MI, 生成AIを活用した材料開発の高速化、効率化

第1部 研究開発の進め方と、MIの導入についての提案、DX、AIツール活用

(2026年4月16日 10:00〜11:30)

　まず、材料開発を前提に、研究開発テーマの発掘、研究開発の進め方を一から具体的に説明します。次に、研究開発の効率を高めるMIの導入、進め方を提案します。 　ここでは、AJS株式会社が開発したMI支援システムについて説明します。このMIツールは、依頼者に寄り添いながら一緒にデーター収集からデーター解析までのMI導入、活用を支援するもので、ゼロからのMI導入ができます。その後、AJS株式会社が開発し、長年、メーカーでの運用実績がある様々なDXツール、AIツールをご紹介します。本講演を聴講すれば、MI、DXなどを活用した研究開発の加速、効率化がイメージできます。

1. 研究開発を進める上で、よく聞く質問、悩み
2. 過去の事業創出の特徴
3. 研究開発テーマの発掘
4. 研究開発の進め方
5. 開発から事業化までの道筋
6. コア技術の活用
7. MIも活用した研究開発 (実例含む)
8. AJS 株式会社 のMI導入、支援
9. AIツールのご紹介
10. 開発、製造で生かせる様々なDXツールのご紹介
    • データー活用
    • 環安
    • 業務支援
    • 現場見える化など
• 質疑応答

第2部 生成AI、MIを活用した材料開発の高速化、効率化

(2026年4月16日 12:15〜13:45)

　マテリアルズインフォマティクス (MI) や生成AIの技術の進化により、研究開発においてもこれらの活用が求められている。そのためには、高品質なデータを効率的に収集するとともに、研究開発の流れに適した活用プロセスを整えることが重要である。 　本講演では、高品質データの効率的な収集・蓄積と負荷低減のアプローチに加え、機械学習を含むMI技術や文書生成・解析補助といった生成AIを研究開発プロセスに組み込む際の考え方と、実務で活用するための具体的プロセスを解説する。

1. 研究開発業務のDX
   1. 研究業務の現状と課題
   2. 研究業務のありたい姿
   3. 研究データマネジメントシステム (DMS) について
   4. MIや生成AIとの関わり方
2. 研究DMSにおけるデータの蓄積と質の向上
   1. ユーザーインターフェース (UI) の標準化
   2. 研究データの構造化
3. MIや生成AIの業務適応
   1. 研究DMSにおけるデータ活用の考え方
   2. MIの業務適応
   3. 生成AIの業務適応
   4. 今後の拡張性について
4. 実際の活用イメージ
   1. 実験計画
   2. 実験実施
   3. 解析
   4. 実験のまとめと考察
5. デジタル技術を取り入れた研究開発の将来像
   1. IoT・実験自動化への適応可能性
   2. 研究開発の新フレームワーク提案
   3. 社内外での連携拡充
   4. 研究プラットフォーム構想
• 質疑応答

第3部 エージェント型AIとMIを活用した材料開発の効率化とデータ不足への対応

(2026年4月16日 14:00〜15:30)

　エージェント型AIは科学研究の進め方そのものを大きく変えつつあり、マテリアルズ・インフォマティクス (MI) を進める上での重要な因子となっています。しかし一方で、いまだに誤解の多い技術でもあります。誇大な期待や専門用語、次々と現れるツールに埋もれてしまう中で、本当に重要な点を見極めるのは簡単ではありません。そもそもエージェント型AIとは何か。従来のAIとどう違うのか。MIでどのように活用するのか。 　本講演では、エージェント型AIの本質と重要性を解説し、材料開発の効率化やデータ不足の課題への対応戦略について議論します。

1. AIがもたらす科学研究開発のパラダイムシフト
2. AIプロジェクト導入の実情
3. 垂直型AIと水平型AI
4. AIエージェントとエージェント型AI
5. 各フェーズにおけるエージェント型AIの導入戦略
6. 基礎研究フェーズ
7. スケールアップフェーズ
8. 生産フェーズ
9. エージェント型AIの活用例
10. エージェント型AIの実用における技術的ポイント
11. エージェント型AIの導入を成功に導くポイント
12. Do the Right Things
13. Do Things Right
14. Drive Adoption
15. 取るべきアクションと今後の展望
• 質疑応答

第4部 MI、自然言語処理技術を活用した材料開発の高速化

(2026年4月16日 15:45〜17:15)

以下のような事柄について、概要を理解していただき、自社で展開する際の参考にしていただく。生成AI時代に材料科学分野で自然言語処理技術を利用してどのようなことができるのか、やりたいことを実現するのにどの種類の技術を用いればよいのか、市販ツールがどのような技術を用いているのか、市販ツールを自社カスタマイズする発注の際に言語モデル的に注意すべき点、今後どのようなことができるようになると期待されるか。

1. 概観
   1. マテリアルズインフォマティクス
      • 物性値
      • 分子構造
      • 結晶構造
      • 化学構造式
      • 物性名
      • 数式
      • 自然言語
   2. 対象とする文書の種類と特徴
      • 論文
      • 特許
      • 書籍
      • 安全・規制に関わる法的文書
      • 社内文書
   3. 求められる処理の種類と特徴
      • 文書分類
      • 検索 (目的文書の抽出)
      • 情報の抽出 (文中の特定情報の抽出)
      • 文書の関連性
      • 情報の関連性
      • 知識グラフ
   4. 生成AIが得意なこと・不得意なこと
2. 言語処理の種類と活用
   1. 単純な統計処理 (処理は生成AIがプログラム作成)
      • WordCloudなど:文書群の概観
      • TF-IDEなど:文書群の分類や大規模言語モデルの拡張への利用
   2. 単語・文のベクトル化 (処理は生成AIがプログラム作成)
      • Word2Vec、Doc2Vec:文書群の分類や大規模言語モデルの前処理や拡張への利用
   3. 文法ベース (大規模言語モデルの前処理にも使われている)
      • 品詞解析
      • 構文解析/照応解析
   4. 大規模言語モデル (生成AIの基盤)
      • アテンション付きトランスフォーマー:GPTやBERT
      • 大規模言語生成モデル
3. 材料関連分野に特化したモデル
   1. 様々なモデル
      • Word2Vec系
        • Mat2Vec
      • BERT系
        • SciBERT
        • BioBERT
        • BatteryBERT
        • MatSciBERT
        • MatBERT
        • MaterialBERT
      • モデル作成時の条件に注意
   2. 言語生成AIの材料分野応用
      • Q&A、プロンプトエンジニアリング、添付ファイルからの情報抽出
      • RAG (Retrieval-Augmented Generation) :検索拡張生成
      • KAG (Knowledge-Augmented Generation) またはGraphRAG: 知識拡張生成
   3. 言語生成AI時代の材料分野のモデル評価指標
   4. 材料知識グラフ
4. マルチモーダル化
   1. 画像などテキストとは種類の異なるデータとテキスト (自然言語) のデータとの組み合わせ
   2. 材料科学分野の画像と画像読み取りを要する問題の同時入力と回答
   3. 材料科学分野の画像出力を要する問題の入力と回答
   4. 要約画像やプレゼンの作成
5. 言語生成AIを使ってMI
   1. データ収集
   2. データ解析
6. 各自の用途に合った材料AIボットの自作
   • 毎回問い合わせの文章を入力しなくても、材料名とか特性を入れ替えるだけなど、レシピ作成AI的に使えるAIボットの自作方法
• 質疑応答