第10章: ハンズオン — SATORIで科学研究エージェントを作ろう

mkdir ai4science-handson && cd ai4science-handson
git init

npx @nahisaho/satori init

ai4science-handson/
├── .github/
│   └── skills/
│       ├── scientific-literature-search/
│       │   └── SKILL.md
│       ├── scientific-statistical-testing/
│       │   └── SKILL.md
│       ├── scientific-eda-correlation/
│       │   └── SKILL.md
│       ├── scientific-deep-research/
│       │   └── SKILL.md
│       └── ... (全190スキル)

ls .github/skills | wc -l
# → 190

{
  "github.copilot.chat.mcpServers": {
    "tooluniverse": {
      "command": "uvx",
      "args": ["--refresh", "tooluniverse"],
      "env": {
        "PYTHONIOENCODING": "utf-8",
        "NCBI_API_KEY": "${env:NCBI_API_KEY}",
        "SEMANTIC_SCHOLAR_API_KEY": "${env:SEMANTIC_SCHOLAR_API_KEY}"
      }
    }
  }
}

python -m venv .venv
source .venv/bin/activate

pip install numpy pandas scipy matplotlib seaborn
pip install botorch ax-platform  # ベイズ最適化（演習4で使用）
pip install neo4j chromadb      # 知識グラフ（演習3で使用）

@workspace SATORIのスキル一覧から、統計検定に関連するスキルを教えて

ZnO薄膜へのAlドーピングがバンドギャップと導電性に与える影響について、
最新の論文を調査してください。
検索条件:
- データベース: PubMed, Semantic Scholar
- 期間: 2022年以降
- 対象: 実験論文（レビューを除く）
- 最大件数: 20件

検索結果をresearch/literature-search-results.mdとして保存してください。
検索クエリー、検索日時、各データベースのヒット件数、
スクリーニング結果を含めてください。

research/
└── literature-search-results.md  # 文献調査結果

research/literature-search-results.mdの論文データから、
エンティティ型定義（COMPOUND, METHOD, METRIC, FINDING, STUDY）に
従ってエンティティを抽出し、関係（CAUSES, CORRELATES_WITH, DOPED_WITH, 
REPORTS, MEASURES）を特定してください。
結果をJSON形式で出力してください。

{
  "entities": {
    "compounds": [
      {"id": "C001", "type": "COMPOUND", "name": "ZnO",
       "aliases": ["zinc oxide", "酸化亜鉛"], "category": "host_material"},
      {"id": "C002", "type": "COMPOUND", "name": "Al (Aluminum)",
       "aliases": ["aluminium", "アルミニウム"], "category": "dopant"},
      {"id": "C003", "type": "COMPOUND", "name": "AZO (Al-doped ZnO)",
       "aliases": ["Al:ZnO", "ZnO:Al"], "category": "doped_material"}
    ],
    "methods": [
      {"id": "M001", "type": "METHOD", "name": "RF Magnetron Sputtering",
       "category": "physical_vapor_deposition"},
      {"id": "M002", "type": "METHOD", "name": "Atomic Layer Deposition (ALD)",
       "category": "chemical_vapor_deposition"},
      {"id": "M003", "type": "METHOD", "name": "Sol-Gel Spin Coating",
       "category": "solution_process"}
    ],
    "metrics": [
      {"id": "MT001", "type": "METRIC", "name": "Band Gap",
       "unit": "eV", "typical_range": "3.3–3.6 eV"},
      {"id": "MT002", "type": "METRIC", "name": "Resistivity",
       "unit": "Ω·cm", "typical_range": "10⁻⁴–10⁻² Ω·cm"},
      {"id": "MT005", "type": "METRIC", "name": "Al Doping Concentration",
       "unit": "at%", "typical_range": "1–5 at%"}
    ],
    "findings": [
      {"id": "F001", "type": "FINDING",
       "name": "Burstein-Moss Band Gap Widening",
       "description": "Al濃度増加に伴いバーンシュタインモスシフトによりバンドギャップが3.37→3.55eVへ拡大",
       "confidence": "high"},
      {"id": "F003", "type": "FINDING",
       "name": "Excess Doping Degradation",
       "description": "Al>5at%でバンドテーリング効果により結晶性劣化・バンドギャップ再低下",
       "confidence": "medium"}
    ]
  },
  "relationships": [
    {"type": "DOPED_WITH", "source": "C001", "target": "C002",
     "label": "ZnO is doped with Al to form AZO"},
    {"type": "CAUSES", "source": "C002", "target": "F001",
     "mechanism": "Al³⁺ substitution raises Fermi level → Burstein-Moss shift"},
    {"type": "CORRELATES_WITH", "source": "MT005", "target": "MT001",
     "correlation": "positive",
     "description": "Al濃度↑ → バンドギャップ↑ (1-5at%の範囲)"},
    {"type": "CORRELATES_WITH", "source": "MT005", "target": "MT002",
     "correlation": "negative",
     "description": "Al濃度↑ → 抵抗率↓ (適正範囲内)"},
    {"type": "REPORTS", "source": "ST01", "target": "F001",
     "label": "P1 reports BM shift band gap widening (1-5 at%)"},
    {"type": "MEASURES", "source": "ST01", "target": "MT001",
     "value": "3.37–3.55 eV"}
  ]
}

