生成AIが科学者の複雑な材料合成を支援する方法

**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 ![](/sites/default/files/styles/news_article__image_gallery/public/images/202601/MIT-DiffSyn-01_0.jpg?itok=NFK7NWOJ) 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 ![](/sites/default/files/styles/news_article__archive/public/images/202509/MIT-genmaterial-01-press.jpg?itok=b7CYiwTo)

生成AIが科学者の複雑な材料合成を支援する方法

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト