マテリアルズ・インフォマティクス（MI）は、データと計算機を使って材料開発を進める手法の総称です。過去の実験や計算のデータをもとに、次の実験で試す材料の候補を絞り込みます。
材料開発では、試作と評価の繰り返しに時間がかかることが長く課題とされてきました。MIは、どの実験をするかをデータから決め、試作の回数を減らすための道具です。
この記事では、MIの定義と仕組み、あわせて語られる周辺技術、国の戦略と公開データベース、企業が公表している事例を整理します。続いて、生成AIと自律実験の現在地、導入の4段階、向く課題と向かない課題を順に見ていきます。
マテリアルズ・インフォマティクスとは
マテリアルズ・インフォマティクスは、データと計算機を使って材料開発を進める手法の総称です。
科学技術振興機構（JST）研究開発戦略センターは、2013年8月の提言でMIを定義しています。計算機科学と、物質・材料の物理的・化学的性質に関する多様で膨大なデータとを駆使して、物質・材料科学の諸問題を解明するための科学技術的手法です。
2021年4月に決定された政府の「マテリアル革新力強化戦略」は、もう少し具体的に書いています。系統的に蓄積されたデータから、材料の性能と構造の相関関係や法則を帰納的に抽出し、新たな材料設計の指針とするもの、という説明です。
従来の材料開発は、研究者が経験や知識から仮説を立て、試作し、評価し、うまくいかなかった原因を考えて次の試作に進む、という繰り返しでした。研究開発の仕事の流れのうち、この試作と評価を繰り返す段階に時間がかかることが、長く課題とされてきました。
MIは、この繰り返しを置き換えるものではありません。過去のデータから傾向を学ばせ、次に試す価値の高い候補を先に絞ることで、試作の回数を減らそうとする考え方です。
実験をやめるのではなく、実験の選び方が変わります。
※公的資料の定義をもとにした編集部の整理です。実際の開発では両方を組み合わせて進めます。
同じ戦略は、経験やノウハウをもとに仮説を立てて検証するやり方に対し、事象を大量のデータとして定量的に把握・解析して研究開発を進めるやり方を「データ駆動型研究開発」と呼んでいます。MIはその中心にある手法です。
MIの仕組み｜予測する・逆算する・次の実験を決める
MIでやっていることは、大きく3つに分けられます。材料の情報から特性を予測すること、欲しい特性から材料を逆算すること、そして次にどの実験をすべきかを決めることです。
実験の結果がデータに戻り、モデルが少しずつ賢くなっていきます。
※公的資料をもとにした編集部の整理です。
記述子と予測モデル（順問題）
材料の組成や構造から特性を求めることを、順問題と呼びます。JSTの提言は、与えられた元素組成や構造から物質の性質を探る従来の研究手順を順問題と説明しています。
機械学習でこれを行うには、材料を数値で表す必要があります。この材料の特徴を表す数値を記述子（説明変数）と呼びます。特性を決める組成・組織・プロセスのうち、どれを数値として取り出すかが、モデルの出来を左右します。
想定例で考えてみます。ゴムの配合であれば、ポリマーの種類と比率、充てん剤の量、加硫の温度と時間などが記述子の候補になり、硬さや摩耗量が予測したい特性（目的変数）になります。
過去の配合表と試験結果が蓄積されていれば、その関係を表すモデルをつくる出発点になります。必要な件数は、変数の数やデータのばらつきによって変わります。
欲しい性能から材料を探す（逆問題）
開発の現場で本当に知りたいのは、逆向きの問いです。JSTの提言は、社会や産業が求める特定の機能を持つ材料を合理的に探索することを逆問題と呼び、材料の「設計」に欠かせない考え方と位置づけています。
実務では、予測モデルに大量の候補を入力して有望なものを選び出す方法（仮想スクリーニング）がよく使われます。逆問題といっても、答えが1つ出てくるわけではなく、試す価値のある候補の一覧が出てくると考えるのが実態に近いでしょう。
ベイズ最適化で次の実験を決める
データが少ない段階で力を発揮するのが、ベイズ最適化です。これは、予測値が良さそうな条件と、まだデータがなく予測が不確かな条件の両方を考えに入れて、次に試す条件を選ぶ方法です。
