは汎用材料計算会社を立ち上げたが、最終的には有機発光ダイオードの製造に焦点を当てるようになった。ゴメス＝ボンバレリはその会社にフルタイムで参加し、キャリアでこれまでにやった中で最も難しいことだったと呼んでいる。
「具体的なものを作るのは素晴らしいことでした」と彼は言う。「また、アスプル＝グジクが研究室を運営するのを見た後、私は教授になりたいとは思わなくなりました。私の父は言語学の教授でしたが、それは穏やかな仕事だと思っていました。それから、40人のグループを率い、年間120日も出張しているアスプル＝グジクを見て、これは正気じゃないと思いました。私は自分にその種のエネルギーと創造性があるとは思いませんでした。」
2018年、アスプル＝グジクはゴメス＝ボンバレリに、MITの材料科学・工学科の新しいポジションに応募するよう提案した。しかし、教職への不安から、ゴメス＝ボンバレリは締め切りを過ぎてしまった。アスプル＝グジクは彼のオフィスで彼に対面し、机に手を叩きつけて「君はこれに応募する必要がある」と言った。その一言でゴメス＝ボンバレリは正式な応募書類を作成するに至った。
幸いなことに、スタートアップでゴメス＝ボンバレリは、計算材料発見からどのように価値を生み出すかについて多くの時間を考えていた。面接プロセス中、彼はMITのエネルギーと協力的な精神に惹かれたと言う。また、研究の可能性を認識し始めた。
「博士研究員や会社でやってきたことは全て、MITでできることの一部集合になるだろうと思いました」と彼は言う。「私は製品を作っていましたが、今でもそれはできます。突然、私の仕事の宇宙は、私が探索し実行できるこの新しい宇宙の一部集合になったのです。」
ゴメス＝ボンバレリがMITに加わってから9年が経つ。今日、彼の研究室は原子の組成、構造、反応性が材料性能にどのように影響するかに焦点を当てている。また、ハイスループットシミュレーションを用いて新素材を創り出し、深層学習と物理学ベースのモデリングを融合するツールの開発にも貢献してきた。
「物理学ベースのシミュレーションは、データを与えれば与えるほどデータとAIアルゴリズムが向上します」とゴメス＝ボンバレリは言う。「AIとシミュレーションの間には、あらゆる種類の好循環があります。」
彼が構築した研究グループは完全に計算に基づいており、物理実験は行わない。
「それは祝福です。なぜなら、私たちは膨大な範囲を持ち、一度に多くのことをできるからです」と彼は言う。「私たちは実験家と協力するのが大好きで、彼らにとって良いパートナーになろうとします。また、AIから生まれるアイデアを実験家が選別するのを助ける計算ツールを作るのも大好きです。」
ゴメス＝ボンバレリはまた、彼が発明する材料の現実世界での応用に焦点を当て続けている。彼の研究室は、MITの産業連携プログラムのような企業や組織と緊密に連携し、民間部門の材料ニーズと商業開発の実践的な障壁を理解している。
科学の加速
人工知能への関心が爆発的に高まる中、ゴメス＝ボンバレリはこの分野が成熟するのを目の当たりにしてきた。Meta、Microsoft、GoogleのDeepMindのような企業は現在、彼が2016年に取り組んでいたのを彷彿とさせる物理学ベースのシミュレーションを定期的に行っている。11月には、米国エネルギー省がAIを用いて科学的発見、国家安全保障、エネルギー優位性を加速するためのジェネシス・ミッションを開始した。
「シミュレーションのためのAIは、『もしかしたら機能するかもしれない』ものから、科学的コンセンサスを得たものへと移行しました」とゴメス＝ボンバレリは言う。「私たちは変曲点にいます。人間は自然言語で考え、自然言語で論文を書きます。そして、これらの大規模言語モデルは、
原文を表示
Press Inquiries Press Contact:
Images for download on the MIT News office website are made available to non-commercial entities, press and the general public under a Creative Commons Attribution Non-Commercial No Derivatives license. You may not alter the images provided, other than to crop them to size. A credit line must be used when reproducing images; if one is not provided below, credit the images to "MIT."
Close Caption: “AI for science is one of the most exciting and aspirational uses of AI,” Rafael Gómez-Bombarelli says. “Other applications for AI have more downsides and ambiguity. AI for science is about bringing a better future forward in time.” Credits: Photo: Jodi Hilton Previous image Next image
For more than a decade, MIT Associate Professor Rafael Gómez-Bombarelli has used artificial intelligence to create new materials. As the technology has expanded, so have his ambitions.
Now, the newly tenured professor in materials science and engineering believes AI is poised to transform science in ways never before possible. His work at MIT and beyond is devoted to accelerating that future.
“We’re at a second inflection point,” Gómez-Bombarelli says. “The first one was around 2015 with the first wave of representation learning, generative AI, and high-throughput data in some areas of science. Those are some of the techniques I first brought into my lab at MIT. Now I think we’re at a second inflection point, mixing language and merging multiple modalities into general scientific intelligence. We’re going to have all the model classes and scaling laws needed to reason about language, reason over material structures, and reason over synthesis recipes.”
Gómez Bombarelli’s research combines physics-based simulations with approaches like machine learning and generative AI to discover new materials with promising real-world applications. His work has led to new materials for batteries, catalysts, plastics, and organic light-emitting diodes (OLEDs). He has also co-founded multiple companies and served on scientific advisory boards for startups applying AI to drug discovery, robotics, and more. His latest company, Lila Sciences, is working to build a scientific superintelligence platform for the life sciences, chemical, and materials science industries.
