最も印象に残ったこと

今回の参加で最も印象に残ったのは、機械学習や自動・自律実験、生成AI（特に大規模言語モデル：LLM）に関するセッションが、3時間程度の枠で並行して複数開催されていたことです。これらのセッションは二つも三つも同時に走っており、どれに参加すべきか迷うほどの盛況ぶりでした。特に、生成AI（LLM）の応用を模索する研究が多数発表されており、活発な議論が交わされていました。

また、自動・自律実験に関するセッションだけでも1から6まで用意されており、この分野の急速な広がりを実感しました。

さらに、マテリアル研究の将来について考える上で特に印象的だったのが、Microsoft、Meta、Google、そして場合によってはTeslaなどの巨大企業が、マテリアル分野に本格参入してくるかもしれないという議論です。これらの企業が「材料研究は収益性がある」と見なすかぎり、競争相手は従来の研究機関ではなく、彼らになるかもしれません。

半導体業界では設計と製造が分離され、ファウンドリービジネスが確立しています。では、材料の世界でも同様に、試作・製造を請け負うような新たなビジネスモデルが生まれるのか。材料は実用化までに長い時間が必要となるため、この点をどう乗り越えるかが問われています。

注目すべきは、米国政府が国家レベルで自動・自律技術への投資を本格化させていることです。まずは半導体分野に対して150億円規模の投資が決定され、今後はさらに別の分野にも展開される予定です。この背景として、複数の政策文書や説明スライドも共有されました。

米国の動向

米国の政策的な動きとしては、以下の点が挙げられます：

1. AI Aspirations: R&D for Public Missions
   　ホワイトハウスが発表した、AI技術を公共目的の研究開発に活用するという大方針です。
2. CHIPS for America
   米国における半導体産業の競争力強化プロジェクトで、総額約520億ドル（約8兆円）が投じられています。
   詳細：https://www.nist.gov/chips/funding-updates
3. Materials Genome Initiative (MGI)
   2024年には「Grand Challenges（大きな挑戦目標）」が設定され、自律実験に関する政府主催のワークショップも開催されました。
   MGI 2024 Challenges(×)、Autonomous Experimentation Workshop(×)、公式レポートPDF(×)
4. 【特に重要】
   これらの動きを背景として、機械学習と自動・自律実験システムを活用し、半導体開発の加速を目指す国家プロジェクト「CARISSMA」が立ち上げられました。このプロジェクトには1億ドル（約150億円）の規模で投資が行われており、関与するのは複数の政府機関や国立研究機関にまたがる、まさに国家横断的な取り組みです。

2024 Juneに開催された政府の自律実験に関するレポート

2024年6月に開催された米国政府の自律実験に関するワークショップでは、ファンクショナルセラミックス（機能性セラミックス）に特化した議論も行われました。その要旨を以下に紹介します。

機能性セラミックスと自律実験の課題

ファンクショナルセラミックスは、高温処理、ボールミル、焼成、加圧など、複雑な合成と特性評価が求められるため、完全に自律的な実験システムの導入が難しい材料群とされています。
そのため、まずは現在の技術的な到達点が以下のように整理されました。

現在の技術的能力（Current Capabilities）

・自律型ラボの構築が進行中：
　原料から固体への合成、評価に至るまでの一連のプロセスを対象とし、産業界・学界・政府がそれぞれ主導的な役割を果たしています。

・主要なディスカバリーラボ：

• 　◦産業界：Google DeepMind、Microsoft Azure、Samsung A Lab、Toyota Researchなど
• 　◦学術機関：Berkley A Lab（Ceder Group）、AMDEE Johns Hopkins（Elbert Group）
• 　◦政府系：PNNL（SPPSi）、Berkeley Lab（Materials Project, A Lab）、Argonne（Polybot Echembotetc.）

・データベース資源：
　◦Materials Project（DOE）、ICSD、NIST（Phase Diagram、Thermocalc、Calphad）
　◦Citrine（データインフォマティクス）、Open MSI Stream（NSF）

