MEIDNet: マルチモーダル生成AIによる材料の逆設計フレームワーク

TL;DR（結論）

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。

なぜこの問題か

新しい機能を持つ材料の探索は、エネルギー貯蔵、電子機器、光エレクトロニクス、バイオメディカルデバイスといった現代社会の基盤を支える幅広い分野において極めて重要である。しかし、従来の試行錯誤による材料探索は、膨大な時間とリソースを必要とするだけでなく、人間が探索できる化学的・構造的範囲には限界があった。これに対し、AIを活用した計算による逆設計は、あらかじめ定義された目標性能を満たす候補物質を効率的に見つけ出す手法として大きな期待を集めている。逆設計は、学習された構造と物性の関係を利用して、複雑な化学的状況を効率的にナビゲートし、実験的な探索をより的確な方向へと導くことができる。 近年、変分オートエンコーダー（VAE）、生成敵対的ネットワーク（GAN）、拡散モデルなどの生成AIモデルが材料設計において有望な成果を上げている。しかし、既存のフレームワークの多くは単一の情報源に依存しており、複数の物性次元が複雑に絡み合う材料固有の相互作用を十分に捉えきれていないという課題があった。この制限を克服するために、マルチモーダル機械学習が注目されている。…

核心：何を提案したのか

本研究では、構造、電子、熱力学的性質という3つのモダリティ間での対照学習に依存する、材料逆設計のためのマルチモーダル生成AIフレームワーク「MEIDNet」を提案した。このフレームワークの核心は、最先端の等変グラフニューラルネットワーク（EGNN）を用いて構造をエンコードし、それと同時に物性情報を共通の潜在空間にマッピングする点にある。MEIDNetは、構造情報と材料特性を共同で学習することで、化学的・構造的空間の探索を加速させ、事前に定義された目標特性を満たす材料の発見を容易にする。 MEIDNetの設計において、構造エンコーダは3D結晶構造を潜在的な表現へと変換する役割を担う。一方で、バンドギャップや生成エンタルピーといったスカラー量の材料特性を処理するために、多層パーセプトロン（MLP）を用いたプロパティエンコーダを定義した。…

続きはログイン/プランで閲覧できます。