JSTが2021年度にまとめた提言は、どのようなプロセス条件で合成実験を行うかについて触れています。確率分布にもとづくベイズ最適化を用いた自動探索手法が知られている、という紹介です。
少ない実験回数で良い条件に近づくための、実験計画の道具です。
シミュレーションとの組み合わせ
実験データが足りない部分は、計算で補うこともあります。第一原理計算（実験値を使わず、量子力学の基本法則から電子の状態を求める計算）で物性データを大量につくり、それを機械学習モデルの学習に使う方法です。
設計で使うCAEの基本原理と同じく、計算で現象を再現するという発想に立っています。
逆に、機械学習で計算そのものを速くする動きもあります。原子どうしに働く力を機械学習で近似する手法は、機械学習ポテンシャルと呼ばれます。
目的によって、モデルに求める役割が変わります。
MIと一緒に語られる技術｜PI・計測インフォマティクス・自動実験
MIは単独で使われるというより、周辺の技術と組み合わせて語られます。材料は「何をつくるか」が決まっても、「どうつくるか」が決まらなければ製品になりません。
この「どうつくるか」を扱うのがプロセス・インフォマティクス（PI）です。政府の戦略は、データ科学を用いた製造プロセスデータの解析をPIと呼び、合成・製造プロセスの最適化やスケールアップを短期間で行えることへの期待を示しています。
ただし、プロセスはMIの手法をそのまま当てはめれば済むものではありません。
JSTの提言は、プロセスのパラメータ空間が極めて広いこと、多段階で前後の工程との関係が複雑なことを挙げています。そのため、MI用の手法をそのまま使っても十分に機能しないと予想されるという指摘です。
材料を決める、つくり方を決める、測る、実験を回す、という役割分担です。
※呼び方や範囲は資料によって異なります。ここでは公的資料をもとに編集部で整理しています。
自動・自律実験は、この組み合わせの到達点にあたります。
研究者が目標とする物性を指定すると、ロボットが材料を自動で合成・評価します。その結果からベイズ最適化で次の実験条件を決め、また合成と評価を繰り返す、という仕組みです。
JSTの2026年版の俯瞰報告書も、MIに加えてPIやロボット自律実験まで研究開発の範囲を広げる必要がある、としています。
国の戦略と公開データベース
MIが広く知られるきっかけになったのは、米国が2011年に始めた「マテリアルズ・ゲノム・イニシアティブ（MGI）」です。
公式サイトは、先端材料の発見・製造・実用化を、従来の2倍の速さで、わずかなコストで行うための連邦政府の省庁横断の取り組み、と説明しています。
日本では、JSTが2013年8月に先ほどの提言を出し、2021年4月には「マテリアル革新力強化戦略」が決定されました。この戦略にもとづいて整備が進められているのが、文部科学省の「マテリアルDXプラットフォーム」です。
2025年6月に改定された戦略によると、このプラットフォームは3つの事業を中心に構成されています。
全国の先端設備を共用するマテリアル先端リサーチインフラ（ARIM）、物質・材料研究機構（NIMS）のデータ中核拠点、そしてデータ創出・活用型マテリアル研究開発プロジェクト（DxMT）です。
ARIMは25機関で構成され、1,100台を超える共用設備を持つとされています。
企業の研究者にとって身近なのは、公開されているデータベースでしょう。
NIMSは材料データプラットフォーム「DICE」を運営しています。その中には、物質・材料データベース「MatNavi」や、研究データを登録すると自動で構造化して蓄積する「RDE」があります。
実験データが中心のものと、計算データが中心のものがあります。
※各公式サイトと論文の説明による（2026年10月1日時点）。MatNaviは利用約款で、ウェブスクレイピングやまとまった量のデータ取得を禁止しています。
注意したいのは、公開データベースだけで自社の開発テーマが解けることは多くない、という点です。公開データは基礎的な物性が中心で、製品に近い配合やプロセス条件のデータは社内にしかありません。
