MIT4号館の地下には、学生たちが「イノベーションのゆりかご」と呼ぶ研究室、Lab 4-061があります。ドナルド・サドウェイ教授は1990年代後半、ここで固体高分子電解質（SPE）リチウム金属電池の研究を始めました。この研究室は、数え切れないほどの昼夜を問わない努力と、数え切れないほどの実験の失敗を経験してきましたが、まさにこうした困難を乗り越えてこそ、世界を変えるような革新的な発見が生まれるのです。

MITは30年以上にわたり、固体高分子電解質（SPE）の研究を決して怠っていません。人工知能（AI）の急速な発展に伴い、MITの研究チームは機械学習とデータ駆動型戦略を活用し、一連の革新的な研究を開始しています。高度なアルゴリズムと膨大なデータを用いて、従来の材料の限界を克服し、バッテリー技術の未来に新たな可能性を切り開くことを目指しています。

最近、 MITとトヨタ・リサーチ・インスティテュートの研究チームが共同で、生成型人工知能（GAI）を用いて新規ポリマー電解質を設計しました。GPTに基づくminGPTモデルと拡散ベースの1D拡散モデルおよび拡散LMモデルを比較し、事前学習と微調整手法を用いることで、新規かつ多様性に富み、潜在的に価値の高いポリマーを多数作成することに成功しました。この成果は、材料設計における人工知能の強力な可能性を示すだけでなく、固体電解質の開発に新たな活力をもたらすものです。原著論文を入手するには、WeChat公式アカウントで「electrolyte（電解質）」と返信してください。

次世代リチウムイオン電池：AIを活用した固体高分子電解質のブレークスルー

固体高分子電解質（SPE）は、安全性、エネルギー密度、製造性能の点で液体電解質に比べて大きな利点を示し、次世代リチウムイオン電池の有望な候補として広く考えられています。しかしながら、SPEのイオン伝導率は市販の液体電解質に比べて通常数桁低く、実用化を大きく制限しています。この課題に対処するため、研究者たちは広範な実験および計算研究を行ってきました。

一方、研究者たちは、データマイニングが材料構造と特性の関係を理解するための新たな解決策を提供することを発見しました。上海交通大学の研究チームは、2021年には既に、学術誌「Nano Energy」に「人工知能を活用した固体電解質の総合的な設計と同定」と題する論文を発表しました。彼らは機械学習モデルと限定的なDFT計算を組み合わせることで、29,000種類以上のガーネット固体電解質構造から、室温で極めて低い電子伝導性を示す12種類の候補物質を迅速にスクリーニングしました。この手法により、スクリーニングサイクルが計算的に少なくとも95年短縮され、固体電解質の設計と発見のための新たなアイデアと手法が開拓されました。

論文リンク:

https://www.sciencedirect.com/science/article/pii/S2211285521005929

2023年、日本の東北大学の研究チームは、「固体電解質の動的データベース（DDSE）」と題した研究で、全固体電池電解質の動的データベースを構築し、機械学習を用いてイオン伝導性を予測し、実験的に合成された新材料の性能基準を提供しました。

論文リンク:

https://www.sciencedirect.com/science/article/pii/S258996512300034X

一方、研究者たちは、新材料の発見を通じてポリマーのイオン伝導性を向上させることにも注力しています。現在、高温処理、補助添加剤の添加、共重合といった一般的な手法は一定の進歩を遂げていますが、その多くはポリエチレンオキシド（PEO）に依存しています。PEO材料自体の限界により、SPE技術の発展における大きな障害となっています。しかしながら、現段階では非PEOポリマーの探索は比較的限られています。より広範な非PEOポリマーの探索のため、機械学習やデータ駆動型手法がポリマー特性予測やリバースデザインに広く適用され始めています。