All of that work is designed to ensure the future of scientific research is more seamless and productive than research today.
“AI for science is one of the most exciting and aspirational uses of AI,” Gómez-Bombarelli says. “Other applications for AI have more downsides and ambiguity. AI for science is about bringing a better future forward in time.”
From experiments to simulations
Gómez-Bombarelli grew up in Spain and gravitated toward the physical sciences from an early age. In 2001, he won a Chemistry Olympics competition, setting him on an academic track in chemistry, which he studied as an undergraduate at his hometown college, the University of Salamanca. Gómez-Bombarelli stuck around for his PhD, where he investigated the function of DNA-damaging chemicals.
“My PhD started out experimental, and then I got bitten by the bug of simulation and computer science about halfway through,” he says. “I started simulating the same chemical reactions I was measuring in the lab. I like the way programming organizes your brain; it felt like a natural way to organize one’s thinking. Programming is also a lot less limited by what you can do with your hands or with scientific instruments.”
Next, Gómez-Bombarelli went to Scotland for a postdoctoral position, where he studied quantum effects in biology. Through that work, he connected with Alán Aspuru-Guzik, a chemistry professor at Harvard University, whom he joined for his next postdoc in 2014.
“I was one of the first people to use generative AI for chemistry in 2016, and I was on the first team to use neural networks to understand molecules in 2015,” Gómez-Bombarelli says. “It was the early, early days of deep learning for science.”
Gómez-Bombarelli also began working to eliminate manual parts of molecular simulations to run more high-throughput experiments. He and his collaborators ended up running hundreds of thousands of calculations across materials, discovering hundreds of promising materials for testing.
After two years in the lab, Gómez-Bombarelli and Aspuru-Guzik started a general-purpose materials computation company, which eventually pivoted to focus on producing organic light-emitting diodes. Gómez-Bombarelli joined the company full-time and calls it the hardest thing he’s ever done in his career.
“It was amazing to make something tangible,” he says. “Also, after seeing Aspuru-Guzik run a lab, I didn’t want to become a professor. My dad was a professor in linguistics, and I thought it was a mellow job. Then I saw Aspuru-Guzik with a 40-person group, and he was on the road 120 days a year. It was insane. I didn’t think I had that type of energy and creativity in me.”
In 2018, Aspuru-Guzik suggested Gómez-Bombarelli apply for a new position in MIT’s Department of Materials Science and Engineering. But, with his trepidation about a faculty job, Gómez-Bombarelli let the deadline pass. Aspuru-Guzik confronted him in his office, slammed his hands on the table, and told him, “You need to apply for this.” It was enough to get Gómez-Bombarelli to put together a formal application.
Fortunately at his startup, Gómez-Bombarelli had spent a lot of time thinking about how to create value from computational materials discovery. During the interview process, he says, he was attracted to the energy and collaborative spirit at MIT. He also began to appreciate the research possibilities.
“Everything I had been doing as a postdoc and at the company was going to be a subset of what I could do at MIT,” he says. “I was making products, and I still get to do that. Suddenly, my universe of work was a subset of this new universe of things I could explore and do.”
It’s been nine years since Gómez Bombarelli joined MIT. Today his lab focuses on how the composition, structure, and reactivity of atoms impact material performance. He has also used high-throughput simulations to create new materials and helped develop tools for merging deep learning with physics-based modeling.
“Physics-based simulations make data and AI algorithms get better the more data you give them,” Gómez Bombarelli’s says. “There are all sorts of virtuous cycles between AI and simulations.”
The research group he has built is solely computational — they don’t run physical experiments.
“It’s a blessing because we can have a huge amount of breadth and do lots of things at once,” he says. “We love working with experimentalists and try to be good partners with them. We also love to create computational tools that help experimentalists triage the ideas coming from AI .”
Gómez-Bombarelli is also still focused on the real-world applications of the materials he invents. His lab works closely with companies and organizations like MIT’s Industrial Liaison Program to understand the material needs of the private sector and the practical hurdles of commercial development.
Accelerating science
As excitement around artificial intelligence has exploded, Gómez-Bombarelli has seen the field mature. Companies like Meta, Microsoft, and Google’s DeepMind now regularly conduct physics-based simulations reminiscent of what he was working on back in 2016. In November, the U.S. Department of Energy launched the Genesis Mission to accelerate scientific discovery, national security, and energy dominance using AI.
“AI for simulations has gone from something that maybe could work to a consensus scientific view,” Gómez-Bombarelli says. “We’re at an inflection point. Humans think in natural language, we write papers in natural language, and it turns out these large language models that have mastered natural language have opened up the ability to accelerate science. We’ve seen that scaling works for simulations. We’ve seen that scaling works for language. Now we’re going to see how scaling works for science.”
When he first came to MIT, Gómez-Bombarelli says he was blown away by how non-competitive things were between researchers. He tries to bring that same positive-sum thinking to his research group, which is made up of about 25 graduate students and postdocs.
“We’ve naturally grown into a really diverse group, with a diverse set of mentalities,” Gomez-Bombarelli says. “Everyone has their own career aspirations and strengths and weaknesses. Figuring out how to help people be the best versions of themselves is fun. Now I’ve become the one insisting that people apply to faculty positions after the deadline. I guess I’ve passed that baton.”
Share this news article on:
Rafael Gómez-Bombarelli
Department of Materials Science and Engineering
School of Engineering
Materials science and engineering
Machine learning
Artificial intelligence
School of Engineering
Related Articles
The tenured engineers of 2025
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み