開發出無需預先訓練即可從短時測量數據中視覺化電子狀態的AI分析方法

發表重點

・在同步輻射等先進科學測量中，獲取大量學習數據的難度大，成為導入AI分析的課題。

・本研究開發了一種無需預先準備學習數據的AI分析方法，並證明了其能夠從單張短時測量的軟X射線ARPES影像中清晰地視覺化電子能帶結構。

・此成果預期可作為一種新穎的AI分析基礎技術，克服在針對未知現象的先進科學測量中無法預先準備正確答案數據的難題。

【概要】

　日本高輝度光科學研究中心（JASRI）的研究員橫山優一、山神光平，以及曾任職於電氣通信大學的住谷祐太（當時為博士前期課程學生）、庄野逸教授，還有熊本大學的水牧仁一朗教授等人的研究團隊，開發了一種利用人工智慧（AI）的分析方法，無需預先訓練數據即可從短時間的科學測量數據中估計訊號成分。

　此方法利用了深度神經網路結構本身所具有的性質——深度先驗（Deep Prior）※1。網路的學習過程首先會重現樣本原有的訊號模式，接著朝重現測量儀器等所產生的週期性雜訊（偽影）和隨機雜訊的方向進行。透過在適當的時機停止學習，可以抑制不必要的雜訊和偽影成分，並提取訊號成分。

　研究團隊將此AI分析方法應用於大型同步輻射設施SPring-8※2的BL25SU軟X射線角度解析光電子能譜儀（ARPES），證明即使是包含隨機雜訊和網格狀偽影的短時間測量數據，也能夠清晰地視覺化能帶結構。此外，他們導入了自動決定停止學習時機的機制，確立了具有客觀性和再現性的AI分析方法。

　此成果預期將發展成為一種新的分析基礎技術，用於將「AI for Science」導入同步輻射、中子等先進科學測量的實驗現場。

　本次研究成果將於6月12日刊載於英國物理學會發行的國際科學期刊《Machine Learning: Science and Technology》上。

【研究背景】

　近年來，深度學習在自然語言處理和圖像分析領域取得了巨大成就。然而，許多最先進的AI模型都以大量學習數據為前提，這使得它們難以直接導入到以闡明事先未知現象為目標的先進科學測量中。特別是使用同步輻射、中子等大型研究設施的實驗，每次測量成本高昂，難以準備足夠規模的數據集來訓練AI。

　角度解析光電子能譜儀（ARPES）是一種直接探測物質中電子能量與動量關係（能帶結構）的強大方法。特別是使用同步輻射軟X射線的ARPES，對物質內部的電子狀態具有敏感性，在探測三維動量空間的能帶結構方面非常有用。另一方面，其訊號雜訊比（S/N）容易變低，難以在短時間內獲得高品質的能帶結構圖像。此外，在固定光電子分析器電壓以高效測量的Fixed模式下，測量圖像中會出現與樣本固有電子狀態無關的網格狀偽影。

　在抑制隨機雜訊的同時，抑制這類網格狀偽影並視覺化源自樣本固有電子狀態的能帶結構，一直是ARPES領域的重要課題。

【研究內容與成果】

AI分析方法的開發

　為克服此課題，研究團隊開發了一種無需預先準備學習數據的AI分析方法。在此方法中，針對欲解析的單張測量圖像，會針對每張圖像優化一個小型深度神經網路（圖1）。深度神經網路具有比隨機雜訊更容易學習圖像中特徵結構和重複模式的性質。這種性質作為一種先驗分佈，優先重現圖像中所含的固有結構，稱為深度先驗（Deep Prior）。

　利用Deep Prior，可以分離出Fixed模式下短時間測量圖像中包含的隨機雜訊和網格狀偽影，並提取樣本來源的訊號成分。此方法關鍵在於能夠在適當的時機自動停止AI學習的機制。若學習過度，AI會忠實地重現不必要的雜訊和偽影。因此，透過結合AI輸出圖像與測量圖像之間的均方誤差變化以及網格狀偽影的強度，構建了一種演算法，能在抑制雜訊影響的同時，自動決定偽影開始重現之前的最佳停止時機。這使得能夠兼顧抑制複雜偽影和提取訊號成分，這是傳統基於Deep Prior的方法難以實現的。

透過SPring-8的軟X射線ARPES實驗數據進行驗證

　本研究使用在大型同步輻射設施SPring-8 BL25SU獲取的、已知為重費米子物質的CeRu2Si2的軟X射線ARPES實驗數據，驗證了所開發AI分析方法的有效性。目標的Fixed模式測量數據中，除了源自樣本電子狀態的訊號成分外，還包含光子散粒雜訊等隨機雜訊，以及由測量儀器金屬網格引起的網格狀偽影。

　將本方法應用於40秒和10秒的短時間測量數據後，成功分離了網格狀偽影和隨機雜訊，並提取了能帶結構資訊（圖2）。與通過測量儀器平均化偽影影響的Swept模式標準數據（測量時間2880秒）相比，結果顯示本方法能夠更清晰地視覺化能帶結構的主要特徵。進一步，透過從ARPES圖像中提取的動量色散光譜進行定量評估。當將AI分析方法應用於40秒測量數據時，能夠分離出傳統Swept模式中重疊的峰結構，表明即使在約70倍快的測量條件下，也能更詳細地提取能帶結構資訊。另一方面，在10秒測量數據中，雖然觀察到殘留雜訊導致的光譜形狀失真，但對於定性理解能帶結構，則可實現近300倍的加速（圖3）。

【未來展望】

　此成果使得在SPring-8的軟X射線ARPES中能夠以短測量時間視覺化能帶結構，透過縮短測量時間和減少同步輻射X射線對樣本的損傷，有助於提高實驗效率。此外，此次開發的AI分析方法約需20秒即可完成解析。因此，若測量時間超過20秒，便可在連續測量期間與AI進行即時並行解析，將傳統測量時間（數分鐘至數十分鐘）的差異直接轉化為測量效率的提升。在功能材料和量子材料等先進材料研究中，高精度且高效地探測物質內部的電子狀態至關重要，