HN 日本語サマリー

← 一覧へ戻る
科学・技術

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

Materials innovation has a scale-up problem, not discovery (atomscale.ai)

20 pointsby groznyj6 コメント

要約

現代の技術革新は、新しい材料の発見ではなく、既存の材料を大規模に製造する能力というスケールアップの問題に直面している。物理的・情報的な障壁により、実験室で成功した材料も実用化が困難な場合が多い。Atomscaleのような企業は、AIと物理学に基づいたモデルを活用し、このデータと製造のボトルネックを解消しようとしている。

全文翻訳

原子からスケールへ向かう道のりを描く

約束とギャップ

1959年12月、リチャード・ファインマンはカリフォルニア工科大学でアメリカ物理学会の前で、「底には plenty of room(いくらでも場所がある)」と語りました。彼は物理学者たちに、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参加するよう呼びかけたのです。その招待から70年近くにわたり、世界を変える進歩が次々と生まれました。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に対する我々の深い理解は、その成果です。我々は原子単位で世界をエンジニアリングすることを学び、今我々がテクノロジーと呼ぶもののほぼ全てがその仕事の上に成り立っています。

そのおかげで、AI、量子、エネルギー、電化といった次世代テクノロジーを牽引する素材の多くは、発見されるのを待っているわけではありません。それらは既に知られています。価値があります。実験室で作ることもできます――しかし、そこに留まっています。我々はそれらを生産スケールで作ることができないのです。

簡単に言えば、素材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のです。

あらゆる主要な技術的シフトは、素材という物理的な世界から始まります。我々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――はすべて、誰かが実デバイス内で物質を安定的に、収率良く製造する方法を学んだことの、その下流にあります。その製造が停滞すると、未来もそれに伴って停滞します。

ブレークスルーは素材そのものではありませんでした。
それは、素材をスケールで処理する方法を学ぶことでした。

Intelは明確な例を提供します。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、漏れが生じていました。Intelは、それを出荷できる何年も前から高誘電率(high-k)誘電体が必要であることを知っていました。選ばれたハフニウムベースの素材は、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素材との同期した変更が必要でした。その素材を製造可能にするために、10年以上の作業が必要でした。実際のトランジスタスタックに収率良く統合し、周囲のすべてを壊すことなく、原子層を1つずつ堆積させるのです。

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化と呼びました。ブレークスルーは素材そのものではありませんでした。それは、素材をスケールで処理する方法を学ぶことでした。

素材のスケールアップのボトルネックは、我々の未来のボトルネックなのです。

なぜこの問題が残るのか

この問題を解決するためのハードルは、物理的および情報的な二重のものです。

物理的な困難さは、素材が真空中に存在するわけではないということです。それらは文脈の中に存在し、異種デバイス構造の中にネストされ、一つの素材が別の素材の上に成長し、それぞれの環境が最適な状態とその到達経路の両方を変化させます。素材とプロセスの設計におけるほぼ全ての自由度は連続的で相互接続されています。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ますが、実際の素材の最後のマイルの忠実度には到達できません。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、試行錯誤のままです。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です。

それが核心です。データ生成のスループットは爆発的に増加しましたが、それを使用する我々の能力は増加していません。

情報的な困難さが課題をさらに複雑にします。キャラクタリゼーションは、XRD、XPS、RHEED、TEM、AFMなど、多くの補完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ます。実務者は手作業で絵を縫い合わせます。シリアルで、オペレーターに偏りがあり、損失が多いです。メタデータは残されません。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ます。熟練したエンジニアは、自分の分析は既に十分であり、キャプチャされたデータは過剰だと感じるかもしれませんが、ツールチェーンの何も捨てられているものを表面化しません。

それが核心です。データ生成のスループットは爆発的に増加しましたが、それを使用する我々の能力は増加していません。

なぜ今なのか

では、なぜこの問題は以前は解決できなかったのに、今解決可能なのですか?

