金属合金の挙動をより良くモデル化する新手法

航空宇宙、エネルギー、コンピューティングの最前線で活動する企業は、性能を向上させるための新素材を常に探しています。しかし、それらの素材が実際にロケット内部やコンピュータチップ上でどのように振る舞うかを理解するためには、まず企業はその素材を実際に製造し、テストする必要があります。なぜなら、最も強力なシミュレーション技術でさえも、今日の固体材料の多くに見られる複雑な化学配列をモデル化することは困難だからです。この問題は、素材革新におけるコストと時間を増大させています。 現在、MIT の研究者チームは、化学配列の複雑さに関わらず、金属の挙動を正確にモデル化する手法を開発しました。このアプローチの中核には、材料のシミュレーションをより高速かつ高精度にする機械学習モデルがあります。研究者たちは、化学的に無秩序な材料における原子環境の多様性を捉えたトレーニングデータセットを構築することで、これらのモデルを改善しました。 [Science Advances 誌に掲載された新しい論文](http://doi.org/10.1126/sciadv.aea9951)において、研究者たちは、このアプローチがさまざまな条件下で多様な金属合金の材料特性を正確に予測できることを示しました。また、実験コストが高いシナリオなどにおいて、この手法が新素材の開発にも活用できることも示しています。 「論文の焦点は金属合金にありますが、これは私が携わっている分野であり、半導体などの他の種類の材料にも応用可能です」と、MIT のマテリアルズ・サイエンス・アンド・エンジニアリング学科 TDK キャリア開発教授である上級著者ロドリゴ・フリータスは述べています。「この手法は特定の用途に限定されるものではなく、新しい持続可能な鋼材や航空宇宙用の新素材などを創出するために活用できます。それがこの研究の興奮を呼び起こす理由です。」 フリータス氏と共に論文に参加したのは、第一著者のキリアン・シェリフ（PhD'26）、MIT の博士課程学生であるダニエル・シャオとイファン・カオ、そしてシェフィールド大学のレウィス・R・オーウェン准教授です。 **金属のモデリング** 材料の特性は主に、その構成元素の内部配列によって決定されます。たとえ2つの材料が同じ化学元素の組み合わせを持っていても、異なる化学的配列が、脆い材料と破壊せずに変形する材料との違いを生み出します。 この区別を捉えるには、原子レベルで材料をシミュレーションする必要があります。そのためには、原子間の相互作用を記述するモデルに研究者は依存しています。過去20年間にわたり、機械学習がこれらのモデルを構築するための最も正確な方法となっています。このようなモデルは、材料内部の化学的配列が高度に秩序だったパターンに従う場合にうまく機能しますが、固体材料の多くはそのようなケースではありません。なぜなら、それらの原子レベルでの化学的配列は無秩序であり、領域によって異なるからです。 「私たちの分野における本当の課題は、化学的に無秩序な相をモデル化することです」とフリータスは言います。「化学的無秩序とは、局所的な化学環境が非常に多様であることを意味し、これは機械学習モデルが学習するのが難しいことです。これが問題となるのは、私たちが実際に使用するすべての金属が化学的に無秩序だからです。」 この問題は、原子ごとのシミュレーションのための代表的なトレーニングデータが不足していることに帰着します。そのようなデータを生成するための現在の主要なアプローチは、力任せの方法であり、単一の材料のトレーニングデータを作成するためにしばしば 10 万時間以上の計算を必要とします。それでもなお、研究者が材料の組成を変更すると、そのデータはうまく転移しません。 [以前の研究](https://news.mit.edu/2024/machine-learning-unlocks-secrets-advanced-alloys-0718)で、フリータスのグループは、微小な原子群の頻度と間隔を分析することで固体材料の化学的複雑さを測定する方法を開発しました。今回の研究では、研究者たちはその能力を活用してより優れたトレーニングデータセットを構築しました。