NEWS

事前学習不要で短時間測定データから電子状態を可視化するAI解析法を開発　JASRI・電通大・熊本大らがSPring-8の軟X線ARPESで実証

2026.06.15

TAG

PEAKSMEDIAでは、製造業のイノベーターの皆様に向けて、各社が発信する注目のプレスリリースを転載・紹介しています。
技術革新や新サービス、オープンイノベーションへの取り組みなど、未来を切り拓くヒントとなる情報を厳選してお届けします。

従来の測定データ（Sweptモードで2880秒測定）とFixedモードの短時間測定データ（40秒、10秒）にAI解析法を適用した画像。中心付近のX字型バンド構造が、AI解析法では明瞭に可視化されている。（出典：JASRI）

高輝度光科学研究センター（JASRI）の横山優一研究員、山神光平研究員、電気通信大学の住谷祐太氏、庄野逸教授、熊本大学の水牧仁一朗教授らの研究グループは2026年6月12日、事前に学習データを用意する必要のないAI解析法を開発したと発表した。大型放射光施設SPring-8の軟X線角度分解光電子分光（ARPES）に適用し、短時間で測定した1枚の画像から、電子のバンド構造を明瞭に可視化できることを実証した。研究成果は2026年6月12日、英国物理学会が発行する国際科学雑誌「Machine Learning: Science and Technology」に掲載された。

最先端のAIモデルの多くは大量の学習データを前提としており、あらかじめ正解が分からない未知現象の解明を目指す先端科学計測には導入しにくいという課題があった。放射光や中性子などの大型研究施設を用いた実験では、一つ一つの測定にかかるコストが高く、AIの訓練に十分な規模のデータセットを準備することは容易ではない。

ARPESは、物質中の電子のエネルギーと運動量の関係であるバンド構造を直接調べる手法だ。一方で信号対雑音比（S/N）が低くなりやすく、短時間で高品質なバンド構造画像を得ることは難しい。また、電圧を固定して効率よく測定するFixedモードでは、試料本来の電子状態とは無関係な格子状のノイズ（アーティファクト）が測定画像に現れる課題があった。

研究グループが開発した手法は、深層ニューラルネットワークの構造そのものが持つ性質「深層事前分布（Deep Prior）」を利用する。ニューラルネットワークはランダムなノイズよりも画像中の特徴的な構造やパターンを学習しやすい性質を持つ。この性質により、解析したい1枚の測定画像ごとに小規模なネットワークを最適化することで、ランダムノイズと格子状アーティファクトを分離し、試料由来の信号成分を抽出できる。

本手法の鍵は、AIの学習を適切なタイミングで自動停止させる仕組みだ。学習を進めすぎると、AIは不要なノイズやアーティファクトまで忠実に再現してしまう。そこで、AI出力画像と測定画像との平均二乗誤差の変化と、格子状アーティファクトの強度を組み合わせ、最適な停止タイミングを自動的に決定するアルゴリズムを構築した。これにより客観性と再現性を備えた解析法として確立した。

実証では、重い電子系物質として知られるCeRu2Si2の軟X線ARPES実験データを用いた。40秒および10秒の短時間測定データに本手法を適用したところ、格子状アーティファクトとランダムノイズを分離し、バンド構造情報を抽出することに成功した。アーティファクトを測定装置側で平均化するSweptモードの標準的なデータ（測定時間2880秒）と比較すると、40秒測定データへの適用では約70倍高速な測定条件でバンド構造の情報をより詳細に取り出せた。10秒測定データでは残留ノイズによる歪みが見られるものの、定性的なバンド構造の把握であれば300倍近い高速化が可能なことを示した。

開発したAI解析法は約20秒で解析できるため、測定時間が20秒以上であれば測定と並行したリアルタイム解析が可能だ。機能性材料や量子物質などの先端材料研究では、物質中の電子状態を高精度かつ効率よく調べることが重要となる。研究グループは今後、スピン分解ARPESや時間分解ARPESなどへの応用展開を目指すほか、X線散乱や中性子散乱などの分野でもDeep Priorの応用可能性を探るとしている。

この記事の編集者

: PEAKSMEDIA_ニュース配信チーム

PEAKSMEDIAは、「製造業イノベーション」をテーマに松尾産業株式会社が運営するWebメディアです。

製造業をもっと面白くする——そんな技術や素材、アイデア、先進的な取り組みに関するニュースリリースを転載し、情報発信を行っています。

掲載をご希望のニュースがございましたら、ぜひお気軽にお問い合わせください。

SHAREこの記事をシェアする