科学者は機械学習を利用して結晶構造の酸化状態の謎を解明する

化学元素は物理世界のほぼすべてを構成しています。 2016 年現在、人類が知っている元素の数は 118 個で、そのすべてがあらゆる化学実験室や教室に掲げられている周期表に記載されています。周期表の各元素は、酸素の場合は「O」、アルミニウムの場合は「Al」など、1 文字または 2 文字の略語で表されます。

周期表には原子番号も表示されており、これは元素の核に陽子がいくつあるかを示します。陽子の数は、原子核を周回する電子の数も決定し、元素の性質や化学的性質を決定するため、非常に重要です。簡単に言えば、原子番号は元素の識別カードです。

最近 Nature Chemistry に掲載された論文では、EPFL 基礎科学学部の化学エンジニアが周期表の詳細な研究を行い、各元素について報告する必要があるもう 1 つの重要な数値セット、つまり元素の酸化状態 (酸化数とも呼ばれる) を発見しました。簡単に言えば、酸化状態は、原子が別の原子と化学結合を形成するためにどれだけの電子を獲得または失わなければならないかを表します。

「化学では、酸化状態は常に化合物の化学名で報告されます。酸化状態は化学の基礎において非常に重要な役割を果たしているため、周期表の3番目の次元として表されるべきだと主張する人もいます。良い例はクロムです。酸化状態IIIでは人体に不可欠ですが、酸化状態IVでは非常に有毒です」と、この研究を率いたベレンド・スミット教授は述べています。

単一の元素の酸化状態を把握するのは非常に簡単ですが、複数の元素で構成される化合物となると、状況は複雑になります。 「複雑な材料の場合、第一原理から酸化状態を予測することは事実上不可能です。実際、ほとんどの量子プログラムでは、入力として金属の酸化状態が必要です」とスミット教授は述べています。

酸化状態を予測する現在の最先端技術は、依然として、20 世紀初頭に開発された結合原子価理論と呼ばれるものに基づいており、これは化合物の酸化状態をその構成要素の原子間の距離に基づいて推定するものです。しかし、特に結晶構造を持つ材料では、これが常に機能するとは限りません。 「距離だけでなく、金属複合材の形状も重要であることはよく知られています。しかし、これを考慮に入れる試みはまだあまり成功していません」とスミット氏は言う。

この研究で、研究者らは機械学習アルゴリズムを訓練し、金属有機構造体と呼ばれるよく知られた材料群を酸化状態によって分類することができた。研究チームは、結晶構造のライブラリであるケンブリッジ構造データベースを使用して、物質の名前に酸化状態を付与した。 「データベースは非常に乱雑で、多くの誤りがあり、実験、専門家の推測、結合原子価理論のさまざまなバリエーションが酸化状態の割り当てに使用されています。化学は自己修正的であると想定しているため、個々の説明には多くの誤りがあっても、コミュニティ全体としては正しいものになります」とスミット氏は語った。

「私たちは基本的に、化学コミュニティの集合的な知識を捉える機械学習モデルを作成したのです」と、EPFL のスミット氏のグループに所属する博士課程の学生、ケビン・ジャブロンカ氏は語る。「私たちの機械学習は、テレビゲームの『ミリオネアになりたい人』に他なりません。化学者が酸化状態を知らない場合、生命線の一つは、化学の聴衆に酸化状態がどうあるべきかを尋ねることです。結晶構造と私たちの機械学習モデルをアップロードすることで、化学者である聴衆は、最も可能性の高い酸化状態が何であるかを彼らに教えてくれるのです。」