生成AIが科学者の複雑な材料合成を支援する方法
MIT の研究者が生成 AI を活用し、新しい材料の合成経路を高精度に予測するモデルを開発し、ゼオライトの熱安定性向上に成功した。
キーポイント
合成プロセスのボトルネック解消
従来の試行錯誤や専門家の直感に依存していた材料合成において、生成 AI が最適なレシピ（温度、時間、前駆体比など）を提案することで、実験回数を大幅に削減する。
ゼオライト分野での実証成功
Nature Computational Science に掲載された論文で、同モデルがゼオライトの合成経路予測において最先端の精度を示し、熱安定性に優れた新素材の実現を確認した。
理論と実践の架け橋
Google や Meta などが生成 AI で膨大な理論上の材料ライブラリを作成している現状に対し、MIT のモデルは「どのようなケーキを作りたいか」から「どう焼くか」までの具体的な工程を解決する。
高次元空間での最適化
人間の直感に頼った線形的なアプローチに対し、DiffSyn は AI を用いて複数のパラメータを同時に考慮した高次元空間で最適な合成経路を探索できる。
拡散モデルによる逆推論
ランダムなノイズから徐々にノイズを除去する「拡散」アプローチを用いることで、目的の材料構造に対して複数の有望な合成レシピ（温度、時間、前駆体比など）を生成する。
多様な経路の提示と実証
同じ材料でも複数の合成方法が存在することを考慮し、ゼオライトのような複雑で結晶化に時間を要する物質において、数分で数千通りの候補を提示して新しい合成経路の実現を確認した。
構造と合成の対応関係のパラダイムシフト
従来の「1対1」のマッピングから、複数の合成経路を許容する「1対多」のマッピングへと転換し、ベンチマークで大きな成果を達成した。
影響分析・編集コメントを表示
影響分析
この研究は、生成 AI が単なる理論上の材料候補の創出に留まらず、実際の製造プロセスを支配する「レシピ作成」まで役割を広げたことを示す画期的な成果です。これにより、新材料の開発サイクルが数年単位から数ヶ月単位へ短縮される可能性が開け、エネルギーや環境分野における新素材の実用化スピードが加速すると予想されます。
編集コメント
生成 AI の応用範囲が「コンテンツ作成」から「物理世界の製造プロセス制御」へと大きく拡大した事例であり、科学技術分野における AI の実利を如実に示す重要なニュースです。
生成AIが複雑な材料合成を科学者にどう助けるか
Press Inquiries Press Contact:
Close 
キャプション: MITの研究者らは、実験を迅速化するための新素材合成の有望な方法を提案するモデルを作成した。「全く新しい材料の合成レシピについて、非常に優れた初期推測を提供してくれます」とエルトン・パンは言う。 クレジット: Image: iStock Previous image Next image
生成人工知能モデルは、あらゆる種類の問題解決に役立つ可能性のある理論上の材料の膨大なライブラリを作成するために使用されてきた。今、科学者たちは、それらをどうやって作るかを見極めさえすればよい。
多くの場合、材料合成は台所でレシピに従うほど単純ではない。処理温度や時間などの要因は、材料の特性に大きな変化をもたらし、その性能を左右する可能性がある。そのため、モデルが生成した何百万もの有望な材料をテストする研究者の能力は制限されてきた。
現在、MITの研究者らは、有望な合成経路を提案することで、科学者が材料を作製するプロセスを導くAIモデルを作成した。新しい論文で、彼らはこのモデルが、ゼオライトと呼ばれる材料クラスに対して、効果的な合成経路を予測する際に最先端の精度を発揮することを示した。ゼオライトは、触媒、吸収、イオン交換プロセスの改善に使用できる可能性がある。その提案に従い、研究チームは熱安定性が向上した新しいゼオライト材料を合成した。
研究者らは、この新しいモデルが材料発見プロセスにおける最大のボトルネックを打破できると考えている。
「例えを使うと、私たちはどんなケーキを作りたいかは知っていますが、今のところそのケーキの焼き方はわからないのです」と、筆頭著者でMIT材料科学工学科（DMSE）の博士課程学生であるエルトン・パンは言う。「現在、材料合成は分野の専門知識と試行錯誤を通じて行われています。」
この研究を説明する論文は本日、Nature Computational Scienceに掲載された。パンと共著者となっているのは、Soonhyoung Kwon '20, PhD '24; DMSEポスドクのSulin Liu; 化学工学博士課程学生のMingrou Xie; DMSEポスドクのAlexander J. Hoffman; リサーチアシスタントのYifei Duan SM '25; DMSE客員学生のThorben Prein; DMSE博士課程候補のKillian Sheriff; MIT化学工学Robert T. Haslam教授のYuriy Roman-Leshkov; バレンシア工科大学教授のManuel Moliner; MIT Paul M. Cook Career Development ProfessorのRafael Gómez-Bombarelli; そしてMIT Jerry McAfee Professor in EngineeringのElsa Olivettiである。
焼き方を学ぶ
生成AIへの巨額の投資により、GoogleやMetaなどの企業は、少なくとも理論的には、高い熱安定性や気体の選択的吸収などの特性を持つ材料レシピで満たされた巨大なデータベースを作成した。しかし、それらの材料を作製するには、特定の反応温度、時間、前駆体の比率、その他の要因をテストする、数週間から数ヶ月に及ぶ慎重な実験が必要となる場合がある。
