素材開発AIの比較｜材料探索ツール5タイプの違いと選び方【2026年】

材料探索・物性予測・実験計画という3つの使いどころ

素材開発AIの使いどころは、大きく3つに分けられます。1つ目は材料探索で、膨大な候補の中から、求める性能が出そうな組成や構造を絞り込みます。2つ目は物性予測で、まだ作っていない材料の性能を、過去のデータや計算から見積もります。3つ目は実験計画で、これまでの結果をもとに、次にどの条件で試すと目標に近づきやすいかを提案します。

3つは別々のものではありません。予測で候補を絞り、実験計画で試す順番を決め、結果をまたAIに戻す、という流れでつながっています。どの使いどころから始めるかを先に決めておくと、比べるべき製品の数はぐっと減ります。

マテリアルズ・インフォマティクス（MI）とは

マテリアルズ・インフォマティクス（MI）は、材料の実験データや計算データ、文献の情報を機械学習などで解析し、材料開発を効率よく進める方法の総称です。素材開発AIと呼ばれる製品の多くは、このMIを研究の現場で使えるようにした道具だと考えるとわかりやすいでしょう。

似た言葉に、プロセスインフォマティクス（PI）があります。MIが「何を作るか」（組成や構造）を主に扱うのに対し、PIは「どう作るか」（温度・圧力・時間などの製造条件）を扱います。材料の性能は作り方でも変わるため、製品を比べるときは、製造条件まで扱えるかも確かめておくとよいでしょう。

従来の試行錯誤と何が違うのか

これまでの材料開発は、研究者の経験と勘で候補を選び、1つずつ作って評価する進め方が中心でした。素材開発AIを使うと、候補の選び方と試す順番が変わります。

導入で期待できる効果

期待できる効果は、試作の回数を減らせる、開発の期間を見通しやすくなる、過去のデータを次の開発に生かせる、の3つにまとめられます。冒頭のNEDOのプロジェクトのように、試作回数と開発期間を大きく縮めた例もあります。材料開発に限らず、検査や需要予測など製造業全体でのAIの使われ方は製造業のAI活用事例でまとめています。

ただし、効果の大きさはテーマの選び方とデータの状態で大きく変わります。製品の案内にある数字をそのまま自社に当てはめず、自社のテーマで効果を測ってから判断しましょう。

AIが向く工程と向かない工程

素材開発AIは万能ではありません。向いている工程と、まだ人の判断が欠かせない工程を分けて考えると、期待しすぎによる失敗を防げます。

AIの提案は、あくまで「次に試す価値が高い候補」です。実際に作って測り、その結果で判断する流れは変わりません。

物性予測型｜作る前に性能を見積もる

社内の実験データから、組成や条件と性能の関係を機械学習で学び、まだ作っていない材料の性能を予測するタイプです。データの管理から予測モデルの作成までを1つの画面で扱える、プラットフォーム型の製品が多く見られます。

同じ形式の実験データがある程度たまっている企業に向いています。逆に、データが紙やばらばらの表計算に散らばっている場合は、整える作業から始めることになります。

材料探索・逆設計型｜求める性能から候補を探す

「この性能がほしい」という条件から逆にたどって、候補となる分子構造や組成を提案するタイプです。物性予測型が「この材料ならこの性能」と順方向に考えるのに対し、逆設計型は「この性能ならこの材料」と逆方向に考えます。

新しい分子や材料の候補を広く探したいときに向いています。製品によっては、社内に実験データがなくても、計算化学の手法を使って候補を探せるものもあります。

実験計画・ベイズ最適化型｜次に試す条件を決める

これまでの実験結果をもとに、次にどの条件で試すと目標に近づきやすいかを提案するタイプです。代表的な手法がベイズ最適化で、結果が出るたびに予測を更新しながら、試す条件を選んでいきます。

