ブックタイトル日本結晶学会誌Vol62No1

概要

日本結晶学会誌Vol62No1

石井真史,上杉文彦，小澤哲也課題としてとらえられる．例えば，数百，数千の結晶に対して識別を行うのに必要な学習量の多さ，人工知能の複雑さは容易に想像がつく．今回は，分類問題において6種の単相結晶，回帰問題において1種の結晶しか扱っておらず，逆方向解析を使った客観・高速解析の限られた例の提示と，かろうじてAI-DBの原理検証をしたに過ぎない．学術的な興味としては，これらの限られた系からの特徴量抽出とその別な結晶構造への転移学習はあり得るが，完全な外挿にはならない．結晶構造分類に引き続く特定構造での結晶パラメータの回帰といったシーケンシャル処理を想定した人工知能のタンデム構造，あるいは理論自体を理解して処理ができる一般性の内包が，人工知能による客観・高速解析に求められる課題と言える．挑戦的な技術としてオントロジーのような概念16の体系化やそのグラフ構造の学習）など，より進んだNN周辺の技術強化が有効になると考えられる．4．まとめ客観・高速分析を，一次元において非負最小二乗回帰で示すとともに，二次元への拡張を人工知能を使って試みた．本稿では，検出器や計測技術の発展が著しいX線および電子線による回折を使った結晶構造解析について，最近の研究例を紹介した．一次元のX線回折については，データベースなど公知情報を使った回折パターンの回帰により，解析に数時間を要し，かつ結果の一意性に課題がある従来の人手による解析に対して，秒レベルの優れた客観・高速解析が実現された．二次元の電子線・X線回折については，人工知能を使うことで，限られた種類のターゲットに対しては良好な客観・高速解析が実現された．一方で，回折パターン固有のスパース性は情報不足の原因になっていることを示した．また，あらゆる材料に適用できる汎化性の実現に十分な方策が見出されていない状況を示した．人工知能自体は，複雑なものを処理できる潜在能力があることを考えると，ブレークスルーとなる技術の創出は可能であると考える．すなわち，解析理論など，概念を含んだ情報を人工知能に内包することにより，汎化性が実現されることは，近未来像として思い描くに足ることであり，研究領域として今後取り組むべき点と思われる．文献1）S. Stuart:“Nobel Lectures, Physics 1901-1921”, ElsevierPublishing Company, Amsterdam（1967）.2）L. Bragg:“The Development of X-ray Analysis”, Dover Publications,New York（1992）.3）H. Koinuma, R. Takahashi, M. Lippmaa, S-Y. Jeong, Y. Matsumoto,T. Chikyo and S. Suzuki:“Combinatorial Nanoscience andTechnology for Solid-State Materials, Handbook of advancedceramics: materials, applications, processing, and properties, 2ndedition”, Elsevier Academic Press Inc., California（2013）.4）K. Rajan: Annu. Rev. Matter. Res. 45, 153（2015）.5）例えば荒井康夫：“セメントの材料化学”,大日本図書（2016）.6）C. L. Lawson and R. J. Hanson:“Solving Least-SquaresProblems”, Upper Saddle River, Society for Industrial and AppliedMathematics, p.160（1995）.7）C. J. Gilmore, G. Barr and J. Paisley: J. Appl. Cryst. 37, 231（2004）.8）G. Barr, W. Dong and C. J. Gilmore: J. Appl. Cryst. 37, 874（2004）.9）J. Beutel, H. L. Kundel and R. L. Van Metter, eds:“Handbook ofMedical Imaging”, Vol.1. Physics and Psychophysics, SPIE Press,Washington（2000）.10）F. Uesugi, A. Hokazono and S. Takeno: Ultramicroscopy 111, 995（2011）, https://doi.org/10.1016/j.ultramic.2011.01.035.11）F. Uesugi: Ultramicroscopy 135, 80（2013）, https://doi.org/10.1016/j.ultramic.2013.07.003.12）K. Simonyan and A. Zisserman: Very Deep ConvolutionalNetworksforLarge-ScaleImageRecongnition.arXiv:1409.1556［cs］（September 2014）.13）Google, https://www.tensorflow.org/14）Francois Chollet, https://keras.io/15）石井真史：応用物理85, 223（2016）.16）U. Loosch, S. Bloehdorn and A. Rettinger:“The Semantic Web:Research and Applications”, p.134, Springer（2012）.プロフィール石井真史Masashi ISHII（国研）物質・材料研究機構材料データプラットフォームセンターNational Institute for Materials Science, MaterialsData Platform Center〒305-0044茨城県つくば市並木1-11-1 Namiki, Tsukuba, Ibaraki 305-0044, Japan最終学歴：博士（工学）専門分野：情報工学，計測工学現在の研究テーマ：データベース構築，セマンティックウェブ技術上杉文彦Fumihiko UESUGI（国研）物質・材料研究機構電子顕微鏡ステーションNational Institute for Materials Science,Transmission electron microscopy station〒305-0047茨城県つくば市千現1-2-11-2-1 Sengen, Tsukuba, Ibaraki 305-0047, Japan最終学歴：博士（理学）専門分野：物性物理現在の研究テーマ：透過型電子顕微鏡を用いた測定・解析技術趣味：熱帯魚（肺魚）の飼育小澤哲也Tetsuya OZAWA㈱リガクX線機器事業部SBU粉末・薄膜解析Rigaku Corporation X-ray Instrument Division SBU:Powder & Thin Film Analysis〒196-8666東京都昭島市松原町3-9-123-9-12 Matsubara-cho, Akishima-shi, Tokyo 196-8666, Japan最終学歴：修士（理学）専門分野：X線結晶学現在の業務：X線の回折および散乱現象による分析装置の開発42日本結晶学会誌第62巻第1号（2020）