マテリアルズ・インフォマティクスと第一原理計算による材料研究の実践

第1部 企業での研究開発に活用できる、第一原理計算とマテリアルズ・インフォマティクスの手法と応用例

(2026年5月21日 10:00〜12:00)

　企業 (Panasonic) 及び公的研究機関 (JFCC) にて第一原理計算・マテリアルズ・インフォマティクスによる材料研究から製品設計、量産化、数値解析グループ長を務めた経験を有する講演者が、自身の経験に基づき、企業での電子材料研究 (電池材料、誘電体材料等) に使える第一原理計算・マテリアルズ・インフォマティクスを基礎から応用まで講義致します。 　また、企業研究への第一原理計算・マテリアルズ・インフォマティクス応用研究成功のためのノウハウをお伝えします。

1. 事前質問事項への回答
2. 第一原理計算
   1. 第一原理計算とは
   2. 第一原理計算で何ができるか?
   3. 計算環境の例
   4. 計算スキーム
3. 計算理論・計算手法
   1. 波動方程式を解くために
   2. Born-Oppenheimer (断熱) 近似
   3. 分子の電子状態計算手法
   4. 密度汎関数法
   5. Kohn-Sham方程式
   6. 一電子 (平均場) 近似
   7. 局所密度近似 (LDA)
   8. 一般化密度勾配近似 (GGA)
   9. 波動関数をどう表現するか
   10. 領域の分割
   11. 平面波基底
   12. 擬ポテンシャル法とフルポテンシャル法
4. 第一原理計算を実施する環境整備
   1. どんな計算機を用意すべきか
   2. PCクラスター
5. 第一原理計算応用例
   1. 企業における実用的な第一原理計算
   2. 成功する企業における第一原理計算導入例と失敗する第一原理計算導入例
6. マテリアルズ・インフォマティクス
   1. マテリアルズ・インフォマティクスとは?
   2. マテリアルズ・インフォマティクスの問題点
   3. 企業における実用的なマテリアルズ・インフォマティクス
7. Q&A

第2部 マテリアルズ・インフォマティクスの活用、データ蓄積と人材育成:実践から見た課題と展望

(2026年5月21日 13:00〜14:45)

　材料研究におけるマテリアルズ・インフォマティクスは「流行のAI技術」ではなく、「材料創製のやり方そのものを変える基盤技術」である。物質理解から材料設計への展開、データを自ら生み・蓄積し・活用するプロセス、ハイスループット実験による探索空間の拡張を通じ、材料開発を変革するための事例を紹介し、考え方を整理する。 　さらに、MIを実際の研究開発にどう適用するか、課題設定や実験省力化、新材料・未踏材料探索の現場で見えてきた実践的な論点を共有する。加えて、エクセルから始める現実的な非専門人材に対するAIリテラシー教育から始めた人材育成から自走するフェーズまでの経験を共有する。 　最後に、データとは何か、FAIR原則、法制度といった基礎知識を押さえ、研究開発の現場でMIを継続的に活かすための視点を提供する。

1. 材料創製インフォマティクス
   • 物質から材料へ
   • データをつくる、ためる、つかう
   • ハイスループットスクリーニング
   • 材料開発の異次元の効率化
2. マテリアルズ・インフォマティクスの活用
   • マテリアルズ・インフォマティクスのスコープ
   • 取り組み課題の選定
   • 実験試行の省力化
   • 新材料の探索
   • 未踏材料創製への挑戦
   • 実践活用から見える課題
3. マテリアルズ・インフォマティクスの活用と人材
   • AI教育とAIディバイド
   • ターゲット層
   • マテリアルズ・インフォマティクスのはじめ方
     • 2015年編
     • 2018年編
     • 2020年編
     • 2024年編
   • 資料、AIで作ってもいいですか?
   • エクセルからはじめよう
   • データについて検討したんです
   • マテリアルズ・インフォマティクスの活用を止めないために
4. 実践活用のための基礎知識
   • データとは何か?
   • FAIR原則
   • 法制度とデータ
• 質疑応答

第3部 材料研究プロセスにおける生成AI活用入門 - LLMの基礎理解から研究プロセスへの実装まで -

(2026年5月21日 15:00〜17:00)

　近年、マテリアルズインフォマティクスの進展とともに、データ駆動型研究の重要性が高まっています。その中で、ChatGPTに代表される大規模言語モデル (LLM) は、文献調査、情報整理、コード生成、報告書作成など、研究活動の多くの工程を支援可能な技術として注目されています。 　本セミナーでは、LLMの基本的な仕組みと限界を正しく理解したうえで、ChatGPT等の利用環境構築方法と運用上の注意点を解説します。その上で、材料研究プロセス (文献探索、仮説整理、データ解析補助、コード作成支援など) への具体的活用事例を紹介し、生成AIを効果的に研究基盤へ組み込むための実践的な視点を提供します。

1. 大規模言語モデル (LLM) の基礎
   1. LLMとは何か
      1. 生成AIの位置づけ
      2. 大規模言語モデルの定義
      3. 「次単語予測」という考え方
   2. モデルの進化とTransformer
      1. RNNの課題
      2. Transformerの登場
      3. Self – Attentionの概念
      4. コンテキスト長の意味
   3. Scaling Law (スケーリング則)
      1. パラメータ数・データ量・計算量の関係
      2. なぜ大規模化で性能が向上したのか
      3. 創発的能力 (Emergent Abilities)
      4. なぜ近年急速に性能が向上したのか
   4. LLMの特性と限界
      1. LLMは確率モデルであるという本質
      2. ハルシネーションが起きる理由
      3. データ依存性とバイアス
      4. 「理解しているわけではない」という点
      5. なぜ間違えるのか (確率的予測の限界)
2. ChatGPTの利用と環境構築
   1. 利用形態の整理
      1. Web版の利用方法
      2. API利用の概要
      3. 無料版・有料版の違い
   2. 使用の注意点
      1. 入力情報の公開範囲
      2. 研究データ・機密情報の扱い
      3. APIキー・トークン管理
      4. 再現性確保の考え方
3. 研究・業務への活用事例
   1. 文献調査・情報整理
      1. 論文要約
      2. 翻訳
      3. トレンド抽出
   2. コーディング支援
      1. コード生成
      2. デバッグ支援
      3. 既存コードの改善・最適化
      4. ドキュメント生成
   3. 自動化ツールの作成例
      1. データ整理スクリプト作成
      2. APIを用いた文献検索
      3. CSV保存・条件変更などの改良指示
4. 発展的内容
   1. RAG (検索拡張生成)
      1. 外部データとの連携
      2. 研究データベース活用の可能性
   2. AIエージェント
      1. エージェントの概念
      2. 研究ワークフロー自動化の方向性
5. まとめ・質疑