トニー・スタークはこの新しい実験材料研究室を気に入るだろう

ローレンス・バークレー国立研究所は最近、「A-Lab」の完成を発表した。「A」は人工知能、自動化、加速化を意味する。200万ドルを投じたこの研究所には、3本のロボットアーム、8つの炉、実験装置が完備されており、すべてAIソフトウェアで制御され、24時間稼働している。

マーベルのキャラクター、トニー・スタークの研究室の実物レプリカのように見えるかもしれませんが、実際はそう遠くありません。これは完全に自律的な研究室で、1 日に最大 200 個の新素材サンプルを作成してテストすることができ、材料科学の発見を前例のない速度で加速し、研究者の作業負荷を軽減します。

A ラボの研究者たちは現在、持続可能なエネルギー利用の緊急のニーズを満たすために、改良型バッテリーやエネルギー貯蔵装置の材料に取り組んでいます。このラボは、他の多くの産業でもイノベーションを促進する可能性があります。

「社会にとって非常に重要な材料開発は、あまりにも遅すぎる」と、A-Labの主任研究員であるゲルト・セダー氏は言う。

材料科学は、航空宇宙からクリーンエネルギー、医療に至るまで、あらゆる分野における材料とその応用を特定、開発、テストする分野です。

材料科学者は通常、コンピュータを使用して、自然界には見られない、使用に十分な安定性を持つ新しい材料を予測します。コンピュータは理論上の無機化合物を生成することはできますが、どの新しい化合物を作成するかを特定し、それらを合成する方法を考え出し、その性能を評価するのは、手作業で行うには時間のかかるプロセスです。

[関連:この小さな AI 搭載ロボットは、自力で海を探索することを学習しています]

さらに、計算ツールによって材料の設計が事実上非常に容易になったため、まだテストが必要な新しい材料が余剰となり、ボトルネック効果が生じています。

「運が良ければ2週間の試行で成功することもありますが、時には研究室で6か月間研究しても成果が出ないこともあります」とセダー氏は言う。「ですから、本当に欲しい化合物を実際に作るための化学合成経路の開発には、非常に時間がかかるのです。」

A-Lab は、創設ディレクターのクリスティン・パーソンが運営する、予測される数十万の材料のデータベースである The Materials Project と連携しています。同プロジェクトでは、研究者が利用できる、計算によって予測される数千の新材料と、化合物の構造や一部の化学的特性に関する情報を無料で提供しています。

「実際に新しい材料を設計するには、コンピューターで予測するだけでは不十分です」とパーソン氏は言う。「これが現実であることを示す必要があります。」

経験豊富な研究者でも、1 日の作業で検査できるのはほんの一握りのサンプルだけです。A-Lab は理論上、何百ものサンプルをより迅速かつ正確に作成できます。A-Lab の助けを借りれば、研究者は単調な作業ではなく、大局的なプロジェクトに多くの時間を割くことができます。

A ラボを率いるスタッフ サイエンティストの Yan Zeng 氏は、ラボのプロセスを新しい料理を作ることに例えています。ラボには新しい料理 (この場合はターゲット化合物) が与えられ、そのレシピを探します。研究者は必要な品質を持つ新しい化合物を特定すると、それをラボに送ります。AI システムは、200 種類を超える材料、または鉄、銅、マンガン、ニッケルを含む金属酸化物などの前駆体粉末をさまざまな組み合わせで組み合わせて、新しいレシピを作成します。

ロボットアームは粉末のスラリーを溶剤と混ぜ合わせ、新しいサンプルを炉で焼いて化学反応を刺激し、目的の化合物が生成されるかどうかを確認します。試行錯誤を繰り返した後、AI システムはレシピを学習し、適切な化合物が生成されるまで微調整します。

[関連:人工知能の広大な世界への簡単なガイド]

AI ソフトウェアは、実験装置と連動して、さまざまな組み合わせの原料を計量し、混合する 3 本のロボット アームの動きを制御します。また、実験室自体も自律的です。つまり、失敗した後にどうするかについて新たな判断を下し、人間よりも速く新しい合成レシピを独自に処理できるということです。

「新しい化合物の合成にこれほど成功するとは予想していませんでした」とセダー氏は言う。「それがいわば処女航海でした。」

人間の科学者による研究のスピードアップは、AI制御のロボットによるものだけではなく、ソフトウェアが500万件の研究論文にわたる約10万の合成レシピから知識を引き出すことができるためでもある。

A-lab は人間の科学者と同様に、あらゆる実験の詳細を記録し、失敗も記録します。

研究者が失敗した実験のデータを公開しない理由はさまざまですが、時間や資金が限られている、世間の関心が低い、失敗は成功よりも有益ではないという認識があるなどです。しかし、失敗した実験は研究において貴重な位置を占めています。誤った仮説や失敗したアプローチを排除します。毎日作成される何百もの失敗したサンプルのデータに簡単にアクセスできるため、研究者は何が機能し、何が機能しないかをよりよく理解できます。