Real-time Multi-instrument Autonomous Materials Screening for Discovery of Novel Phase-change Memory Materials

技術要約：新規相変化メモリ材料の発見に向けた、リアルタイム多計測器自律型材料スクリーニング

問題提起
自律型ラボ（AL）は、自動実行、データ解析、および意思決定を統合することにより、材料探索に革命をもたらしてきた。しかし、多様で異種混合な複数の計測器からのデータストリームを統合することには、依然として大きなボトルネックが存在する。現在の自律システムは、通常、単一の計測器による単一の特性評価に基づいたクローズドループで動作しており、意思決定は各キャラクタリゼーション装置において独立して行われる。さらに、合成・プロセス・構造・物性の関係（SPSPR）の解明は、実験終了後のデータ収集後に事後解析を行うことに依存していることが多く、実験中のリアルタイムな解析には至っていない。このような逐次的なアプローチは、構造的特性と機能的特性の間の相関関係をリアルタイムで活用する可能性を十分に引き出せず、混合相領域や非平衡相を含む複雑な材料（相変化メモリ（PCM）システムなど）の発見を遅らせる要因となっている。

手法：多計測器自律探索（MAD）フレームワーク
著者らは、構造特性のマッピングと機能特性の最適化をクローズドループ内で組み合わせることで、並列的な自律実験（AE）を実行するように設計されたシステムである、多計測器自律探索（MAD）フレームワークを提案している。

• 実験セットアップ： 本フレームワークは、Mn-Sb-Te（MST）三元系薄膜ライブラリを用いて実証された。この系は、PCM用途としてはこれまで未探索であったものである。組成的に同一の2つのスプレッドが用意された：一方はX線回折（XRD）用にアニールされて結晶状態にあり、もう一方は電気抵抗測定のためにアモルファス状態に保たれている。これらは、クライアント・サーバーモデルを介して中央サーバーに接続された、別々の計測器（回折計とコンタクトプローブステーション）に搭載されている。
• データ融合とモデリング： MADの核となるのは、共地域化カーネル（具体的には、Intrinsic Coregionalization Model（ICM））を用いた多出力ガウス過程（GP）モデルである。
  • 構造分解： XRDパターンは、非負値行列因子分解（Nлия）を用いて7つの「エンドメンバー」成分（潜在的な元素、二元系、および三元系の相を表す）とその対応する存在量へと前処理・分解される。これにより、相同定の問題を離散的なラベル付けから連続的な回帰タスクへと変換し、混合相特性を捉えることが可能になる。
  • 結合予測： NMF由来の相存在量（7出力）と電気抵抗測定（1出力）を結合し、8次元のデータセットを作成する。多出力GP（ランク1の潜在構造を持つ）がこのデータに対して学習を行い、構造的特性と機能的特性の間の共有共分散をモデル化する。
• 意思決定： システムは、能動学習ループ内の各タスクに対して異なる獲得関数を利用する。
  • 探索（XRD）： 結晶構造分布に関する知識を最大化するために、最大不確実性（Maximum Uncertainty: MU）が使用される。
  • 搾取（抵抗値）： アモルファス状態における最大電気抵抗（$R_{amo}$）を特定するために、期待改善量（Expected Improvement: EI）が使用される。これはPCMにおける重要な性能指標である。
  • 中央コントローラーは、共同推論を実行して特性間の相互相関を捉えつつ、各計測器に対する次の実験点を独立して決定する。

主要な結果

• 効率と速度： MADフレームワークは、25回のクローズドループ反復内で有望な電気的PCMを特定し、SPSPRのマッピングに成功した。これは、従来のグリッドマッピングと比較して7倍、ランダムサンプリングと比較して5倍の高速化を実現している。位相マッピングと材料最適化を含む実験全体は、約5時間で完了した。
• 精度： 約42回の測定のみで、システムは実験データに対して95%のコサイン類似度を持つXRDパターンを再構成した。材料最適化において、システムは25点未満のデータポイントで最適な組成（最大$R_{amo}$）に収束し、最小後悔距離（minimum regret distance）はゼロに収束した。
• 材料発見： 本研究は、Mn$_{28}$Sb$_{52}$Te$_{20}$が最も高いアモルファス抵抗を持つ組成であり、Mn$_{14}$Sb$_{43}$Te$_{43}$が最大の抵抗コントラスト（$\Delta R \approx 5$桁）をもたらすことを特定した。解析により、トリゴナルなMnSb$_2$Te$_4$相（成分C0およびC2としてインデックス化）が、観察された相変化挙動の中心であることが明らかになった。
• ベンチマーク： MADを独立したGPおよびランダムサンプリングと比較したイン・シリコ（in silico）ベンチマークでは、共地域化カーネルが、相マッピングの精度（Dynamic Time Warpingで測定）および最適化の収束の両方において、独立したモデルおよびランダムサンプリングを大幅に上回ることが示された。共有された潜在空間により、協調的な学習が可能となり、複雑なタスクが収束する間も単純なタスクが「待機状態」になることを防いでいる。

意義と主張
本論文は、MADが、実験を独立してではなく並列に実行することを可能にすることで、大規模な自律型施設における新しいパラダイムを確立すると主張している。多モードのデータストリームを共有された潜在表現を通じて統合することにより、MADは以下を可能にする：

1. リアルタイムのSPSPR解明： 実験中に、構造と機能の間の共有知識に基づいて意思決定を行う能力（事後解析を待つのではなく）。
2. 混合相の取り扱い： NMF由来の連続的な存在量を用いることで、離散的なラベル付け手法が見落としがちな、混合相領域や漸進的な遷移の物理を捉えることができる。
3. 発見の加速： MST系において示されたように、広大な組成空間を探索するために必要な時間とリソースの消費を大幅に削減する。

著者らは、MADを、より高速な収束と優れた材料共同設計基準を達成するために、ヘテロジニアスなデータストリームを扱うことができる、汎用的かつモジュール式の将来的な多計測器協調環境のための基盤として位置づけている。