Matlantisがもたらす 革新的なマテリアルの創出 岡野原 大輔 Preferred Computational Chemistry 代表取締役社長 Preferred Networks 代表取締役 最高研究責任者

1

2017 2019 2021 2014 創業 資本・事業提携 化学・生物学分野向け 深層学習ライブラリ 材料開発 2

応用 領域 PFN 基盤 技術 PFN: 事業の要として”AI × Simulation”に注力 Supercomputer AI Machine Learning and Deep Learning Simulation 1 2 3 Transportion Manufacturing Plant Optimization Materials Science Healthcare Pharmaceutical Medical Science Education and more Construction Energy Personal Robot Entertainment 3

革新的なマテリアルの創出に貢献し、 持続可能な世界を実現する 4

55元素の 組み合わせに対応 (3000原子) 2か月 0.3秒 従来と同程度の精度で 10万～1,000万倍 の計算速度 再エネ合成燃料用触媒、 電池、潤滑油など の開発 …and more 5

6 PFNのスーパーコンピュータ MN-2 PFNのスーパーコンピュータで 1台のGPUなら412年間かかる計算時間を費やし データセットを作成

汎用原子レベルシミュレーター ENEOS利用事例のビデオ 7

● 2021年7月6日よりサービスリリース ● リリース直後から多くの問い合わせを受け2月現時点で ○ 15企業・研究団体が正式利用開始 ○ 18社がPoC実施/検討中 ○ 55企業・団体が利用検討中 ● 利用・利用検討企業は化学、電気機器、鉱業、ゴム、輸送用機器、非鉄金属製品、 石油、精密機器、繊維、食品など多岐に渡る Matlantisリリース後の反響 8

持続可能な社会の実現に向けて 材料探索が重要となっている 9

metal recycling 材料探索は持続可能な社会の実現に向けた一つの鍵となっている ● 再生可能エネルギーを水素等で貯蔵する際の 効率的な触媒開発 ● 既存バッテリーの改良、新規バッテリーの開発 ● 環境負荷の大きい材料の置き換え ● 希少な資源（レアアースなど）の置き換え ● リサイクル可能な材料への置き換え ● 製造プロセスの省エネルギー化 ● 製造時の温室効果ガスの排出を抑える（CO2キャプチャー） ● 新エネルギー（核融合など）実現するための材料（超電導など） 持続可能な社会の実現 10

● 材料開発に時間とコストがかかる ● 候補は無限といってもいいほど多い ○ 複数材料の組み合わせ、材料の組成、合成・反応条件 ● 実験結果や文献から学習して予測する場合、異なる材料の予測精度が低い ○ 現在の機械学習/深層学習は外挿は難しい ● シミュレーション精度が低い、モデルの条件設定が難しい ○ スキルのある計算化学者だけがよいシミュレーションができる ● 計算資源を自ら用意する必要がある ○ スパコンを借りたり、自社・自研究室で計算クラスタを用意する必要がある 従来の材料探索の問題 11

● 第一原理に基づいたシミュレーションで大量の学習データを作り、それで学習した 深層学習モデルで高精度のシミュレーションを高速に実現する どのように実現するのか？ ● 大量で正確（第一原理）かつ多様な学習データを生成し利用 ● 物理知識をモデルや学習時に組み込み外挿性を備える ● ブラウザからすぐに使える。計算資源を自ら用意する必要はない 従来の材料探索の問題をMatlantisが解決する シミュレーション 第一原理 に基づくデータ 深層学習 物理知識 ✕ 高精度、外挿性 クラウドで提供 12

Matlantis 開発の背景 世の中のMI状況 マテリアルズ・インフォマティクス（MI） ・ 材料開発にAIを用いて 膨大な候補物質から有望材料を見出す技術 ・ 研究者の経験や勘に頼る 従来の手法を加速できる ・ 近年 各国で開発が活発化 世の中の取組状況 材料探索の加速 MI活用 バーチャル実験 シミュレータ ～10回/月 実験 ～10回/月 従来 数千回/月 米国 2011年 Materials Genome Initiative（MGI）立上げ 低コスト・高速の材料開発を目指す 欧州 2015年 Novel Material Discovery Laboratory（NOMAD）設立 中国 2015年 中国科学院・中国工学院が 連携して中国版MGIに着手 日本 2014年ごろから国家プロジェクト増加 （内閣府、文科省、経産省） 企業 素材メーカを中心に、単独あるいは IT企業と連携しての取組みが増加 開発に時間がかかる 13

