分析効率が200倍以上向上！アルゴンヌ国立研究所は、教師なし学習に基づくナノビーム回折分析法を提案し、DONUTが材料特性を正確に抽出することを可能にする。

材料特性を向上させるには、材料の内部構造を正確に理解することが不可欠である。

走査型X線回折顕微鏡（SXDM）は、回折コントラストを利用して物質構造情報を空間的に分解する高度な特性評価技術であり、近年、ナノスケール構造を解析するための重要なツールとなっています。しかし、SXDMデータ解析における重要な課題は、ビーム形状と局所格子情報との間の畳み込み関係にあります。従来の方法では、シミュレーションデータにデータをフィッティングすることで、これらの結合した構造パラメータを分離するのが一般的です。しかし、このプロセスは計算コストが高く、データの前処理手順に大きく依存する。

一方、人工知能技術は徐々にX線科学の分野に進出しており、教師あり学習モデルは、ブラッグコヒーレンス回折（BCDI）、X線プティコグラフィー、電子顕微鏡分析などの分野で、データ処理において大きな利点をすでに実証している。しかし、教師あり学習には根本的な限界がある。そのためには、大量の高品質なラベル付きトレーニングデータセットが必要となるが、これは容易なことではない。一方、シミュレーションデータの生成には深い専門知識が必要であり、他方、実験データを手動で分析するには、多くの場合、相当な時間と計算リソースが必要となる。さらに、シミュレーションデータと実際の実験環境との間に差異が生じる可能性があり、モデルの汎化能力が制限される。

この文脈では、米国エネルギー省アルゴンヌ国立研究所の研究チームは、教師なし学習に基づくナノビーム回折解析手法であるDONUT（Diffraction with Optics for Nanobeam by Unsupervised Training）を提案した。これは、ナノビーム回折データの迅速かつ自動的な解析のための、物理的特性を考慮したニューラルネットワークです。この手法は、ラベル付きデータセットや事前学習済みモデルを必要としないことで、X線科学アプリケーションにおける教師あり機械学習手法の根本的な限界を克服します。実験結果は、DONUTがデータからすべての特徴を正確に抽出し、従来の手法よりも200倍以上高い解析効率を達成することを示しています。

関連する研究成果は、「DONUT：リアルタイムX線ナノ回折解析のための物理法則を考慮した機械学習」と題され、npj Computational Materials誌に掲載された。

研究のハイライト:

* DONUTは、微分可能な幾何学的回折モデルをネットワークアーキテクチャに直接組み込むことで、結晶格子の歪みと配向情報をリアルタイムで学習および予測することができます。

* DONUTは実験データのみで学習させることができ、その解析速度は従来の手法よりも200倍以上高速です。また、畳み込みの構造パラメータをより高い精度で分離します。

この新しいフレームワークは、SXDMデータのリアルタイム自動分析のための柔軟かつ堅牢な技術的アプローチを提供し、動的な条件下における複雑な材料システムの探査と研究を加速することが期待される。

用紙のアドレス:
https://www.nature.com/articles/s41524-025-01860-7

これは、手動でラベル付けされたデータに依存する従来のAIモデルのトレーニング方法を変えるものです。

DONUTの中核的なイノベーションの一つは、手動でラベル付けされたデータに依存する従来のAIモデル学習方法を変革することにあります。しかし、複雑な材料系の場合、そのようなラベル付きデータは非常に限られています。そこで、DONUTは物理的に制約された教師なし学習アプローチを採用し、回折データから材料構造情報を直接学習できるようにしています。

シミュレーションデータ

本研究では、研究チームはまず、DONUTモデルの基本的な機能を検証するために、シミュレーションによる回折データセットを構築した。シミュレーションデータは、格子歪み、面内回転、面外回転という3つの主要な構造パラメータを網羅している。

ひずみパラメータεは-0.005から0.005の範囲に設定される。

面内格子回転角ωは-0.05°から0.05°の範囲である。

面外格子回転角χは-0.1°から0.1°の範囲である。

研究者らは、それぞれ64×64ピクセルのシミュレーション回折画像を68,921枚生成した。各シミュレーション回折パターンは、まず強度分布が実験測定値に一致するようにスケーリングされ、次にポアソン分布を使用してサンプリングされ、実際の実験におけるノイズレベルをシミュレートした。実験データセットは、サンプル上の165×165箇所をカバーする単一のサンプルスキャンで構成されている。検出器上で128×128ピクセルの関心領域（ROI）が選択され、信号対雑音比を改善するためにさらに64×64ピクセルにダウンサンプリングされた。