配合比や温度などの条件を少しずつ変えて最適な組み合わせを探す、配合・プロセスの最適化に向いています。少ないデータから始めて、試しながらデータを増やしていく進め方と相性のよい方法です。候補の組み合わせが極端に多い問題では、組合せ最適化に向いた専用の計算機を使う方法もあります。

原子レベルのシミュレーション型｜計算で物性を確かめる

原子や分子の動きをコンピューター上で再現し、材料の性質を計算で確かめるタイプです。従来の計算化学の手法は精度が高い一方で計算に時間がかかりやすく、その部分をAIで速くした製品が出てきています。

触媒・電池材料・合金などで、原子レベルの現象から性能を見積もりたいときに向いています。実験データを集めなくても計算で候補を比べられる点が強みですが、結果を読み解くには計算化学の基本的な知識があると安心です。

文献・特許・社内資料を扱う生成AI型｜知識を掘り起こす

論文・特許・社内の技術資料などの文章を読み込み、関係する化合物や過去の知見を探したり、要約したりするタイプです。特許などの公開データをもとに化合物の候補を探す専用のサービスや、社内の資料を検索して答える生成AIの仕組みがこれにあたります。

先行技術の調査や、テーマを決める前の情報集めに向いています。生成AIは文章から知識を探すのは得意ですが、物性の数値を予測する道具ではない点に注意しましょう。数値の予測は、ほかのタイプと組み合わせて使うのが基本です。

比較の5つの軸

機能の一覧を並べると、どの製品も似て見えがちです。機能の多さより、自社の材料とデータでそのまま使えるかを先に確かめましょう。

タイプ別の比較表

自社に専門の担当者がいない場合は、製品を選ぶ前に、MIの専門家が解析を引き受ける支援サービスを使う方法もあります。支援サービスの例は次の章で取り上げます。

製品ごとの比較表

掲載した製品・サービスは、いずれも公式サイトに金額の記載がなく、見積もりで決まります。料金を比べるときは、利用料のほかに、計算の資源・研修・伴走の支援がどこまで含まれているかをそろえて確かめましょう。

素材開発AIに共通する主な機能

タイプが違っても、素材開発AIの多くは次の機能の組み合わせでできています。製品の資料を読むときは、どの機能が中心で、どの機能がないのかを確かめると違いが見えやすくなります。

この5つは、各社の公式サイトを見るかぎり、ほとんどの製品が何らかの形で備えています。機能の一覧で差がつくことは少ないため、比較の重みは機能の有無ではなく、扱える材料分野・必要なデータ・連携・支援の4点に置きましょう。

逆に、優先度を下げてよいのは、対応しているアルゴリズムの数や画面の作り込みです。使うアルゴリズムは解きたい課題で決まるため、数の多さがそのまま有利になるわけではありません。画面の使いやすさは、トライアルで自社の研究者が触って判断するほうが確実です。

PR｜AIBUILDERZ AI導入支援サービス

PR

AIBUILDERZ｜AI導入支援サービス

システム構築は成果報酬型。AI研修から導入・構築・定着まで一気通貫で支援

AI研修からシステムの導入・構築・定着まで、一気通貫で支援するサービスです。業務アプリの構築費は事前にいただかず、実際に稼働させ、効果をご確認いただいてからお支払いが始まります。成果報酬型での対応は、当社が小規模と定義するシステムが対象です。

• 業種・規模を問わず支援どの業務からAIやシステムに置き換えるかを一緒に決め、効果の大きい業務から順に進めます。
• システム構築は成果報酬型業務アプリの構築費は事前にいただきません。稼働させ、効果をご確認いただいてからお支払いが始まります。
• AI導入の効果を可視化置き換える業務を一覧にし、導入前後の時間から、空いた時間とかからなくなった費用を毎月記録します。
• 小さく始めて、リスクを管理影響の小さい業務から始め、AIの実行結果は担当者が確認・承認してから反映します。

サービス資料をダウンロード無料診断を申し込む

Matlantis｜原子レベルの現象をAIで予測するシミュレータ

Matlantisは、原子レベルの現象を予測するAIシミュレータです。公式サイトでは、自然界に存在する96元素すべてに対応し、数万原子規模の計算を扱えると説明しています。Webからアクセスして使うクラウドサービスのため、手元に計算機の環境を用意しなくても始められます。