AIの学習 バーチャル実験 特長と課題 一 般 的 な M I 特長 ・理屈が分からなくても シミュレータを作れる 課題 ・学習外の物質の予測が困難 ・広範囲・膨大なデータが必要 開 発 技 術 特長 ・理論に基づくので 未知の物質も予測可能 ⇒ 高い汎用性 課題 ・教師データ作成には 専門知識と コンピュータリソースが必要 MI における Matlantis の位置づけ データ ベース 機械学習 モデル 材料の 化学構造⇔物性 学習 物性 化学 構造 学習済 モデル データ ベース 学習 エネルギー 原子 配列 種々の物性 ・熱物性 ・機械物性 ・反応特性 等 PFN, ENEOSが解決 深層学習 モデル 学習 第一原理計算で得られた結果を 高速かつ正確に模倣する 深層学習モデルを作る 14

Matlantis が「計算」の位置づけを変える これまでは、計算自体に 時間と労力が必要であった ● Matlantisは、計算・データ駆動型材料開発の核となる可能性 ● 研究開発のデジタルトランスフォーメーションを実現する、ひとつのソリューション 15

Matlantis が研究開発サイクルを変える バーチャル実験 汎用原子レベルシミュレータ 高速に材料探索 ～1万回オーダ 有望な 材料 結果・考察 フィードバック 次の バーチャル実験 リアル実験 触媒 潤滑油 吸着材 合成燃料の触媒探索 添加剤の鉄表面への作用 MOFへの水吸着 新たな研究開発サイクルによる開発期間短縮 適用事例 高い 成功確率 16

Matlantis™の技術 17

原子の振る舞いの表現に ニューラルネットワークを使用 現実世界を原子から計算可能にする 計算機による 材料探索 原子構造 エ ネ ル ギ ー ・ 力 分 子 動 力 学 計 算 等 現象・物性 18

原子シミュレーション技術の発展 原子の発見、量子力学の確立 密度汎関数理論(DFT)の登場 分子動力学計算の登場 深層学習の発展 20世紀初頭 1960年代 1950-1970 2010- 大規模原子シミュレーション 1990-2000 計算精度・スケールの 両立への挑戦 機械の表現力の 大幅な向上 19

MatlantisのNeural Network Potential (PFP)の特徴 55元素の任意の組み合わせを単一のニューラルネットワークモデルで再現 物理モデルと融合した NNモデル開発 汎用性を目的とした 大規模データセット収集 + https://arxiv.org/abs/2106.14583 20

● 物理現象を機械学習を使ってシミュレーションする場合、 学習データ（観測由来、別のシミュレーション由来）が限られており、 汎化しない ● 近年、物理知識を機械学習に埋め込む取り組みが急速に広がっている ● 機械学習、深層学習が学習データにしか対応できないところを、 物理知識による不変性や制約を入れることで学習データ外にも汎化しやすくする 物理知識を機械学習に埋め込む 21

● 観測バイアス ○ 学習に使うデータセットを工夫する ○ オーグメンテーション（データへの前処理）を工夫する ● モデルバイアス：使うモデルに物理で分かっていることを導入する ○ 対称性/不変性/同変性 ○ 保存則や制約 ● 学習バイアス ○ 学習時に使う目的関数（損失関数）、制約、推論時に導入する Matlantisはこれら三つをいずれも使っている 物理を機械学習に埋め込む三つのアプローチ 22

● 無数の材料がある中で重要な現象を多くカバーできるように学習データを作る ● Matlantisで特徴的なのはデータセットとして既知の構造や安定構造に加えて、高 温、高圧下で非安定構造など非常に広いデータの条件でデータを生成している ● GPU 273年分（200万時間超）を利用しデータを生成している ● 55原子を使った、1000万点を超えるデータセットを利用している 観測バイアスによる物理知識の導入 種類 分子 結晶 アモルファス 表面 表面+分子 クラスター 例 23

● 物理現象は対称性 & 一様性を持つ ○ 同変なネットワークを利用 ○ 並進、回転、鏡像反転ついて結果が同変（結果も同様に変わる） ● エネルギーは示量性である（部分系の和が全体の和となる） ● ポテンシャルエネルギー曲面が連続である モデルバイアスによる物理知識の導入 24

● 入力が回転した時、出力 も同様に回転する保障 回転同変性 General E(2)-Equivariant Steerable CNNs https://github.com/QUVA-Lab/e2cnn 25

Matlantis™の3つの特長 汎用性 高速 使いやすさ 量子化学計算と比べて 10,000倍以上高速 ブラウザ上で すぐに使用可能 55元素の任意の 組み合わせに対応 26

Matlantis™の利用事例 27

29

● 再エネ合成燃料触媒ではH 2 とCOから液体燃料（C5+）とするため炭素の 連鎖成長確率向上が必要で、CO解離反応の反応障壁(E act )を下げることが有効 事例1. 再エネ合成燃料触媒探索（1/2） Fischer-Tropsch (FT) 反応 29

