以基础模型加速的创新新材料的开发

以基础模型加速的创新新材料的开发

生成式人工智能正在为新材料的开发带来革命性的变化。通过利用被称为“材料信息学（Materials Informatics）”的信息处理技术，研究人员能够更快速、更准确地发现具有特定性能的新材料。特别是近年来兴起的基础模型技术，更是大大提高了新材料开发的效率和精度。本文将为您详细介绍这一前沿科技如何改变我们的未来。

生成式人工智能支持的未来社会

新材料开发的重要性

从古代的石头、玻璃、铁、纸，到工业革命以后的陶瓷、化学品、半导体。人类通过发现具有可用于工具和设备特征的材料并熟练使用它们来发展文明。新材料的开发是加速生活和社会发展的重要因素，目前仍在许多大学、研究机构和企业中积极且持续地开展。

新材料的开发对我们的生活和社会发展至关重要

新材料开发是人类未来不可或缺的举措，通过利用生成AI等前沿信息处理技术，正在迅速发展。利用被称为“材料信息学（Materials Informatics）：以下简称MI”的信息处理技术开发新材料的方法得以普及，改变了材料产业的竞争原理，迫使商业模式发生革新。

利用MI开发的许多新材料都实现了性能上的飞跃性提升。而且可以期待为解决地球环境的保护等社会课题做出贡献。新材料的开发对于实现更高效地将光转化为电力的太阳能电池，小型、大容量、高输出的蓄电池，以及利用光催化剂产生氢和氨等至关重要。有效利用MI，就有可能将推进脱碳的新材料尽早投入实际应用。

新材料开发面临的挑战

与信息技术等其他领域的技术开发相比，迄今为止的新材料开发可以说是一项脚踏实地且劳动密集型的作业。为了发现具有目标特性的新材料并确立其制作方法，需要反复进行耗时耗力的调查以及试制和验证。结果，开发时间往往很长，有时需要巨额费用。在极端情况下，有的开发人员花了一生时间致力于新材料的开发，却未能完成。也有不少开发项目需要投入数千亿日元的开发资金。

新材料开发困难的原因之一是决定材料特性的参数多种多样且庞大。材料特性的主要决定因素是分子和晶体的组成和结构，但根据温度、压力、电磁场等环境因素，特性也会有很大的变动。此外，材料的尺寸和形状以及材料中存在缺陷或含有杂质时也可能发生变化。微小环境因素的变化或微小缺陷的存在甚至会改变分子或晶体本身的结构。材料的这些微妙的特性是由原子层面上发生的多种现象的复杂相互作用造成的。

新材料的开发是一项由原子层面现象引起的精细工作

一般来说，迄今为止，在开发新材料的过程中，需要假设多种参数和大量条件，并通过反复试错来确定，以便发现具有所需特性的材料，并建立这种材料的制作方法。在此过程中，可尝试的参数种类越多，设定的条件范围越准确，就越有可能取得好的结果。但实际上，需要在有限的时间和预算内取得一定的成果。因此，需要缩小试错条件，进行实验/验证。

参与材料开发的开发人员通过参考文献研究和计算机模拟等结果来缩小试错条件。文献中显示了已经试制/验证过的条件，记载了很多在设定条件时有用的启示。此外，计算机模拟可以大幅减少原型制作和验证，而这些工作可能非常耗时且昂贵。不过，开发人员可自行决定选择哪些文献进行研究，以及设定哪些条件进行计算机模拟。在这种开发方式的背景下，有可能错过隐藏在难以预见的条件下的优等材料的潜力。

材料开发人员不得不改变开发方式，以便在更短的时间内开发出更有益的新材料。而MI是一种很有前途的新材料开发方法，它将简化开发作业，发掘隐藏在以往无法进行实验/验证的条件下的有益新材料的潜力。

材料信息学的革命性变革

那么，给传统新材料开发带来革新的MI是一种怎样的开发手法呢？

技术文献和实验结果提供了大量数据。此外，信息的表达方式是多模态（表达方式不同）的，文本与数字和图像混杂在一起，这给分析所收集的数据带来了困难。MI会对这些庞大而多样的数据进行整理/标准化，并利用AI和机器学习等前沿的信息处理技术，探索有效的新材料开发目标设定以及高效的生成/合成方法。

