材料イノベーションにはスケールアップの問題があり、発見の問題ではない

約束とギャップ1959年12月、リチャード・ファインマンはカルテックのアメリカ物理学会で、物理学者たちに「底辺には plenty of room がある」と語りかけた。彼は彼らを、原子スケールでの物質の意図的な制御という新たな探求のミッションに誘っていた。その招待から70年近くにわたる世界を変える進歩が続いた。現代のエレクトロニクス、ムーアの法則、そして物理学そのものへの最も深い理解である。私たちは原子単位で世界をエンジニアリングする方法を学び、今私たちがテクノロジーと呼ぶもののほぼすべてがその仕事の上に成り立っている。 Richard Feynman American Physical Society Meeting "Plenty of Room at the Bottom" Caltech - December 29, 1959 その仕事のおかげで、AI、量子、エネルギー、電化といった次世代技術を牽引する材料の多くは、発見されるのを待っているわけではない。それらはすでに知られており、価値がある。実験室で作ることはできるが、そこから先に進めない。生産スケールで作ることができないのだ。 簡単に言えば、材料イノベーションには発見の問題ではなく、スケールアップの問題がある。 あらゆる主要な技術的シフトは、材料の物理的な世界から始まる。私たちが称賛する目に見えないブレークスルー（モデル、量子ビット、グリッドなど）はすべて、誰かが実用的なデバイスの中で物質を安定した収率で製造する方法を学んだことの、その後の成果である。その製造が停滞すると、未来も停滞する。 「ブレークスルーは材料そのものではなかった。 材料をスケールで処理する方法を学んだことがブレークスルーだった。」 Intelは明確な例を提供している。2000年代までに、40年間トランジスタゲートを絶縁してきた二酸化ケイ素は数原子の厚さにまで薄くなり、漏れ始めていた。Intelは、それを出荷できる何年も前から高誘電率（high-k）誘電体が必要だと認識していた。採用されたハフニウムベースの材料は、画期的な発見ではなく、効果を発揮するためにはスタック内の他の材料との同期した変更が必要だった。その材料を、収率を保ち、周囲のすべてを壊すことなく、1原子層ずつ堆積させることで、実際のトランジスタスタックに統合し、製造可能にするために10年以上の歳月が費やされた。 Intel "Penryn"-family Processors 45nm Hafnium-based High-k Metal Gate Wafer January 27, 2007 2007年にIntelが45ナノメートルノードでそれを出荷したとき、ゴードン・ムーアはそれを1960年代後半以来のトランジスタ技術における最大の変更と呼んだ。ブレークスルーは材料そのものではなかった。材料をスケールで処理する方法を学んだことがブレークスルーだった。 材料のスケールアップのボトルネックは、私たちの未来のボトルネックなのだ。 なぜこの問題が残るのかこの問題の解決へのハードルは、物理的および情報的な二重の課題である。 物理的な困難さは、材料が存在する環境が真空ではないことだ。材料はコンテキストの中で存在し、異種デバイス構造の中にネストされ、一つの材料が別の材料の上に成長し、それぞれの環境が最適な状態とそれに到達するパスの両方を変化させる。材料とプロセスの設計におけるほぼすべての自由度は連続的で相互に関連している。シミュレーションとデジタルツインはガイダンスを提供できるが、実際の材料の最終的な忠実度には到達できない。そのため、合成は、苦労して得た専門知識と情報に基づいた直観に導かれた試行錯誤のままである。合成プロセスを調整することは、オーブンミットを着用しながらピンセットを操作するようなものだ。 「それが核心だ。データ生成のスループットは爆発的に増加したが、それを利用する能力はそうではない。」 情報的な困難さが課題を増幅させる。キャラクタリゼーションは、XRD、XPS、RHEED、TEM、AFMなど、多くの相補的で狭いプローブに断片化されており、それぞれが独自のハードウェア、独自のソフトウェア、そしてノイズから信号を分離するための独自のサブスペシャリティを持っている。実践者は手作業で絵を縫い合わせる。逐次的で、オペレーターに偏りがあり、損失が多い。メタデータは残されない。真の情報を伝えるヌル結果やネガティブな結果は、日常的に捨てられている。熟練したエンジニアは、自分の分析はすでに十分であり、キャプチャされたデータは過剰だと感じるかもしれないが、ツールチェーンのどこにも破棄されているものが表面化することはない。 