抽出したエンティティと関係をNeo4jに登録するCypherクエリーを生成してください。
接続先: bolt://localhost:7687

// 化合物エンティティの登録
CREATE (zno:COMPOUND {id: "C001", name: "ZnO", category: "host_material"})
CREATE (al:COMPOUND {id: "C002", name: "Al", category: "dopant"})
CREATE (azo:COMPOUND {id: "C003", name: "AZO", category: "doped_material"})

// 成膜手法の登録
CREATE (sput:METHOD {id: "M001", name: "RF Magnetron Sputtering"})
CREATE (ald:METHOD {id: "M002", name: "Atomic Layer Deposition"})
CREATE (anneal:METHOD {id: "M006", name: "Thermal Annealing"})

// メトリクスの登録
CREATE (bg:METRIC {id: "MT001", name: "Band Gap",
        unit: "eV", typical_range: "3.3-3.6"})
CREATE (res:METRIC {id: "MT002", name: "Resistivity",
        unit: "Ω·cm", typical_range: "1e-4 to 1e-2"})
CREATE (alc:METRIC {id: "MT005", name: "Al Doping Concentration",
        unit: "at%", typical_range: "1-5"})

// 知見の登録
CREATE (f1:FINDING {id: "F001", name: "Burstein-Moss Band Gap Widening",
        confidence: "high"})
CREATE (f3:FINDING {id: "F003", name: "Excess Doping Degradation",
        confidence: "medium"})

// 関係の登録
CREATE (zno)-[:DOPED_WITH]->(al)
CREATE (al)-[:CAUSES {mechanism: "Fermi level rise → BM shift"}]->(f1)
CREATE (al)-[:CAUSES {mechanism: "Excess Al → grain boundary segregation"}]->(f3)
CREATE (alc)-[:CORRELATES_WITH {direction: "positive"}]->(bg)
CREATE (alc)-[:CORRELATES_WITH {direction: "negative"}]->(res)
CREATE (anneal)-[:CAUSES {mechanism: "crystallization & defect repair"}]->(f4)

research/knowledge_graph_entities.jsonの知識グラフデータを使い、
以下の手順でギャップ分析を実行してください。

1. ドーピング元素×成膜手法のマトリクスを作成し、
   DOPED_WITH関係とMETHOD関係の組み合わせで
   論文報告が存在しないセル（未探索の組み合わせ）を特定する

2. ドーピング元素×物性メトリクスのマトリクスを作成し、
   MEASURES関係が存在しない組み合わせ（未測定の物性）を特定する

3. CORRELATES_WITH関係が定義されているが、
   裏付けるSTUDYノードが2本未満の相関（エビデンス不足）をリスト化する

4. 上記の未探索・未測定・エビデンス不足の組み合わせから、
   次に優先して実験すべき条件を3件提案し、理由を付記する

出力形式:
- 未探索マトリクス（表形式、✓=報告あり / ✗=未探索）
- 優先実験候補リスト（条件・理由・期待される知見）

以下のパラメーター空間でZnOドーピング実験を計画してください。

パラメーター:
- ドーピング元素: Al, Ga, In
- ドーピング濃度: 1〜5 at%（連続値）
- 焼成温度: 400〜800°C（連続値）
- 焼成雰囲気: N₂, Ar, O₂

目的変数:
- 抵抗率（最小化）
- 透過率（最大化）

制約条件:
- In 5at%以上は偏析が発生するため除外（第5章の知識グラフより）
- 初期実験は最大10条件

実験計画法でラテン超方格の初期設計を作成してください。

param_space = {
    "dopant": {
        "type": "categorical",
        "levels": ["Al", "Ga", "In"],
    },
    "concentration_at_pct": {
        "type": "continuous",
        "bounds": [1.0, 5.0],
        "unit": "at%",
    },
    "annealing_temp_C": {
        "type": "continuous",
        "bounds": [400.0, 800.0],
        "unit": "°C",
    },
    "atmosphere": {
        "type": "categorical",
        "levels": ["N2", "Ar", "O2"],
    },
}

from scipy.stats import qmc

# カテゴリカル因子: 全9組み合わせに最低1条件 + 1追加 = 10条件
cat_combos = [(d, a) for d in dopants for a in atmospheres]
run_assignments = list(cat_combos) + [("Al", "N2")]

# 連続次元のLHDサンプリング
sampler = qmc.LatinHypercube(d=2, seed=42)
lhs_samples = sampler.random(n=10)

concentrations = qmc.scale(lhs_samples[:, 0:1], 1.0, 5.0).flatten()
temperatures   = qmc.scale(lhs_samples[:, 1:2], 400.0, 800.0).flatten()

# In ≥ 5at% の条件を 4.5at% に補正
df_design.loc[
    (df_design["dopant"] == "In") &
    (df_design["concentration_at_pct"] >= 5.0),
    "concentration_at_pct"
] = 4.5

