材料の「しなり方」を式で探す

熱力学の基本ルールって、具体的には何を守らせてるの？エネルギーが増えたり減ったりしちゃダメってことだけ？

エネルギー保存だけじゃなく、もう一つ大事なのが「エントロピー増加則」なんです。簡単に言うと、閉じた世界の中で、システムの「乱雑さ」は必ず増える、減らない、という原則。 たとえば、ゴムを引っ張ると分子がほどけて並ぶけど、力を抜くと勝手に縮まってエネルギーを放出する。その時、全体の乱雑さは増えるはず。もし見つかった式が「ゴムを引っ張ったままにしておくと、勝手に縮まって、同時にエネルギーも取り出せちゃう」みたいな結果を出したら、これは現実ではあり得ない。永遠に動く機械になってしまいます。 AIが自由に式を組み立てると、こういう「物理的にはあり得ない挙動」を予測する式をうっかり作ってしまう。記事の工夫は、AIに「この基本ルールを破らない枠の中だけで式を探しなさい」と制約を与えたわけです。データにぴったり合う式より、物理的に信頼できる式を優先する、という判断ですね。これは材料科学でも、他の複雑系の解析でも応用できそうな考え方かもしれません。

ゴムやプラスチックの性質を正確に予測できるようになると、自分たちが使ってるスマホケースとか靴とかの設計が変わるってことなの？

ゴムやプラスチックの予測精度が上がると、確かに製品設計は変わる可能性があります。ただ、スマホケースや靴のレベルだと、すぐに大きく変わるわけではない気がします。 理由は、これらの製品はもう「経験で十分」な段階にあるからです。メーカーは何十年も作り続けて、どの厚さでどの硬さなら耐久性が確保できるか、感覚的に分かっている。AIが精度を上げても、わざわざ設計をやり直すほどの利益は生まれません。 むしろ変わりやすいのは、高い精密性が求められる分野。例えば工業用ロボットの関節とか、自動車のサスペンション、飛行機の翼の付け根みたいに、「変形の予測が1mmズレると問題」という領域です。そこなら、より正確な式が見つかることで、材料を薄くしたり、軽くしたり、耐久性を高めたりする工夫が次々生まれる。 スマホケースは、そもそも「落とした時に壊れないこと」が第一で、設計の余地が限られているというわけです。変わるなら、もっと先の話のような気がします。

AIが『物理的にあり得ない結果』を出す問題って、最近になって表面化したものなの、それとも昔からあった課題なの？

AIが物理法則を無視した答えを出す問題は、実は昔からあった課題なんですよね。データから何かを学ぶ技術そのものが1990年代から存在していて、その時点で既に「統計的に良い予測ができても、現実ではあり得ない結果になる」という矛盾は認識されていたと言えそうです。ただ、これがここまで顕在化したのはここ数年のこと。Deep Learningの台頭でAIが単純なパターン認識から複雑な予測へ広がったこと、そして科学や工学といった「物理的な正しさが必須」な領域での活用が増えたことが背景にあります。従来は「精度が高ければいい」という発想でしたが、材料科学みたいに「この答えは絶対にあり得ない」という領域では致命的。だから今、物理ルールをAIに埋め込む工夫が急速に広がってるんだと思われます。「気づかれなかった問題」というより「無視できなくなった問題」が、これまで以上に注目されるようになった感じなのかもしれません。

要するにこれって『AIに枠を決めさせてから走らせる』という、AIの自由度を最初から制限する戦略ってこと？

その通りなんですが、むしろ「制限」というより「AIに物理学という審判を持たせる」感覚に近い気がします。 従来のAI発見法は、データさえ説明できればOK。でも現実の材料は熱力学のルールの中で動いている。AIが「データには合うけど、エネルギーが無限に増える」という有り得ない式を見つけるのは、審判がいないスポーツみたいなものです。 この手法は、その審判をAIの内部に組み込んだ。つまり「熱力学を満たす式だけ候補にしていい」という枠ではなく、「熱力学を満たす仕組みのなかで、最適な式を探せ」という指示に変わった。枠を引くのではなく、検索空間そのものをフィルタリングする感じですね。 むしろ自由度が制限されるから精度が上がるという逆説的な状況。枠がないと、AIは騙されやすい。現実に近い「正解」を見つけるには、物理学という強い指針が必要だったということなのかもしれません。

人間が手作業で複雑な数式を組み立ててた時代は、その式が『物理的にあり得ない』ことになることってあったんだっけ？

面白い問い方ですね。手作業の時代は、むしろ逆だったんです。 人間が式を組み立てるときは、熱力学や力学の基本ルールを頭に入れながら作業していました。だから「物理的にあり得ない式」が生まれる余地は少なかった。実験データに合わせながらも、物理的に成立する枠組みの中で試行錯誤していたわけです。 問題が起きるのはAIの時代。機械学習は「データに合えばいい」という最適化をするので、物理ルールなんて知ったこっちゃない。データを説明する式なら、熱力学を無視した、現実には起こらないメカニズムまで見つけてしまう。精度が高く見えても、その式で未来を予測すると破綻する—という罠です。 この論文の工夫は、その罠を設計段階で塞いじゃおうということ。AIに「物理ルール厳守」という制約をあらかじめ組み込んで、ルール違反の候補を最初から弾く。手作業時代の人間的な「常識」をAIに強制するやり方とも言えそうです。