グーグルのAIは実際に「何百万もの新素材」を発見しているのか？

Chemical Materials今週、カリフォルニア大学のAnthony CheethamとRam Seshadriは、に掲載された展望論文の中で、

分析の中で、彼らは「384,870の組成の中にいくつかあるに違いないと予想しているが、GNoMEとStable Structureのリストには、目を見張るような新規化合物はまだ見つかっていない」と書いています。また、新しい組成の多くは、既知の材料の些細な適応であるが、計算アプローチは、信頼できる全体的な組成を提供し、基礎となるアプローチが健全であるという確信を与えている。"

"most of them might be credible, but they're not very novel because they're simple derivative of things that are already known"

電話インタビューでチーサムは、「グーグルの論文は、実験的な材料科学者にとって有用で実用的な貢献という点では、かなり不十分だ」と話してくれた。セシャドリは、「我々は、グーグルがここで的外れなことをしたと考えている」と語った。

「特定の機能を果たす新しい素材を探していたとしても、グーグルが提案したような200万以上の新しいコンポジションに目を通すことはないだろう」とチーサムは言う。「それが最善の方法だとは思いません。一般的な方法論はおそらくうまく機能していると思いますが、特定のニーズにもっと焦点を合わせる必要があります。私たちは、彼らが提案する非常に小さなサブセットに目を通すことにかなりの時間を費やしましたが、機能性がなかっただけでなく、そのほとんどは信用できるかもしれませんが、すでに知られていることの単純な派生であるため、あまり目新しいものではないことに気づきました。__ownerID="undefined" ___hash="undefined" __altered="false">Google DeepMindは声明で、「Google DeepMindのGNoME論文でなされたすべての主張を支持する」と私に言った。

"Our GNoME research represents orders of magnitude more candidate materials than previously known to science, and hundreds of the materials we've predicted already been independently synthesized by scientists around the world "と付け加えている。マテリアル・プロジェクトは、open-access material property databaseであるMaterials Projectは、他の機械学習モデルと比較した場合、グーグルのGNoMeデータベースがトップレベルであることを発見した、そしてグーグルは、新素材の多くがすでに知られている構造を持ちながら異なる元素を使用しているという事実のような、ケミカル・マテリアルの分析における批判の一部は、意図的にディープマインドが行ったものだと述べている。

一方、バークレー校の論文では、"自律型研究所"（"A-Lab "と呼ばれる）が、マテリアル・プロジェクトと呼ばれる別のプロジェクトが提案した構造を、ロボットを使って人間の介入なしに合成し、43の "新規化合物 "を生み出したと主張している。この論文にはディープマインドの研究者が1名参加しており、グーグルはプレスリリースで宣伝しているが、グーグルが積極的に実験を行ったわけではない。

人間の研究者たちは、この発見を分析した結果、にも問題があることを発見した：「我々は、43の合成製品すべてについて議論し、分析における4つの共通の欠点を指摘する。プリンストン大学のレスリー・ショープとユニヴァーシティ・カレッジ・ロンドンのロバート・パルグレイヴを含む著者らは、「これらの誤りは、残念ながら、この研究で発見された新素材はなかったという結論につながる」と分析している。

今回も、私が話を聞いた4人の研究者はそれぞれ、AIが導く新素材の発見プロセスは有望だと考えているが、彼らが分析した特定の論文は必ずしも大躍進ではなく、そのように文脈化すべきではないと述べている。

"DeepMind の論文には、明らかに無意味な予測資料の例がたくさんあります。専門家だけでなく、ほとんどの高校生が、（ディープマインドの予測である）H2O11のような化合物は正しくないと言うことができます」とパルグレイブは教えてくれた。「明らかに間違っている化合物の例は他にもたくさんあり、Cheetham/Seshadriは、私がここでやっているよりももっと外交的にこのことを説明する素晴らしい仕事をしている。MLがこのような化合物を予測値として出力することは憂慮すべきことであり、私には何かが間違っていることを示しているのです」

AI は、人間が簡単に解析できない多くのコンテンツでインターネットを氾濫させるために使われてきた。不完全な例えだが、私が話を聞いた研究者たちは、似たようなことが材料科学でも起こりうると言っていた：潜在的な構造に関する巨大なデータベースが、必ずしも社会に良い影響を与えるものを作りやすくするとは限らないのだ。

「（正確であれば）何百万もの素材を知ることには利点がありますが、作るのに有用な素材を探してこの空間をどのようにナビゲートすればよいのでしょうか」とパルグレイブ氏は言う。「どれが良いのか見当もつかない100万個よりも、非常に有用な特性を持つ数個の新しい化合物のアイデアを持っている方が良い。

Schoop は、すでに「5万種類のユニークな結晶性無機化合物が存在するが、我々が知っているのはそのうちのごく一部の特性だけだ。しかし、我々が知っている化合物の特性はそのほんの一部しか分かっていない。単に新しい物質を開発するよりも、物質の特性を予測する方がはるかに有用かもしれない。

繰り返しになるが、Google DeepMindは論文を支持し、これらの特徴付けに問題があると述べている、これらの発見がどのように文脈化され、テストされ、行動に移されるべきなのか、そして、提案された構造の巨大なデータベースを世界に投棄することが、実際に社会にとって新しい具体的なブレークスルーにつながるのか、それとも、単に多くのノイズを生み出すだけなのかどうか。

「根本的にAIに問題があるとは考えていません」とセシャドリは言う。「使い方の問題だと考えています。私たちは、このような技術が私たちの科学にふさわしくないと考えるような、古風な人間ではないのです」。