# LHD品質指標
disc = qmc.discrepancy(lhs_normalized)  # Discrepancy (C²)
min_dist = np.min(pdist(lhs_normalized)) # 最小ペア距離

以下の模擬実験データを使って、ベイズ最適化の次の提案を生成してください。
獲得関数はExpected Improvement（EI）を使用してください。

| 条件 | 元素 | 濃度(at%) | 温度(°C) | 抵抗率(Ω·cm) | 透過率(%) |
|------|------|-----------|----------|--------------|----------|
| 1    | Al   | 2.0       | 500      | 6.67e-3      | 85.2     |
| 2    | Al   | 3.0       | 600      | 5.00e-3      | 82.1     |
| 3    | Ga   | 1.5       | 550      | 8.33e-3      | 88.0     |
| 4    | Ga   | 4.0       | 700      | 5.56e-3      | 78.5     |
| 5    | In   | 2.0       | 600      | 6.25e-3      | 84.0     |

次の実験提案:
  元素: Al, 濃度: 1.01at%, 温度: 800°C

理由:
  - 複合EI値がもっとも高い候補点（EI = 0.312）
  - 既存5条件に「低濃度 × 高温」の観測がなく、GPの予測不確実性が大きい
  - 不確実性の高い領域を探索することで、
    パラメーター空間の理解を効率的に拡大
  - 予測透過率85.2%は現行最良（条件3: 88.0%）に次ぐ水準を維持
  - In 5at%制約には抵触しない

data/experiment-results.csvを以下の内容で作成してください。

condition,element,concentration_at_pct,temperature_C,atmosphere,bandgap_eV,resistivity_ohm_cm,transmittance_pct,notes
EXP-001,Al,2.0,500,N2,3.42,6.67e-3,85.2,
EXP-002,Al,3.0,600,N2,3.48,5.00e-3,82.1,
EXP-003,Al,3.0,600,Ar,3.46,5.50e-3,83.5,
EXP-004,Ga,1.5,550,N2,3.40,8.33e-3,88.0,
EXP-005,Ga,4.0,700,N2,3.52,5.56e-3,78.5,
EXP-006,Ga,4.0,700,O2,3.50,6.00e-3,80.2,
EXP-007,In,2.0,600,N2,3.43,6.25e-3,84.0,
EXP-008,In,4.5,650,N2,3.38,7.14e-3,75.3,In偏析の兆候
EXP-009,Al,3.5,650,N2,3.50,4.76e-3,81.0,
EXP-010,Al,1.0,400,N2,3.39,1.00e-2,90.1,

data/experiment-results.csvに格納された実験データを解析してください。
以下の解析を実行してください:

1. 基本統計量の算出
2. ドーピング元素ごとのバンドギャップ比較（適切な統計検定を選択）
3. 濃度-抵抗率の相関分析
4. 異常値の検出（EXP-008のIn偏析に注目）
5. ヒートマップ（濃度×温度→抵抗率）の作成

異常値判断:
  - 統計的外れ値には該当しない（Mahalanobis距離 < 閾値）
  - しかし In 4.5at% で偏析が始まっており、
    散乱損失・不純物準位形成が確認される
  - 実験ノートの「In偏析の兆候」と整合する
  
  → 推奨: 除外ではなく「偏析フラグ付き」で保持。
    この知見はネガティブデータとして知識グラフに登録し、
    制約条件CON001（In高濃度域の除外）の妥当性を裏付ける根拠とする

解析結果を構造化されたレポートとして
reports/analysis-report-exp001-010.mdに出力してください。

ZnO薄膜のドーピング最適化プロジェクトを実行してください。

Step 1: 文献調査
  - Al/Ga/InドープZnOの論文を検索（2022年以降、最大10件）
  - エビデンステーブルを作成

Step 2: 知識グラフ構築
  - 文献からエンティティと関係を抽出
  - ギャップ分析で未探索の条件を特定

Step 3: 実験計画
  - ギャップを埋めるための実験条件を5件提案
  - ラテン超方格で初期設計

Step 4: データ解析（模擬データ使用）
  - data/experiment-results.csvの解析
  - 統計検定と異常検知

Step 5: 統合レポート
  - 全ステップの結果をreports/integrated-report.mdに出力

各ステップの完了時に進捗を報告してください。

統合レポートの推奨事項に基づき、次のイテレーションを実行してください。
- 前回の結果を知識グラフに反映済みとして扱う
- In高濃度域（4.5at%以上）は制約条件として除外
- Al 3-4at%, 600-700°Cの近傍を重点的に探索

.github/skills/my-research/
└── my-domain-analysis/
    └── SKILL.md

---
name: my-domain-analysis
description: |
  [あなたの研究分野]に特化したデータ解析スキル。
  [研究手法]を適用し、[対象データ]から知見を抽出する。
tu_tools:
  - key: [必要なToolUniverseツール]
    name: [ツール名]
    description: [用途]
---

# [あなたのスキル名]

## When to Use
- [このスキルが発火すべき状況を記述]
- [キーワードや文脈条件を明記]

## Phase 1: [最初のステップ]
- [手順を記述]

## Phase 2: [次のステップ]
- [手順を記述]

## 参照スキル
- ← [入力元のスキル]
- → [出力先のスキル]