実験科学は通常、「仮説→実験→分析→反復」という閉じたループをたどりますが、このプロセスは長らく、手作業による操作効率、専門家の経験、データ処理能力によって制限されてきました。材料科学、化学、凝縮系物理学などの分野では、シンクロトロン放射光源や中性子核破砕光源といった大規模な科学研究施設によって原子・分子スケールでの構造やダイナミクスを明らかにすることができますが、これらの施設も一般的に、時間の制約、複雑な操作、ベテラン研究者への依存度の高さといった問題を抱えています。

人工知能の発展は、実験効率の向上に新たな可能性をもたらしました。従来、機械学習は主に材料特性の予測、実験パラメータの最適化、データ分析に用いられていましたが、現在では、アクティブラーニング、ロボット工学、大規模言語モデルの継続的な進歩に伴い、AIは実験後の補助ツールから実験プロセスへの積極的な参加者へと移行し始めています。構造化されたツール呼び出しメカニズムを活用することで、AIはデータ分析だけでなく、機器の起動、パラメータの調整、リアルタイムのフィードバックに基づく次のステップの決定も可能になります。

この機能は、X線散乱などの大規模施設にとって特に重要です。光源の輝度と検出速度が向上し続けるにつれて、実験データの量は急速に増加し、試料バイアス、装置のドリフト、信号変動といった問題がより顕著になります。従来の固定スクリプトは標準的な手順には対応できますが、想定外の実験状況への対処は困難です。

これに基づいて、スタンフォード大学とSLAC国立加速器研究所の研究チームは、「AI X線科学者」システムを開発し、スタンフォード大学のシンクロトロン放射光源の実際のビームラインに導入した。研究チームはまず仮想ビームラインでシステムのデバッグを完了させ、その後、実際の装置に移行して、AIが単結晶方位行列を解くことで、実環境において多段階の実験を自律的に完了し、突然のずれに対応できるかどうかをテストした。

「主体性を持つ人工知能搭載X線科学者」と題された関連研究成果は、Nature Machine Intelligence誌に掲載された。

論文を見る:
https://www.nature.com/articles/s42256-026-01261-5

データセット：基本パラメータ、仮想シミュレーション、および実際のビームライン測定値

研究者が必要とするデータは、主に3つのカテゴリーに分類される。結晶と装置の基本パラメータ、仮想ビームラインから生成されたシミュレーションデータ、そして実際のビームラインから取得された実験データである。

コア検証サンプルは、磁性ワイルハーフメタルであるCo3Sn2S2でした。このシステムでは、結晶構造、X線波長、回折計のモーター移動量、検出器の形状などの情報を事前に取得する必要がありました。これらのデータは、AIが回折ピークの理論的な位置を計算するのに役立ち、また、装置の動作に関する物理的および安全上の境界を定義するのにも役立ちました。この研究では、補足的な検証のために単結晶シリコンも使用しました。

実際の装置に費やす時間を最小限に抑えるため、研究チームは仮想ビームラインを構築した。このシミュレーションプラットフォームは、6軸回折計の形状に基づいて回折画像を生成し、ピークの広がり、ハードウェアノイズ、信号歪みを加えることで、実際の検出器の結果にできるだけ近い出力を得るようにしています。

研究者らは、シミュレーションにモーターオフセットと格子定数の誤差を意図的に導入した。AIは理論値を単純にコピーするのではなく、観測から実際の状態を推論し、判断を継続的に修正する必要がある。さらに、研究チームは、より大きなモーターオフセット、多粒子干渉、限られた推論リソースなど、より困難なシナリオを設定し、システムの安定性をテストした。

仮想テスト完了後、システムはスタンフォードシンクロトロン放射光施設（SSRL）のBL17-2ビームラインに展開されました。実測データには、検出器画像、スキャン曲線、機器の状態、実験ログなどが含まれます。シミュレーション環境と比較して、実際の実験では、事前にモデル化されていなかったクランプ誤差、機器のずれ、ランダムノイズといった問題も発生しましたが、これらはAIの適応性をテストする上で非常に重要でした。

大規模モデル推論とMCPツール呼び出しに基づく自律型回折実験システム

「AI X線科学者」は、分析と意思決定を担う大規模モデル、指示を伝達するツールインタラクション層、そして実際の操作を実行するための実験装置の3つの部分から構成されている。

これら3つは、MCP（Model Context Protocol）としても知られるモデルコンテキストプロトコルを介して接続されています。 AIは、サンプル情報や機器情報を読み取り、検出器画像やスキャン曲線を表示し、モーター制御、ピークスキャン、データフィッティングのための指示を生成することができます。安全性を確保するため、AIは基盤となるハードウェアに直接アクセスするのではなく、制限されたインターフェースを介してデバイスとやり取りします。

