技術要約：GALAXI – 多相XRD同定のためのスケーラブルな機械学習フレームワーク

問題提起

X線回折（XRD）は、合成後の結晶相を同定するための標準的な手法である。しかし、自動相同定は、特にピークの重なりや実験的アーティファクト（例：ピークシフト、優先配向、微結晶サイズ）を伴う多相試料において、依然として困難な課題である。深層学習手法、特に畳み込みニューラルネットワーク（CNN）は、古典的なサーチマッチ・アルゴリズムを改善するために提案されているが、現在の多くのアプローチは、位相同定を単一のクローズドセット分類問題として定式化している。このパラダイムでは、単一の共有モデルが、訓練時に定義された固定された候補相のセットを判別しなければならない。このアーキテクチャは決定的なスケーリングのボトルネックを生み出す。すなわち、新しい相をリファレンスライブラリに追加するには、モデル全体を再学習する必要があり、また共有分類器は、膨大な数のクラスを同時に区別するための特徴量を学習しなければならず、個々のクラスに対する最適な表現が得られなくなる可能性がある。

手法：GALAXIフレームワーク

著者らは、位相同定タスクを独立した相固有のバイナリ分類器へとデカップリング（分離）する機械学習フレームワークであるGALAXI（General Automated Learning and Analysis for XRD-based Identification）を導入する。

コアアーキテクチャ

1. 独立したバイナリ分類器: 単一のマルチクラスモデルの代わりに、GALAXIは各候補相に対して専用の軽量な1次元CNNを訓練する。各分類器は、与えられたパターンにその特定の相が存在するかどうかを示す単一の確率を出力するように訓練される。
2. モジュール式のスケーラビリティ: モデルが独立しているため、既存のライブラリを再学習することなく、単一の追加モデルを訓練するだけで、新しい相をリファレンスライブラリに追加できる。
3. マスク変調アテンション: 各CNNは、マスク変調空間アテンション機構を採用している。これにより、モデルは情報量の多い回折特徴に焦点を当て、パディングされた領域やアーティファクトが発生しやすい領域を無視することができ、様々な角度範囲を持つ実験パターンでの動作を可能にする。
4. 2段階の推論パイプライン:
   • ステージ1（スクリーニング）: 既知の化学空間は、妥当な候補相のセットを定義する。供給されたXRDパターンは、前処理（平滑化、バックグラウンド除去、ノイズゲーティング、および微弱信号の非線形拡大）が行われ、対応する相固有のCNNによってスクリーニングされる。このステージは、真の相を見逃すことを避けるために、偽陽性を許容しつつ**高リコール（再現率）**を優先する。
   • ステージ2（精緻化）: CNNによって特定された候補は、DARA（Data-driven Automated Rietveld Analysis）に渡される。DARAは、自動リートベルト解析を実行して、これらの候補の組み合わせを完全な回折パターンに対して評価し、最終的な相の割り当てと定量的な重量分率を決定する。このステージは、偽陽性を排除し、重なり合ったピークを解決する。

訓練とデータ生成

• 合成データ: シミュレーションと実験のギャップを埋めるため、著者らはCrystallography Open Database (COD) から生成された合成訓練パターンを作成した。これらのパターンには、格子歪み、熱効果（デバイ・ワラー因子）、ピーク広がり（シェラーおよびマイクロストレイン）、試料変位、および優先配向（テクスチャ）を含む、現実的な物理的および計器的アーティファクトが付加されている。
• 最適化: システムは、見逃された相はダウンストリームで回収できない一方で、偽陽性はDARAによって拒絶できるという性質に基づき、リコールを最大化するように専用の実験検証セットを用いてチューニングされた。

