材料科学：材料発見のための深層学習のスケーリング

新規機能性材料は、クリーンエネルギーから情報処理まで、さまざまな技術的応用において根本的なブレークスルーを可能にする。マイクロチップからバッテリーや太陽電池まで、無機結晶の発見は、費用のかかる試行錯誤的手法がボトルネックになっている。それと同時に、言語、視覚、生物学に関する深層学習モデルによって、増え続けるデータと計算を用いた創発的予測能力が示されている。今回我々は、大規模に訓練されたグラフネットワークがかつてない一般化レベルに到達することで、材料発見の効率を1桁向上できることを示す。継続的研究において特定された4万8000種類の安定結晶に基づいて、効率の向上により、現在の凸包より下で220万種類の構造の発見が可能になった。その多くが、これまでの人間の化学的直観では捉えられなかったものである。今回の研究は、人間にとって既知の安定材料が1桁拡大することを意味する。我々が層状材料や固体電解質候補について実証しているように、最終的な凸包上での安定な発見構造は、技術的用途向けのスクリーニングに利用できるようになるだろう。安定構造のうち736種類が、既に独立して実験的に実現されている。また、何億もの第一原理計算の規模と多様性によって、下流での応用向けのモデル化能力が解き放たれ、特に非常に正確かつロバストな原子間ポテンシャルの学習につながった。そうした原子間ポテンシャルは、凝縮相の分子動力学シミュレーションやイオン伝導率の高忠実度ゼロショット予測に用いることができる。

目次へ戻る