触媒や電池材料、合金などで、実験の前に計算で候補を比べたい研究チームに向いています。

Citrine Platform｜社内データから性能を予測し、次の実験を提案

Citrine Platformは、材料データの管理と、材料開発に特化したAIを組み合わせたプラットフォームです。国内ではSCSKが提供しています。原料の調達から特性評価までのデータを管理し、AIで性能を予測して実験を提案します。グラフィカルなWeb画面と、Pythonのクライアントの両方から使えます。

社内に実験データがたまっていて、それを予測と次の実験の提案に生かしたい企業に向いています。

miHub｜ベイズ最適化で実験計画を立てる研究開発プラットフォーム

miHubは、MI-6が提供する研究開発のプラットフォームです。実験計画の手順をワークフローの形で管理し、ベイズ最適化で次に試す条件を計画できます。因子どうしの関係の可視化や予測モデルの作成、解析の過程をチームで共有する機能もあります。専任のデータサイエンティストによる研修やセミナー、テーマごとの伴走支援を組み合わせられる点が特徴です。

配合やプロセスの条件を最適化したい研究チームで、社内にMIのスキルを育てながら進めたい場合に向いています。

M-EVO｜求める物性から分子構造を逆に探す

M-EVOは、HPCシステムズが提供する、AIと計算化学を組み合わせた材料開発のソフトウェアです。求める物性から分子構造を逆に探す逆問題の解析に対応し、Gaussian16などの計算化学の手法を使うことで、データベースがなくても探索できるとしています。ベイズ最適化による実験計画の支援にも対応しています。

社内に実験データが少なく、新しい分子の候補から探したい企業や、データを手元に置いておきたい企業に向いています。

Chemicals Informatics｜特許などの公開データから化合物を探す

Chemicals Informaticsは、日立ハイテクが提供する化合物探索を支援するクラウドサービスです。2024年2月の日立の発表では、4,300万件の英文特許などの公開データをもとにした独自のデータベースと探索AIで、化合物の探索を支援すると説明しています。

社内のデータがまだ少なく、まずは公開されている特許の情報から有望な化合物の候補を広く拾いたい場合に向いています。

Hands-on MI｜MIの専門家に解析を任せる支援サービス

Hands-on MIは、MI-6が提供する支援サービスです。材料の分野に詳しいデータサイエンティストが、計算科学・機械学習・数理最適化などを使って材料開発の課題を解く手伝いをします。共同開発・受託解析、技術コンサルティング、研修プログラムの3つの形があり、無料のテーマ相談で使い方のイメージを固めてから契約に進む流れです。

社内にMIの担当者がおらず、まずは1つのテーマで効果を確かめたい企業に向いています。

解きたい課題から選ぶ

最初に決めるのは、AIで何を解きたいかです。新しい分子や材料の候補を探したいのか、今ある材料の性能を予測したいのか、配合や条件を詰めて試作の回数を減らしたいのか。課題が1つに決まれば、選ぶべきタイプもおのずと決まります。

手持ちのデータの量と質から選ぶ

次に、使えるデータを確かめます。同じ形式の実験データがたまっているなら、物性予測型やベイズ最適化型を生かせます。データがほとんどない場合は、計算でデータを作れるシミュレーション型や、公開データを使う探索型から始める方法があります。

量だけでなく質も大切です。測定の方法がそろっているか、条件が記録されているか、うまくいかなかった実験の結果も残っているか。うまくいかなかった実験のデータも、AIにとっては次の予測を良くする大切な材料です。

対応する材料分野と既存の解析ソフトとの連携を確かめる

無機材料・金属・高分子・有機分子など、製品によって得意な分野は違います。公式の資料で対応する材料や元素を確かめ、自社の材料に近い分野で使われた実績があるかを質問しましょう。