実験データ

実験データを用いて、DONUTの性能を、現在最先端の従来型データ分析手法と比較して評価した。

まず、検出器画像内で関心領域（ROI）を選択し、その領域が測定された回折ピークを完全に覆うようにします。次に、ROI内のピクセルをビニングし、各2×2ピクセル配列を1つのピクセル値に集約して信号対雑音比を改善します。物理ベースの前方散乱モデルを用いて、格子定数空間をカバーするシミュレーション回折ライブラリを生成します。

実験的に測定された各回折パターンに対し、シミュレーション回折パターンライブラリ内の各シミュレーションパターンを乗算することで、一連の相関行列を生成する。続いて、相関行列を各格子定数軸に沿って投影し、投影結果の重心を重み付き和補間することで、各パラメータにおける最高の相関値を求める。

最終的なデータセット（シミュレーションデータ、実験データ、またはその両方の組み合わせ）は、トレーニングセット（80%）、検証セット（10%）、およびテストセット（10%）にランダムに分割されました。

材料科学の物理法則をニューラルネットワーク構造に直接統合する

DONUTアーキテクチャは、物理法則を考慮したオートエンコーダーに基づいて構築されています。しかし、オートエンコーダーが直面する大きな課題は、潜在空間の解釈可能性です。完全にデータ駆動型の埋め込み表現は、直接的な物理的意味を持たない可能性があるためです。この問題に対処するために、研究者は、ネットワークアーキテクチャや損失関数に物理的な制約を導入することが多い。例としては、強制的な対称性、保存則、またはドメイン固有の事前知識などが挙げられます。DONUTも同様のアプローチを採用しており、全体のプロセスは次の図に示されています。

このネットワークは、2次元回折パターンを入力として受け取ります。この画像はまず畳み込みニューラルネットワーク（CNN）エンコーダ（下の図b）によって処理され、低次元の潜在空間ベクトルに圧縮されます。設計上、この潜在ベクトルには、関心のある物理量を表す3つの要素が含まれています。すなわち、歪み（ε、運動量伝達ベクトルQの相対的な大きさ）、面内回転（ω、水平散乱面内におけるQの相対的な回転角）、および面外回転（χ、散乱面に垂直なQの相対的な回転角）です。これら3つの独立した物理量は、物理モデルに基づいてシミュレートされる強度分布に影響を与え、エンコーダが物理的に意味のある値のみを予測するように制約します。

続いて、潜在ベクトルは、2つの並列ブランチに同時に入力されます。

* エンコーダ構造と対称なデコーダブランチ。潜在ベクトルに基づいて入力回折強度のノイズ除去バージョンを再構成するために使用されます。

* 回折強度をシミュレートするために潜在パラメータ（ε、ω、およびχ）を使用する物理モデルに基づく順方向モデル分岐。

このネットワークは、複合損失関数を最小化することによって学習されます。この損失関数は、元の入力画像と2つのブランチの出力（デコーダ再構成結果と物理モデルに基づくシミュレーション結果（後者には学習可能なパラメータは含まれません））との間の加重平均絶対誤差（MAE）です。学習中、ネットワークはオートエンコーダの重みを繰り返し調整し、生成された画像を入力実験データに徐々に一致させます。この2目的最適化戦略により、エンコーダは潜在空間で学習し、目標とする構造パラメータに対応する物理的に正確で堅牢な数値表現を生成できます。

完全なDONUTモデルには、3つの最終出力があります。

* 回折データに対応する潜在空間テンソルを入力します。これには、歪み、面内格子回転、面外格子回転に関する情報が含まれます。

* デコーダによって入力画像から再構成された画像（つまり、入力画像のノイズ除去結果）。

* 物理的に制約された回折モデルに基づいて生成されたシミュレーション回折パターン

DONUTは、完全かつ微分可能な物理プロセスをニューラルネットワークのアーキテクチャに組み込むことで、潜在空間変数が特定の物理量に対応するように強制し、それによってモデルの予測が計算効率に優れているだけでなく、科学的に解釈可能であることを保証する。

DONUT解析の効率は、従来の方法と比較して大幅に向上している。

DONUTの実際の能力を検証するため、研究チームはシミュレーションデータと実際の実験データの両方でテストを行い、その結果を従来の相関フィッティング手法や、以前に開発された教師あり深層学習モデルと比較した。

シミュレーションデータにおけるパフォーマンス

下図は、DONUTによる予測結果と従来の相関フィッティング分析手法との比較を示しています。

上の図bは、従来の解析手法では、ひずみ特性と面内格子回転特性を完全に体系的に区別できないことを示しています。具体的には、ひずみ特性の周期構造は面内格子回転図（中央の画像）に明確に現れ、その逆もまた同様であり、2種類の構造情報の間には大きな相互結合が存在することを示しています。これに対し、DONUT（上の図c）は、ひずみ信号と面内格子回転信号を明確に分離し、ひずみ振幅を正確に予測できますが、従来の解析手法ではひずみ値を過大評価してしまいます。

