🔬 セルフドライビングラボ — Joseph Krause氏とRadical AI

材料科学において発見を加速することは長年困難な課題でした。生物分子が配列で予測可能なのに対し、材料の成功にはサプライチェーン、微細構造、製造プロセスなど複雑なマクロ変数が関与します。2023年のLK99事件は、基本成分が既知でも製造プロセスの欠如が再現性を阻むことを示しました。Radical AIの創業者Joseph Krause氏は、一度で完全にスケール可能な材料を設計できるモデルは存在しないと主張します。

Radical AIの革新はセルフドライビングラボ（SDL）にあります。これは単なる自動化ではなく、「AI科学者」を統合し、科学知識、計算技術、人間の直感を組み合わせて仮説を生成・検証します。Joseph氏は実験データこそが材料分野の真の堀（moat）であると強調し、SDLは閉ループシステムとして、AIが仮説を生成し、自動ロボットが合成と特性評価を並行して行います。

合金発見において、Radical AIは顕著な成果を上げています。6ヶ月で1200種類の合金を生産・特性評価し、DARPA/GE MACHプログラムの約10倍の速度を達成しました。Joseph氏はさらに拡張可能であり、1日あたり100種類以上の新合金をテスト・特性評価できると見積もっています。科学的側面では、AI科学者が300種類の新材料を提案・テストし、そのうち10種類が新規の最先端特性を示し、商業応用に向けて開発が進んでいます。特筆すべきは、AIがこれまで発表されていなかった元素ファミリーを探索したことであり、これにより重要な産業のサプライチェーン問題の緩和に貢献する可能性があります。

Joseph氏は地政学的競争を明確に認識しています。中国の中央集権モデルは新材料を実験室から生産へ迅速にスケールアップできますが、米国はそれを模倣すべきではないと述べます。代わりに、科学労働力の変革、国立研究所レベルでのセルフドライビングラボインフラへの投資、官民パートナーシップの強化が必要だと提言します。「米国のすべての科学者が研究アウトプットを10倍に増やすと想像してください。それは根本的であり、発見の軌道を変えるでしょう。」

Radical AIはまた、PyTorchベースの分子動力学シミュレーションフレームワークTorchSimや、セルフドライビングラボのベンチマーク用データセットMATRIXとその事前学習モデルMATRIX-PTをオープンソース化しています。これらの貢献は予期せぬ結果として、材料分野の推論能力向上が生物システムの推論も改善することを示しました。

材料発見は長らく20〜30年のサイクルに停滞していました。Joseph氏はこの状況が変わろうとしており、Radical AIは実験室で一つ一つのサンプルを通じてその仮説を検証していると述べています。