「人々はそのプロセスを導くために化学的直感に頼っています」とパンは言う。「人間は直線的です。5つのパラメータがある場合、そのうち4つを一定に保ち、1つを直線的に変化させるかもしれません。しかし、機械ははるかに高次元空間での推論が得意です。」
現在、材料発見における合成プロセスは、仮説から使用までの材料の旅の中で最も多くの時間を要することが多い。
科学者がそのプロセスを進むのを助けるため、MITの研究者らは、50年以上にわたる科学論文に記載された23,000以上の材料合成レシピで生成AIモデルを訓練した。研究者らは訓練中、レシピにランダムな「ノイズ」を繰り返し加え、モデルはノイズ除去を学び、ランダムノイズからサンプリングして有望な合成経路を見つけることを学んだ。
その結果がDiffSynであり、これはAIにおける拡散と呼ばれるアプローチを使用している。
「拡散モデルは基本的にはChatGPTのような生成AIモデルですが、どちらかと言えばDALL-Eのような画像生成モデルに近いです」とパンは言う。「推論中、それは各ステップで少しずつノイズを差し引くことで、ノイズを意味のある構造に変換します。この場合、『構造』とは所望の材料の合成経路です。」
科学者がDiffSynに所望の材料構造を入力すると、モデルは反応温度、反応時間、前駆体の比率などの有望な組み合わせをいくつか提供する。
「基本的には、どうやってケーキを焼くかを教えてくれるのです」とパンは言う。「頭の中にケーキのイメージがあり、それをモデルに入力すると、モデルは合成レシピを吐き出します。科学者は提供された合成経路の中からどれを選んでもよく、私たちが提供するものから最も有望な合成経路を定量化する簡単な方法があります。それを私たちは論文で示しています。」
彼らのシステムをテストするため、研究者らはDiffSynを使用して、複雑で試験可能な材料に形成されるまでに時間がかかる材料クラスであるゼオライトの、新規な合成経路を提案させた。
「ゼオライトは非常に高次元の合成空間を持っています」とパンは言う。「また、ゼオライトは結晶化するのに数日または数週間かかる傾向があるため、（最適な合成経路をより早く見つけることの）影響は、数時間で結晶化する他の材料よりもはるかに大きいです。」
研究者らは、DiffSynが提案した合成経路を使用して、新しいゼオライト材料を作製することができた。その後のテストで、この材料は触媒応用にとって有望な形態を持つことが明らかになった。
「科学者たちはこれまで、異なる合成レシピを一つ一つ試してきました」とパンは言う。「それが非常に時間を要する原因です。このモデルは1分以内にそれらのレシピを1,000個サンプリングできます。全く新しい材料の合成レシピについて、非常に優れた初期推測を提供してくれます。」
複雑さを考慮する
以前、研究者らは材料を単一のレシピにマッピングする機械学習モデルを構築していた。それらのアプローチは、同じ材料を作るのに異なる方法があることを考慮していない。
DiffSynは、材料構造を多くの異なる可能な合成経路にマッピングするように訓練されている。パンは、これは実験的な現実によりよく合致していると言う。
「これは、構造と合成の一対一マッピングから、一対多マッピングへのパラダイムシフトです」とパンは言う。「それが、私たちがベンチマークで強い成果を達成した大きな理由です。」
今後、研究者らは、このアプローチが、ゼオライト以外の材料、金属有機構造体、無機固体、および複数の可能な合成経路を持つ他の材料の合成を導く他のモデルの訓練にも有効であると信じている。
「このアプローチは他の材料にも拡張できるでしょう」とパンは言う。「現在、ボトルネックは異なる材料クラスに対する高品質なデータを見つけることです。しかし、ゼオライトは複雑なので、難易度の上限に近いと想像できます。最終的には、これらの知能システムを自律的な現実世界の実験と接続し、実験的フィードバックに対するエージェント的推論を行うことで、材料設計のプロセスを劇的に加速することが目標となるでしょう。」
この研究は、MIT International Science and Technology Initiatives (MISTI)、米国国立科学財団、Generalitat Vaslenciana、米国海軍研究局、エクソンモービル、シンガポール科学技術研究庁によって支援された。
Share this news article on:
Paper: “DiffSyn: A Generative Diffusion Approach to Materials Synthesis Planning” この記事で言及されている研究のオープンアクセス版を確認してください。 Related Links
Yuriy Roman-Leshkov
Rafael Gómez-Bombarelli
Department of Materials Science and Engineering
Department of Chemical Engineering
School of Engineering
Materials science and engineering
Artificial intelligence
Machine learning
Computer science and technology
School of Engineering
National Science Foundation (NSF)
Chemical engineering
Related Articles
