本論文では、実験的に実現可能な仮想無機結晶を予測することの重要性を論じています。提案されたモデル「SyntheFormer」は、結晶構造から直接合成可能性を学習するフレームワークであり、フーリエ変換された結晶周期性表現（FTCP）を用いた階層的特徴抽出、ランダムフォレストによる特徴選択、深層多層パーセプトロン（MLP）分類器を組み合わせて構成されています。2011年から2018年の歴史データを基に訓練し、2019年から2025年のデータで評価しました。結果、SyntheFormerはROC曲線下の面積0.735を達成し、高いリコール率を誇ります。このモデルは、安定性だけでは実験的な実現性を予測できないことを示しつつ、新しい無機材料に対する合成ターゲットを優先順位付けし、実験努力を集中させるための実践的な手段を提供します。