說明可能 AI 方法成功偵測費米面異常：自動偵測霍斯勒合金的自旋極化與節線

【研究摘要與重點】
- 利用說明可能 AI（XAI）方法開發出霍斯勒合金費米面的分析技術。
- 關注主成分分析中的「跳躍」現象，揭示其對應於自旋極化率的極值與變曲點。
- 透過重構離群值數據，成功自動偵測出節線的出現位置。
- 對低質量數據具有魯棒性，預計可作為實驗性費米面拓撲分析方法推廣至多種物質體系。

【研究概要】
東京理科大學先進工學部材料創成工學科石川大地（碩士二年級）、福健太郎博士研究員（當時）、小嗣真人教授，以及京都工藝纖維大學三浦良雄教授、筑波大學系統情報系五十嵐康彥准教授、物質材料研究機構（NIMS）等共同研究小組，針對霍斯勒合金 Co2MnGaxGe1-x（鈷-錳-鎵-鍺）成功確立了自動分析費米面的機器學習方法。

費米面在理解物質的電學特性、磁學特性及拓撲特性方面發揮著重要作用。由於費米面會根據這些功能呈現複雜的形狀變化，因此難以分析微小的形狀改變，且目視分析伴隨著巨大的勞動力成本。本研究採用說明可能 AI 的方法，結合主成分分析（PCA）與基於距離學習的離群值偵測，確立了自動偵測費米面形狀變化的技術。利用此方法，可以自動可視化自旋極化率的極值以及節線的出現位置。此外，研究小組還驗證了該方法對噪聲和模糊的魯棒性，構建了實驗性 AI 分析方法的基礎。此方法作為功能性材料智能分析的基石，將為 AI4Science 的實現做出貢獻。

本研究成果於 2026 年 4 月 27 日發表於國際學術期刊《Scientific Reports》。

【研究背景】
費米面是決定材料物性的重要信息源。費米面的形狀根據晶體結構、元素組成和能帶色散呈現複雜變化，從而產生載流子密度、磁性行為和自旋極化等多元材料功能。

在實驗性費米面分析中，角分辨光電子能譜（ARPES）已被廣泛應用。近年來，隨著技術進步，角度解析度和能量解析度大幅提升。此外，隨著次世代同步輻射光源的出現，高通量計測裝置也正逐步完善。

然而，費米面的分析仍是一個需要高度專業知識的繁瑣過程。形狀的定量化在很大程度上依賴於研究者的主觀判斷，分析的任意性一直是個挑戰。此外，雖然近年來提出了各種機器學習方法，但現狀多停留於黑箱式方法或單純的物性預測。因此，市場急需具有高解釋性、能分析機制之所謂的「說明可能 AI」。

因此，本研究針對自旋電子學材料霍斯勒合金 Co2MnGaxGe1-x，採用了 PCA 和基於距離的離群值偵測，開發出定量化費米面形狀變化並可視化功能變化及其起源的方法。

【研究結果詳情】
Co2MnGaxGe1-x 的費米面數據是透過第一原理計算生成的，準備了能良好重現 ARPES 先行研究的數據集。接著，為了定量分析複雜的費米面形狀變化，進行了 PCA 分析和基於距離的異常偵測。結果成功可視化了依賴於組成的費米面系統性變化，並確認了如圖 1 所示的 I 至 VI 的特徵性跳躍。這些跳躍與自旋極化曲線（圖 1 右上）的極值或變曲點一致，表明 PCA 空間中的距離是描述自旋極化變化的有效指標。

此外，在鎵組成 x = 0.94 和 0.95 之間觀察到顯著的離群值（跳躍 VII）。重構該離群值數據後，發現其對應於節線的出現位置。已知在 Co2MnGa 中，節線存在於略高於費米能階的能量處，這意味著成功偵測到了作為異常霍爾效應及異常內斯特效應起源的信息。