計測機器・装置：

・MTI、Bruker、ThermoFisher Scientific などが主要機器ベンダーとして挙げられています。

技術的課題とギャップ（Gaps）

Aspuru-Guzikグループの動向（トロント）

Aspuru-Guzikグループは、化学および材料科学における自律型研究の最先端をリードしています。特に、2024年にTomらが発表した**レビュー論文「Self-Driving Laboratories for Chemistry and Materials Science」（Chemical Reviews）では、ラボの自動化に関する総合的な視点が提示されており、今後の研究の羅針盤となる内容です。
また、Matter誌に掲載された「Challenges and opportunities for AI in synthetic solid-state inorganic chemistry」（Matter 7, 5–8, 2024）では、固体無機化学におけるAI活用の課題と展望が詳述されています。
今後の注目点として、オーケストレーションソフトウェア「ChemOS 3.0」の展開が挙げられます。自律実験の中核をなすこの種のソフトウェアは、別ページでも議論されているように極めて重要です。
また、近年創刊された学術誌「Digital Discovery」の存在感が急速に増しており、AIや自動化分野の論文掲載の場として注目を集めています。
さらに、SILA（Standardization in Lab Automation）を導入した点も見逃せません。我々もOPC-UAのような、世界標準となりうる規格を積極的に採用することが望ましいと考えられます。

計算技術の進展：無機材料の合成経路予測

無機材料の合成可能性や経路を予測する計算技術の発展も目覚ましく、以下のような研究が進んでいます。
特に、ソウル大学のJungらによる研究では、大規模言語モデル（LLM）や敵対的生成ネットワーク（GAN）を用いた合成経路や結晶構造の予測手法が提案されており、新たな手法として注目されています。たとえば、Chem. Sci. (2024, 15, 1039)では、要素別テンプレートを使った無機結晶材料の合成レシピ予測が紹介されています。また、JACS (2020, 142, 18836)では、部分的に教師あり学習を用いた結晶の合成可能性の予測手法が提案されています。
他にも、BerkeleyのGallantによるMT02.06.02や、CederグループによるARROWSも代表的な取り組みです。ARROWSは熱力学的安定性だけでなく、速度論的要素も考慮に入れるものであり、完全に計算だけで正確に予測するのは難しいものの、自動実験と組み合わせて逐次検証しながら予測をリファインしていくという実践的な方向性が示されています。

生成AIに対する期待

生成AI、とりわけ対話型AIの活用が研究開発の場面で大きく期待されています。対話型システムに入力する具体的な質問例は以下です。他にアイディアが会ったらぜひお知らせください！

1. 特性Xを持つ材料を作りたい。その候補を教えて。
　逆問題を解決するために活用

2. 物質AxByCzを作りたい。
　作製するのに最適な温度と酸素分圧を教えて。

3. A現象が起きるのはなぜ？背景にある物理と化学を教えて。

　
• 3-2. 【状態の把握】今の装置の状態を教えて。試料Aはいまどこにあり、何を測定している？
　
• 3-3. 【指示】Aにある試料をSEMに入れて、1,000倍の倍率で表面観察せよ。次に、表面の付着物は10,000倍に倍率を上げてEDS測定を行い、組成を分析せよ。

4. 【報告】次のビッグデータから相関関係を見つけて報告せよ。

5. 【報告】データベースから○×について調べ、レポートせよ。

6. 研究のアイデア生成から査読に至るまで、機械学習研究の工程を実行せよ(Sakana AI)

全体を通じた感想

本分野の発展にあたり、以下の観点が特に重要だと感じました：

　
• LADS（Laboratory Automation and Data Standard） の使いこなしが今後の鍵となる。
  自動・自律実験システムは極めて 学際的（interdisciplinary） な領域であり、ロボット、制御、材料科学、AI、スケジューリング、数理科学など、多様な知識が融合する必要があります。
  人材育成においては、ハンズオン型の ブートキャンプ や 体験型工房 、さらには大学における「自律実験版の工作室」の設置が有効です。
  そのためには、ノウハウを蓄積し、装置も共用できる 拠点の整備 が不可欠です。
  Benji Maruyama 氏（ナノチューブ研究で著名）は、自律実験の分野でも先駆的な役割を果たしており、今後のキーパーソンの一人です。
  最後に、 標準化 の重要性も強調されました。試料サイズ、実験プロトコル、装置接続口の仕様など、共通基盤の整備が必要です。
　