仮想テストでは、研究チームはClaude Sonnet 4とGemini 2.5 Flashを比較した。実際のビームライン実験では、より高度な推論能力を持つClaude Opus 4が使用される。このシステムはモデルの再学習を必要とせず、主にプロンプト、実験マニュアル、およびツール指示に基づいて、大規模モデルがタスクを理解できるように誘導します。これらのプロンプトは操作のすべてのステップを事前に定義するのではなく、実験の目的、利用可能なツール、および安全規則をAIに伝えます。回折スポットの選択、スキャン範囲のサイズ、および異常信号の処理方法は、リアルタイムの結果に基づいてAIによって自動的に決定されます。

このプロセス全体は連続的なループを形成します。まずAIが情報を読み取り、理論的な位置を計算し、次にスキャンする機器を制御し、続いて観測結果を分析して、それに応じて次の戦略を調整します。固定されたスクリプトとの違いは、実験結果が期待から外れた場合、AIは元のプロセスを機械的に継続するのではなく、原因を再評価できる点です。

方位誤差は5°未満で、正常にインストールされ、1.22°のオフセットが修正されました。

本研究では、テスト課題として単結晶方位行列の解法を選択した。簡単に言えば、この作業は結晶座標系と実験室座標系との関係を決定するものであり、ほとんどの単結晶散乱実験における必須ステップである。この作業を完了するには、通常、少なくとも2つの回折スポットを見つけ、複数のモーターを協調させて動かすことでピーク位置を継続的に較正する必要がある。この実験では、複雑な空間形状を扱い、ノイズや異常信号を識別する必要があるため、オペレーターの経験に大きく依存する。

仮想基礎試験では、Claude Sonnet 4とGemini 2.5 Flashをそれぞれ用いて複数の実験を行った。結果を下図に示す。すべてのテストで目標とする回折スポットの位置を正確に特定でき、実験の大部分における方位誤差は5°未満であった。テストの半数以上で、格子定数cの誤差は0.01Å以内に収まった。モーターオフセットの増加、多結晶干渉の発生、またはモデルに利用可能な推論リソースの減少により、システム性能は低下した。推論リソースの制限による影響が最も大きかった。これは、自律的な実験は、モデルが実験的知識を「認識」しているかどうかだけでなく、十分かつ継続的な解析を実行できる能力にも依存することを示している。

実際のビームライン実験では、「AIによる意思決定、人間による仲介」モデルが採用されている。AIは実験手順の生成を担当し、現場の担当者は、ピーク位置の決定や戦略の選択には関与せず、生成された手順をそのまま装置に入力するだけの役割を担う。

Co3Sn2S2の実験では、AIはまず(0,0,6)回折スポットを選択して探索を行った。スキャン後、実際のピーク位置と理論上の位置との間に大きなずれがあることがわかり、さらにそのずれは試料ホルダーの不均一性によるものである可能性が高いと判断した。そこでシステムはη軸のずれを約1.22°補正し、ピーク中心を再較正した。

最初の回折スポットにロックオンした後、AIは（1,0,10）を2番目のターゲットとして選択し、φ軸走査範囲を拡大することで結晶の面内方位を決定した。実験中、検出器画像に回折環の干渉が現れたが、AIはそれをターゲット単結晶ピークと誤認することなく、最終的に方位行列の解を求めた。

単結晶シリコンを用いた実験では、よりシャープな回折ピークと約1.5°のη軸シフトがあっても、システムは探索とアライメントを正常に完了しました。実機の制約上、この研究はまだ大規模に再現されておらず、したがって、システムがすべてのサンプルとビームラインに適用可能であることを実証することはできません。しかし、これらの実験は重要な概念実証を完了しました。大規模な言語モデルは、継続的な観察、推論、およびツール呼び出しを通じて、シミュレーションでは完全にはカバーできない現実世界の環境において、バイアスを検出し、戦略を調整し、実験的な閉ループを維持することができる。

これは、大規模言語モデルが科学研究において果たす役割が、文献検索、コード生成、オフラインデータ分析といったものにとどまらなくなる可能性を示唆している。専用ツール、セキュアなインターフェース、物理ルールと組み合わせることで、機器操作、実験上の意思決定、異常事態への対応などにも参加できる、より高度な研究協力者となることが期待される。

最後に書きます

「AI X線科学者」の意義は、研究室の職員を置き換えることではなく、AIがデータ分析ツールの枠を超え、実験現場へと進出し、機器の操作、状態評価、戦略調整に参加できるようにすることにある。現状ではサンプルサイズ、実際の機械稼働時間、人間の安全確保担当者の必要性といった制約はあるものの、この研究は、大規模モデルが複雑で理想的とは言えない現実世界の環境において、継続的な観察と推論を通して実験ループを完了できることを実証している。

将来的には、モデル、ロボット、科学機器の統合が進むにつれて、AIは大規模な科学研究施設において重要な協力パートナーとなり、研究者が反復作業を減らし、科学的な疑問そのものにより多くのエネルギーを注ぐことができるようになると期待されている。