Physics-Grounded Simulation Enables Zero-Shot Molecular and Reaction Analysis in Scanning Tunneling Microscopy

技術要約：物理学に基づいたシミュレーションによる、走査型トンネル顕微鏡におけるゼロショット分子および反応解析の実現

問題提起
表面合成において、走査型トンネル顕微鏡（STM）画像から分子生成物や反応経路を定量的に特定することは、依然として大きなボトルネックとなっている。現在の課題は、STMのコントラストが分子構造そのものだけでなく、トンネル現象、チップと試料間の相互作用、および撮像条件の結合された物理学によって支配されている点にある。さらに、反応の不均一性や表面の変動が、画像特徴量と化学的同一性の結びつきを複雑にしている。機械学習（ML）は画像の強調や分子の局在化といったタスクを自動化してきたが、既存のパイプラインは通常、特定の対象系に関する実験的なアノテーション（注釈）を必要とする。この依存性は、広範な再学習やラベル付けなしに、新しい分子系への汎用化や、より高次の反応解析を行う能力を制限している。

手法
著者らは、新しい対象系に対して前駆体情報のみを必要とする、ゼロショットSTM解析のためのシミュレーション支援フレームワークを提案している。このフレームワークは、そのシステムの実験画像やアノテーションをモデルの学習中に一切使用しない。本フレームワークは、主にNanoSimとNanoAnalysisという2つのコンポーネントで構成されている。

1. NanoSim（合成データ生成）： このモジュールは、予測された反応生成物とサンプリングされた表面シーンから、物理学に基づいた合成STM画像を生成する。シミュレーションと実験の間のドメインギャップ（領域の差）に対し、以下の3つの調整されたレイヤーを通じて対処する。

   • 物理レイヤー（Physical Layer）： 反応予測モデル（RexGen）を用いて、前駆体構造から反応誘導型の候補生成物空間を構築する。網羅的な列挙を行う代わりに、信頼度順にランク付けされた反応部位に焦点を当てることで、化学的に関連のあるコンパクトな生成物セットを生成する。
   • 振る舞いレイヤー（Behavior Layer）： 分子の数密度、最小エッジ間距離、相対的な存在量、および面内配向を変化させることで、これらの生成物を物理的に妥当な表面シーンとしてインスタンス化する。このレイヤーは、ランダムなサンプリングではなく、物理的な事前知識（例：立体的排除）を課すことで、シーン生成を明示的な制約の下に置く。
   • レンダリングレイヤー（Rendering Layer）： 表面構成をSTM様画像へと変換する。まず、投影された分子のフットプリントを保持するために、ファンデルワールス（vdW）球高さマップを生成する。続いて、Pix2Pixベースのスタイル整合モジュールを用い、非ターゲットの分子系から得られたペアとなるSTMデータから集約的なコントラストとテクスチャの統計量を学習することで、幾何学的なプロキシ（代理指標）を実験的な画像へと翻訳する。このハイブリッドなアプローチにより、物理的な裏付けを維持しつつ、シミュレーションと実験のドメインギャップを縮小させる。

2. NanoAnalysis（階層的解釈）： このモジュールは、NanoSimデータで学習されたモデルを実験画像に適用し、以下の3つのレベルで解析を行う。

   • 知覚レベル（Perception Level）： YOLO11などのモデルを用いて、分子のインスタンス（バウンディングボックス、回転バウンディングボックス、インスタンスセグメンテーション、キーポイント局在化）を予測する。
   • システムレベル（System Level）： 生成物の存在量、配向、分子間間隔、および処理依存の集団変化などの観測量を定量化する。
   • メカニズムレベル（Mechanistic Level）： 検出された生成物を予測された反応ネットワークにマッピングすることで、反応部位の選択性、異性体優先度、および反応経路を推論する。

主な貢献

• ゼロショット汎用性： 本フレームワークは、ターゲット系固有の学習データやアノテーションを必要とせずに、新しいオンサーフェス反応系の定量的解析を可能にする。
• 物理学に基づいたシミュレーション： 反応の事前知識、表面の振る舞いの制約、およびスタイル整合レンダリングを統合することで、実験画像への効果的な転移が可能な高忠実度の合成データを生成する。
• モジュール式の拡張性： 本フレームワークのモジュール設計により、他のシステムからの異種データを、個々のコンポーネント（反応予測、スタイル整合など）を独立して改善するために利用することができ、継続的な汎用化を促進する。
• 包括的な解析： 分子レベルの検出からシステムレベルの観測量までを橋渡しし、反応経路の再構成やアニーリング依存の進化の解析を可能にする。

結果
本フレームワークは、Cu(111)表面上での2-bromo-1,10-phenanthroline (BP) の反応（選択的な脱臭素化と競合する脱水素経路を含む系）を用いて評価された。

• 性能： NanoSimデータで学習されたOriented Bounding Box (OBB) モデルは、手動でアノテーションされた10枚の実実験STM画像テストセットに対し、マイクロ平均F1スコアで約0.90（適合率0.92、再現率0.86）を達成した。合成データの量とモデル容量を増やすことで、マイクロF1スコアは0.92に達した。
• メカニズム的知見： 解析は生成物集団（m0–m14）を特定することに成功し、実験的観察と一致するアニーリング依存の変化を明らかにした。具体的には、m0→m1→m4のシーケンスが主要な流れであることを確認し、m4を終端生成物として特定した。また、Cu–N配位によるダイマーのcis配置への優先性を検出した。
• 反応部位選択性： モデルは、後半段階の反応がN原子に隣接するH原子を優先することを正しく特定し、これは先行するDFT計算および報告されている優先的なortho脱水素化と一致している。
• アブレーション研究： 候補生成物空間を（反応誘導によって）制約することが極めて重要であることを示した。網羅的な列挙を行った場合、認識性能はゼロとなった。同様に、ハイブリッドレンダリング戦略（vdW + スタイル整合）は純粋なDFTベースのレンダリングよりも優れており、スタイル整合モジュールに異種のSTMデータを含めることが、ダウンストリームの認識能を大幅に向上させた。
• スケーリング： 本フレームワークは効率的なスケーリングをサポートしている。大規模なモデル容量を用いて100,000枚の合成画像で学習を行った場合、約1時間で高い性能を達成したが、同等のDFTベースの生成では200時間以上を要する。

意義
本論文は、ターゲット系固有の教師あり学習を排除することで、新しいオンサーフェス反応系の定量的解析のためのスケーラブルな経路を提供すると主張している。反応の制約、表面の振る舞い、および撮像の外観を、独立して学習可能なモジュールへと分解することで、本フレームワークは合成データ生成の中に適切な物理的・化学的事前知識を組み込んでいる。このアプローチは、既存のワークフローの汎用性の限界に対処し、多様なデータソースや改良されたモデルと共に進化できる、STMデータの自動化された階層的解釈を可能にする。著者らは、これをSTMの解釈をより手動作業から解放し、大規模なデータセットや複雑なシステムレベルの反応解析を扱えるようにするためのステップとして位置づけている。