構造を読むAIの新境地、SciReasonerが示す科学の透明性

「私たちは星のかけらでできている」、天文学者カール・セーガンのこの有名な言葉は、元素が結びつき、組み上がることでこの世界のあらゆる物質が生まれることを端的に示しています。

物質の性質や機能は、それを構成する原子の空間的な配置や結合のしかたに深く根ざしている。

タンパク質が正しく折りたたまれなければ働かず、半導体の結晶にわずかな欠陥が入れば電気特性が変わる。

科学の歴史は、目に見えない「構造」をどう読み解くかの挑戦でした。

最近発表された論文『Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning』は、この構造理解に人工知能がどう切り込めるかを示した研究です。

SciReasonerと名付けられたこのモデルは、タンパク質、分子、結晶といった多様な構造を「読んで」「考えて」「説明する」能力で、専門家をうならせる成果を挙げました。

今日はその仕組みを、専門外の方にも届くように噛み砕いてお伝えします。

構造を「ことば」にする

SciReasonerの最大の工夫は、物質の立体構造をAIが扱いやすい「語彙」へと変換した点にあります。

例えば、タンパク質はアミノ酸が鎖のように連なり、それが複雑に折り畳まれて機能を発揮します。

従来のAIは、この構造を二次元の画像データや単純な文字列として入力することが多かった。

しかしそれでは、折り畳みの立体感や、原子同士の微妙な位置関係が十分に捉えられませんでした。

SciReasonerは、原子の三次元座標や結合の角度、周期性（結晶のように繰り返すパターン）を、離散的な「トークン」の列に置き換えます。

まるで、構造をアルファベットで記述した文章のようにするのです。

このトークン列は、それぞれが特定の構造的特徴を表す「単語」であり、モデルはこの言語で「どうしてその構造が特定の性質を持つのか」を推論します。

さらに、このトークンは単なる記号ではなく、「エビデンス単位」として扱われます。

質問に答える際、モデルはどのトークンに注目したかを追跡し、その根拠を示しながら結論を導きます。

これは、研究者が実験ノートに「このピークがあるから、この結合がある」と書き残すのに似ています。

ブラックボックスになりがちな深層学習に、科学的な説明責任を持たせた点が画期的です。

生物から材料まで、確かな足跡

SciReasonerの実力は86ものベンチマークテストで確認され、67タスクで従来最高性能を更新しました。

いくつか具体例を挙げましょう。

タンパク質の機能予測では、配列類似性が低い「孤立タンパク質」や新規タンパク質の細胞内局在（Cellular Component）を、F値で0.42から0.55へと大幅に改善。

従来は推測すら難しかった領域に、光を当てました。

有機化学の逆合成解析、すなわち目的の化合物を作るためにどんな原料と反応経路が必要かを導くタスクでは、正解率が0.63から0.72に上昇。

しかも、ただ答えを出すだけでなく、分子のどの結合を切るべきか、その理由となる断片的なエビデンスを「推論のトレース」として一緒に提示します。

材料科学では、結晶構造のデータから元素が混ざり合っているのか分離しているのか、またバンドギャップ（電気を通すためのエネルギー障壁）が高いか低いかを見分けることが可能になりました。

こうした識別は、新しい光触媒や半導体の設計に直結します。

特筆すべきは、専門家による二重盲検評価で、SciReasonerの推論プロセスが、フロンティアクラスの大規模言語モデルと比べて「好ましい」あるいは「同等」と判定されたケースが98%に達したことです。

性能だけでなく、解釈性の高さが科学的に認められたと言えるでしょう。

科学に開かれたAIへの期待

AIの研究開発に携わる身として、この論文が示す方向性にはとても共感します。

科学の現場で本当に役立つAIとは、正答率の高さだけを競うものではなく、「なぜそう言えるのか」を私たちに考えさせてくれる存在ではないでしょうか。

SciReasonerの構造ネイティブな推論は、AIを単なる予測器から、研究者の思考を補完するパートナーへと引き上げる可能性を感じさせます。

これからの創薬や材料設計で、AIが「ここを繋げば活性が上がるはず」と提案し、その根拠を具体的な原子配置で示してくれる。

そんな対話が日常になれば、科学の発想はもっと加速するでしょう。

ブラックボックスを開き、透明なガラス越しに世界を見せてくれるようなAIに、期待を寄せずにいられません。