7  論文へ戻る：統合

この論文の価値は、AI で予測したことではない。
問いを立て、候補を選び、実験で確かめ、物理に戻したことにある。

本章では、5章分の学びを統合し、論文全体を1つの研究ストーリーとして再構成する。コードは少なく、議論と読解が中心である。

1 6.1 全体の地図を描き直す

これまでの5章で行ったことと、論文が行ったことを並べる。

flowchart TB
    subgraph 本書
        direction TB
        A1["Ch1: 論文読解<br>7項目で骨格を把握"] --> A2["Ch2: 記述子辞書<br>8イオンを抽出"]
        A2 --> A3["Ch3: 特徴量構築<br>3段階で表を作る"]
        A3 --> A4["Ch4: 単純モデル<br>評価とリーク防止"]
        A4 --> A5["Ch5: GPR<br>μとσで候補選定"]
        A5 --> A6["Ch6: 統合<br>論文へ戻る"]
    end
    subgraph 論文
        direction TB
        B1["問題設定<br>Δ₁制御の候補探索"] --> B2["18組成データ<br>記述子辞書"]
        B2 --> B3["特徴量構築<br>CN別加重平均"]
        B3 --> B4["単調ベースライン<br>+ 残差GPR"]
        B4 --> B5["UCBスクリーニング<br>Y選定"]
        B5 --> B6["実験検証<br>XRD/XPS/磁化"]
        B6 --> B7["物理解釈<br>異方的格子応答"]
    end
図 1: 本書の学習パスと論文のワークフロー

小課題 6-1　どこまで再現したか

本書で行った分析と、論文の分析を比較して、以下の3点を答えよ。

  1. 本書が再現できた部分はどこか
  2. 本書が簡略化した部分はどこか
  3. 論文にあって本書にないものは何か

解答例 6-1

  1. 記述子辞書の読み込み、特徴量構築（CN 別加重平均、酸素除外）、3-fold CV での GPR 評価、UCB による候補ランキング
  2. 単調ベースラインの端点処理（線形端キャップ）、25回の最適化再試行（5回に簡略化）、化学的妥当性フィルタの完全実装
  3. 実験検証（XRD、XPS、磁化測定）と物理解釈（異方的格子応答、結晶場修飾）。これらは ML だけでは得られず、合成と測定が必要

2 6.2 簡略モデルと論文モデルの比較

本書の簡略モデルと論文のフルモデルを、6つの軸で比較する。

軸 本書の簡略モデル 論文のフルモデル
入力表現 A/B サイト分離 8特徴量 CN=6/12 別の占有率加重平均 4記述子
物理バイアス IsotonicRegression（簡略版） IsotonicRegression + 線形端キャップ
残差モデル GPR（Matérn \(\nu=1.5\)、再試行5回） GPR（Matérn \(\nu=1.5\)、再試行25回）
評価 3-fold CV（Pipeline 内で前処理） 3-fold CV（fold 内で baseline も fit）
候補選定 \(\mu + \kappa\sigma\) で5候補をランキング \(\mu + \kappa\sigma\) + 化学的妥当性フィルタ + OOD 警告
実験検証 なし XRD, XPS, 磁化測定, SHAP

重要なのは、この表の最後の行である。実験検証がなければ、ML の予測は仮説にとどまる。論文の価値は、ML が候補を出したことではなく、その候補を実験で確かめ、物理的メカニズムまで議論したことにある。

簡略モデルは、透明で、実装しやすく、デバッグしやすい。論文モデルは、物理整合性が高く、小標本でも方向感を保ちやすい。両者の長所と短所を言えることが重要であり、どちらが「正解」ではない。

3 6.3 Y はなぜ選ばれたのか

論文 Fig. 3 を参照

Fig. 3 は、LaCo\(_{1-x}\)M\(_x\)O\(_3\)（\(x = 0.05\)）において、OS=3・CN=6 の B サイト候補に対する予測 \(\Delta_1\)（\(\mu \pm \sigma\)）を横棒グラフで示している。化学的妥当性フィルタを通過し、UCB = \(\mu + \kappa\sigma\)（\(\kappa = 1.0\)）で順位付けされている。

