[論文レビュー] Toward Human-AI Co-creation to Accelerate Material Discovery

Dmitry Yu. Zubarev, Carlos Raoni Mendes+6 more|arXiv (Cornell University)|Nov 5, 2022

Machine Learning in Materials Science被引用数 4

ひとこと要約

本論文は、四つのコア活動（生成モデリング、データセットスクリーニング、分子の是認、リスク評価）を通じて専門知識とAI駆動ツールを統合することで、材料発見を加速する人間-AI共同創造ワーキングベンチフレームワークを提案する。このシステムは、知識豊富な専門家（SME）とAIエージェントの間で反復的かつ知識豊富な協働を可能にする構造的でウェブベースのインターフェースを提供し、専門家の判断を記録・再利用することで、発見の効率を向上させ、機会費用を低減する。

ABSTRACT

There is an increasing need in our society to achieve faster advances in Science to tackle urgent problems, such as climate changes, environmental hazards, sustainable energy systems, pandemics, among others. In certain domains like chemistry, scientific discovery carries the extra burden of assessing risks of the proposed novel solutions before moving to the experimental stage. Despite several recent advances in Machine Learning and AI to address some of these challenges, there is still a gap in technologies to support end-to-end discovery applications, integrating the myriad of available technologies into a coherent, orchestrated, yet flexible discovery process. Such applications need to handle complex knowledge management at scale, enabling knowledge consumption and production in a timely and efficient way for subject matter experts (SMEs). Furthermore, the discovery of novel functional materials strongly relies on the development of exploration strategies in the chemical space. For instance, generative models have gained attention within the scientific community due to their ability to generate enormous volumes of novel molecules across material domains. These models exhibit extreme creativity that often translates in low viability of the generated candidates. In this work, we propose a workbench framework that aims at enabling the human-AI co-creation to reduce the time until the first discovery and the opportunity costs involved. This framework relies on a knowledge base with domain and process knowledge, and user-interaction components to acquire knowledge and advise the SMEs. Currently,the framework supports four main activities: generative modeling, dataset triage, molecule adjudication, and risk assessment.

研究の動機と目的

• エンドツーエンドの材料発見における非効率さとボトルネック、特にAIと専門知識を調整する統合プラットフォームの欠如という課題に対処すること。
• SMEとAIエージェントの間で継続的かつ協働的なワークフローを可能にすることで、発見までの時間と機会費用を短縮すること。
• 仮説生成から結論の導出までの一連の発見ライフサイクルにわたり、統一されたソフトウェアフレームワークを通じて知識のキャプチャと再利用を体系化すること。
• AI生成材料の実現可能性を高めるために、専門家主導のリスク評価と信頼性-可能性の推論を生成プロセスに組み込むこと。
• ポリマー、金属有機フレームワーク、バイオマス由来材料を含む、多様な材料発見ユースケースをサポートする柔軟で拡張可能なプラットフォームの開発

提案手法

• フレームワークは、複数のAIおよび専門家ツールを統合したウェブベースの発見ワーキングベンチ（DWb）として実装され、一貫したワークフローを提供する。
• 4つの主要な活動をサポートする：新規分子設計のための生成モデリング、品質フィルタリングのためのデータセットスクリーニング、専門家による検証のための分子是認、および信頼性-可能性プロットを用いたリスク評価。
• 信頼性-可能性プロットは、LOK（知識レベル）に基づいてPOS（成功確率）の評価を制限し、低知識状況での過信を防ぎ、高知識状況では高い信頼性を確保する。
• 専門家の評価は類似度重み付きリファレンス（青い四角）で可視化され、共同レビュー評価はコンSENSUSサークルを用いてバイアスを低減し、透明性を向上させる。
• システムは発見ライフサイクル全体で知識を追跡・再利用し、リスク評価が生成モデルにフィードバックされ、調整されるフィードバックループを可能にする。
• プラットフォームは段階的な知識ベースの整備を支援し、SMEの最小限の介入で多エージェントAIの協調を可能にする設計である。

実験結果

リサーチクエスチョン

• RQ1 人間-AI共同創造フレームワークは、材料科学分野における発見までの時間を短縮し、機会費用を削減できるか？
• RQ2 発見ライフサイクル全体にわたり、専門知識とAIツールを効果的に統合するメカニズムは何か？
• RQ3 信頼性-可能性プロットは、材料発見における専門家のリスク評価の信頼性をどのように向上させるか？
• RQ4 キャプチャされた専門家知識は、どのようにしてAI生成モデルの指針と調整に再利用可能か？
• RQ5 科学的発見における共生的で説明可能かつスケーラブルな人間-AIインタラクションを支える設計原則は何か？

主な発見

• 発見ワーキングベンチ（DWb）フレームワークは、AIツールの柔軟な統合と体系化を可能にし、エンドツーエンドの発見アプリケーションの構築を可能にする。
• PAG（ポリマー、添加剤、ガラス）発見アプリケーションの初期導入により、構造的ワークフローの調整を通じて発見の加速と知識管理の向上が実証された。
• 信頼性-可能性プロットの使用により、LOK（知識レベル）に基づいて専門家のPOS（成功確率）評価が適切に制限され、不確実な状況での過信が低減された。
• コンセンサスサークルを用いた共同レビュー評価は、個人のバイアスを低減し、意思決定の透明性と説得力を高めた。
• 構造化された評価を通じてキャプチャされた専門家知識と類似度リファレンスによる可視化により、発見の反復プロセス全体で一貫性と再利用性が向上した。
• リスク評価からの反復的フィードバックが生成モデルに与えられ、実現可能性が高く、ポテンシャルの高い候補の生成確率が向上した。