MITの研究者がDiffSynを発表：材料合成のための生成AI（generative AI）による飛躍

計算材料科学の分野で画期的な進展があり、マサチューセッツ工科大学（MIT）の研究者たちが「DiffSyn」という新しい生成モデルを発表しました。DiffSynは、科学的発見における最も根深いボトルネックの一つである合成ギャップを解決することを目的としたモデルです。現代の計算手法は革命的な特性を持つ理論上の材料を何百万と予測できますが、それらを実験室で作るための正確な化学的「レシピ」を決定することは、依然として高コストな試行錯誤のプロセスでした。DiffSynは、このパラダイムを変え、1分未満で実行可能な合成経路を提案します。

この研究はNature Computational Scienceに掲載されており、本成果は画像生成器（DALL-Eなど）で使われるのと同じ技術である拡散モデル（拡散モデルは本文で以降「拡散モデル」と表記します）を、化学工学という複雑で高次元の空間に適用したものです。膨大な量の歴史的合成レシピのデータセットで学習させることで、DiffSynは科学者が仮想的な材料設計から物理的な試作品へ、これまでにない速度と精度で移行できるようにします。

「逆設計（Inverse Design）」のジレンマ

数十年にわたり、材料科学（materials science）は「逆設計」として知られる重大な制約の下で運用されてきました。研究者は密度汎関数理論（DFT）などのシミュレーションツールを使い、理論的に完璧な電池正極や高効率の太陽吸収体として機能するはずの結晶構造を設計できます。しかし、どのような原子が材料に含まれるかを知ることと、それらをどのように組み立てるかを知ることは大きく異なります。

MIT材料科学・工学科（DMSE）の博士課程に在籍し、本研究の筆頭著者であるElton Panはこの課題を身近なアナロジーで説明します。「例えるなら、どんなケーキを作りたいかは分かっているが、現時点ではそのケーキをどう焼けばよいかが分からない、ということです。」

現在、設計と実現のギャップは専門家の経験と徹底的な実験によって埋められています。研究者は新しい化合物を安定化させるために、温度勾配、前駆体比、加熱時間などを数か月にわたって調整することがあります。この「エジソン的」アプローチは材料発見プロセスの最も長い段階を占め、しばしば数年単位で革新を停滞させます。DiffSynはこの手作業のパラダイムを終わらせ、化学合成の知的なナビゲーターとして機能することを目指しています。

DiffSynのアーキテクチャの解明

DiffSynは拡散ベースのアーキテクチャを利用する点で、これまでの化学分野のAIモデルと一線を画します。従来のモデルは合成予測を単純な回帰タスクとして扱うことがありましたが、DiffSynはそれを生成過程として扱います。

モデルの学習には、過去50年分の科学文献から抽出された23,000+の材料合成レシピを含む包括的なデータセットが使用されました。このデータセットは多様な合成条件を網羅しており、成功した化学反応の豊富なマップを形成しています。

学習プロセスは、現代の生成AIで典型的な順方向および逆方向の拡散メカニクスを含みます：

1. 順方向プロセス（ノイズ注入）: モデルは有効な合成レシピ（温度、時間、成分など）を取り、データが識別不能なランダムな状態になるまで逐次的に数学的「ノイズ」を加えます。
2. 逆方向プロセス（ノイズ除去／学習）: モデルはこのプロセスを逆にたどり、ノイズから元の構造化されたレシピを予測することを学習します。

推論時には、研究者が目的とする結晶構造を入力すると、DiffSynはランダムなノイズから始めて目標の構造制約によって逐次「ノイズ除去」を行います。その結果得られるのは、目標材料を生成する可能性が最も高い、構造化された論理的な一連の指示―つまりレシピです。

DiffSynの主な技術仕様

モデルの検証：ゼオライトでのブレイクスルー

DiffSynの有用性を理論的ベンチマークの域を超えて実証するため、MITチームはゼオライトに注目しました。ゼオライトは微細孔を持つアルミノケイ酸塩鉱物で、吸着剤や触媒として広く商業利用されています。その複雑なケージ状構造は合成が極めて困難であり、処理条件のわずかなずれが全く異なる、無用な相を生じさせることがあります。

研究者たちは特定のゼオライト構造のレシピを生成するようDiffSynに課題を与えました。モデルは従来の慣習とは異なる合成経路を提案し、目的の結晶形成を促す特定の条件を予測しました。

DiffSynの指示に従ってチームは新しいゼオライト材料を合成しました。物理試験の結果、AIが生成したレシピは機能するだけでなく、既存の反復材料に比べて熱安定性が向上していることが確認されました。この成功は重要な概念実証となります：モデルは単に学習データから既知のレシピを取り出しただけでなく、複雑な材料に対して新規で最適化された経路を一般化して提案したのです。

AIと実験室の橋渡し

DiffSynの波及効果は学術的好奇心を超えています。合成の「レシピ」段階を加速することで、生成AIは重要技術の市場投入までの時間を劇的に短縮する可能性があります。

• クリーンエネルギー： 固体電解質やペロブスカイト太陽電池の開発を迅速化。
• 炭素回収： CO2を捕捉するための金属有機構造体（MOF）の迅速なプロトタイピング。
• 半導体： 次世代チップ向けの新しいドーピング技術の効率的発見。

論文の共著者であるバレンシア工科大学のManuel Moliner教授とMITのYuriy Roman-Leshkov教授は、DiffSynは科学者を置き換えることを意図したものではなく、能力を拡張するものであると強調します。化学条件の無限の探索空間を高確率の候補に絞ることで、モデルは研究者が成功の可能性が高い実験にリソースを集中できるようにします。

生成化学の今後の方向性

DiffSynはゼオライトに関して最先端の精度を示しましたが、合金やポリマーなど他の材料クラスにその能力を拡張するには、さらに大規模なデータセットが必要になると研究チームは認めています。しかし今回の成功は、もともと芸術や言語向けに構築された拡散モデルが物理化学の法則を扱う数学的汎用性を持つという仮説を裏付けます。

科学文献のデータベースが成長し続けるにつれて、DiffSynのようなモデルはますます洗練されていくでしょう。私たちは、世界で最も先端的な材料の「焼き方」が少数の専門家の直感に閉ざされている時代から、要求に応じて人工知能が生成する時代へと入ろうとしています。

MITのチームにとって、DiffSynの公開は始まりに過ぎません。コードと方法論は「ラボ・イン・ザ・ループ」型の新しい波を生み、生成モデルとロボット自動化が組み合わさって、24時間体制で材料を自律的に発見、合成、試験するシステムに影響を与えることが期待されています。