公開データは出発点や補強材料として使い、主役は自社の実験データになります。
企業の取り組み事例｜公表されている内容と効果
国内の素材メーカーも、MIに関する取り組みを公表しています。ここでは、2017年以降の各社の公式発表で確認できた内容だけを、発表時点とあわせて紹介します。
効果の数字は条件によって意味が大きく変わるため、何と比べた数字なのかに注目してください。
効果の数字は、比較対象と条件をあわせて読む必要があります。
※各社・機関の公式発表による。社名と内容は発表時点のものです。
ゴム・タイヤ：配合設計への適用
配合設計は、MIの適用が早くから公表されてきた領域の1つです。横浜ゴムは2017年10月に、シミュレーションと実験・分析のデータを統合し、機械学習を取り入れたゴム材料開発技術を確立したと発表しました。
その後、2020年12月に配合から物性値を予測するシステムを、2022年7月に目標の物性値から配合を提案するシステムを、それぞれ実用化しています。順問題のシステムを先に動かし、次に逆問題へ進んだという順番が読み取れます。
住友ゴム工業の発表は、少し性格が異なります。同社の発表によると、短縮されたのは大型放射光施設などで得られる大量データの解析プロセスにかかる時間です。材料開発全体の期間が100分の1になったという意味ではありません。
化学：熟練者との比較と人材育成
昭和電工マテリアルズ（現レゾナック）の2021年12月の発表は、比較対象が明確です。
同社の発表によると、透明性と銅箔との接着性が求められる透明接着フィルムの検証で、知見を持つ熟練開発者に比べ、約3割少ない実験回数で目標を達成できたとしています。
三井化学と日立製作所の2021年6月の発表では、実験の試行回数が約4分の1になったとされています。ただし、これは三井化学が提供した過去の開発データを使った検証の結果であり、比較対象も従来のMIです。
実験を全くしない場合や、熟練者の勘と比べた数字ではない点に注意が必要です。
旭化成は、2022年12月の説明会資料で、化学・材料の研究者を対象としたMI教育を2019年から続けていると説明しています。
同資料によると、2022年11月時点でMI上級が20名、中級が298名、初級が1,344名です。
同社を含む現場社員をデータ人材に育てた企業の事例を見ると、ツールの導入よりも人の育成に時間をかけていることが分かります。
計算を速くする側の事例もあります。
2021年6月、Preferred NetworksとENEOSが共同出資会社を設立しました。社名はPreferred Computational Chemistryです。
同社は同年7月、原子レベルのシミュレータ「Matlantis」の提供を始めました。
同社の発表によると、従来の手法（密度汎関数法）では、原子レベルのシミュレーションに高性能なコンピュータで数時間から数か月かかっていました。これを数秒単位で実行できるとしています。
生成AIと自律実験はどこまで来たか
2023年以降、材料探索にも大規模なAIモデルを使う研究が相次いで発表されました。代表的なのが、Google DeepMindが2023年11月に科学誌ネイチャーで発表した「GNoME」です。
論文によると、GNoMEは、それまでのデータベースと比べて安定だと計算で予測される結晶構造を約220万見つけました。そのうち約38.1万を、新たに見つかった安定な材料としています。
それまでに計算で安定とされていた結晶は約4.8万とされており、計算上の候補は一気に桁が増えました。
ただし、これらは計算による予測です。論文は、安定な構造のうち736が、ほかの研究者によってすでに独立に実験で実現されていたとしています。これは既存の実験報告と構造が一致した数であり、予測をもとに新しく合成して確かめた数ではありません。
計算で見つかった候補の数と、実験で確かめられた数には大きな開きがあります。
※Merchant et al., Nature（2023年）、Szymanski et al., Nature（2023年）とその著者訂正（2026年）による。
同じ日に、米ローレンス・バークレー国立研究所などのグループは、ロボットで無機材料の合成を行う自律実験室「A-Lab」を発表しました。