Y が候補として選ばれた理由を、3つの層で整理する。

  1. 予測の層: UCB スコアが上位（rank 2）であり、\(\sigma\) も許容範囲内
  2. 化学の層: OS=3, CN=6 で B サイトに入れる化学的妥当性がある
  3. 新規性の層: Al, Ga, Rh, Ir といった従来のドーパントとは異なる希土類元素であり、直感的ではない候補である

小課題 6-2　予測平均だけで選ぶリスク

  1. Fig. 3 で \(\mu\) が最も低い元素はどれか
  2. その元素の \(\sigma\) は Y と比べてどうか
  3. \(\mu\) だけで候補を選んだ場合、何が起きうるか

解答例 6-2

  1. 論文の全候補スクリーニングでは Bi が上位に来る。ただし第 5 章の教育用 5 元素コードでは Bi は対象外である
  2. 論文のスクリーニング結果では、Bi と Y の \(\sigma\) はほぼ同程度であり、いずれも OOD 警告には該当しない。両者とも学習データの内挿範囲に近い
  3. \(\mu\) が低くても \(\sigma\) が大きい場合、実際の \(\Delta_1\) は予測と大きく異なる可能性がある。合成・測定のコストをかけた結果、期待外れに終わるリスクが高い。ただし Bi の場合は \(\sigma\) が特段大きいわけではない点に注意せよ

4 6.4 実験データを読む：主張・証拠・限界

論文では、Y を実際に置換した LaCo\(_{1-x}\)Y\(_x\)O\(_3\)（\(x = 0, 0.02, 0.05, 0.07\)）を合成し、XRD・XPS・磁化で検証している。各実験データを「主張」「証拠」「限界」の3点で読み解く。

4.1 XRD（Fig. 4, 5）：構造変化

論文 Fig. 4, 5, Table 2 を参照

Fig. 4 は XRD パターン、Fig. 5 は格子パラメータの Y 含有量依存性、Table 2 は Rietveld 精密化の結果を示す。

主張 証拠 限界
全試料が R\(\bar{3}\)c 単相 不純物ピークなし（Fig. 4） Y の固溶限界は検証範囲外で不明
異方的格子応答 \(c/a\) が 2.406 → 2.417 に単調増加、体積は ±0.3%（Table 2） \(x = 0.07\) の \(c/a\) にわずかな飽和傾向あり

ここで重要なのは、Y 置換の効果が 単純な体積膨張ではない ことである。\(a\) 軸が縮み \(c\) 軸が伸びるという異方的な応答は、実験結果として読むべき事実である。Y³⁺ の大きなイオン半径は歪みの有力な起点でありうるが、半径差から直ちに異方性の方向（どの軸が伸び、どの軸が縮むか）まで決まるわけではない。この異方性の解明が \(\Delta_1\) 低下のメカニズムを探る鍵になる。

4.2 XPS（Fig. 6）：Co の価数

論文 Fig. 6 を参照

Fig. 6 は Co 2p XPS スペクトルを示す。CoO と LaCoO₃ を参照スペクトルとしてフィットしている。

主張 証拠 限界
大きな Co\(^{2+}\) 成分は支持されない Co 2p スペクトルが CoO（Co\(^{2+}\)）と異なり、LaCoO₃ と一致 XPS は表面感受性が高く、バルク全体を代表するとは限らない。少量の Co\(^{4+}\) や微妙な混合価数を強く排除するのは難しい

この結果は、顕著な Co の価数変化を \(\Delta_1\) 低下の主因とみなす証拠が弱いことを意味する。\(\Delta_1\) の低下は、価数変化よりもむしろ 結晶場の修飾 によるものだと示唆される。ただし、微小な価数変化の寄与を完全に排除するものではない。

