データ駆動型材料最適化のための電子顕微鏡画像自動解析 電子顕微鏡画像の定量解析と詳細な微細組織情報の抽出を自動化する深層学習ワークフローを開発しました。これらの手法は、対話型画像解析ソフトウェアや、Research Data Express（RDE）を含む実験データ収集システムに実装されています。FePt HAMR媒体を対象として、微細組織情報、磁気特性、成膜条件を機械学習に基づく最適化アルゴリズムと組み合わせることにより、有望な製造条件を探索できることを実証しました。同様の手法は、半導体ナノ構造など、他の材料系にも応用されています。 仮想実験のための高精度デジタルツイン FIB-SEMトモグラフィー、深層学習による画像セグメンテーション、高度な画像後処理技術を組み合わせ、Nd–Fe–B永久磁石の現実的な三次元デジタル微細組織を構築するワークフローを開発しました。従来の単純化されたモデルとは異なり、これらのデジタルツインでは、実験で観察された結晶粒の形状や複数の粒界相の空間分布を忠実に再現しています。マイクロマグネティックシミュレーションと組み合わせることで、結晶粒径、粒界相の特性、微細組織中の欠陥が保磁力や磁化反転に及ぼす影響を明らかにしています。さらに、一般的な二次元顕微鏡画像からシミュレーションに利用可能な三次元モデルを効率的に構築するため、AIを活用した微細組織生成手法の開発も進めています。 不確かさを考慮した微細組織の定量評価 材料の自動評価の信頼性を向上させるため、FePt HAMR媒体を対象に、不確かさを考慮した深層学習ワークフローを開発しました。校正された検出信頼度スコアとモンテカルロサンプリングを組み合わせることで、結晶粒の検出や粒界位置の特定に伴う不確かさを定量化し、それらが算出される微細組織の特徴量に及ぼす影響を評価します。このような情報を活用することで、材料データベースの品質向上や、より信頼性の高いデータ駆動型材料最適化への貢献が期待されます。