1728401725
2024-10-08 15:09:44
揚げたほうが調理しやすい食品、茹でたほうがよい食品、焼いたほうがよい食品があるのと同様に、さまざまな科学的問題がさまざまな AI 技術に適しています。最近開発された AI モデルの多くは生成的であり、自然言語リクエストに基づいて回答と画像を生成します。ただし、一部の AI モデルはエミュレーターであり、何かのプロパティや動作をシミュレートできます。
しかし、これらの基礎モデルはそれぞれ幅広いものです。材料モデルは 1 種類の材料だけを発見するのではなく、多くの材料を発見しようとしています。また、大気モデルは雨だけでなく汚染などの他の現象も予測します。多くのことを実行できるこの機能は、AI モデルを基礎モデルとして定義するための鍵となります。そして目標は、最終的には複数のモデルをリンクして、さらに幅広いモデルを作成することです。なぜなら、より広範で多様なモデルが他の領域でより狭いモデルよりも優れたパフォーマンスを発揮しているからです。
新しいマテリアルの MatterGen
新しい材料の発見は狭い分野のように思えるかもしれませんが、実際には、合金、セラミック、ポリマー、複合材料、半導体など非常に多くの種類があるため、研究開発の大きな焦点となっています。 原子を組み合わせて新しい分子を作る可能性は数十億に上ります。新しい材料は、炭素排出の影響を軽減するだけでなく、環境や健康を危険にさらす材料の安全な代替品を見つけるために不可欠です。
Microsoft Research の MatterGen 基礎モデルは、「設計条件を満たす材料を実際に直接生成できます」と、英国ケンブリッジにある Microsoft Research の主任研究マネージャー、Tian Xie 氏は述べています。科学者は、作成したい材料の種類を MatterGen に伝えるだけでなく、機械的、電気的、磁気的、その他の特性を規定します。
「これにより、材料科学者は、設計したい材料の種類についてより適切な仮説を立てる方法が得られます」と Xie 氏は述べています。
Tian Xie 氏、英国ケンブリッジの Microsoft Research の主任研究マネージャー、写真提供: Jonathan Banks for Microsoft。
AIは、科学者の基準を満たすものを見つけるために何百万もの潜在的な組み合わせをすべてスクリーニングするよりも、材料を生成する際に3〜5桁効率が良いため、これは過去の方法よりも進歩しているとXie氏は述べた。 MatterGen は、科学者の基準に一致するいくつかの可能性のある組み合わせが残るまで、あらゆる可能性から始めて何度もスクリーニングするのではなく、科学者の基準に基づいてソリューションを構築します。また、新材料候補を合成するための研究室での作業は必要だが、研究室で試行錯誤して新しい材料を作成するよりもはるかに効率的で経済的だと謝氏は述べた。
MatterGen は拡散モデルであり、画像作成ツールで使用されている AI アーキテクチャです。 MatterGen は、画像を生成する代わりに、新しいマテリアルの分子を生成します。何十年、さらには何世紀にもわたって蓄積された実験データはすべて、基礎モデルをトレーニングするにはあまりにも貧弱です。しかし、物理学や化学などの科学分野は確立された数学方程式に従っているため、それらの方程式を何度も計算することで、必要な量の高品質のトレーニング データが作成されます。チームは、密度汎関数理論と呼ばれる量子力学の公式を使用して、ハイパフォーマンス コンピューティング上で実行される MatterGen のトレーニング データを作成し、約 600,000 の構造を生成しました。
Microsoft の MatterGen 研究チームはパートナーと協力して、生成したマテリアルの一部を検証しています。将来の分野には、ポリマーをリサイクルする方法や、炭素回収に使用できる有機金属フレームワークを作成する方法が含まれます。 「これまでのところ、私たちは無機材料に焦点を当てていますが、将来的には、より複雑な材料に拡張したいと考えています」と謝氏は語った。
新しい材料がどのように機能するかを予測するための MatterSim
AI の助けを借りても、新しいマテリアルを作成するのは簡単なプロセスではありません。 MatterSim は MatterGen の仲間であり、新しい材料の分子がどのように動作するかをシミュレーションまたは予測します。結果が科学者が望んでいたものでない場合は、MatterGen を使用して反復ループを実行し、結果が科学者の要件を満たすまで Microsoft Copilot プロンプトを微調整するのと同じ方法で入力を微調整できます。ただし、MatterGen とは異なり、MatterSim は生成 AI ではなく、さまざまな温度と圧力下で分子がどのように動作するかを決定するエミュレーターです。
MatterSim が使用するのは、 グラフォーマー このアーキテクチャは、文内の次の単語の予測を学習するために単語や文を分割する LLM のようなトランスフォーマーの基本的な考え方に基づいていますが、材料の動作と特性を考慮して Microsoft Research によって作成されました。上海にある Microsoft Research AI for Science の主任研究員である Ziheng Lu 氏は、「原子の言語を習得するように訓練されています」と述べています。 「化学者にとって、材料の挙動を予測することは非常に重要です。さらに重要なのは、モデルが原子の言語を習得し、周期表全体から学習することです。埋め込み空間では分子はどのように見えるでしょうか?分子の構造を機械が理解できるベクトルに変換するにはどうすればよいでしょうか?これが、材料特性を予測する機能以外に、MatterSim が行う最も重要なことです。」
Ziheng Lu 氏は、上海の Microsoft Research AI for Science の主任研究員です。写真提供：マイクロソフト。
