1721339613
2024-07-18 21:06:04
実験目標の例の指定と、自動データ取得戦略への変換。a サンプル材料システムの設計空間と対応する測定特性空間の視覚化。設計空間 (設計ポイントの離散セット) からのサンプルは、測定特性のセット (測定特性空間) に直接マッピングされます。すべての可能な設計ポイントと測定可能な特性のセットは青で表示されます。ユーザー目標に対応する設計空間のグラウンドトゥルースターゲットサブセットはオレンジで表示されます。重要なのは、実験目標を達成するグラウンドトゥルースサブセットは、実験前には不明であるということです。b 次のデータポイントは、以前に収集された測定値と特定の実験目標の両方に基づいてインテリジェントに取得されます。この推奨戦略を実現する方法が、この原稿の焦点です。クレジット: npj Computational Materials (2024)。DOI: 10.1038/s41524-024-01326-2
科学者たちは、新しい材料の探索においてより効率的にデータを収集するのに役立つ AI ベースの方法を開発しました。これにより、研究者は複雑な設計上の課題をより高い精度とスピードで解決できるようになります。
この研究は、米国エネルギー省の SLAC 国立加速器研究所とスタンフォード大学のコンピューター サイエンスと材料科学の研究者の共同研究から生まれました。この共同研究は、アルゴリズム開発、機械学習、材料科学の専門知識を組み合わせたものです。
彼らの仕事、 出版された 本日、npj Computational Materials 誌に掲載された論文は、「自動運転実験」の基礎を築きました。自動運転実験では、インテリジェントなアルゴリズムが SLAC の Linac Coherent Light Source (LCLS) などの施設で次の一連の測定のパラメータを定義します。この新しい方法により、気候変動、量子コンピューティング、医薬品設計などの分野で有望な新素材の迅速な発見も可能になります。
従来の材料発見は、新材料の製造と特性の測定の両方にコストがかかるため、歴史的に時間と費用のかかるプロセスでした。また、可能性のある材料の範囲は非常に広く、わずか 4 つの元素を含む材料でも 100 億を超える可能性があります。医薬品用途の場合、課題はさらに大きくなり、最も基本的な構成要素 (C、H、O、N、S 原子) のみを含む薬物のような分子が約 1,060 種類あります。
この作業は、さまざまなサイズ、形状、組成のナノ粒子を合成するための条件を見つけるなど、複雑な設計目標を満たす必要があるため、さらに複雑になります。従来の方法では、通常、単純な特性を最大化または最小化しますが、研究者の目標に合った新しい材料を見つけるために広大な検索空間をふるいにかけるには時間がかかりすぎることがよくあります。
この論文では、複雑な目標をインテリジェントなデータ取得戦略に自動的に変換する新しいアプローチを提案しています。重要な特徴は、各実験から学習して改善する機能であり、AI を使用して、これまでに収集されたデータに基づいて次のステップを提案します。この革新は、研究が行われた当時、スタンフォードでコンピューター サイエンスの博士研究員だった共著者の Willie Neiswanger によって最近開発された、ベイジアン アルゴリズム実行 (BAX) の概念に基づいています。この方法では、複雑な目標を単純な買い物リストまたはレシピとして記述できるため、複数の物理的特性を考慮する必要がある状況に最適です。
もう一つの重要な点は、この方法は ユーザーフレンドリーでオープンソース世界中の科学者が研究にこれを利用、適応できるようにし、世界規模でのコラボレーションとイノベーションを促進します。
研究者らは、ナノ材料の合成と磁性材料の特性評価に関するさまざまなカスタム目標に対してこのアプローチをテストしました。その結果、特に複雑なシナリオでは、この方法が現在の技術よりも大幅に効率的であることが示されました。
「私たちの手法では、複雑な目的を指定できるため、大規模な設計空間で自動的に最適化することができ、新しい驚くべき材料を発見できる可能性が高まります」と、この研究を率いた SLAC とスタンフォード大学の博士課程の学生、サティア・チットゥリ氏は語ります。「ベイジアン アルゴリズム実行フレームワークにより、材料設計タスクの複雑さをエレガントかつシンプルな方法で捉えることができます。」
例えば、特定の触媒特性を持つ材料を設計する能力は、 化学プロセス エネルギー消費と廃棄物を削減し、より効率的で持続可能な方法で商品や材料を製造することにつながる。製造業では、新しい材料は3Dプリントなどのプロセスを強化し、より正確で持続可能な生産を可能にする。 健康管理カスタマイズされた薬物送達システムは、治療薬の標的化と放出を改善し、有効性を高め、副作用を軽減することができます。
研究者たちは、このフレームワークの幅広い適用性と有効性を実証するために、このフレームワークを実験およびシミュレーションベースの研究プロジェクトに統合する方法をすでに実装しています。
「このプロジェクトは、SLACとスタンフォード大学の多分野にわたるコラボレーションの素晴らしい例です」と、SLACの機械学習イニシアチブ（MLI）の責任者であるダニエル・ラトナーは語った。「サティアは、ウィリーのコアアルゴリズムを、 コンピュータサイエンス 現実世界の科学的問題に対処するための研究 材料科学」
MLIの研究者は現在、大規模な材料シミュレーションの応用を検討しており、ナイスワンガー、ラトナーと共同研究者は最近、 BAXの関連アプリケーション 粒子加速器の性能を最適化するため。
「高度なアルゴリズムとターゲットを絞った実験戦略を組み合わせることで、私たちの方法は、新しい材料を発見するプロセスをより簡単かつ迅速にします」と、SLACのスタンフォードシンクロトロン放射光源（SSRL）の材料科学部門ディレクターで協力者のクリス・タッソーネ氏は述べた。「これは、多くの業界で新しいイノベーションとアプリケーションにつながる可能性があります。」
詳しくは：
Sathya R. Chitturi 他「ベイズアルゴリズム実行を使用したターゲット材料の発見」、npj Computational Materials (2024)。 DOI: 10.1038/s41524-024-01326-2
によって提供された
SLAC国立加速器研究所
引用: 新たな AI アプローチにより、ターゲットを絞った材料の発見が加速し、自動運転実験の舞台が整う (2024 年 7 月 18 日) https://phys.org/news/2024-07-ai-approach-materials-discovery-stage.html から 2024 年 7 月 18 日に取得
この文書は著作権の対象です。個人的な学習や研究を目的とした公正な取り扱いを除き、書面による許可なしに複製することはできません。コンテンツは情報提供のみを目的として提供されています。
#新しいAIアプローチはターゲット材料の発見を加速し自動運転実験の基盤を整えます