【研究摘要与重点】 - 利用说明可能 AI（XAI）方法开发出霍斯勒合金费米面的分析技术。 - 关注主成分分析中的「跳跃」现象，揭示其对应于自旋极化率的极值与变曲点。 - 通过重构离群值数据，成功自动侦测出节线的出现位置。 - 对低质量数据具有鲁棒性，预计可作为实验性费米面拓扑分析方法推广至多种物质体系。 【研究概要】 东京理科大学先进工学部材料创成工学科石川大地（硕士二年级）、福健太郎博士研究员（当时）、小嗣真人教授，以及京都工艺纤维大学三浦良雄教授、筑波大学系统情报系五十岚康彦准教授、物质材料研究机构（NIMS）等共同研究小组，针对霍斯勒合金 Co2MnGaxGe1-x（钴-锰-镓-锗）成功确立了自动分析费米面的机器学习方法。 费米面在理解物质的电学特性、磁学特性及拓扑特性方面发挥着重要作用。由于费米面会根据这些功能呈现复杂的形状变化，因此难以分析微小的形状改变，且目视分析伴随着巨大的劳动力成本。本研究采用说明可能 AI 的方法，结合主成分分析（PCA）与基于距离学习的离群值侦测，确立了自动侦测费米面形状变化的技术。利用此方法，可以自动可视化自旋极化率的极值以及节线的出现位置。此外，研究小组还验证了该方法对噪声和模糊的鲁棒性，构建了实验性 AI 分析方法的基础。此方法作为功能性材料智能分析的基石，将为 AI4Science 的实现做出贡献。 本研究成果于 2026 年 4 月 27 日发表于国际学术期刊《Scientific Reports》。 【研究背景】 费米面是决定材料物性的重要信息源。费米面的形状根据晶体结构、元素组成和能带色散呈现复杂变化，从而产生载流子密度、磁性行为和自旋极化等多元材料功能。 在实验性费米面分析中，角分辨光电子能谱（ARPES）已被广泛应用。近年来，随着技术进步，角度分辨率和能量分辨率大幅提升。此外，随着次世代同步辐射光源的出现，高通量计测设备也正逐步完善。 然而，费米面的分析仍是一个需要高度专业知识的繁琐过程。形状的定量化在很大程度上依赖于研究者的主观判断，分析的任意性一直是个挑战。此外，虽然近年来提出了各种机器学习方法，但现状多停留于黑箱式方法或单纯的物性预测。因此，市场急需具有高解释性、能分析机制之所谓的「说明可能 AI」。 因此，本研究针对自旋电子学材料霍斯勒合金 Co2MnGaxGe1-x，采用了 PCA 和基于距离的离群值侦测，开发出定量化费米面形状变化并可视化功能变化及其起源的方法。 【研究结果详情】 Co2MnGaxGe1-x 的费米面数据是通过第一原理计算生成的，准备了能良好重现 ARPES 先行研究的数据集。接着，为了定量分析复杂的费米面形状变化，进行了 PCA 分析和基于距离的异常侦测。结果成功可视化了依赖于组成的费米面系统性变化，并确认了如图 1 所示的 I 至 VI 的特征性跳跃。这些跳跃与自旋极化曲线（图 1 右上）的极值或变曲点一致，表明 PCA 空间中的距离是描述自旋极化变化的有效指针。 此外，在镓组成 x = 0.94 和 0.95 之间观察到显著的离群值（跳跃 VII）。重构该离群值数据后，发现其对应于节线的出现位置。已知在 Co2MnGa 中，节线存在于略高于费米能阶的能量处，这意味着成功侦测到了作为异常霍尔效应及异常内斯特效应起源的信息。