日本东京理科大学、名古屋大学及京都工业大学的研究团队开发了一种基于机器学习的新技术，用于快速分析费米面，以加速自旋电子学材料的研发。费米面作为材料电子结构的“地图”，其形状直接决定载流子密度、磁性及自旋极化等关键性质。传统上，费米面需通过角分辨光电子能谱（ARPES）实验获取，但数据解读依赖专家经验且易受噪声干扰，面对海量数据时效率低下。 针对这一挑战，由片木雅人教授带领的团队利用主成分分析（PCA）算法，处理了 Heusler 合金 Co2MnGaxGe1-x 的费米面图像。该合金因具有反常奈尔效应及费米面上的特殊节点线特征而备受关注。研究人员首先通过密度泛函理论进行计算机模拟，生成不同成分下的费米面图像，并将其转化为一维向量进行 PCA 降维分析。 结果显示，该方法能精准定位成分变化导致费米面拓扑结构发生突变的临界点。例如，在镓浓度约为 0.94 至 0.95 时，PCA 图像出现的“跳跃”对应着节点线的形成及自旋极化的极值变化。更为关键的是，即便在图像经过人为模糊或添加强噪声以模拟真实实验条件时，该方法依然能有效识别关键成分变化，展现了极强的鲁棒性。 这项研究证明，机器学习工具不仅能快速筛选材料数据，还能通过差异分析发现潜在的材料异常。未来，该技术有望扩展至强关联材料及拓扑半金属等领域，大幅缩短新型电子材料的发现周期。正如片木教授所言，人工智能将助力从自旋电子学到超导材料的广泛研究领域，揭示更多隐藏的物理规律。相关成果已发表于《科学报告》杂志。