Closed-loop discovery of out-of-distribution processing protocols by evolutionary search and uncertainty-aware learning

本研究は、履歴依存応答を示す材料システムの処理プロトコル探索を高次元制御問題として再定義し、進化的アルゴリズムと不確実性考慮型深層カーネル学習を結合したエンドツーエンド閉ループワークフローを提案する。走査型プローブ顕微鏡下での印加電圧波形最適化でフェロ電性薄膜の非線形電気機械応答を向上させ、従来の補間的プロトコル族の制約を超えた領域外発見を実現した点が高い新規性を有する。[L3]

実験検証により、最適波形はドメイン壁の弱ピン止め領域を選別的に活性化し、従来型は長距離不可逆切り替えを誘発することを観測する。このメカニズム解析は強磁性体・強誘電体のプロセス科学に知見をもたらすが、数値的インパクト（例：容量保持率向上%、サイクル寿命倍率）が明示されていない点が定量評価を制限する。[L3]

バッテリー業界への適用可能性としては、フォーメーション・焼鈍プロトコルの自動最適化による初期不可逆損失削減が見込まれ、NCA・NMC系および全固体電池の歩留まり・容量密度向上に直結する。ただし実セルスケールでの検証がなく、産業化距離は中程度。日本企業のプロセス革新ツールとしての評価は、同手法を自社フォーメーション装置に統合し定量インパクトを実証できるかに依存する。[L3]