KAN強化対照学習：XRDパターンから結晶構造同定を加速する技術

なぜ結晶マッピングを速めることが重要か

電池、電子機器、クリーンエネルギー向けの新材料は、多くの場合、結晶を一つずつ見つけることで発見されます。各結晶の内部の原子配列がその性質を決めるため、研究者は通常、粉末X線回折（XRD）パターン—試料からの散乱で得られるとげ状のグラフ—からその配列を読み取ります。現在、これらのパターンを具体的な構造に変換する作業は遅く、専門家に依存したプロセスです。本論文は、XRDパターンを迅速に可能性の高い結晶構造と照合できる機械学習システムを紹介し、この“探索”作業をより速く、信頼性高く、自動化ラボへの組み込みを容易にします。

とげ状パターンから原子の設計図へ

従来の実務では、XRDの専門家がパターンのピークを観察し、物理式を用いて可能な原子間隔を推定し、候補構造をデータと反復比較します。この手法はピークの重なりや類似候補が多数ある場合に弱く、1日に数千のパターンが生成される現代のハイスループット実験には適していません。これまでの機械学習ツールは、パターンから対称性クラスや空間群を予測するラベリング問題として扱うことが多く、構造そのものを直接識別することはあまり行われていません。新しいアプローチXRD‑Crystal Contrastive Pretraining（XCCP）は、課題を検索問題として再定式化します：与えられたパターンに対して、大規模データベースの中から最も適合する結晶を見つけるのです。

X線パターンを二眼で見る

XCCPは物理に配慮した形でXRDデータを“見る”ことを学習します。全パターンを単一のニューラルネットワークに入力する代わりに、手法はパターンを二つの角度範囲に分割します。一方の枝は小角領域に着目し、層間隔や超格子のような長距離情報を捉えます。もう一方は広角領域に集中し、そこではピークが密で結晶対称性の影響が強く現れます。各枝は深層ネットワークで処理され、コルモゴロフ–アーノルド・ネットワーク（KAN）に基づく特殊な射影モジュールで結合されます。このモジュールは、鋭い回折ピークが最も構造情報を持つ狭い領域に注意を向けることに優れています。

パターンと構造を中間空間で出会わせる

結晶側では、XCCPは原子をノード、結合をエッジとして表現するグラフベースのネットワークを用います。訓練中、システムは多数の対応ペア——XRDパターンとその既知の結晶構造——を見ます。各パターンが自身の構造に近く、ミスマッチなものから遠ざかるような共有の数値空間を学習します。新しいパターンが与えられると、モデルはそれをこの空間に埋め込み、データベース内の構造の埋め込みと比較してランク付けされた候補リストを返します。元素情報を何も知らない場合でも、正しい構造が1位にランクされる確率はほぼ半数に達し、ほとんどのケースで上位5位以内に入ります。実験で一般的に利用可能な化学組成を与えると、トップ1の一致が正しい確率はほぼ90%に達します。

機械が何を見ているかを可視化する

著者らは、システムが実際の物理に基づいて判断しているのか、データの偶然の癖に頼っているのかを調べます。パターンの一部をマスクし、アトリビューション手法を用いることで、KANヘッドが決定を下す際に、広いバックグラウンドの変動やノイズよりむしろ、強く明瞭な回折ピークに主に依拠していることを示しています。小角側の枝を加えることで、特に低対称性の結晶や高角特徴があいまいなパターンで一貫して性能が向上します。モデルはピークの幅の増大や角度軸方向の小さなシフトといった一般的な実験上の不完全性に対しても堅牢であり、実測データセットへも比較的良く転移します。重要な点として、モデルが出す類似度スコアは信頼度の指標にもなり、真の構造がデータベースに存在しない場合にはスコアが著しく低下します。これは現場で安全に運用するために不可欠な特性です。

より賢い自律型材料探索へ

非専門家に向けた主要なメッセージは、XCCPがXRD解析を職人技から高速なデータ駆動型の検索へと変える、ということです。回折パターンと候補結晶を共有空間に整列させ、物理を意識したネットワーク設計を用いることで、システムは解釈可能な信頼度付きの現実的な原子設計図の短い候補リストを迅速に提示できます。専門家の判断や詳細な精密化を置き換えるものではありませんが、どの構造がそもそも妥当かを見極める最初で最も困難なステップを大幅に加速します。これにより、新しい化合物を合成しXRDを計測するロボットと組み合わせたハイスループットや自律ラボに適しており、生データから新材料への道筋をリアルタイムで短縮します。

引用: Xu, C., Su, T., Xiong, J. et al. KAN-enhanced contrastive learning: the accelerator of crystal structure identification from XRD patterns. npj Comput Mater 12, 144 (2026). https://doi.org/10.1038/s41524-026-02015-y

キーワード: 粉末X線回折, 結晶構造同定, 対照学習, 材料インフォマティクス, コルモゴロフ–アーノルド・ネットワーク