実験データにおける性能

次に、研究者らはSrIrO₃薄膜の実験的なSXDMデータを用いてDONUTを評価し、その性能を従来の相関フィッティング手法および以前に開発された教師あり深層学習モデルと比較した。

下図に示すように、DONUTによる予測結果（図b）は、従来の手法による結果（図a）と定性的に一致していますが、大幅な改善が見られます。その鍵となるのは、従来の手法では明らかな相互干渉アーティファクト（例えば、回転特性が歪み分布図に誤って現れるなど）が発生するのに対し、DONUTは異なるパラメータを明確かつ独立して分離できる点です。

一方、DONUTはより高い忠実度を示し、回折重心の空間分布マップにおける2つの大きな回転領域間の微細な干渉縞構造を解像できる。これは、教師あり学習法では達成できないことである。この結果は、物理的制約のある教師なし学習法が、ラベル付きデータの必要性を排除するだけでなく、特徴抽出においてより高い精度を達成できることを示している。

研究者らはSXDMの解析機能をさらに拡張し、既存の歪みと格子回転パラメータに加えて膜厚予測という次元を追加した。SXDMは、局所的な全強度の変化とラウエ振動の周期的な変動（すなわち、検出器座標系における干渉縞の位置の変化）を通して、結晶膜厚の不均一性を検出できる。下の図は、シミュレーションサンプル（左）と実験的に測定されたサンプル（右）に対するDONUTの膜厚予測結果を示している。

歪みや格子回転の解析とは異なり、従来の膜厚解析の結果はニューラルネットワークによる推論結果とは大きく異なり（上の図a、右側）、それぞれの方法に利点があります。相関フィッティングの結果は、膜厚分布が非常に均一であることを示しており、分子線エピタキシーを用いて作製された高結晶性膜の予想と一致しています。しかし、この方法は膜厚を大幅に過大評価しており、136 Åという値を予測していますが、実際の膜厚はわずか120 Åで、これは30個の単位セルに相当します。対照的に、DONUTによる膜厚の予測はより妥当で、平均約110 Åとなっています。

膜厚の予測にはまだ多少の不確実性が残るものの、この結果は、DONUTフレームワークが拡張可能であり、潜在的な空間パラメータを追加することで、より多くの材料構造情報の予測を実現できることを証明している。

精度向上に加え、DONUTの最も大きな利点は計算効率の高さです。研究者によるテストでは、同じNVIDIA GeForce RTX 3090 GPUハードウェア条件下で、従来の相関フィッティング解析手法では、64×64ピクセルの単精度浮動小数点形式（32ビット）の各データフレームを処理するのに5.6±0.4ミリ秒かかることが明らかになりました。これに対し、DONUTエンコーダは、同じGPUハードウェア条件下での従来の解析手法よりも230倍以上高速な推論サイクルをわずか0.024±0.001ミリ秒で完了します。その性能は、以前に報告された教師あり深層学習手法NanobeamNN（0.019±0.001ミリ秒）に匹敵します。

結論

DONUTは、走査型X線ナノ回折顕微鏡データの迅速かつ正確な解析のための、物理的特性を考慮した教師なし深層学習フレームワークです。微分可能な幾何学的回折モデルをオートエンコーダーアーキテクチャに直接統合することで、DONUTは結晶格子の歪みと配向情報をリアルタイムで抽出することに成功しました。その解析速度は、ラベル付き学習データを必要とせず、従来の相関フィッティング手法を大幅に上回ります。この手法は、複雑なナノ回折実験におけるリアルタイムフィードバックの実現に向けた技術的障壁を大幅に低減し、基礎的な材料特性の理解を加速する新たな道筋を提供するとともに、様々な科学分野におけるナノスケール動的プロセスの研究を前進させる可能性を秘めています。

もちろん、DONUTは現在、主にX線ナノ回折の走査シナリオに焦点を当てており、その適用範囲は実験ジオメトリとモデルの仮定によって制限されています。例えば、より高い空間分解能を必要とするX線プティコグラフィーのタスクには、適切な物理AIフレームワークのさらなる開発が必要です。しかし、より広い視点から見ると、DONUTは代表的な方向性を示しています。すなわち、科学的人工知能の将来の発展は、必ずしもモデルを大規模化することではなく、モデルが科学法則をよりよく理解できるようにすることであるということです。

参考文献:
https://www.nature.com/articles/s41524-025-01860-7
https://phys.org/news/2026-08-real-ray-analysis-donut-materials.html