New tool makes generative AI models more likely to create breakthrough materials
原文を表示
Press Inquiries Press Contact:
Close Caption: MIT researchers created a model that suggests promising ways to synthesize new materials for faster experimentation. “It gives you a very good initial guess on synthesis recipes for completely new materials,” Elton Pan says. Credits: Image: iStock Previous image Next image
Generative artificial intelligence models have been used to create enormous libraries of theoretical materials that could help solve all kinds of problems. Now, scientists just have to figure out how to make them.
In many cases, materials synthesis is not as simple as following a recipe in the kitchen. Factors like the temperature and length of processing can yield huge changes in a material’s properties that make or break its performance. That has limited researchers’ ability to test millions of promising model-generated materials.
Now, MIT researchers have created an AI model that guides scientists through the process of making materials by suggesting promising synthesis routes. In a new paper, they showed the model delivers state-of-the-art accuracy in predicting effective synthesis pathways for a class of materials called zeolites, which could be used to improve catalysis, absorption, and ion exchange processes. Following its suggestions, the team synthesized a new zeolite material that showed improved thermal stability.
The researchers believe their new model could break the biggest bottleneck in the materials discovery process.
“To use an analogy, we know what kind of cake we want to make, but right now we don’t know how to bake the cake,” says lead author Elton Pan, a PhD candidate in MIT’s Department of Materials Science and Engineering (DMSE). “Materials synthesis is currently done through domain expertise and trial and error.”
The paper describing the work appears today in Nature Computational Science. Joining Pan on the paper are Soonhyoung Kwon ’20, PhD ’24; DMSE postdoc Sulin Liu; chemical engineering PhD student Mingrou Xie; DMSE postdoc Alexander J. Hoffman; Research Assistant Yifei Duan SM ’25; DMSE visiting student Thorben Prein; DMSE PhD candidate Killian Sheriff; MIT Robert T. Haslam Professor in Chemical Engineering Yuriy Roman-Leshkov; Valencia Polytechnic University Professor Manuel Moliner; MIT Paul M. Cook Career Development Professor Rafael Gómez-Bombarelli; and MIT Jerry McAfee Professor in Engineering Elsa Olivetti.
