説明可能AIがホイスラー合金のフェルミ面を自動解析する新手法を確立

研究概要

東京理科大学の研究チームは、ホイスラー合金Co2MnGaxGe1-xのフェルミ面を自動的に解析する新たな機械学習手法を開発しました。このアプローチでは、主成分分析（PCA）を利用し、スピン偏極率の極値やノーダルラインの出現位置を明示的に特定することができます。

この技術は外れ値のデータを再構成することで、形状が複雑であったフェルミ面の解析を可能にしました。これまでフェルミ面の解析には高度な専門的知見が必要で、主観的に形状が評価されがちでしたが、新しい手法はその問題を解決するものです。特に、低品質データに対する堅牢性もあり、実験的なフェルミ面トポロジーの解析手法として、今後さまざまな物質系への応用が期待されています。

背景と目的

フェルミ面は、物質の電気特性や磁気特性、さらにはトポロジカル特性を理解する上で欠かせない要素です。一般にフェルミ面は結晶構造や元素組成、バンド分散に依存して複雑な形状を取ります。このような形状変化を理解することは、材料科学において極めて重要です。

これまでのフェルミ面の解析には、角度分解光電子分光法（ARPES）が広く使用されていましたが、形状の定量化には主に研究者の経験と判断に頼る部分が多々ありました。また、機械学習手法の導入は進んでいるものの、その多くはブラックボックス的で解釈性に乏しかったのが現状です。この背景から、今回の研究は説明可能AIを用いて高い解釈性を持つ解析手法を実現しようとしました。

研究の進展

研究グループでは、FHを用いて外れ値を検出し、スピン偏極率の変動を分析する手法を確立しました。実際のデータでは、特定の組成においてノーダルラインの出現位置を視覚化することに成功し、異常ホール効果などの重要な物性の影響を気づかせる情報を得ることができました。

特に主成分分析を通じて得られた結果は、スピン偏極率の極値とノーダルラインの位置が一致することを示し、今後の研究において新たな知見をもたらす視点が期待されます。この成果を基に、スピントロニクス、トポロジカル物質、超伝導体など多様な物性理解のためのAI解析が進むことが予想されます。

今後の展望

本手法の開発により、将来の材料研究に対するインパクトが見込まれます。特に、データ品質の低下に対する堅牢性が確認されており、ハイスループット実験においても利用可能です。測定時間の短縮に繋がることで、多角的な研究が可能になるでしょう。

東京理科大学の小嗣教授は、「スピントロニクスにとどまらず、さまざまな物質系のAI解析への展開が期待される」とコメントしています。このような新しい手法により、今後の材料科学がどのように変化していくのか、その動向に注目です。