最新の論文記事を読みやすく整理。保存・タグ検索に加え、Plus/Proでは研究ノートと知識グラフで理解を積み上げられます。
Cog AI Archive
現代の材料科学における高次元かつ極めてデータが不足している環境下で、効率的に目標を達成するための情報理論に基づいた新しい適応的サンプリングの枠組みが提案されました。この手法は、全探索空間を近似するのではなく、目標に関連する「軌道」を特定することに焦点を当て、次元を考慮した情報予算管理や、カルマンフィルタに着想を得たマルチモデル融合を組み合わせています。14種類の材料設計タスクと複雑な数理ベンチマークを用いた検証により、わずか100回程度の評価でトップクラスの性能を持つ領域に到達できる高いサンプル効率と、多様な問題に対する堅牢性が実証されました。
カーボンニュートラル実現に不可欠な水素貯蔵技術において、従来の実験や計算手法の限界を打破するため、因果探索アルゴリズム（FCI）と軽量な変分オートエンコーダ（VAE）を組み合わせた新しい材料設計フレームワークを開発しました。
従来の材料探索ベンチマークは静的な予測や個別の計算タスクの評価に留まっており、実際の科学的発見が持つ反復的かつ適応的な性質を十分に捉えられていないという課題がありました。本研究では、自律的な材料探索パイプラインをエンドツーエンドで評価するための新しいフレームワークであるMADE（MAterials Discovery Environments）を提案し、限られた予算内での逐次的な探索をシミュレートします。実験の結果、化学的な複雑さが増すにつれて、大規模言語モデルを活用したエージェントや適応的な探索アルゴリズムが、ランダムな探索手法と比較して探索効率を大幅に向上させることが確認されました。
現在のAI駆動型材料探索は、材料の性能や安定性の最適化を最優先する「性能第一主義」に偏っており、環境負荷の評価が合成後の最終段階まで先送りにされているため、持続不可能な技術に多大な資源が投じられるという重大な非効率性が生じている。
現在のAI駆動型材料探索は性能の最適化を優先し、持続可能性の評価を合成後まで後回しにしているため、環境負荷が判明した時点ではすでに持続不可能な解決策に資源が投じられているという非効率性が生じている。
MEIDNetは、結晶構造、電子状態（バンドギャップ）、熱力学的性質（生成エンタルピー）の3つの異なるモダリティを統合して学習する、マルチモーダルな材料逆設計フレームワークである。等変グラフニューラルネットワーク（EGNN）と対照学習を組み合わせることで、従来の学習手法よりも約60倍高い効率を実現し、潜在空間において0.96という極めて高い類似度での整列を達成した。このモデルを用いて低バンドギャップのペロブスカイト構造を生成した結果、既存のデータベースにない安定かつ新規な材料を13.6%という高い成功率（SUN率）で発見することに成功し、YbScSe₃やKTaSe₃といった有望な新物質を特定した。
科学論文の指数関数的な増加により、手動でのデータ収集が限界に達し、主要なデータベースが2021年以降更新されないという深刻な知識の空白が生じていたが、本研究では大規模言語モデル（LLM）と物理的検証を統合した自律更新型データベース「PERLA」を開発した。
走査透過電子顕微鏡（STEM）の複雑な収差補正を自動化するため、多目的ベイズ最適化（MOBO）を用いた新しいフレームワークが開発されました。この手法は、ガウス過程回帰を活用して収差の状態を確率的にモデル化し、コントラストと解像度という相反する指標のトレードオフをパレートフロントとして提示することで、効率的かつ堅牢な調整を実現します。 従来のグリッド探索や単一指標の最適化とは異なり、このシステムは次に評価すべき最適なレンズ設定を能動的に選択するアクティブラーニングを採用しています。これにより、ノイズやサンプルの損傷に惑わされる「報酬ハッキング」を防ぎ、熟練オペレーターの経験に頼ることなく、短時間でサブオングストロームの解像度を維持することが可能になります。 シミュレーションと実機（Spectra 300）の両方で検証が行われ、わずか25回程度の試行で最適な観察条件に収束することが確認されました。また、最適化の過程をすべて記録するFAIR原則に準拠したデータ管理により、将来のAI学習やデジタルツイン構築に役立つ貴重なデータセットを蓄積できる「自己最適化型」顕微鏡の基盤を構築しました。
C2NPは、無限の周期性を持つバルク結晶と有限のナノ粒子の間にある構造的ギャップを埋めるための新しい評価用ベンチマークであり、17万件以上の多様なナノ粒子構成を用いて生成モデルの幾何学的な汎化性能を厳密に測定する。