km.phd

民間企業の光学系研究者。修士すっとばして博士。異業種チャレンジ中。
測定機器メーカ→精密機器メーカ→イマココ
座右の銘:吾以外皆師也

[部品（石原さとみ） @tjmlab]

キラルでない結晶が“光の回転”を生む新原理を発見 －従来の定説を覆す新しいラマン光学活性の起源を解明－
https://t.co/hYMw7Lkr7X
中心対称性を持つため本来は右円偏光と左円偏光で同じ応答を示すはずの結晶でも、フェロアキシャル秩序を持つ場合には、ラマン散乱強度に顕著な差が生じる

知見だ

[russianblue @russianblue2009]

金は錆びない。これは常識ですが、その「なぜ」が原子レベルで初めて解明されました。

チューレーン大学の研究チームが今月、Physical Review Lettersに発表した論文によると、金の表面は自然に「六方形の超緻密な配列」へと自己変換します。この配列が、酸素分子が金に触れた際に分解・結合することを物理的に妨げています。配列が崩れると、酸素の解離が数十億〜数兆倍も起きやすくなることも確認されました。

1980年代、金のナノ粒子が優れた酸化触媒になることが発見され、研究者たちは長年「なぜ小さくなると活性化するのか」を問い続けてきました。今回の研究はその逆側から答えています。バルク状の金が不活性なのは、表面が自ら「守りの形」に変形しているからです。ナノ粒子ではその変形が起きにくく、酸素が入り込める隙が生まれます。

貴金属の「不活性」は固有の性質ではなく、表面形状が生み出す動的な状態だということです。この原理を応用すれば、燃料電池・医療用触媒・環境浄化技術において、金の「活性と不活性を意図的に切り替える」設計が視野に入ります。

素材の本質は、組成より形状にある。そういう知見です。

Gold doesn't rust. We've known that forever. What we didn't know was exactly why — until now.

A team at Tulane University published findings this month in Physical Review Letters showing that gold surfaces spontaneously reorganize into a tightly packed hexagonal structure. That atomic arrangement physically blocks oxygen molecules from splitting apart and bonding with the surface. When the structure breaks down, oxygen dissociation becomes billions to trillions of times more likely.

This fills in a gap that's been open since the 1980s. Back then, researchers discovered that gold nanoparticles — unlike bulk gold — are surprisingly effective catalysts for oxidation reactions. The standing question was why. This research answers it from the opposite direction: bulk gold is inert because its surface actively defends itself. Nanoparticles don't reconstruct the same way, so oxygen finds a way in.

The implication is more than academic. If the activity of a gold surface is governed by atomic geometry rather than chemical composition, then engineering that geometry — turning reactivity on or off — becomes a concrete design target. Fuel cells, medical diagnostics, and environmental catalysts all stand to benefit.

Inertness, it turns out, isn't a fixed property. It's a posture.

[Itaru Tomita / 冨田到 @itarutomy]

385,217パラメータのニューラルネットが、計算化学60年の難問を破った（https://arxiv[.]org/abs/2506.14665）。

MicrosoftのSkalaは、DFT（密度汎関数理論：分子・材料の電子状態を計算する主力手法）の核心部分「XC汎関数（交換相関汎関数）」をDeep Learningで学習させた。薬の設計から電池材料・触媒開発まで幅広く影響する話だ。

DFTには60年続く呪いがある。「Jacob's ladder」と呼ばれる近似の階層で、精度を上げるとコストが爆発する。安い方法（semi-local DFT）は計算量O(N³)で速いが精度が低い。精度の高いハイブリッド汎関数はO(N⁴)以上で10〜100倍遅い。

Skalaはこのトレードオフを正面から崩した。O(N³)コストのままGMTKN55ベンチマーク（熱力学・反応速度論・非共有結合相互作用など55種のテスト）で誤差2.80 kcal/mol。最高精度のハイブリッド汎関数ωB97M-V（3.23 kcal/mol）を上回り全functionalの中でトップ。

アーキテクチャが秀逸。DFTの積分グリッド（分子を10⁴〜10⁶の格子点で覆った空間）上で、格子点間の情報交換を原子中心の「粗いグリッド」を介して行う。各格子点から球面調和関数（ℓ=0〜3）と16次元の動径基底関数への射影→原子中心で集約・処理→格子点へ逆射影、を3層繰り返す。これでコストO(N)を保ちながら非局所量子効果を獲得した。385k paramsで非局所branchが誤差を約50%削減している。

