Elements Claw - Alibaba DAMO Academyが開発した超伝導材料発見のためのAIエージェント - AiBoss

エレメンツクローとは何ですか？

ElementsClawは、超伝導材料発見のための業界初のAIエージェントであり、アリババDAMOアカデミーが中国人民大学および中国科学院大学と共同で開発しました。特化型から汎用型への融合アーキテクチャを採用し、10億個のパラメータを持つ原子基本モデルElementsと大規模言語モデルを組み合わせることで、文献検索や物性予測から実験設計に至るまで、材料スクリーニングプロセス全体を自動化します。このエージェントは、わずか28GPU時間で240万個の結晶構造のスクリーニングを完了し、6万8000個の超伝導候補材料を予測するとともに、4つの新規超伝導材料の実験的検証に成功しました。

エレメンツクローの主な機能

超伝導臨界温度の予測Elements-Tモデルに基づくと、材料のTc値は平均誤差1K以内に抑えられ、正確に予測される。
超伝導二値分類Elements-Cを用いて物質が超伝導性を持つかどうかを判定する際のAUC値は、0.996と非常に高い。
熱力学的安定性評価Elements-Eを使用して、候補材料の合成可能性と構造安定性を評価する。
結晶構造生成Elements-Gによる新規構造設計を可能にし、モチーフガイダンスと全く新しい相の探索をサポートします。
インテリジェントな文献統合LLMは科学文献を自動的に検索、読み込み、抽出することで、散在する実験的知識を明らかにします。
実験計画数値計算と意味論的推論を組み合わせて、実行可能な合成パスと検証戦略を出力する。

エレメンツクローの技術原理

原子の基本モデル要素1億2500万個の分子と結晶構造で事前学習された10億個のパラメータを持つモデルに基づき、EquiformerV2の等変アーキテクチャを採用することで、周期結晶と非周期分子の統一的な表現を実現しました。データセットには、周期結晶が85.1%、非周期分子が14.9%含まれており、平衡安定構造と高エネルギー不安定構造の両方を網羅しているため、モデルは化学領域を超えた堅牢な表現を学習できます。
マルチタスク事前トレーニング戦略この戦略では、平衡入力に対して座標／格子定数のノイズ除去を行い、同時に非平衡入力に対して系のエネルギーと原子間力を予測します。このアプローチにより、モデルは安定物質の静的な構造特性と、構造進化を促進する動的な力場を同時に把握することが可能になります。
プライベートネットワーク統合エージェントアーキテクチャ独自のモデル層（Elements-T/C/E/G）は原子レベルの数値計算を担当し、汎用LLM層は高レベルの意味論的推論、文献統合、意思決定計画を担当します。この2つの層は関数呼び出しによって連携し、LLM層はタスクチェーンを統括し、内部ツールと外部ツールを適応的に組み合わせます。
自己進化メカニズムエージェントは、文献から新たな知見を抽出し、エレメント（Elements-Cなど）を微調整することで、自律的に新しいスキルツールを作成することができ、それによって「ニーズの発見 - ツールの作成 - 効果の検証」という閉ループ型の機能拡張を実現します。

Elements Clawの使い方

オープンデータベースへのアクセス研究者は、https://science.damo-academy.com にログインすることで、ElementsClawによって予測された240万個の安定結晶の完全なデータに無料でアクセスできます。
探査目標を設定する「Hf-Zr-Re三元系において、超伝導転移温度（Tc）が4Kを超える超伝導候補物質をスクリーニングする」など、研究要件をシステムに入力してください。
スマートフィルタリングを開始ElementsClawは、高スループットな物性予測のためにElements-Tを自動的に起動し、LLMは関連する文献証拠を取得して統合します。
候補者リストを取得するこのシステムは、信頼性の高い候補材料のリストを、予測されるTc、安定性指標、合成の実現可能性、および文献による裏付けとともに出力します。
実験的合成検証エージェントが推奨する合成プロトコルに基づき、実験室で目的の材料を調製し、抵抗温度曲線と磁化率を測定した。

エレメンツクローの主な利点

効率革命この技術を使えば、従来の方法では数十年かかるスクリーニング作業を、わずか28GPU時間で完了させることができ、240万個の結晶構造を網羅できる。
精密技術のリーディングカンパニー超伝導性評価のAUCは0.996に達し、Tc予測のMAEはわずか0.992Kであり、既存の基準値よりも大幅に優れている。
自己進化新たなツールを手作業で開発する必要はありません。エージェントは文献から自律的に新しいスキルを学習し、作成することができます。
閉ループ検証AIによって設計された最初の4種類の材料はすべて実験検証に合格し、予測から合成までの実用化が実現した。
オープンデータ完全な予測データベースは、さらなる研究と共同研究を促進するために、世界の学術コミュニティに無料で公開されています。

Elements Clawプロジェクトの住所

プロジェクト公式サイト：https://developer.damo-academy.com/material
arXiv技術論文：https://arxiv.org/pdf/2604.23758

Elements Clawと類似の競合製品との比較

比較対象寸法	ElementsClaw	GNoME（Google DeepMind）
コアポジショニング	AIエージェントフレームワーク（意思決定＋予測＋実験のクローズドループ）	材料安定性予測のための基本モデル
テクニカルルート	原子モデルとLLMの特殊な統合	グラフニューラルネットワークの大規模安定性スクリーニング
検証深度	4つの新規超伝導材料の実験的検証	220万の強度を持つ安定な結晶が予測されているが、実験的な検証は限られている。
自己進化	このサポートにより、ユーザーは文学作品から独自に新しいスキルを習得できるようになります。	動的なスキル拡張はサポートされていません。
アプリケーションの焦点	複雑な機能性材料（超伝導体、触媒、電池）	無機結晶の包括的な安定性評価

Elements Clawの応用事例

超伝導材料の発見: 高い臨界温度を持つ超伝導体の候補を迅速に特定し、「試行錯誤」による実験サイクルを大幅に短縮する。
固体電池用電解質の開発イオン伝導材料の安定性と輸送特性を予測することは、次世代電池の開発を加速させるだろう。
不均一系触媒の設計高効率な触媒活性部位を持つ新規化合物を発見し、化学変換およびエネルギー変換を促進する。
熱電材料の探査優れたゼーベック係数と低い熱伝導率を兼ね備えたエネルギー変換材料のスクリーニング。
データベース知識の補完散在する文献から、主流データベースでは見落とされている既知の機能性材料を自動的に検索します。