原子レベルでの構造制御が可能なMBE薄膜を用いた遷移金属酸化物の研究は、 物性物理における魅力的な研究対象、例えば、高温超伝導の研究に大きく貢献して来ています。 我々の独自技術を結集した酸化物MBEシステムにより、既存物質の高品質薄膜や人工超格子の作製、 さらには新奇物質の合成・発見などの成果を創出してきました。 近年では、酸化物薄膜作製技術を窒化物へ展開し、新超伝導体創製に向けて取り組んでいます。

[1] A. Ikeda et al., Phys. Rev. Mater. 3, 064803 (2019)

[2] Y. Krockenberger et al., ACS Omega 6, 21884-21891 (2021)

[3] A. Ikeda et al., ACS Appl. Electron. Mater., 4, 2672-2681 (2022)

[4] K. Takiguchi et al., Phys. Rev. B, 112, 224520 (2025)

[5] K. Takiguchi et al., arXiv:2607.28909 (2026)

物質の「トポロジー」が生み出す特異な電子状態に着目し、次世代のスピントロニクスと量子情報技術につながる材料を研究しています。 独自の高品質な薄膜成長技術を用いて、磁性体・半導体・超伝導体などを原子レベルで積み重ね、異なる材料の境界に現れる電子状態を設計・解析することで、 省電力で動作するスピントロニクス技術の開拓と、マヨラナ準粒子の実証に向けた基礎研究を進め、新たな物質科学の可能性を切り拓きます。

[1] Y. Tanaka et al., Appl. Phys. Lett. 124, 072408 (2024)

マテリアルズインフォマティクスと自動実験技術を組み合わせ、薄膜成長プロセスの自律化に取り組んでいます。薄膜材料の研究開発では、温度、圧力、原料供給量など多数の成長パラメータが結晶品質・組成・物性に複雑に影響するため、従来は熟練者の経験や試行錯誤に大きく依存してきました。当グループはこの課題に対し、機械学習が次の実験条件を提案し、成膜・評価の結果をもとにモデルを更新する「条件提案--成膜--評価--モデル更新」の閉ループ実験を構築してきました。中核となる技術は、少数の実験から有望な条件を効率的に探索するベイズ最適化(BO)と、物理法則や経験則を組み込んで探索を加速するPhysics-informed Bayesian Optimization (PIBO)です。さらに、実験失敗や局所最適への停滞を前提としたアルゴリズム改良も進め、実際の結晶成長に耐える自律最適化手法として発展させています。これらの手法をMBE、MOCVD、自律スパッタなど多様な成膜システムに展開し、ペロブスカイト酸化物、III-V族化合物半導体、ワイドギャップ酸化物など、基礎物性研究からデバイス応用まで幅広い材料系で機能向上・新物性開拓を実現してきました。さらに、自律実験で蓄積されたデータを解析し、人が理解し再利用できる成長則・プロセス知として抽出します。これら自動化、機械学習、物理的理解を一体化することで、材料・デバイス開発のサイクルを加速し、次世代の自律型材料研究の基盤構築を目指しています。

[1] Y. K. Wakabayashi et al., APL Mater. 7, 101114 (2019).

[2] K. Takiguchi et al., Nat. Commun. 11, 4969 (2020).

[3] Y. K. Wakabayashi et al., npj Comput. Mater. 8, 180 (2022).

[4] W. Kobayashi et al., npj Comput. Mater. 11, 36 (2025).

[5] Y. K. Wakabayashi et al., arXiv:2602.22531 (2026).