学習も2段階。まずB3LYP密度を使い約40万件のCCSD(T)/CBS精度データで事前学習。次にSCF（自己無撞着場）ループを回しながら自分の電子密度で微調整する。驚くのはこのSCF微調整でエネルギー誤差と電子密度精度が同時に向上したこと。「誤差が相殺しあって見かけ上精度が良くなる」という現象を起こさず、物理的に正しい方向で改善している。双極子モーメントのRMSEも4.43%でベスト（ωB97X-V比較: 5.18%）。

データが増えるほど精度が体系的に向上するスケーリング性質も確認済み。物理的制約（運動相関エネルギーの正値性）すらデータから自然に学習される。DFT精度がデータ量に比例して改善し続ける「DFTのImageNet時代」かもしれない。

[Daisuke Okanohara / 岡野原 大輔 @hillbig]

現代化学で連載中の「AIによる計算化学の発展」の「第4回：波動関数のニューラルモデル化」の記事の公開許可を得たので公開します。

波動関数は反対称性（パウリの排他原理）という性質があり、それをどのように導入するかで様々な試みがあります。

スレッドにリンクを貼ります。

[南日本新聞【公式】 @373news_twit]

マイクロプラスチック問題解決へ期待…焼酎かすから生分解性プラ、曽於高校科学部が開発　エコワンGPで内閣総理大臣賞 https://t.co/2PiN59ICXG #南日本新聞 #鹿児島

[金子弘昌＠研究員（２４歳～６７歳）募集中 @hirokaneko226]

変数間の共分散に基づく変数選択法 g-CovSel の論文。変数間の分散共分散行列に基づいて変数をグループ分けし、目的変数と説明変数の間の相関やグループ間の相関を考慮して選択。近赤外分光法のデータやゲノムデータに適用し、解釈可能な変数が選択されることを確認

https://t.co/CxtXszI1aL

[部品（石原さとみ） @tjmlab]

理研・東大など、量子力学的な位相効果を利用することで本来は電気伝導に寄与しない励起子からの光電流発生に成功
https://t.co/8WYJ3mlZgn
従来の太陽電池や光検出器において利用が困難であった励起子を有効に活用する道を開くとともに、励起子物性に関する新しい理論的枠組みの構築に貢献

革命だー

[金子弘昌＠研究員（２４歳～６７歳）募集中 @hirokaneko226]

様々な温度における2成分混合溶媒系での医薬品溶解度を機械学習で予測する論文。123 種の溶質 (約30%はFDA承認薬)、44 種の溶媒、110 種の2成分溶媒混合液、373 種の溶質-2成分溶媒系を含む、様々な温度における 27000 点の溶解度データセットを使用。溶質と溶媒において、MACCS Keys と RDKit 記述子を分子記述子として使用。8 つの回帰分析手法で検討したところ、ベイズ最適化でハイパーパラメータを決定した LightGBM と XGB により良好な精度で予測できることを確認

データとコードはこちら https://t.co/4yx4Zxy6Cb

https://t.co/1Jmov8OSKT

[Ryusuke Hamazaki @rhamajaki]

揺らぎに関する速度限界に関する論文がCommunications Physicsから出版されました：
https://t.co/cBQlDJ6R2T
個人的には綺麗な結果だと思います。出版までだいぶ時間がかかりましたが、導出の一般化やエンタングルメントのバウンドなど、最初のバージョンよりも大幅にアップデートされています。

[山本 典史 | Nori Yamamoto @yamnor]

ボタンをポチッとするだけで「ケモインフォマティクス」「量子化学計算」「分子動力学シミュレーション」をお手軽に体験できるWebアプリを制作中。

[金子弘昌＠研究員（２４歳～６７歳）募集中 @hirokaneko226]

ニューラルネットワークと赤外分光法に基づくモデルの適用領域の論文。トレーニングデータから計算した2つの指標の0.99パーセンタイルとして設定。1つ目の指標は、新しいサンプルとモデルの中心との距離を意味する、ニューラルネットワークモデルの隠れ層の活性化関数から計算された平方マハラノビス距離。もう 1 つの指標は、低次元空間からスペクトルを再構成することで得られた平方スペクトル残差の合計。オートエンコーダ、デコーダを使用する2つのアプローチを検討。オートエンコーダはニューラルネットワークモデルで独立してトレーニングされ、デコーダはニューラルネットワークモデルの隠れ層からの活性化を使用。ディーゼル燃料サンプルにおける中赤外スペクトルから密度の予測や、近赤外スペクトルから肉の脂肪含有量の予測において、予測誤差の大きいサンプルをモデルの適用範囲外とできることを確認

https://t.co/60RsAjwB6G

[横山トモヤス｜計算材料科学者 @yoko_materialDX]

