投稿

LLMを研究アシスタントに使えるか？～銅酸化物超伝導の研究を例に～

イメージ
 【イントロ】 ある研究分野の歴史が長いほど、何がわかっていて何がだめな取り組みだったのか、 もはやすべてを理解しているのは長年研究に従事してきたその分野の専門家だけとなり、 新規参入者がすべてを把握するのは難しくなります。 新規参入者がいない分野は、いずれ滅んでしまう悲しい現実。 学生や若手研究者が新しい研究分野に取り組もうとしたとき、そんな研究への障害をAIにより取り除き、新しい風を研究分野に取り込むことは可能でしょうか？ AIに取り組みたい研究分野の概観や未解決問題を問いかければ、専門家も納得する精度の回答を返してくれるのであれば、若い研究者が新しい分野へ挑戦することが容易になり、新発見につながる可能性が高くなると期待されます。 では、現在の最先端のLLMベースのAIシステムは、長い歴史をもつ研究分野の専門家が納得するような回答を返してくれるのでしょうか？ この問を、40年近い研究の歴史を持ちつつ多くの未解決問題を抱える、銅酸化物高温超伝導体の研究をテーマに取り組んだ研究がArxivに報告されました。 本記事では、コーネル大学とGoogleを中心とする研究チームによるこの研究論文、 Haoyu Guo et al. ,  Expert Evaluation of LLM World Models: A High- Superconductivity Case Study ,  arXiv:2511.03782 [cond-mat.supr-con] ( Accepted at the ICML 2025 workshop on Assessing World Models and the Explorations in AI Today workshop at ICML'25) を読んでみました。 【方法】 銅酸化物超伝導体は、常圧で最高の超伝導体転移温度を持つ物質群であり、リニアモーターカーや核融合発電への応用だけでなく、基礎的な超伝導発現メカニズムだけでなく常伝導状態の異常物性、そして室温常圧超伝導体への実現につながる可能性から、多くの研究者の注目を集め続けています。 一方で、1986年の発見以来、40年近い時間の中で膨大な研究が行われ、その中の研究をすべて把握することは、学生や若手研究者にとって困難となっている状態です。...
コメントを投稿
続きを読む

2025年11月の気になった論文（暫定版）

イメージ
たすけて～～～ ※Amazonアフィにアクセスしてやってください🙇‍♀🙇‍♀🙇‍♀🙇‍♀🙇‍♀🙇‍♀ Kindle本 セール＆キャンペーン https://amzn.to/4oTi1Pn ‐2025/11/12,13,14‐‐ Broadband nonlinear Hall response and multiple wave mixing in a room temperature altermagnet https://arxiv.org/abs/2511.10471 結晶対称性は、機械的圧力や電磁場といった外部刺激に対する材料の線形応答および非線形応答を決定し、圧電効果、光学活性、広範囲にわたる技術的応用が可能な多重波混合現象などの物理現象を支配する。オルタマグネティック材料は、磁気的結晶秩序を有する新たな材料クラスであり、特定の結晶対称性操作によって反強磁性サブ格子が接続されることで、電子バンド構造の非相対論的スピン分裂が生じる。したがって、オルタマグネティック材料の電気的物性は、これらの基礎となる対称性特性を特異的に反映するはずであり、外部駆動場に対する応答において新規な物理現象の発現が期待される。本研究では、室温環境において交代磁性材料であるCrSbにおいて広帯域の第三次非線形異常ホール効果を発見したことを報告する。 Emergent electronic insulating states in a one-dimensional moiré superlattice https://arxiv.org/abs/2511.10140 二次元（2D）ファンデルワールス（vdW）モアレ超格子は、多様な新規量子状態を自在に設計可能な強力な制御パラメータとして機能してきた。しかしながら、このようなモアレ構造を利用した工学的手法を一次元（1D）vdW系に拡張することはこれまで困難であった。本研究では、アームチェア型単層カーボンナノチューブ（SWNT）を二次元六方晶窒化ホウ素（hBN）基板上に結晶学的に整列させることで、新たな1Dモアレ超格子におけるモアレ構造制御による電子絶縁状態の実現について報告する。 Observation of Shapiro Steps in the Charge Density Wave State Induced ...
コメントを投稿
続きを読む

（メモ）WindowsでUbuntu使う方法

 参考にしたWebサイト Windows上でLinux仮想環境を構築【WSL2でお気楽Web開発】 https://www.value-domain.com/media/wsl2-linux/ WSL2+pyenv+PoetryでPython開発環境構築 https://zenn.dev/claustra01/articles/0d8efd08905526 Geminiの回答 ※ローカルに保存
コメントを投稿
続きを読む

ガウス過程回帰で電気抵抗の温度依存性を予測できるかやってみた

イメージ
 【イントロ】 実験て楽しいですよね。 特に初めて作った物質の物性を初めて測定する瞬間、 世界で誰も見たことがない物性が測定が進むにつれて明らかになっていく時間、 最高のときめきです。 ときめきメモリアル forever with you エモーショナル© ところがどっこい。順調に測定がすすめばよいですが、 途中で相転移なんて起こった日にはたまらない。 もっと温度変化を細かくとっておけばよかった！ と後悔するころには実験マシンタイムは終わってしまいます。 え？1回目は試し測定で荒く測定して、2回目で細かく測ればいいだけ？ はぁ・・・ 鬼滅の刃© そんな悲劇を回避するために、測定済みのデータ点からこれから測定するデータが取りうる値の幅を予測することは可能でしょうか？ そうした手法の1つが ガウス過程回帰 です。 本記事では、ガウス過程回帰を用いて実験データを予測することが可能か、試してみました。 【手法】 本記事では、予測する実験データとして、電気抵抗の温度依存性を例に着目しました。 電気抵抗の温度依存性の例として、以下３つについて、分析を行いました。 一般的な金属 半導体 超伝導体 ガウス過程回帰(Gaussian Process Regression)については、持橋他「 ガウス過程と機械学習 (機械学習プロフェッショナルシリーズ) 」を参考にしました。 一般的な線形回帰では、係数を測定点から決定しますが、ガウス過程回帰では、測定点自体が特定の確率分布から得られると仮定して、予測の分散付きで予測値を算出することが可能となります。このとき、測定点から近い予測点は分散が小さく、遠い点は分散が大きく予測されます。測定点と予測点の近さを表す関数はカーネルと呼ばれますが、カーネル関数を調整し、さらにカーネルのパラメータを測定データを使って決定することで、様々な関数を学習し予測することが可能になります。 今回はカーネルは標準的なRBF(Radial Basis Function)を利用しています。 コーディングについては、ChatGPTとClaudeを利用しました。 利用したノートブックのHTMLを記事の末尾に記載します。 【結果】 まず一般的な金属の例です。 一般的な金属では電子とフォノンによる散乱が電気抵抗の主な要因です。 電子フォノン散乱による...
コメントを投稿
続きを読む