あわせて、今使っている計算化学のソフトや解析の環境、実験装置、社内のデータの保管先とつなげるかも確かめます。データの受け渡しを手作業で行う形だと、使い続けるうちに手間が積み重なります。

機密データの扱いとセキュリティを確かめる

材料の配合や実験の結果は、企業にとって最も重要な情報の1つです。クラウドに預けるのか、手元のPCに置くのか。預けたデータがAIの学習に使われるのか。情報セキュリティの認証を取っているか。契約の前に、こうした点を書面で確かめておきましょう。

共同で解析を進める場合は、作ったモデルや得られた知見の権利がどちらにあるのかも、先に決めておくと後のもめごとを防げます。

内製するか、支援会社に任せるかを決める

ツールを入れて自社の研究者が使いこなすのか、専門家に解析を任せるのかでも、選ぶ相手は変わります。社内にデータ解析の経験者がいれば、ツールを入れて内製する形が合います。いない場合は、研修や伴走の支援が付いた製品か、受託解析の支援サービスから始めると立ち上がりが早くなります。

運用と契約の条件を確かめる

機能や性能の資料では見えにくいのが、使い続けるときの条件です。本記事で取り上げた製品でも、契約の形は1年単位のものから月極が選べるものまで分かれていました。契約の期間と更新の単位、料金が利用者数や計算量で変わるのか、サポートに含まれる作業の範囲はどこまでかを、見積もりと同時に確かめておきましょう。

あわせて、契約を終えたあとのことも先に聞いておきます。蓄積したデータや作った予測モデルを持ち出せるか、持ち出した形式をほかの製品で読めるか。データとモデルを引き取れる条件を契約の前に決めておくと、製品を乗り換えるときに一から作り直す事態を避けられます。

データの整理と形式の統一から始める

素材開発AIの導入で最も時間がかかりやすいのが、データの準備です。実験ノート、表計算のファイル、測定装置の出力など、データの置き場所と形が人や装置ごとにばらばらになっていることは珍しくありません。

まずは対象のテーマに関わるデータだけを集め、項目の名前・単位・記録の仕方をそろえるところから始めましょう。これから取る実験データも同じ形で残すルールを決めておくと、AIに使えるデータが自然に増えていきます。

小さなテーマで試して効果を測る

最初のテーマは、成果が出たかどうかを数字で確かめやすいものを選びます。たとえば、ある配合の改良で「目標の性能に届くまでの試作の回数」を、従来の進め方と比べる形です。試験導入の設計のしかたはAIのPoCの進め方も参考になります。

試す前に「どの数字がどこまで良くなれば広げるか」を決めておくことが、試験導入だけで終わらせないための一番の対策です。

研究者とデータ担当の役割分担

素材開発AIは、材料の知識とデータ解析の知識の両方がそろって初めて力を発揮します。研究者は、テーマの設定、データの意味の説明、AIの提案が理にかなっているかの判断を担います。データ担当は、データの整理、モデルの作成、結果の見せ方を担います。

社内にデータ担当がいない場合は、支援会社や製品の伴走支援でその役割を補い、並行して研究者の中から担当者を育てていくのが現実的です。

つまずきやすい例と避け方

自社の準備の状況を確かめる質問リスト

次の質問に「はい」「いいえ」で答えてみてください。「いいえ」が多い項目が、導入の前に手をつけるべきところです。

製品の提供会社・支援会社に聞く質問リスト

製品の説明を受けるときや見積もりを依頼するときは、次の質問をそのまま使ってください。複数の会社に同じ質問をすると、答えの違いから各社の向き不向きが見えてきます。

相談先のタイプ診断

素材開発AIの相談先は、大きく3つのタイプに分かれます。自社の状況に近い行を探してみてください。

最初から1社に決めず、タイプの違う相談先に同じ質問リストで話を聞くと、自社に足りないものがはっきりします。相談先の種類と契約の注意点はAIコンサルタント導入の選び方でさらに詳しく整理しています。