二つの力が収束しました。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ます。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りました。

我々は、失敗を説明するだけでなく、成長をインテリジェントに導くために、既に存在する膨大なデータを使用するシステムを必要としています。

正直に残された制約は、問題を困難で防御的なものにしているのと同じことです。スクレイピングできる「素材のインターネット」は存在しません。存在するデータは豊富ですが、それはプロプライエタリでサイロ化されています。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ません。そして、機会はより多くのデータを待つことではなく、既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ります。

Atomscaleは何をするのか

ボトルネックは、有望な候補素材の不足では決してありませんでした。それは、それらのうちの1つでも安定して製造するために何十年もの試行錯誤がかかることです。Atomscaleは、その退屈な作業をガイド付きサイエンスに変えます。それは、あなたのツールが既に生成しているデータを読み取り、物理学を使用してリアルタイムで生の信号を洞察に変えます――失敗した後に説明するのではなく、成長中に実行を操縦できるようにします。すべての実行が解読可能になります。すべての洞察が累積的になります。知識はサイロの中で死ぬのではなく、増殖します。

今日のツール:サイロ化され、単一目的のモデル
生のプロセスと計測データは、洞察が単一の統計モデル、物理モデル、汎用モデルにフィードされ、それらの洞察は引き継ぎなしに終端します。

今日のツール
サイロ化され、単一目的のモデル
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
生のプロセスと計測データ
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:目的に合ったモデルの階層
物理的に形成されたアダプター、時系列、および推論レイヤーが、より多くの有用な情報を抽出し記録し、リアルタイムの洞察で成長中の各実行を操縦します。

Atomscale
目的に合ったモデルの階層
抽出と記録
43倍の有用な情報
リアルタイムの洞察で
成長中の各実行を操縦
推論レイヤー
素材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
物理的に形成された抽出

Atomscaleのアーキテクチャは、モデルの階層を使用します。物理学に基づい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および推論レイヤーに渡します。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ことで、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います。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ます。これは約束ではありません。既に測定可能です。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します。

Atomscaleは仕事の日常のテクスチャを変えます。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、リアルタイムで操縦される実行、かつては維持するには複雑すぎたレシピが手の届く範囲に。これは、明日のプロセスを改善しながら、今日のプロセスを運用する負担を軽減します。なぜなら、知識が調査の終わりに死ぬことがなくなるからです。それは組織全体で、公平な立場で蓄積されます。エンジニアは、プロセスの労働者ではなく、マネージャーになります。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ます。

我々は、人々がより多くの思考を行い、より少ないデータドリgeryを片付けます。我々は既存の専門知識を増強します。

これはエンジニアの代替ではありません。それどころか、物理学のレバーを使いこなし、優れた実世界技術を開発する上で、これほどエキサイティングな時期はありません。設計、概念化、創造性、目標と要件の設定――これらは人間が担います。我々は、人々がより多くの思考を行い、より少ないデータドリgeryを片付けます。我々は既存の専門知識を増強します。

我々が信じること

我々の主張:今日の適切なAIは、人間による分析よりも、既に収集されたデータから集約してはるかに多くの意味のある情報を抽出できます。この分野の一部は同意しないかもしれません。それを受け入れるチームが、次の素材イノベーションの波をリードするチームとなるでしょう。

我々は、素材測定データが真の資産となる場所に向かっています。推論エージェントが継続的にナビゲートおよび監視できる、物理学が豊かで相互運用可能な空間です。スケールアップのタイムラインは、10年からはるかに短いものへと圧縮されるでしょう。今日実験室に閉じ込められている素材は、人間の時間スケールで世界に到達し始めるでしょう。

我々は数十年前、底まで掘り下げました。ファインマンは正しかったのです。いくらでも場所があり、我々はそれを証明するためにほぼ70年を費やしました。探求の第一段階は完了し、次の段階は異なります。我々は、見つけたものをナビゲートし、それを原子からスケールへと持ち帰る方法を学ばなければなりません。