高エネルギー加速器研究機構（KEK），総合研究大学院大学，統計数理研究所，東京理科大学は共同で，物質・材料の構造評価に不可欠な計測データである粉末X線回折パターンから，機械学習を用いて結晶の対称性を予測する手法を開発した（ニュースリリース）。

さらに機械学習モデルの解析を通じて，これまで明示されていなかった「粉末X線回折パターンを見ただけでおおよその対称性を推定できる熟練者の経験知」を定式化することに成功した。

X線・中性子線・電子線などの量子ビームを用いて得られる粉末回折パターンは，物質・材料の機能と性質を支配する結晶構造の情報を得るためには欠かせない測定データであり，物質・材料研究において最も多く収集されている測定データの一つ。

粉末回折パターンから結晶構造の情報を得るために必須のデータ解析は，手間と時間がかかる上に熟練した技術を要することが多く，結晶構造解析の課題となっていた。

研究グループは，熟練した研究者が回折パターンを見て結晶構造の対称性をおおまかに当てることができることに着目した。しかしながら，こういった視覚的印象に基づく判断の基準は定量的に明らかにされていなかった。研究グループは，これを熟練した研究者間で漠然と共有されている経験的知識であると考え，機械学習を通じてそのルールを明らかにすることを試みた。

機械学習を用いて粉末回折パターンから対称性を予測するためには，高精度な機械学習モデルを構築する必要がある。機械学習モデル構築を行なうために，結晶構造データベースに掲載された結晶構造をもとに20万件の粉末X線回折パターンを計算し学習データを作成した。

このデータをもとに，多数の決定木（入力データがある条件に当てはまるかどうかの条件分岐を繰り返すことで予測を行なうアルゴリズム）を用いた学習を行ない，多数決により予測を行なう機械学習モデルを構築した。

その結果，結晶構造の代表的な特徴である結晶系・空間群をいずれも90%を超える精度で自動かつ高速（一般的なノートPCを用いて1件あたり1000分の1秒以下）に予測することができた。

この研究で用いた解釈可能な機械学習アプローチにより，熟練者の勘・コツのように研究者間で漠然と共有されていた経験的知識を、計測データの中から発見し定式化することが可能となるという。研究グループは，定式化された知識を用いて誰でも熟練者なみの計測データ解析を効率的に行なえるようになり，科学研究を加速することが期待されるとしている。