● Matlantisを用いて様々な触媒上で9,300もの反応計算を実施 ⇒ 性能の高い触媒を抽出し、反応障壁を下げることができることを確認 ● 第一原理計算で20年かかる計算実験をMatlantisは1週間で完了 事例1. 再エネ合成燃料触媒探索（2/2） 30

● 硫化物系の固体電解質のイオン伝導度は飛躍的に向上し、 全固体のリチウムイオン電池への応用が期待されている ● その中でもLi 10 GeP 2 S 12 系固体電解質（LGPS）は高イオン伝導度を示す 結晶構造としてよく知られており、次世代電池材料として注目を集める。 ● Matlantisを使いLGPS中でのリチウムイオン拡散係数を求める 事例2. リチウムイオン電池内のリチウム拡散係数 (1/2) 東工大 菅野教授Gr https://www.kek.jp/ja/newsroom/2016/06/22/1133/ 31

● 拡散係数は文献のDFTの値とも非常によくあっており、また活性化エネルギー についても文献のDFT、実験値とよく一致している ● Matlantisは高速な計算が可能なため、従来のDFTでは難しかった 低温領域で実験可能 事例2. リチウムイオン電池内のリチウム拡散係数（2/2） 活性化Energy（meV） Matlantis DFT[1] Exp[2] 230 210 242 [1] Mo et al. Chem.Mater. (2012) 24, 15-17 [2] Y. Kato, et. al. Nat. Energy 1, 16030. 第一原理計算 Matlantis 32

● 機械装置の省エネルギー化において、 摺動部の摩擦損失を低減することが有効 ● 低摩擦化、低粘度化が求められる ● 逆非平衡分子動力学で粘度を計算したり、 トライボケミカル反応を調べられる 従来１年以上かかる解析が半日で完了 ● 計算値と実験結果 事例3. 潤滑油添加剤 33

事例4. 自動車排ガス触媒 （信州大 古山研） arXiv:2107.00963 に公表済 34

● BaTiO 3 は約130℃において正方晶（Tetragonal）から立方晶（Cubic）へ 相転移し、誘電特性が変化することが知られている。[3] ● 現象を再現するためには、電子状態を適切に取り扱えるモデルであることが重要。 ● BaTiO3正方晶構造を初期構造として、Matlantis (PFP) でMD計算。温度ごとの格子定数変化を取得。 事例5. チタン酸バリウム（BaTiO 3 ）結晶の相転移解析（1/2） 35 [3] Smith et al., J. Am. Chem. Soc., 130, 6955-6963 (2008) 正方晶 （Tetragonal） 立方晶 （Cubic）

● BaTiO 3 は約130℃において正方晶（Tetragonal）から立方晶（Cubic）へ 相転移し、誘電特性が変化することが知られている。[3] ● 現象を再現するためには、電子状態を適切に取り扱えるモデルであることが重要。 ● BaTiO3正方晶構造を初期構造として、Matlantis (PFP) でMD計算。温度ごとの格子定数変化を取得。 事例5. チタン酸バリウム（BaTiO 3 ）結晶の相転移解析（2/2） 36 [3] Smith et al., J. Am. Chem. Soc., 130, 6955-6963 (2008) 400 K付近の BaTiO 3 相転移を再現

● ゼオライトに代表されるようなナノサイズの微小細孔を持つ材料は 吸着材、分離膜、触媒材料として幅広い分野で利用されている。 ● 近年注目を集めるMetal-organic frameworks（MOFs）への水分子吸着エネルギーを計算。 ΔE = 1/n (Eads - EMOF - nEH2O ) 事例6. 多孔質材に関する計算：MOF 37 https://matlantis.com/ja/cases/calculation002/ MOF-74Niの構造 左：水分子吸着なし、右：水分子吸着あり 原子数：162 原子数：216 吸着エネルギー [kJ/mol] Matlantis （PFP） DFT[4] 64.4 61.0 [4] F. Bonino, et. al., Chem. Mater. 20, 4957 (2008). DFTの結果（文献値）を Matlantisで再現

まとめ 38

● 持続可能な社会の実現に向けて、材料探索は重要な役割を果たす ○ 再生可能エネルギーの実用化、環境負荷の少ない材料 環境負荷の少ない製造プロセス、新エネルギーの実現など ● 深層学習とシミュレーションを組み合わせることで、これまでにない 汎用性、高速性、精度を備えたシミュレータを作ることができた ○ この実現には、物理と深層学習の融合、スーパーコンピュータの利用、 化学・材料分野の知識が使われている ● 今後、多くの分野での応用が見込まれている まとめ 39