人工知能（AI）は新規ポリマーの発見を加速させる一方で、特有の課題も存在します。一般的に、AIによる予測の精度は、豊富で多様性に富んだ広範な初期データセットに依存するため、高品質なデータが不可欠です。さらに、化学的にリアルな合成ポリマーを生成できるアルゴリズムの設計は複雑な作業です。そのため、様々な機械学習手法の中でも、データから学習し、新たな候補材料を創出できるジェネレーティブデザインは際立っています。このアプローチは、既存データから学習することでポリマーデータベースを拡張できるだけでなく、特定の目的に合わせたポリマー材料のカスタマイズ設計にも役立ちます。

しかし、これらの高度な生成AI技術をポリマー生成に活用した研究はほとんど行われていません。非PEO材料、特に高度に確率的な構造を持つ非晶質材料用のポリマー電解質への生成AI技術の応用を調査するため、 MITとToyota Research Instituteの研究チームは最近、ポリマー生成における様々な高度な生成モデルの複雑性を調査しました。彼らは、GPTと拡散モデルに基づくポリマー電解質のde novo設計手法を提案しました。この手法は、新しいモデルを継続的に生成・評価することができ、実験検証のための新たな候補を提供します。

minGPTは拡散モデルよりも優れている：事前トレーニング戦略はデータセットの適応性を向上させる

MIT の最近の研究では、価値ある新しいポリマー電解質材料を開発するために、トークン化、トレーニング、生成、評価の 4 つのモジュールを使用して、ポリマー生成の体系的な評価スキームが設計されました。

この研究のワークフロー

まず、トークン化フェーズにおいて、研究者らは6,024種類の異なるアモルファスポリマー電解質を含むHTP-MDデータセットを選択しました。これらのポリマーのイオン輸送特性は、主に分子動力学（MD）シミュレーションによって導き出されました。

このデータセットに基づいて、研究者はトレーニング フェーズで、GPT モデルの人気の高いオープンソースの PyTorch 再現性プロジェクトである minGPT を含むいくつかの異なる生成 AI モデル、およびポリマー生成における 1 次元ノイズ除去拡散確率モデル (1Ddiffusion) と拡散言語モデル (diffusion-LM) の 2 つの拡散モデルのパフォーマンスを比較しました。

研究者たちは、これらのモデルを比較することで、理想的な特性を持つポリマー電解質を生成するための最も効率的な方法を見つけたいと考えています。3つのモデルはそれぞれ異なる損失関数を持つため、損失値だけでは化学システムの包括的な評価ができない可能性があります。そこで研究者らは、6つの異なる指標を用いてポリマー生成を評価する方法を提案し、ハイパーパラメータの異なる組み合わせにおけるモデルの性能を評価します。

• 1Ddiffusion モデルは、もともと画像生成用に開発されたノイズ除去拡散確率モデル (DDPM) を改良したものです。
• 拡散 LM モデルでは、非自己回帰言語モデル アーキテクチャと連続拡散の概念が組み合わされており、これを使用してテキストを生成できます。
• minGPTプロジェクトアドレス:
  https://gitcode.com/gh_mirrors/mi/minGPT
• 1D拡散プロジェクトアドレス:
  https://gitcode.com/gh_mirrors/de/denoising-diffusion-pytorch
• diffusion-LM プロジェクトアドレス:
  https://gitcode.com/gh_mirrors/di/拡散-LM

本研究では、まず無条件生成シナリオにおけるモデルアーキテクチャの性能を調査しました。無条件生成シナリオとは、HTP-MDデータセットを用いて生成モデルを学習させ、属性制約なしにポリマーの「言語」を学習させるシナリオです。無条件生成プロセスでは、モデルは生成フェーズ中に学習され、新規で化学的に有効な、独自の合成ポリマーをランダムに生成します。

結果は下の図に示されています。minGPTモデルと拡散LMモデルのパフォーマンスはほぼ同等ですが、1D拡散モデルのパフォーマンスは比較的低いです。計算コストの点では、minGPTモデルは学習と推論の両方で拡散ベースのモデルよりも効率的です。Tesla V100 GPUコア（16GB RAM）では、最適なminGPTモデルの学習には約3～4分しかかかりませんが、最適な1D拡散モデルと拡散LMモデルの学習には約2時間かかります。