材料信息学的实践改变了新材料开发的方式

将MI应用于新材料的开发具有以下优势。首先，基于从比以往更多的信息源中学到的客观性高的知识，可以更有效、更迅速地缩小应进行试制/验证的条件。每个开发人员能阅读的文献数量是有限的。此外，即使以往获取了大量数据，也不可能对全部数据进行审查。利用AI可以在统计处理的基础上做出客观的决策，并参考大量的文献和数据，而这些是单个开发人员或开发团队无法处理的。这就缩短了开发时间，并准确地缩小了试制/验证条件。

它还允许材料开发人员探索常规材料之外的新材料的潜力。有些文献描述了在传统技术发展趋势中不受重视的成果，这些文献以及一些未深入洞察的试制/实验数据中可能隐藏着有关发现设想以外的新材料的信息。有了MI，我们就能看到以往未曾得到重视的研究结果，并从客观的角度对其进行审视。这为发现突破性的新材料提供了可能。

基础模型带来的效率提升

此外，近年来，人们还尝试应用作为语言生成AI基础技术的“基础模型”来提高MI实践的效率。基础模型是指大规模且通用的AI模型，它是通过少量学习实现适用于特定用途的高精度AI模型的基础（图1）。一般来说，用于材料开发的基础模型都是由IT公司制作的，这些公司可以投入大量的资金和资源来制作AI模型，并可以收集多样化的海量科技数据，然后提供给企业和研究机构等用户。用户企业根据使用目的定制所提供的通用性较高的基础模型，并将其用于MI。

MI使用针对特定用途（任务）的AI模型进行实际分析等处理。例如，根据分子和晶体的组成和结构等预估特性时，准备并使用了专门针对该任务的已经学习过的AI模型。因为如果将针对特定任务优化的AI模型应用到其他任务中，分析精度会降低，甚至在某些情况下不适用。在制作每个AI模型时，需要准备专门用于适当的模型设计和用途的数据集，并让其学习。而且，一般来说，AI的学习需要执行庞大的运算处理（深度学习）。也就是说，每制作一个特定任务的AI模型，就要准备一台高性能的计算机，让它花费相应的长时间和很高的成本进行学习。（图1上段）

相比之下，使用基础模型可以大大减少为特定任务制作AI模型所需的数据集和学习时的运算处理量。例如，不使用基础模型，而是利用高性能GPU群集（由数百到数千台GPU组成）学习数百G到数T字节的数据集来制作面向特定任务的AI模型，如果以基础模型为起点制作，只要在几个GPU上对数G字节的数据集进行额外学习（微调）即可。

图1 生成AI的基本原理及其在材料开发中的应用示例

使用基础模型进行AI模型制作对新材料开发的影响是显著的。如前所述，MI的引入使传统材料开发的效率化成为可能。然而，虽然试制/验证所需的时间、劳力、成本的效率化不断提高，但面向特定任务的AI模型的制作也成为了产生新的低效率的主要原因。如果能够灵活运用基础模型，即可实现原本MI的目标——缩短新材料的开发时间和探索开发人员难以设想的条件下的新材料。

如果企业通过试制/验证收集专有数据并让AI学习，就可以使之成长为取得材料固有的技术诀窍的特殊用途型AI。通过对特殊用途型AI模型持续实施微调，对于开发新材料的企业来说，技术开发资产本身就可以说是竞争力的源泉。已经出现了一些利用这种基础模型将MI应用于迅速设计新分子结构和开发兼具多种特征的新材料的实例。

未来展望

预计未来材料开发的环境将发生显著变化。很多材料制造商正在致力于开发体制的革新，在收集实验数据时越来越多地考虑到利用AI，而材料开发人员也越来越多地掌握了数据科学方面的知识。在这样的动向中，利用基础模型的MI的实践，有可能取得惊人的成果。这将加速材料开发，非常期待它会对我们的生活和社会带来怎样的新的变化和价值。