この論文は、自動化された走査型顕微鏡と機械学習を組み合わせて、物質のナノ構造と局所的な機能（電気的応答など）の関係をより効率的に見つける枠組みを示します。研究者らは「デュアル・ノベリティ深カーネル学習（DN‑DKL）」という手法で測定地点を自律的に選び、「デュアル変分オートエンコーダ（Dual‑VAE）」で画像と局所スペクトルを同じ空間に埋め込み、構造と特性の関係地図を作りました。実験対象にはハロゲン化ペロブスカイト薄膜を用い、導電型原子間力顕微鏡で局所の電流‑電圧データを取得しています。

実際に行ったことは二段階です。まずDN‑DKLが「これまでに見たことのない」構造やスペクトルを優先して顕微鏡を誘導し、多様で情報豊かなデータを自動収集します。ここでの「新規性（ノベリティ）」は、取得したスペクトルや画像が既存データとどれだけ異なるかを数値化したものです。次にDual‑VAEが取得した画像（構造情報）とスペクトル（機能情報）を共同で低次元空間に埋め込みます。この共有空間を調べることで、どの構造がどのような電気的振る舞いと結びつくかを可視化できます。最終的な解釈は人の専門家が行い、物理的な意味づけを加えます。

仕組みを大まかに説明すると、従来の手法は研究者が測定点や目標を事前に決めることに依存していました。これだとサンプルの多様性が十分に取れず、予期せぬ現象を見逃しやすいという問題があります。今回の枠組みでは、顕微鏡の自動化に加えて、画像とスペクトルそれぞれに対する新規性スコアを導入し、取得すべき次の点を「画像の新奇性」と「スペクトルの新奇性」の双方で判断します。Dual‑VAEは多対多の関係になりがちな構造と特性を同じ潜在空間で表現するため、複雑な依存関係を分離して解析しやすくします。

この方法の成果として、ハロゲン化ペロブスカイト薄膜でいくつかの局所的な電気挙動の違いが明らかになりました。具体的には、粒界の接合点（トリプルジャンクション）でバイアス条件に応じてヒステリシス（履歴依存の電流変化）が現れることや、非対称な粒界が電荷輸送を抑えることが示されました。これらは平均的な粒径だけを見てもわからない局所ジオメトリの影響を示しており、局所的な「トラップ」形状が全体特性を左右する例です。こうした知見は、材料設計やデバイス最適化のための微視的理解を深める助けになります。

留意点もあります。従来の監督学習や目的指向の能動学習は、事前に定めた指標に従うため発見の範囲が狭まりがちだと著者らも指摘しています。今回の新規性駆動アプローチはその問題に対処する設計ですが、どのように「新規性」を定義するかや埋め込み空間の学習設定など、アルゴリズムの選択が結果に影響します。また、最終的な物理的解釈は人間の専門家の判断に依存しており、自動化だけで完全に解釈できるわけではありません。これらの点は今後の適用範囲や信頼性評価で注意が必要です。