無条件生成における異なる評価基準に基づく異なるモデルのパフォーマンス比較

次に、本研究では、生成モデルをさらに誘導し、理想的な特性を持つポリマー電解質を生成し、条件付き生成におけるモデルアーキテクチャの性能を調査しました。例えば、高いイオン伝導性を実現するために、研究者らはまずHTP-MDデータセット内のポリマーを高伝導性と低伝導性の2つのグループに分けました。次に、無条件生成タスクのハイパーパラメータ調整から得られた最適なモデルアーキテクチャを用いて、生成フェーズにおいて高伝導性を持つポリマー電解質を条件付きで生成しました。

最後に、グラフニューラルネットワーク（GNN）モデルを用いて生成されたポリマーのイオン伝導率を予測し、最終的に46種類の候補材料からイオン伝導率に優れた17種類のポリマーを選択しました。また、無条件生成の結果と一致して、minGPTモデルは条件付き生成において1Ddiffusionモデルおよびdiffusion-LMモデルよりも優れた平均スコアを達成しました。これは、minGPTモデルが新規ポリマーの生成において優れた性能を発揮するだけでなく、特定の望ましい特性を持つポリマー電解質の生成を効果的に誘導できることを示しています。

条件によって生成された異なる評価指標の下での異なるモデルのパフォーマンス比較

minGPTモデルは、無条件生成と条件付き生成の両方において拡散ベースのモデルよりも優れた性能を示したため、研究者らは事前学習と微調整手法がminGPTモデルに与える影響をさらに調査しました。具体的には、2つの異なる学習戦略を比較しました。1つは、HTP-MDデータセットを用いてminGPTモデルを最初から直接学習する方法、もう1つは、無条件生成のためにPI1Mデータベースで事前学習を行い、その後HTP-MDデータセットで微調整して条件付き生成を実現する方法です。

• PI1M データベース: 100 万個のポリマーモノマーを含むが、ポリマーのイオン伝導率に関する情報が欠けているベンチマーク データベース。

結果は、事前学習戦略によって微調整のための学習時間が大幅に短縮され、条件付き生成の有効性と一意性スコアが向上することを示しています。さらに、事前学習は、HTP-MDデータセットにおけるポリマー特性を捉えるモデルの能力を高め、生成時に幅広いポリマーの多様性を生成します。これは、大規模データベースでの事前学習により、モデルが特定のデータセットのニーズに適応しやすくなり、新規ポリマー生成の効率と精度が向上することを意味します。

MITとトヨタ・リサーチ・インスティテュートは、自動車業界におけるAIの広範な応用を促進するために協力しています。

実は、この研究は MIT とトヨタ・リサーチ・インスティテュートの最初の共同研究ではなく、両者の協力は 10 年前に遡り、実りある成果を生み出してきました。

2015年9月、トヨタ自動車は、MIT（マサチューセッツ工科大学）およびスタンフォード大学と共同で自動運転車の共同開発を行う研究センターを設立するため、今後5年間で5,000万ドルを投資すると発表しました。この連携は、自動車の研究開発におけるAIの広範な応用の基盤を築きました。

わずか1年後、MITのAgeLab交通・物流センターは、トヨタ自動車の協調安全研究センター（CSRC）と共同で、革新的なオープンデータセット「DriveSeg」をリリースしました。このデータセットは、ビデオを通じて運転シナリオを捉え、現実世界の動的な運転状況により近いデータストリームを提供することで、機械学習、シーン理解、行動予測といった分野における進歩を大きく前進させます。