オーケストレーションソフトウェアの重要性

現在、自動・自律実験において、システム全体を統合・制御する「オーケストレーションソフトウェア」の役割が極めて重要視されています。中でも代表的なものには以下のような例があります：
・ChemOS：研究現場で広く採用されている代表的なプラットフォーム。
・Aiida および FINALE：ヨーロッパの複数の研究機関で採用されており、材料研究の標準インフラになりつつあります。
・AEcroscopy：顕微鏡の自動化・自律化プラットフォームであり、最近ではLLM（大規模言語モデル）を活用したスクリプト作成も行われています。
・OPTIMADE：材料データの共有を可能にする仕組みであり、「datalab」等と連携が進められています。
こうした中、日本では「どのようにして国産ソリューションを開発するべきか」が問われています。バラバラにシステムを構築するのではなく、NIMSや産総研などの主要機関を巻き込み、数学・スケジューリング分野の専門家と連携しながら、統合されたソフトウェアを皆で共同開発すべきではないかという議論が展開されています。

体験工房からプラットフォームへ、そして世界拠点へ

自律型実験の普及に向けた段階的展開

• 自動実験モジュール を開発し、それらを自由に組み合わせて使える柔軟な研究環境（Plug & Play型）を構築。
• 全体を統括する オーケストレーションソフトウェア の整備。
• 機械や通信プロトコルの 標準化 を推進。

Automating Battery Workflow with Aiida - Toward Autonomous Labs that are FAIR by Design G. Pizzi (PSI)

Paul Scherrer Institute（PSI）のG. Pizziらは、AiidaとFINALESを中心に、FAIR原則（Findable, Accessible, Interoperable, Reusable）に準拠した自律研究システムを構築しています。
・AiidaはGUI、データ管理、装置制御を包括的に管理可能な 統合ソフトウェア です。
・FINALESはモジュール型の自律実験ラボ設計プラットフォーム。
・JSONスキーマなどの共通化技術も導入されており、 Materials Acceleration Platform (MAP) として複数の欧州研究機関で運用されています。
これに対して、日本では「独自ソフトを開発すべきか」「英語のまま使うか、それとも日本語化するか」「企業は自社で作るのか」といった課題が浮かび上がっています。

Accelerating Process Development for Semiconductor Device

Fabrication LAM Research, R. A. Gottscho半導体プロセスの自動化

LAM Research社のR. A. Gottschoは、「半導体デバイスの製造工程の開発加速」において、人とAIの役割分担が鍵を握ると述べています。
現在、回路設計は完全にデジタル化されていますが、実際の製造プロセスには未だに勘・コツ・経験に頼る部分が多く残っています。今後はこのプロセス部分もデータ駆動型のデジタル化が進むと見られています。
特に注目されているのは、「人間が研究の大方向を設定し、細部をAIロボットが詰めていく」というHuman-first, machine-lastのアプローチです。仮想空間での不完全な予測からも価値ある学習が得られるとし、人と機械の協調によって、開発期間の短縮やコスト削減が期待されています（参考：Kanarik, Nature, 616, 2023）。

Microsoft：AIエミュレーターと生成AI

Microsoft は、材料研究においてもAIを積極的に導入しており、以下のようなツールを公開しています：

MatterSim ：材料の特性をリアルな条件下で模擬する深層学習モデル。従来より100倍以上の高速化を達成しています。 →MatterSim紹介ページ

MatterGen ：生成AI（Diffusionモデル）を活用して、所望の特性を持つ材料を検索するシステム。

このように、Microsoft、Google、Metaといったテック大手が次々に材料研究に参入している現状は、今後の研究体制に大きな影響を与える可能性があります。国内でもこの動向を継続的にウォッチする必要があります。すでにPFN（Preferred Networks）など日本の企業も関連成果を発表しています。

