Electronic and chemical phase identification in photoemission experiments using unsupervised machine learning

物質を最も基礎的なレベルで理解するために、科学者たちはしばしば、固体内部で電子がどのように振る舞うかに注目します。非常に特殊な種類の光を物質に照射することを想像してみてください。この光は、電子と呼ばれる小さな粒子を叩き出します。これらの電子を捕らえ、その速度と方向を測定することで、研究者は材料の目に見えない電子構造をマッピングし、その材料がどのように電気を伝えたり、光と相互作用したりするかを明らかにすることができます。フォトエミッション分光法として知られるこの手法は非常に強力ですが、ある厄介な制限を伴います。それは、表面に対して極めて敏感であるということです。測定される電子は、厚さ1ナノメートル未満の深さからやってくるため、表面は完璧に新鮮で清潔でなければなりません。これらの実験が行われる真空チャンバー内では、たとえ純粋な表面であっても、2日以内に劣化したり変化したりし始め、多くの場合、それよりも早く進行します。これは時間との戦いを生み出します。科学的な測定を開始する前に、研究者は試料上の最適な測定箇所を見つけなければなりません。

問題は、これらの新鮮な表面がしばしば乱雑で不均一であることです。単一の試料の中に、異なる化学組成を持つパッチ、異なる厚さの層、あるいは異なる角度でねじれた領域が存在することがあります。最適な場所を見つけるために、科学者たちは伝統的に「ラスタースキャン」と呼ばれる手法を用います。彼らは、芝刈り機が草を刈るように、試料を硬直した格子状のパターンで動かし、すべての交差点で測定を行います。その後、彼らは一度停止してデータを確認し、さらに狭い領域をズームして再スキャンする必要があるかどうかを判断します。このプロセスは遅く、貴重な時間を消費し、新鮮な表面の限られた寿命をしばしば無駄にします。もし科学者が格子が細かすぎると、同じことを何度も測定することになり、時間を浪費します。もし格子が粗すぎると、興味深い特徴を見逃してしまう可能性があります。分野が直面していた問いは、コンピュータが人間が格子を用いて行うよりも、より速く、より賢く、この乱雑な風景をナビゲートすることを学習できるかどうかでした。

最近の研究において、研究チームは、機械学習を用いてこれらの実験をガイドするように設計された「AARDVARK」と呼ばれる新しいアプローチを導入しました。これは、硬直した格子に従ったりランダムに推測したりするのではなく、進みながら学習していくインテリジェントな探検家のように機能します。研究者たちは、炭素原子の単層からなる材料であるグラフェンの二層からなる複雑な試料を用いて、このアイデアをテストしました。そのセットアップでは、グラフェンの大きな完全結晶が土台として機能し、その上に第二の多結晶グラフェン層が配置されました。このトップレイヤーは均一ではなく、多くの小さな領域から構成されており、それぞれが下の層に対して異なる角度でねじれていました。これにより、電子的な特性が場所ごとに変化する風景が作り出され、実際の実験で科学者が遭遇するような、乱雑で不均一な表面を模倣しました。

AARDVARKシステムは、「次に何を測定すべきか？」と絶えず問いかけることで機能します。まずいくつかの測定を行い、次に強力な数学的ツールを使用してデータを可視化します。このシステムは、エネルギーと運動量に関する数千のデータポイントを含む各測定の膨大な情報を、単純で色彩豊かなマップへと圧縮します。このマップでは、同様の電子特性を持つスポットは似た色として現れ、異なる特性を持つスポットは異なる色として現れます。これにより、システムは個々の数値の背後にある複雑な物理学を理解する必要なく、試料の電子的な風景の「形状」を見ることができるのです。

システムがこの色彩豊かなマップを手に入れたら、「ガウス過程回帰」と呼ばれる手法を用いて、未測定の部分がどのようになっているかを予測します。これは、新しい地点の値を予測するだけでなく、その推測に対して自分がどれほど不確かなのかも計算する、賢い推測器のようなものです。システムは、自身が最も不確かである領域を優先するようにプログラムされています。マップ内の色が隣り合うスポット間で急激に変化する場合、システムはそこが異なる領域の境界線を見つけたと判断し、その境界をより正確に定義するために測定ビームをその端へと送ります。もしある領域が均一に見える場合は、そこを再度測定しても新しい情報は得られないと判断し、システムはその場所をスキップします。これにより、システムはエネルギーを、試料の端やユニークな特徴に集中させ、退屈で繰り返しの多い部分を無視することができるのです。

研究者たちは、AARDVARKがどの程度うまく機能するかを確認するために、8,000点以上の事前測定データセットを用いて、このプロセスをコンピュータ上でシミュレーションしました。彼らは、新しい機械学習アプローチ、標準的な格子スキャン、そして論理なしにポイントを選択するランダム探索という3つの異なるシナリオを実行しました。結果は驚くべきものでした。わずか400から600回の測定で、AARDVARKシステムは、格子法やランダム法が1,000から2,000回の測定を行って初めて達成できた明快さで、試料の主要な境界と明確な領域を特定していました。直線的に移動する格子法は、同じ均一な領域を何度も測定して時間を浪費することが多く、一方でランダム法は、特定の形状を定義するには努力が広がりすぎていました。対照的に、AARDVARKは異なる領域間の遷移へと素早く絞り込み、はるかに少ないステップで試料の電子的な地形の地図を効果的に描き出しました。

この効率性は、単に時間を節約することだけではありません。それは、試料を保護することでもあります。新鮮な表面は非常に急速に劣化するため、すべての測定が重要になります。興味深い領域をより速く見つけ出すことで、AARDVARKは試料が測定ビームにさらされる総時間を短縮でき、これは時として材料にダメージを与えることもあります。システムは、電子構造をマッピングする測定と、原子の化学組成を特定する測定という、2つの異なるタイプの測定を扱うのに十分な柔軟性があることを証明しました。これら2つの測定は試料を異なる方法で見ますが、システムは両方に適応し、電子マップにおける境界が化学マップにおける境界と完全に一致しない可能性があることを認識し、それに応じて探索を調整しました。

この研究は、コンピュータが、硬直した、あらかじめ計画された経路よりもはるかに効率的に、複雑な物理環境をナビゲートすることを学習できることを示しています。複雑なデータを簡略化する方法と、不確実性から学ぶ方法を組み合わせることで、研究者たちは実験をリアルタイムでガイドできるツールを作り上げました。これは、将来、科学者が「正しい場所を探す」ことに時間を費やすのではなく、「実際の科学を行う」ことに、より多くの時間を割けるようになることを意味し、同時に、研究している繊細な試料を保護することも可能にします。この成果は、これらの実験の未来が、データそのものに「次にどこを見るべきか」を教えさせることにあり、ゆっくりとした手動の探索を、ダイナミックでインテリジェントな探検へと変えることにあることを示唆しています。