当初は17日間の連続運転で58の候補のうち41の化合物を合成したと報告されましたが、同定の確かさと新規性の主張に疑問が寄せられました。
2026年1月に公表された著者訂正では、回折パターンを手作業で再解析しています。その結果、成功と報告していた40件のうち36件は確認できたものの、4件はX線回折だけでは判断がつかないとされました。
学習データに誤って含まれていた1つの化合物も対象から外され、現在の論文は57の候補のうち36を合成したという記述に改められています。
新規性についても、予測プラットフォームにとって新しいという意味で、科学的に未知とは限らない、と説明が修正されました。計算で安定と出ることと、実際に合成して確かめられることは別の話だと分かる経過です。
2025年1月には、Microsoftの研究チームが生成モデル「MatterGen」をネイチャーで発表しました。
化学組成や対称性、機械的・電子的・磁気的な特性を条件として指定し、それを満たす無機材料の構造を生成するモデルです。
文章をつくる生成AIの仕組みと同じく、大量のデータで学習したモデルに条件を与えて出力させます。
論文では、概念実証として生成した構造の1つを実際に合成し、測定した特性値が目標の20％以内に収まったと報告されています。裏を返せば、実験で確かめられたのはまだごく一部です。
JSTの2026年版の俯瞰報告書も、物質・材料に特化した基盤モデルの構築は「検討されている」段階と書いています。
国内企業では、三井化学が2026年7月に発表しています。生成AIを使った材料開発の国際ネットワーク「AI Materials Foundry」に、創設メンバーとして参画したという内容です。
導入の4段階｜データの整備から自動実験まで
では、自社でMIを始めるには何から手をつければよいのでしょうか。ここでは、公的資料と各社の発表を踏まえ、編集部の整理として4つの段階に分けて説明します。すべての企業が4段階目まで進む必要はありません。
前の段階が固まっていないと、次の段階の効果は出にくくなります。
※公的資料と各社の発表を踏まえた編集部の整理です。
段階1：データの整備
最初の段階は、地味ですが最も時間がかかります。実験ノートや報告書、担当者ごとの表計算ファイルに散らばった記録を、同じ項目、同じ単位で並べ直す作業です。
NIMSの橋本和仁理事長（当時）は、2020年10月の政府の有識者会議で、MIに使うためにはデータのフォーマットをそろえることが必須だと課題に挙げています。国の基盤づくりでも、ここが最初の関門になっています。
最初から全社のデータを集めようとせず、テーマを1つに絞るのが現実的です。表計算ソフトで項目をそろえるところから始める進め方は、製造現場のデータ分析の基本と変わりません。
段階2：予測モデル
データがそろったら、特性を予測するモデルをつくります。ここで確かめたいのは予測の当たり外れだけではありません。どの記述子が効いているかを見て、研究者の知見と合っているかを照らし合わせる作業が重要になります。
JSTの2021年度の提言も、データ科学で導いた記述子を、物性科学の知識や熟達者の経験と照らし合わせることを挙げています。そうすることで、合成プロセスの重要な素過程を推定できると思われる、としています。
モデルの結果を材料の言葉で説明できるかが、現場で使われるかどうかの分かれ目です。
段階3：最適化
予測モデルができたら、次の実験条件の提案に使います。提案された条件で実験し、結果をデータに加え、モデルを更新する、という流れを繰り返します。
この段階では、提案どおりに実験する運用を決めておくことが大切です。都合のよい提案だけを選んで実験すると、データが偏り、モデルが育ちません。
段階4：自動・自律実験
最後の段階が、合成や評価の自動化です。政府の戦略は、AIやロボット技術を使った自律的な研究開発の手法を「スマートラボラトリ化」と呼んでいます。
設備投資が大きく、自動化しやすい実験としにくい実験があるため、すべてのテーマに向くわけではありません。