4.3 磁化（Fig. 7, 8）：\(\Delta_1\) の低下

論文 Fig. 7, 8, Table 3 を参照

Fig. 7 は磁化率の温度依存性、Fig. 8 は磁化フィッティング、Table 3 は \(\Delta_1\) の実験値と ML 予測値の比較を示す。

主張 証拠 限界
Y 置換で \(\Delta_1\) が低下 \(\Delta_1 = 160 \to 45\) K（Table 3） フィッティングモデルの仮定に依存
低温磁性の増強 磁化ピークの低温シフト、4.2 K 磁化の増加（Fig. 7） IS/HS の寄与分離は容易ではない
ML 予測と傾向一致 減少傾向は一致（Fig. 9） 絶対値にオフセットが残る

小課題 6-3　実験がなかったら

もし論文に実験データ（XRD, XPS, 磁化）がなく、ML の予測だけだったら、論文の主張のどこが弱くなるか。3点挙げよ。

解答例 6-3

  1. Y が実際に B サイトに固溶するかどうかが不明。ML は「B サイトに Y が入った場合の \(\Delta_1\)」を予測しているが、それが実現可能かは実験でしか分からない
  2. Co の価数が変化しないことの証拠がない。\(\Delta_1\) 低下の原因が価数変化なのか結晶場修飾なのかを区別できない
  3. \(\Delta_1\) の予測値と実験値の比較ができない。予測がどの程度当たっているか、どこで外れているかの情報がなく、モデルの改善指針が得られない

5 6.5 因果連鎖を再構成する

第1章で描いた因果連鎖を、実験データを踏まえて再構成する。

flowchart LR
    A["Y³⁺ 置換<br>（Co³⁺ サイトへ）<br>Fig. 4: R3̄c 単相"] --> B["異方的格子応答<br>c/a: 2.406→2.417<br>体積: ±0.3%<br>Table 2, Fig. 5"]
    B --> C["結晶場の変化<br>CoO₆ 八面体の歪み<br>Fig. 6: Co³⁺ 維持"]
    C --> D["Δ₁ の低下<br>160→45 K<br>Table 3, Fig. 8"]
    D --> E["低温での<br>磁性発現<br>Fig. 7"]
図 2: Y 置換による磁性変化の因果連鎖（実験データとの対応を付記）

第1章の因果連鎖と比べて、各矢印に対応する実験事実が明示されている点が異なる。ただし、矢印の強さは同じではない。「Y³⁺ 置換 → 異方的格子応答」と「\(\Delta_1\) 低下 → 磁性発現」は直接観測に近いが、「異方的格子応答 → 結晶場変化」の接続は、もっともらしい推論ではあるものの直接観測そのものではない。SHAP 解析（Fig. 10）では、残差予測への寄与が最も大きい特徴量がイオン半径であることが示されている。これはモデルがイオン半径に強く依存していることを意味するが、物理的因果の証明ではない点に注意せよ。

論文 Fig. 10 を参照（SHAP 解析）

Fig. 10 は、残差 GPR に対する SHAP summary plot を示す。イオン半径（Ion Radius）の寄与が最も大きく、次いで電気陰性度、電子親和力、イオン化ポテンシャルの順である。

6 6.6 この研究の強みと限界

6.1 強み

  1. 物理 informed Δ-learning: 単調ベースラインで物理を吸収し、残差を ML で学習する設計が、18組成という少ないデータで有効に機能している
  2. 不確かさ込みのスクリーニング: \(\mu\) だけでなく \(\sigma\) も考慮した候補選定が、リスク管理を可能にしている
  3. 閉じたループ: ML 予測 → 候補選定 → 合成 → 構造・電子状態・磁性の多角的検証 → 物理的解釈、という研究サイクルが完結している

6.2 限界

  1. データ規模: 18組成は ML としてはかなり少ない。GPR の \(\sigma\) はデータの少なさを反映するが、それでも外挿予測の信頼性には限界がある
  2. 低 \(\Delta_1\) 領域: 学習データが少ないため、予測精度が低い。\(x = 0.05\) で ML は \(\Delta_1 = -49\) K を予測したが実験では \(+45\) K であり、絶対値に大きなオフセットがある（Table 3）
  3. 記述子の範囲: 4種の記述子では捉えきれない物理効果（電荷移動、超交換相互作用等）がある可能性がある