2020年、MIT、トヨタ研究所、スタンフォード大学の研究チームは、「充電機械学習を用いたバッテリー向け高速プロトコルのクローズドループ最適化」と題した論文をNature誌に発表し、バッテリー充電試験時間を約2年から16日へと約15分の1に短縮し、バッテリー寿命を正確に予測できる機械学習モデルを紹介しました。この手法は、バッテリー開発のあらゆる段階を加速させ、メーカーがより効率的にバッテリーを設計・製造するのに役立つと期待されています。

論文リンク:

10.1038/s41586-020-1994-5

5年間の契約は満了しましたが、関係者間の協力は止まっていません。2021年には、MIT、トヨタ研究所、スタンフォード大学、SLACの研究チームがNature Materialsに「電気自己触媒作用によるLi層状酸化物の架空の相分離」と題する論文を発表しました。これは、初めて「科学的機械学習」をバッテリーサイクル研究に適用し、リチウムイオンバッテリーの充放電に関する従来の仮定を覆し、10分で充電できる長寿命電気自動車用バッテリーの設計に新たなルールを提示しました。

論文リンク:

10.1038/s41563-021-00936-1

MITとトヨタ・リサーチ・インスティテュートは、新たなポリマー候補を継続的に生成・評価する方法の開発に再び協力しました。この方法は、複雑なポリマー設計上の問題を解決し、次世代バッテリー材料の探索を前進させる大きな可能性を秘めています。

リチウムイオン電池産業のアップグレードと変革：AIが鍵となる力を高める

電気自動車の普及から、私たちが毎日使用するスマートフォンやノートパソコンなどの家電製品、スマートホームデバイスまで、リチウム電池は効率的なエネルギー貯蔵機能により、これらのデバイスに強力な電力サポートを提供します。

世界各国政府はリチウム電池の発展に大きな関心を寄せています。例えば、工業情報化部をはじめとする3つの部門は、「新産業標準化先導プロジェクト実施計画（2023～2035年）」を着実に実行するため、2024年11月に「国家リチウム電池業界標準システム構築ガイド（2024年版）」を公布しました。これは、リチウム電池業界標準のトップレベル設計を強化し、リチウム電池業界の健全で秩序ある発展を促進することを目的としています。

米国、欧州、韓国といった国・地域も、国際競争における優位性を確保するため、リチウム電池の研究開発への投資を拡大しています。例えば、2021年11月には、米国エネルギー省、国防総省、商務省、国務省が共同で設立した連邦先進電池連合（FCAB）が、「2021～2030年米国リチウム電池国家ブループリント」を発表しました。これは、米国のリチウム電池製造バリューチェーンへの投資誘導と雇用創出を目的としています。これらの政策は、技術革新を促進するだけでなく、リチウム電池の普及に向けた強固な基盤を築くものでもあります。

しかし、さまざまなデバイスの性能要件がますます高まるため、リチウム電池の研究開発は、材料革新の進歩が比較的遅いことや、大量の電池データを効果的に処理および分析することが難しいことなど、継続的な課題と革新のニーズに直面しています。

リチウム電池業界は技術革新の波の最前線にあり、AIは間違いなくこの技術ルネサンスを牽引する中核的な原動力となっています。例えば、世界最大のリチウム電池メーカーであるCATLは、AI技術を活用してリサイクルプロセスを最適化し、リチウム電池のリサイクルにおいて大きな進歩を遂げ、リチウム回収率を91%まで向上させました。Innosiliconは、高度な人工知能アルゴリズムとビッグデータ分析を応用することで、リチウム電池生産のあらゆる側面を徹底的に最適化し、リチウム電池生産のインテリジェンスレベルを向上させるだけでなく、新しいリチウム電池材料の研究と応用を加速させています。

今後、リチウム電池業界は大きな進化と変革を遂げ続けるでしょう。継続的な技術進歩と市場需要の持続的な成長により、リチウム電池はエネルギー転換と持続可能な開発においてますます重要な役割を果たすでしょう。この過程で、AI技術はかつてないほどの能力を発揮し、業界のさらなる進化に向けた重要な推進力を継続的に提供しています。