旭化成は2022年12月の資料で、MIとハイスループット実験装置を組み合わせて自律的に探索する構想を示し、開発速度20倍以上を目標に掲げています。これは目標値であり、実績ではありません。
向く課題・向かない課題と導入時の注意点
MIを入れれば開発が速くなる、とは言い切れません。効果が出るかどうかは、課題の性質とデータの状態に左右されます。編集部の整理として、向きやすい課題と向きにくい課題を挙げます。
- 向きやすい：配合比やプロセス条件など、変数が多い中から最適な組み合わせを探す課題
- 向きやすい：一方を上げると他方が下がる、複数の特性の両立点を探す課題
- 向きやすい：過去の実験データが一定数あり、評価が短時間でできる特性
- 向きにくい：データがほとんどない、まったく新しい材料系の探索
- 向きにくい：過去に試した範囲から大きく外れた条件の予測
- 向きにくい：耐久性など、1回の評価に数か月以上かかる特性
データは思ったより少ない
統計数理研究所の研究者による総説は、材料研究で使えるデータの量は、機械学習の他の応用分野に比べて圧倒的に少ないと指摘しています。
理由として挙げられているのは、実験のコストが高いこと、探索範囲が広く研究対象がばらばらなこと、情報を秘匿する意識が高いことです。
少ないデータを補う工夫もあります。
NIMSなどのグループは2019年6月、熱伝導率のデータが28件しかない高分子での成果を発表しました。データが豊富な別の物性で学習したモデルを転用する手法（転移学習）を使ったものです。
1,000種類の仮想的な候補から3種類を合成し、典型的なポリアミド系高分子（無配向）に比べ最大80％高い熱伝導率を得たとしています。
学習した範囲の外は当たりにくい
同じ総説は、通常の機械学習モデルは訓練データの分布の近くでのみ予測能力を持つ、とも述べています。つまり、これまでにない性能を狙うほど、モデルの予測は当てにならなくなるのです。
このため、予測値だけでなく不確かさも見て、データのない領域をあえて試すベイズ最適化のような進め方が組み合わされます。
JSTの2026年版の報告書も、分子性材料ではデータの質と量が十分でなく、AIを使った研究で成功している例は限定的だとしています。
うまくいかなかった実験の記録が残っていない
論文や報告書には、うまくいった結果が中心に残ります。しかし、どの条件で失敗したかという情報がなければ、モデルは良い条件と悪い条件の境目を学べません。
これは編集部の解釈ですが、政府の戦略が「未利用データ」も含めて収集・活用する方針を掲げているのは、この問題意識と重なります。
材料とデータの両方が分かる人が足りない
2025年6月に改定された政府の戦略は、データサイエンスや計算科学とマテリアルサイエンスの両方が分かる人材が不足している、と指摘しています。同じ文書は、データ駆動型研究開発の手法そのものが発展途上だとも書いています。
外部の専門家にモデルづくりを任せることはできても、記述子の選び方や結果の解釈には材料の知識が欠かせません。材料の研究者自身がデータの扱いを身につけるほうが近道になる場面は多いでしょう。
まとめ
- MIは、蓄積したデータをもとに次に試す候補を絞り込む手法で、実験を置き換えるものではない
- 使い方は、特性の予測（順問題）、材料の逆算（逆問題）、次の実験の決定の3つに分けられる
- 国内各社の公表事例では、効果の数字が何と比べたものかを確認して読む必要がある
- 生成AIによる材料探索は候補の数を大きく増やしたが、実験で確かめられたのはまだ一部である
- 導入はデータの整備から始まり、データの少なさ、形式の不統一、人材が主な壁になる
MIは、研究者の経験を不要にする技術ではなく、経験をデータとして残し、次の実験の選び方を変える技術です。関連する職種は研究開発、技術テーマとしては材料技術がこの分野と深く関わります。
素材メーカーの事業や企業の顔ぶれについては、化学・樹脂・ゴムの業種ページから関連記事もあわせてご覧ください。
出典
出典・参考資料（21件）を開く出典・参考資料を閉じる
- MIの定義、順問題・逆問題、記述子：JST研究開発戦略センター 戦略プロポーザル「データ科学との連携・融合による新世代物質・材料設計研究の促進（マテリアルズ・インフォマティクス）」（2013年8月）