このモデルはアクティブ ラーニングを使用します。これは、学生がテストのために勉強する方法に似ています。モデルは新しいデータを取得すると、それが不確実かどうかを判断します。その場合、そのデータはモデルを再トレーニングするためにシミュレーションに入力されます。これは、学生が科目のすでに学習した部分ではなく、まだ知らない部分を勉強するのと同じです。
分子の挙動に関するデータはほとんど存在しないため、チームは量子力学の計算を使用して、MatterGen の例と同様の合成データを作成しました。
今のところ、MatterSim は無機材料に焦点を当てていますが、後で他の種類も追加される可能性があります。 「MatterSim はドメイン固有の基盤モデルです。 AI for Science の研究者は、分子、生体分子、DNA、材料、タンパク質などの科学の言語全体を理解する、統合された大規模な基礎モデルを目指して取り組んでいます。これらすべては後で統合される可能性がありますが、現時点で MatterSim で統合しているのは、周期表全体です」とルー氏は語った。
大気予測のためのオーロラ
コンピューターは、物理学や流体力学の方程式の数値を計算して大気システムをシミュレートすることにより、気象予測に長い間重要な役割を果たしてきました。アムステルダムのマイクロソフト リサーチ AI for Science の主任研究マネージャー、パリス ペルディカリス氏は次のように述べています。 「外に出て世界を観察し、できるだけ多くのデータを集めましょう。次に、このデータを処理し、このデータからパターンを抽出し、たとえば天気予報に役立つ予測機能を備えた AI システムをトレーニングしましょう。」
右側の地球儀はオーロラの天気予報を示し、左側の地球儀は測定された実際の状況を示しています。アニメーションは Microsoft のご厚意によるものです。
AI の大きな利点は、一度訓練すれば、大きなコンピューティング能力を必要としないことです。ペルディカリス氏によると、現在、24時間稼働しているスーパーコンピューターで10日間の天気予報を生成するには約2時間かかるという。 Microsoft の大気基盤モデルである Aurora は、GPU カードを搭載したデスクトップ コンピューターを使用して、その作業を数秒で実行できます。 「AI 手法がもたらす大きな違いは、計算効率と、予測を取得するコストの削減です」と彼は言いました。
また、Aurora は物理学ベースのモデルからのデータだけでなく、衛星、気象観測所、その他のソースからの現実世界のデータも使用するため、精度も向上します。これらのデータには、「現実をより忠実に表現したもの」が含まれていると同氏は述べています。 「Aurora はこれらすべての異なる情報ソースにさらされているため、それらを一種の組み合わせで、当社が導入している従来のシミュレーション ツールよりも正確な予測を生成する機会があります。」
Aurora は、インターネット上の全テキストの約 10 倍に相当する 1.2 ペタバイトのデータでトレーニングされた大規模なニューラル ネットワーク、ビジョン トランスフォーマーです。 「これは、地球システムを説明する世に出ているデータのほんの一部にすぎません」とペルディカリス氏は言う。
アムステルダムの Microsoft Research AI for Science の主任研究マネージャー、パリス・ペルディカリス氏は次のように述べています。写真提供：マイクロソフト。
天気に関する 3 つの典型的な質問 – 今後 10 分以内にここで雨が降りますか?今後 10 日間、地球全体の天気はどうなるでしょうか?数か月後、または数年後の天気はどうなるでしょうか? – これまではすべて異なる予測モデルで扱われていました。 Aurora とその将来の拡張機能は、同じモデルでこれらすべての質問に答えることができるようになります。
Aurora は気象データに基づいてトレーニングされましたが、大気化学データを使用して微調整することで、モデルは汚染レベルも予測できます。
「私たちの最初の仮説の 1 つは、モデルが気象から学んだことを活用して、大気化学などのさまざまな物理学によって支配される新しいタスクにモデルを適応させて、それがどのように機能するかを確認できるというものでした」とペルディカリス氏は述べました。 「驚いたことに、それはうまく機能しており、非常に有望な初期結果が得られています。」
AI の利点は、気象予測の 10 倍のコストがかかる汚染予測ではさらに顕著です。
科学的発見をより身近なものに
Lu 氏は、このモデルによって科学が学生にとってさらに魅力的なものになる可能性があると述べました。彼が学位を取得していたときは、方程式を書かなければなりませんでした。「しかし、今ではこれらのシミュレーションにより、コンピューターやラップトップを使用して実際に統計を行うことができます。分子や材料の反応や挙動を画面上でリアルタイムに見ることができます。単に紙の上の方程式を見るのではなく、実際に何が起こっているのかを非常によく理解できます。」
Microsoft の科学的基礎モデルはすべて Azure 上でゼロから構築されました。同社は、科学的発見の民主化とコミュニティからのフィードバックを得るために、モデルの初期バージョンを利用できるようにする予定です。このフィードバックは、将来のモデルの反復に情報を与え、形づくる実用的なアプリケーションを特定するのに役立つとクルフト氏は述べた。
ファウンデーションモデルは、日常生活を変革し、産業に革命を起こす可能性を秘めています。科学的発見を加速することで、医学や材料などの分野で急速な進歩をもたらすことが期待されるだけでなく、原子、分子、タンパク質などの複雑なシステムに対するより深い洞察も提供するとクラフト氏は述べ、これにより広大な商業的可能性が開かれると付け加えたさまざまな業界にわたって。
もっと詳しく知る： Microsoft Research 科学のための AI
上の画像: AI 基盤モデルの MatterGen と MatterSim は、新しいマテリアルの作成とそのパフォーマンスのシミュレーションに役立ちます。写真は Microsoft の Jonathan Banks によるものです。
#嵐の予測から分子の設計まで #新しい #基盤モデルが科学的発見をどのようにスピードアップできるか