彼らは情報理論（information theory）と呼ばれる数学的手法を用いて、無秩序な材料内部でより多様な局所的化学環境を捉えるトレーニングデータセットを生成しました。この手法は、サンプルから原子を交換することで繰り返しを減らし、モデルがそれまで見逃していた可能性のある化学環境にさらすことで機能します。 「トレーニングセットを最適化し、可能な限り多くの異なる局所環境を捉えられるようにしました」とフリータスは言います。「同じ種類の環境が何度も現れる場合、冗長な例をモデルがまだ見ていない例に置き換えました。これにより、各例が新しい情報を追加するため、トレーニングセットははるかに情報量豊かになります。」 研究者たちのデータセットで訓練されたモデルは、ランダムサンプリングや他の一般的なサンプリング手法を用いて訓練されたモデルよりも、材料特性をより正確に予測しました。 「すべての原子ごとのシミュレーションの起点となるのは：『原子間の化学結合を正確に記述できるか』です」とフリータスは説明します。「もしできない場合でも、一般論としての材料については教えることができますが、現実世界で特定の材料に何が起こるかを伝えることはできません。このアプローチにより、化学的な観点からシミュレーションの忠実度を高め、材料に実際に起きていることをよりよく反映できるようにしています。」 研究者たちは、この手法を応用して、化学的に多様な金属合金群のための機械学習トレーニングデータセットを作成しました。一連の機械学習モデルを用いて、彼らのデータセットで訓練されたモデルが、Google や Microsoft などの企業が作成したはるかに大規模なモデルよりも精度が高いことを示しました。 「これらの高価なブルートフォース手法を使わずに、この方法が機能すると確信するに至りました」とフリータスは語ります。「キリアンには、『これは良い論文です。しかし、これらのモデルを用いたシミュレーションで有用な材料特性を正確に予測できることを示せれば、それは非常に優れた論文になります』と伝えました。キリアンはその言葉を真摯に受け止め、可能な限り幅広くこの方法をテストしました。」 シェリフはシャオとカオと共に、異なる合金や物性に対してこのアプローチを検証しました。チームはまた、オーウェンの実験データを参考にし、シミュレーション結果を合金中の原子配列の実測値と比較しました。 **研究室から産業へ** この手法は、サンプルデータに潜む隠れたパターンを捉えることで、一部機能します。研究者たちは論文において、これらのパターンを「特定の局所的な化学構成への微妙なエネルギー的バイアス」と記述しています。 これらの小さなエネルギー差が重要なのは、それが合金中に形成される相の種類や、温度・組成の変化に伴うその相の挙動、そして最終的に材料が持つ特性を決定づけるからです。一つの検証として、ダニエル・シャオはチームのモデルが実験データと密接に一致する相図（phase diagrams）を予測できることを示すシミュレーションを行いました。相図は、異なる温度や化学組成においてどの相が安定するかを示すものであり、合金の設計および加工における中心的なツールとなっています。 「相図は、材料モデリングを実際の加工決定に結びつける主要な方法の一つです」とフリータスは言います。「合金を溶接したり鋳造したり熱処理したりする際には、異なる条件下でどの相が形成される可能性が高いかを知る必要があります。私たちの目標は、これらの予測を十分に正確かつ利用しやすくすることにより、材料設計の一部として人々に受け入れられるようにすることです。」 研究者たちは現在、このアプローチを用いて、合金の組成を変化させることが機械的特性や放射線耐性にどのように影響するかを研究しており、過酷な環境でも強度を保ち損傷に耐えることができる材料を設計することを目的としています。また、材料エンジニアがすでに依存しているツールやワークフローと親和性が高く使いやすい方法にするための取り組みも行っています。 「あなたが作成したものが既存の運用手順に適合しない限り、業界が行動を変えることはありません」とフリータスは言います。「目標は、実際の材料決定が行われる場所でこれらの予測を有用なものにすることです。」 本研究は米国空軍科学研究所によって支援されました。

金属合金の挙動をより良くモデル化する新手法

背景や根拠まで確認しますか？

調べる

選ぶ

サイト