- データ駆動型研究開発、PI、マテリアルDXプラットフォーム：内閣府「マテリアル革新力強化戦略」（2021年4月27日 統合イノベーション戦略推進会議決定）
- 人材不足の指摘、ARIMの規模：内閣府「マテリアル革新力強化戦略 ― 知のバリューチェーンの構築を通じて ―」（2025年6月4日 統合イノベーション戦略推進会議決定）
- ベイズ最適化、自律的最適化、プロセスの特徴：JST研究開発戦略センター 戦略プロポーザル「材料創製技術を革新するプロセス科学基盤～プロセス・インフォマティクス～」（2021年6月）
- 自律実験、分子性材料の課題、基盤モデル：JST研究開発戦略センター「研究開発の俯瞰報告書 ナノテクノロジー・材料分野（2026年）」
- データフォーマットの課題：内閣府 マテリアル戦略有識者会議（第1回）資料3「NIMSにおけるマテリアルデータ戦略」（2020年10月）
- スモールデータ、予測できる範囲：統計数理 第69巻第1号「材料研究における転移学習の応用」（2021年）
- 米国MGI：Materials Genome Initiative 公式サイト
- DICE・MatNavi・RDE：NIMS プレスリリース（2023年1月17日）、DICE、MatNavi
- 海外のデータベース：Materials Project Documentation、OQMD、Kirklin et al., “The Open Quantum Materials Database (OQMD): assessing the accuracy of DFT formation energies”, npj Computational Materials（2015年）
- 横浜ゴム：2017年10月23日、2021年2月15日、2022年8月10日の各ニュースリリース
- 住友ゴム工業：ニュースリリース（2022年4月12日）
- 三井化学：ニュースリリース（2021年6月28日）、ニュースリリース（2026年7月28日）
- レゾナック：ニュースリリース（2021年12月7日、昭和電工マテリアルズ）
- 旭化成：DX戦略説明会資料（2022年12月13日）、DX戦略説明会資料（2023年12月7日）
- NIMSと化学4社：住友化学 ニュースリリース（2021年10月25日）
- Matlantis：Preferred Networks ニュースリリース（2021年7月6日）
- 高分子の熱伝導率と転移学習：NIMS プレスリリース（2019年6月26日）
- GNoME：Merchant et al., “Scaling deep learning for materials discovery”, Nature（2023年）
- A-Lab：Szymanski et al., “An autonomous laboratory for the accelerated synthesis of inorganic materials”, Nature（2023年）、Author Correction（2026年1月19日）、ローレンス・バークレー国立研究所 ニュースリリース（2023年11月29日、当初の発表内容）
- MatterGen：Zeni et al., “A generative model for inorganic materials design”, Nature（2025年）
NEWSLETTER
選んだ職種・業種に合わせた記事を、週1回メールで
週刊MONOSCOPEは、登録時に選んだ職種・業種に合わせた記事を週1回お届けする無料のメルマガです。
職種・業種を選んで登録へ ›
無料・週1回。登録後に届く確認メールのリンクを押すと登録が完了します。配信はメール内のリンクからいつでも停止できます。
WEEKLY NEWS
今週の製造業ニュース10選
メルマガは職種・業種に合わせた記事。LINEとnoteでは、全員共通の10本を毎週土曜の朝にお届けします。
LINEでニュース10選を受け取るnote今週のニュース10選をnoteで読む ›
コメント