Learning to bake
Massive investments in generative AI have led companies like Google and Meta to create huge databases filled with material recipes that, at least theoretically, have properties like high thermal stability and selective absorption of gases. But making those materials can require weeks or months of careful experiments that test specific reaction temperatures, times, precursor ratios, and other factors.
“People rely on their chemical intuition to guide the process,” Pan says. “Humans are linear. If there are five parameters, we might keep four of them constant and vary one of them linearly. But machines are much better at reasoning in a high-dimensional space.”
The synthesis process of materials discovery now often takes the most time in a material’s journey from hypothesis to use.
To help scientists navigate that process, the MIT researchers trained a generative AI model on over 23,000 material synthesis recipes described over 50 years of scientific papers. The researchers iteratively added random “noise” to the recipes during training, and the model learned to de-noise and sample from the random noise to find promising synthesis routes.
The result is DiffSyn, which uses an approach in AI known as diffusion.
“Diffusion models are basically a generative AI model like ChatGPT, but more like the DALL-E image generation model,” Pan says. “During inference, it converts noise into meaningful structure by subtracting a little bit of noise at each step. In this case, the ‘structure’ is the synthesis route for a desired material.”
When a scientist using DiffSyn enters a desired material structure, the model offers some promising combinations of reaction temperatures, reaction times, precursor ratios, and more.
“It basically tells you how to bake your cake,” Pan says. “You have a cake in mind, you feed it into the model, the model spits out the synthesis recipes. The scientist can pick whichever synthesis path they want, and there are simple ways to quantify the most promising synthesis path from what we provide, which we show in our paper.”
To test their system, the researchers used DiffSyn to suggest novel synthesis paths for a zeolite, a material class that is complex and takes time to form into a testable material.
“Zeolites have a very high-dimensional synthesis space,” Pan says. “Zeolites also tend to take days or weeks to crystallize, so the impact [of finding the best synthesis pathway faster] is much higher than other materials that crystallize in hours.”
The researchers were able to make the new zeolite material using synthesis pathways suggested by DiffSyn. Subsequent testing revealed the material had a promising morphology for catalytic applications.
“Scientists have been trying out different synthesis recipes one by one,” Pan says. “That makes them very time-consuming. This model can sample 1,000 of them in under a minute. It gives you a very good initial guess on synthesis recipes for completely new materials.”
Accounting for complexity
Previously, researchers have built machine-learning models that mapped a material to a single recipe. Those approaches do not take into account that there are different ways to make the same material.
DiffSyn is trained to map material structures to many different possible synthesis paths. Pan says that is better aligned with experimental reality.
“This is a paradigm shift away from one-to-one mapping between structure and synthesis to one-to-many mapping,” Pan says. “That’s a big reason why we achieved strong gains on the benchmarks.”
Moving forward, the researchers believe the approach should work to train other models that guide the synthesis of materials outside of zeolites, including metal-organic frameworks, inorganic solids, and other materials that have more than one possible synthesis pathway.
“This approach could be extended to other materials,” Pan says. “Now, the bottleneck is finding high-quality data for different material classes. But zeolites are complicated, so I can imagine they are close to the upper-bound of difficulty. Eventually, the goal would be interfacing these intelligent systems with autonomous real-world experiments, and agentic reasoning on experimental feedback to dramatically accelerate the process of materials design.”
The work was supported by MIT International Science and Technology Initiatives (MISTI), the National Science Foundation, Generalitat Vaslenciana, the Office of Naval Research, ExxonMobil, and the Agency for Science, Technology and Research in Singapore.
Share this news article on:
Paper: “DiffSyn: A Generative Diffusion Approach to Materials Synthesis Planning” Check for open access version(s) of the research mentioned in this article. Related Links
Yuriy Roman-Leshkov
Rafael Gómez-Bombarelli
Department of Materials Science and Engineering
Department of Chemical Engineering
School of Engineering
Materials science and engineering
Artificial intelligence
Machine learning
Computer science and technology
School of Engineering
National Science Foundation (NSF)
Chemical engineering
Related Articles
New tool makes generative AI models more likely to create breakthrough materials
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