主な貢献

1. アーキテクチャのデカップリング: 化学空間を拡張する際にリファレンスライブラリ全体の再学習を不要にする、「one-versus-all」バイナリ分類器アーキテクチャの提案。
2. スケーラビリティ: 訓練フェーズにおける計算爆発を起こすことなく、リファレンスライブラリを数万の構造（64,594構造で実証）まで拡張できる能力。
3. 公開展開: 64,594の構造に対して学習済みモデルをホストする公開ウェブインターフェース（https://galaxi-xrd.com）の展開。これにより、ユーザーは化学空間を定義し、パターンをスクリーニングできる。
4. 堅牢性テスト: 低不純物分率、ボールミルによるピーク広がり、ピークシフト、試料変位、およびテクスチャを含む、一般的な実験的アーティファクトに対する包括的なストレス・テスト。

結果

本フレームワークは、4つのベースライン（古典的なピークサーチマッチ法（Smith/Snyder法）および3つの先行する深層学習モデル（XRD-AutoAnalyzer、XCA、およびXQueryer））に対し、130個の実験パターンを用いたホールドアウト・セットでベンチマークを行った。

• 未加工サンプルへの性能: 61個の未加工パターンを用いたセットにおいて、GALAXIはDARA精緻化後にマイクロF1スコア0.935を達成し、ベースライン（複雑な混合物では0.255から0.535の範囲）を大幅に上回った。トップ15の精度に関しては、ベースラインが32.8–47.5%であったのに対し、GALAXIは**82.0%**に達した。
• 複雑性の処理: GALAXIは混合物の複雑さが増しても高い性能を維持し、2相、3相、4相を含むパターンに対して、それぞれ0.971、0.941、0.875のマイクロF1スコアを達成した。
• アーティファクトへの堅牢性:
  • 不純物: システムは、重量分率が5 wt%未満（訓練シミュレーションの下限）の不純物相に対しても感度を維持した。
  • ピークシフト: 訓練分布と一致する、0.3°までの一様なシフトおよび0.75 mmまでの試料変位に対して堅牢であった。
  • テクスチャ: 強度分布がランダムな粉末平均から逸脱する場合（例：ドロップキャストされたMoO3）、性能が著しく低下し、現在の訓練分布の限界を示した。
• インサイチュ（in-situ）応用: GALAXIは、高温固相合成反応（例：BiFeO3の生成）における相の変化を正常に特定し、中間相や過渡的な低存在量種を正確に追跡した。
• 計算効率: CNNによるプリスクリーニングは、DARAの組合せ探索空間を効果的に制限する。リファレンスカタログのサイズが21から365の相に増加しても、「CNN + DARA」のワークフローにおける推論時間は緩やかにしか増加しなかった（パターンあたり5.1秒から24.5秒）。これに対し、「DARAのみ」のアプローチでは、コストが急増（15.4秒から862.4秒）し、性能も低下した。

意義と限界

本論文は、位相検出と組み合わせレベルの精緻化をデカップリングすることが、多相XRD同定のための実用的な戦略であると主張している。主な意義はスケーラビリティにある。このフレームワークにより、新しい構造が利用可能になるにつれて、既存のモデルを再学習するという法外なコストをかけることなく、リファレンスライブラリを継続的に拡張できる。このモジュール方式により、広大な化学空間をカバーするユニバーサルなライブラリの構築が可能となる。

しかし、著者らは以下の特定の限界も認めている。

• 複雑な混合物: ピークの重なりが激しい極めて複雑な混合物では、独立した検出器が精緻化の前に真の相を見逃す（偽陰性）可能性がある。
• 精緻化のエラー: 重なりが深刻な場合、あるいは物理的に存在しないがプロファイル適合度を向上させる「似通った」相を保持してしまうことで、DARAが正しく特定された相を削除してしまうことがある。
• テクスチャへの感受性: 訓練データが統計的にランダムな粉末平均を想定しているため、高度にテクスチャを持つ試料に対しては苦戦する。
• 系統誤差: ピークシフトや試料変位が訓練で使用された範囲を超えると、性能は急激に低下する。これは、根本的なアーキテクチャの欠陥ではなく、訓練分布における意図的なトレードオフを反映している。

これらの限界はあるものの、著者らは、GALAXIが複雑かつ進化する材料システム、特に多相XRD同定のための堅牢でスケーラブルな基盤を提供し、公開ウェブインターフェースを通じてより広い材料科学コミュニティに実用的なツールを提供するものであると結論付けている。