小課題 6-4　次のデータを増やすなら

もしデータを追加して予測精度を向上させるなら、どの領域のデータを優先的に増やすべきか。理由も述べよ。

解答例 6-4

低 \(\Delta_1\) 領域（\(\Delta_1 < 100\) K）のデータを優先的に増やすべきである。理由は2つある。(1) この領域は学習データが少なく、GPR の \(\sigma\) が大きい。(2) 材料設計として最も関心のある領域（\(\Delta_1\) を下げたい）であり、ここの予測精度が向上すればスクリーニングの信頼性が直接改善される。論文自身も、低 \(\Delta_1\) 領域での相対誤差の大きさを課題として指摘している。

7 6.7 研究提案：あなたならどの候補を選ぶか

最後に、これまでの学びを総合して、自分自身の研究提案を構成する。

提案は以下の5項目で構成する。

  1. 候補元素: どの B サイト元素を選ぶか
  2. 根拠: どの \(\mu\)、\(\sigma\)、UCB スコアに注目したか
  3. 不確かさの評価: 堅実候補か挑戦候補か
  4. 実験計画: XRD、XPS、磁化のうち何を優先し、何が見えれば成功か
  5. 限界とリスク: 何が予測と異なる可能性があるか

小課題 6-5　3分研究提案

候補元素を1つ選び、上の5項目に沿って研究提案を300字以内で書け。Y 以外の元素を選んでもよい。

重要な条件: 論文の事実と自分の推論を区別して書くこと。

解答例 6-5（Y の場合）

候補: Y（イットリウム）。根拠: Fig. 3 で UCB rank 2 の有力候補。\(\mu\) は中程度だが \(\sigma\) は許容範囲内（OOD 非該当）。不確かさの評価: 堅実候補寄り。既存の遷移金属候補とは異なる希土類であり、新規性もある。実験計画: まず XRD で単相性を確認し、不純物相がなければ磁化測定で \(\Delta_1\) を抽出する。XPS で Co³⁺ の維持を確認し、格子パラメータの異方性（\(c/a\) 比）を議論する。限界: ML 予測は \(x = 0.05\) で \(\Delta_1\) が負になると示唆するが、実験値は正である。絶対値の定量的一致には課題が残る。（これは推論であり、論文 Table 3 の事実に基づく。）

8 6.8 この論文から学んだこと

6章を通して学んだことを、3つの層で整理する。

層 学んだこと
データ構築 元素名ではなく、酸化数・配位数で文脈を限定したイオン物性値を、組成比で加重平均して特徴量を作る
モデルと評価 物理ベースラインで大枠を押さえ、残差を GPR で学ぶ。評価は CV で行い、前処理のリークを防ぐ。予測値だけでなく不確かさも報告する
研究設計 ML は候補を出す道具であり、答えではない。実験で検証し、物理に戻して初めて研究が完結する

この論文を書いたのは AI ではない。問いを立てたのも、実験を設計したのも、物理に戻したのも人間である。機械学習は、その人間の仕事を効率化する道具として使われた。

9 章末演習

演習 6-1　本書の簡略モデルでは見えにくく、論文モデルで見えたものを2つ挙げよ。

演習 6-2　実験データ（XRD, XPS, 磁化）がなかった場合、論文の主張のどこが弱くなるかを200字以内で論じよ。

演習 6-3　この論文を5行以内で要約せよ。ただし、\(\Delta_1\)、記述子、GPR、Y、実験検証の5語を必ず含めること。（第1章の演習 1-1 と同じ問いである。当時の自分の回答と比較してみよ。）

演習 6-4　「機械学習は材料研究の答えを出すか」という問いに対して、この論文を根拠にして150字以内で答えよ。