計測分析分野

近年、AIを活用した電子顕微鏡の自動化・自律化が急速に進んでおり、関連するセッションも数多く開催されています。特に「AI for Electron Microscopy」というテーマのセッションが3つも設けられており、現場の関心の高さがうかがえます。

これらのセッションでは、単なる装置の自動制御だけではなく、「装置オペレーションやデータ解析、前処理に必要な“勘・コツ・経験”」を機械学習によってデジタル化・形式知化する取り組みが紹介されました。加速電圧やスキャン速度といった測定パラメータの自動チューニングにより、誰もが専門知識なしで高度な測定を行えるようになることが目指されています。

従来はデータ取得後に行っていた解析作業についても、今では「測定中のリアルタイム制御」へのAI活用が検討されており、測定の質とスピードを同時に高める方向性が示されています。

走査プローブ顕微鏡と自律制御

電子顕微鏡だけでなく、走査プローブ顕微鏡（SPM）においても、外部からの自律制御の実現が重要視されています。従来はユーザーが手動で設定していた測定周波数や走査速度、各種パラメータを、AIによって自動的に最適化する試みが進んでいます。

また、この分野では標準化の課題も大きく、日本発の取り組み「MaiML」に対する関心が高まっています。MaiMLは、MRSなどの国際学会での発信が期待されており、早期の英訳と標準化が求められています。ただし、運用面では多数の実務的な課題があるため、JAIMA（日本分析機器工業会）の技術委員会における議論や整理が重要な役割を果たすと見られています。

計測分析メーカーはビジネスチャンス

1. 共用装置が導入されることで販売台数が減少するリスク。
2. 自動化によって装置の稼働率が上がることで、同様に販売数が減る可能性。
3. それでもなお、多様なセンサーやオペランド計測の需要は増加しており、計測機器自体の機能的な価値は高まっている。

また、単に装置の知識を持つだけでは不十分であり、今後はプロセスそのものへの理解を深め、「装置＋プロセス全体としての提案力」がメーカーには求められています。

実験機器の進化

将来的には、計測機器もパソコンのような構成になると予測されています。外部からの制御を可能にすることで、計測装置に搭載されるソフトウェアがサードパーティ製になる可能性が高まります。これは以下のような変化を意味します：

• ハードウェア（計測装置）は共通で、OS（基本ソフト）やアプリケーションを選択して運用するスタイルになる。
• ソフトウェア面での競争が激化し、計測機器メーカーは「ハードだけ作ればよい」時代から、「ソフトウェアで差別化する時代」へと移行する。

また、外部制御ができない装置は市場で選ばれなくなるリスクもあり、業界としてのソフトウェアアーキテクチャの方向性が問われています。OSを共通化し、その上で各アプリが動く構造を目指すのかどうかは、今後の議論が必要です。

機械学習とロボット時代における計測装置のあり方とは

生産工程の多くがすでにデジタル化されつつある今、計測分析装置がその波に乗り遅れることはできません。次の問いが強く投げかけられています：

• 5年後、10年後、あるいは2035年に、理化学機器産業はどのような姿になっているのか？
• 今後の装置は、どのような役割を担い、どう進化していくのか？
• 人とAIロボットが協調して運用する環境において、計測装置はどこまで自律化されるのか？

このような未来像を描きながら、今まさに、業界全体としての戦略的判断と実装フェーズに突入しています。

Kebotixの発表から

米国のラボシステムインテグレーターであるKebotixの発表は、非常に示唆に富む内容でした。Kebotixは、自律実験まで含めたクローズドループのシステムを構築できる企業であり、材料研究の自動化に取り組む上で、興味深い方向性を提示しています。 （Kebotix公式サイト）