Molecular Beam Epitaxy (MBE) Tool National Renewable Energy Laboratory (NREL) それが核心だ。データ生成のスループットは爆発的に増加したが、それを利用する能力はそうではない。 なぜ今なのか以前はできなかったのに、なぜ今この問題は解決可能なのか？ 二つの力が収束した。現代のツールはセンサーが豊富で高スループットになり、10年前には想像もできなかった量のリアルタイムデータを生成している。AIは、コンピューティング、メモリ、帯域幅、そして膨大な例を要求するのではなく、限られたデータセットで機能する転移学習において重要な閾値を超え、そのようなデータを使用できるようになった。 「私たちは、失敗を説明するためだけでなく、すでに存在する膨大なデータをインテリジェントに成長を導くために使用するシステムを必要としている。」 正直に残された制約は、問題を困難かつ防御的なものにしているのと同じことだ。スクレイピングできる「材料のインターネット」は存在しない。存在するデータは豊富だが、それはプロプライエタリでサイロ化されている。一般的なウェブでトレーニングされたAIモデルではこれを解決できない。そして、機会はより多くのデータを待つことではなく、すでに生成されている膨大な量のデータを最終的に活用するシステムを構築することにある。 Atomscaleは何をするのかボトルネックは、有望な候補材料の不足では決してなかった。その一つを安定して製造するのに何十年もの試行錯誤がかかることだ。Atomscaleは、その退屈な作業を科学的に誘導されたプロセスに変える。それは、ツールがすでに生成しているデータを読み取り、物理学を使用して生の信号をリアルタイムで洞察に変える。これにより、失敗した後に説明するのではなく、成長中に実行を誘導できる。すべての実行が判読可能になる。すべての洞察が累積的になる。知識はサイロの中で死ぬのではなく、増殖する。 今日のツール：サイロ化された、単一使用モデル生のプロセスおよび計測データは、孤立した統計モデル、物理モデル、および汎用モデルにフィードされ、その洞察は、実行間で引き継ぎなしに終端する。 今日のツール サイロ化された、単一使用モデル データ モデル 出力 統計モデル 物理モデル 汎用モデル チャットアシスタント 生のプロセス＆計測データ ほとんどの信号が失われる 洞察は終端し、実行間の引き継ぎがない Atomscale：目的に合わせたモデルの階層生のプロセスおよび計測データは、孤立した統計モデル、物理モデル、および汎用モデルにフィードされ、その洞察は、実行間で引き継ぎなしに終端する。 Atomscale 目的に合わせたモデルの階層 43倍の有用な情報を抽出・記録 リアルタイムの洞察で成長中の各実行を誘導 推論レイヤー 材料の洞察とアクション 時系列レイヤー 時間の経過とともに信号をキャプチャ アダプターレイヤー 物理学で形成された抽出 Atomscaleのアーキテクチャは、モデルの階層を使用する。物理学で情報化されたアダプターがベースで信号対雑音比をシャープにし、意味のある情報のみを時系列レイヤーと推論レイヤーに渡す。その階層はサンドボックスとして機能し、汎用AIをドメイン関連データに制約するため、システムは汎用LLMではなく、知識のある同僚のように振る舞う。ドメインの専門知識はその構造に組み込まれており、自動推論のレバレッジと物理学に根ざした決定論的な出力を組み合わせている。これは約束ではない。すでに測定可能である。未知の実行に関する情報をエンコードする際、Atomscaleはベースラインの教師なし機械学習よりも43倍優れたパフォーマンスを発揮する。 Atomscaleは仕事の日常のテクスチャを変える。以前：手動分析、断片化されたツール、そして一人の頭の中に閉じ込められた洞察。以後：自動化された特徴フィンガープリント、クエリ可能なデータ、リアルタイムで誘導される実行、かつて維持するには複雑すぎたレシピが手の届く範囲になる。これにより、今日のプロセスを運用する負担が軽減され、明日のプロセスが改善される。なぜなら、知識はもはや調査の終わりに死ぬことはないからだ。それは組織全体で、公平な競争の場で蓄積される。エンジニアは、プロセスのワーカホリックになるのではなく、マネージャーになる。組織全体が、漸進的な改善ではなく、10倍のゲインを目指し始めることができる。「私たちは、人々がより多くの思考を行い、より少ない作業を行うためのデータドリブンな作業をクリアします。私たちは、既存の専門知識を増強します。