複雑な材料設計キャンペーンのためのコスト意識型バッチベイズ最適化に基づく深層ガウス過程

より賢い探索でより良い材料を

新しい金属や合金を設計することは、山ほど積まれた干し草の中からいくつかの貴重な針を探すようなものです。各候補組成を実験や大規模計算で確認するには高い費用がかかるため、次にどれを調べるべきかを選ぶ手法が必要です。本論文は、材料探索を慎重な問いかけのゲームとして扱う戦略を提案します：次にどの合金を調べるかだけでなく、どの種類の試験を行うか、そしてその試験にどれだけ費用をかけるかも決定します。目標は、測定回数とコストを抑えつつ、より短時間で高性能な材料に到達することです。

探索が難しい理由

特に多元素をほぼ等量に混ぜる高エントロピー合金のような現代の合金は、非常に広大な設計空間に存在します。各組成は引張強さ、融点、熱伝導率など多くの重要な特性を持ち得て、それらはしばしばトレードオフ関係にあります。すべての可能な組成についてすべてを測定またはシミュレーションすることは不可能です。従来のベイズ最適化手法は、限られた例から特性を予測する統計的な“代理モデル（サロゲート）”を学習し、次の実験を提案することでこの問題を助けます。しかし、関係性が高度に絡み合っている場合、異なる特性が強く結びついている場合、あるいは各サンプルで一部の特性しか観測できない場合、標準的な代理モデルは苦戦します。

隠れた構造を学ぶ階層モデル

これに対処するため著者らは、層状の確率モデルである深層ガウス過程に基づく手法を採用します。単一の滑らかな関数の代わりに、入力を段階的に変換する複数の層を積み重ねます。初期の層は合金組成の隠れた表現を学習し、後の層はその隠れ特徴を複数の特性へ同時に写像します。この階層構造により、設計空間での感度の変化や特性間の複雑な結びつきのような効果を自然にとらえられます。重要なのは、モデルが自身の不確実性も明示的に扱う点で、追加測定に費用をかける価値があるかどうかを判断する際に不可欠です。異なる特性が異なる合金で観測されうる状況でも、モデルは部分的で“パッチ状”のデータから利益を得て、タスク間で情報を共有できます。

各測定の価値を最大化する

第二の要素はコスト意識です。すべての測定が同じではありません：詳細な熱伝導率や融点の試験は高価である一方、密度や硬さといった測定は安価です。著者らは通常、科学的利得—新しいバッチの実験が既知の特性間トレードオフの改善にどれだけ寄与するか—のみを重視する決定ルールを拡張しました。彼らのバージョンはその利得を提案バッチの総コストで割ります。これにより、オプティマイザは情報量が多く安価な問い合わせを好み、有望な候補に対してのみ高価な測定を行うよう促されます。さらに、すべての特性を同時に測る“同型（isotopic）”なバッチと、安価な特性のみを選択的に測りそれを使ってモデルを改良してから高コスト試験に踏み切る“異型（heterotopic）”なステップを組み合わせます。

教科書的課題と実際の合金での検証

研究チームはまず、さまざまな形状と難易度を持つ標準的な多目的テスト問題で手法のいくつかの変種をベンチマークしました。単純な単一タスクモデル、特性間で情報を共有するマルチタスクモデル、純粋な深層モデル、深層の平均予測とマルチタスクの不確実性推定を組み合わせたハイブリッドを比較しました。結果は、単一の手法がすべてに勝るわけではないことを示しました。単純で浅いモデルは低次元で緩やかに曲がった地形で優れます。マルチタスクモデルは異なる目的が密接に結びつく高次元空間で力を発揮します。深層やハイブリッドモデルは、複雑にねじれた非凸地形で、複雑な構造や歪んだ分布をとらえる点で強みを示しました。

高性能合金へのより速い道筋

実用的な影響を示すために、著者らは高温用途向けの耐熱高エントロピー合金を対象とした完全シミュレーションの探索キャンペーンを実行しました。7元素の組成空間を探索し、同時に5つの主要特性を最大化しつつ、追加の2つの特性を補助情報として扱いました。コストは現実的に割り当てられ、熱伝導率や固相線温度は密度、硬さ、延性指標よりもかなり高価に設定されました。新しいフレームワークは、複数の性能目標をバランスする組成領域へサンプリングを導き、安価な測定を多用しつつ高価な測定は必要最小限にとどめました。深層でコスト意識のある戦略は、特にデータが増えるにつれて従来法に匹敵するかわずかに上回る性能を示し、固定の評価予算をより賢く使うことに成功しました。

材料探索にとっての意義

非専門家向けの要点は、この研究が新材料探索で実験的および計算的リソースの“使い方”をより理にかなったものにする手法を示したことです。隠れたパターンを学ぶ階層的な確率モデルと、期待される科学的利得を試験コストと秤にかける予算配分戦略を組み合わせることで、より少ない、より良く選ばれたステップで高性能合金設計に到達できます。有利さは複雑でノイズの多い問題で特に顕著ですが、このフレームワークは多くの変数、多目的、厳しい資源制約を抱える今後の探索キャンペーンの重要な基盤を築きます。

引用: Alvi, S.M.A.A., Vela, B., Attari, V. et al. Deep Gaussian process-based cost-aware batch Bayesian optimization for complex materials design campaigns. npj Comput Mater 12, 105 (2026). https://doi.org/10.1038/s41524-026-01981-7

キーワード: 材料探索, ベイズ最適化, 深層ガウス過程, 高エントロピー合金, コスト意識設計