データベースのノイズ解析の論文。

アメリカ特許の化学反応データベースにはノイズデータが含まれ学習モデルに悪影響を与えますが、この要因をLLMで解析、誤った参照先と化学式が主なノイズで、これが強く影響する反応を特定できたそうです。

LLMの有用な使い方。
https://t.co/PmXZhjPotk

[部品（石原さとみ） @tjmlab]

Magnetic field sorting of superconducting graphite particles with Tc>400K
https://t.co/jz8uSyaDyx
磁場勾配を利用して工業用グラファイト粉末から超伝導粒子と通常粒子を選別する分離方法について報告

グラファイト粒子の400K以上室温超伝導の観測
ｷﾀ━━━━(ﾟ∀ﾟ)━━━━!!

[金子弘昌＠研究員（２４歳～６７歳）募集中 @hirokaneko226]

ハンセン溶解度パラメータの δd (分子間の分散力によるエネルギー)、δp (分子間の双極子相互作用によるエネルギー)、δh (分子間の水素結合によるエネルギー) を、COSMO-RS によって計算された cocrystal former の分子記述子から予測する論文。ガウス過程回帰、passive aggressive 回帰、多項式回帰で検討し、transient search optimization でハイパーパラメータを最適化。δp では passive aggressive 回帰、δp と δh ではガウス過程回帰で最も良好な予測精度を達成することを確認

https://t.co/spPTNrmXPr

[A-B @a___l___l___b]

USの医薬品不足についての記事ですが、原因として最初に挙げているのは「薬価が下がることで製造施設を近代化できない」こと。無菌医薬品は複雑かつ厳格な製造プロセスだが、ほぼ金銭的なインセンティブがないので規模を縮小している、とのこと。既視感があります。
https://t.co/nwztQEG8JD

[ノムオ @nomu_chem]

化学系のデータサイエンス（機械学習）で、「化学構造をどのように取り扱っているか」について図解してみました！

私も独学初期の頃、よくわからなかったのでこの場で整理してみます。

・化学構造をそのまま機械学習で取り扱うことはできない。
・化学構造を「その化学構造特有のベクトル」に変換して、機械学習で使える形にしている。
・pythonで化学構造→ベクトルに変換できる。
・単一の化合物だけでなく混合物であっても「固有のベクトル」に変換することが可能。
・化学構造をベクトルに変換できれば、あとは普段の機械学習（数学の問題）と同じ。
・化学構造（X）と性能（y）がセットのデータがあれば機械学習が可能。
・y = F(X)のFを機械学習で構築し、構築したFを基に性能を予測できる。

化学系の研究者の仕事は、「目標性能を達成するための化学構造の探索」と言えるので、化学構造を取り扱う機械学習を活用できる場面は多いと個人的には思っています。

まだまだ化学業界全体で見ても、できる人少ないんでチャンスありまくりです！
私も1人で頑張ってますし笑

「化学構造→ベクトル」に変換して性能を予測する一連の流れを私のブログでも紹介してますので是非ご覧いただければと思います！

[km.phd @phd_km]

@nekoace55 光学系はやっぱりSimple is Bestですね。光学系だけじゃないって

[km.phd @phd_km]

よーく考えようー、インターロックは大事だよ、大事だよね？

[金子弘昌＠研究員（２４歳～６７歳）募集中 @hirokaneko226]

プロセスシステム工学における、大規模言語モデルのような生成 AI のレビュー論文。分子設計、材料設計、プロセス設計、不確実性があるなかでの最適化、サロゲートモデル、メタヒューリスティック最適化、プロセスモデリング、ソフトセンサー、プロセス制御、異常検出における生成 AI の動向について解説し、生成 AI によるプロセスシステム工学の改善について議論

https://t.co/lNoPEdkTcL

[km.phd @phd_km]

社内より相談を受け、2名のアカデミアの方を紹介して脱アカ、社内でご活躍されている。ご本人たちも待遇に満足しているとのこと。

[D卒現場マネージャー@雪国単身赴任中 @nekoace55]

@tkmpkm1_mkkr 徐々にその流れになってますが、まだ加速すると思います
アカデミアの方も正当な対価頂けるようになれば良いです