TECHNOLOGY EXPLAINER
クローズドループ最適化
― 「提案 → 実験 → 評価 → 学習」の輪を、安全に回す設計
次に試す条件を機械が決め、実験し、結果から学び、また次を決める。この輪を回すと、少ない実験で良い条件に近づけます。ところが、測定にはばらつき（ノイズ）があり、失敗する条件があり、人の手が要るのが現実です。この記事では、輪の中身（ベイズ最適化）を小さな計算例で説明したうえで、実例（電池の急速充電、ナノチューブ、放射光の位相マッピング、構造の靭性、反応の最適化）を読み、測定ノイズ・制約と失敗・目的の指標・人の介入という4つの設計上の注意を整理します。「ベイズ最適化を入れれば最適化が終わる」ではなく、輪を設計するとはどういうことかを、論文で確認できた範囲で書きます。
- 3行でわかる／読む前に／シリーズの中での位置
- 輪の中身 ― データ・モデル・取得関数
- 小さな例で見る ― 次に試す点はどう選ばれるか
- 実例 ― 輪が回った例と、短縮の倍率
- 設計の注意1 ― 測定ノイズ
- 設計の注意2 ― 制約と失敗
- 設計の注意3 ― 目的の指標と探索の範囲
- 設計の注意4 ― 人の介入
- 設計のチェックリスト
- 素材技術者から見て
- 限界と、確認できなかったこと／まとめ
- 評価・標準の読み方
- 用語集
- 参考資料（一次情報）
- 主張と出典の対応表（監査）
事実＝公表資料に記載のある内容（出典リンクあり）
本稿の計算＝明示した前提をもとに本記事が算出した値
未確定／将来＝計画・目標・草案・改訂中など、確定していない事項
このほか、素材技術者向けの読み取りは「解説」として区別しています。推測は太字で示します。研究グループの「発見した」「改善した」は「主張」と明記します。
「何倍速い」「実験が何分の1」という数は、比べる相手（総当たり、格子、ランダム、自分たちの過去）が、研究ごとに違います。数字だけで手法の優劣をつけないでください。また、人工の関数で作った小さな例（第3章）は、仕組みを見るための説明用で、実在の材料のデータではありません。
1. 3行でわかる／読む前に／シリーズの中での位置
- クローズドループ最適化は、結果を見ながら次の条件を機械が選ぶ輪です。中身は、データ → 代理モデル（予測と不確かさ）→ 取得関数（次に試す価値）→ 実験、という流れで、ベイズ最適化が代表です事実［参考資料1］
- 実例では、少ない実験で良い条件に近づいた報告があります。電池の急速充電では、224候補の中から16日で有望な条件を絞った（総当たりなら500日超）、とされます事実［参考資料3］。ただし、比べる相手は研究ごとに違い、ノイズ・失敗・人の介入が結果を左右します
- 一番大事な1点：輪を回す前に、目的の指標・探索の範囲と制約・ノイズの大きさ・人の承認を決めます。同じ材料を10回測って最大を選ぶと、ノイズだけで平均より約1.5σ高く見えます本稿の計算
ベイズ最適化や能動学習の考え方は、本シリーズ「ベイズ最適化と能動学習」編で詳しく扱います。ここでは「次に試す条件を選ぶ部分」と捉え、輪として回すときの設計上の注意に集中します。機械学習は「過去のデータから傾向を学ぶ近似器」で、データの範囲の外は苦手です（本シリーズ「機械学習とニューラルネットワークの基礎」編）。この記事は単独でも読めるよう、用語は初出で説明します。
実験を機械が回す仕組みそのものは「自律実験室」編、多数の試料を並列に作る話は「高スループット実験とロボット合成」編、LLM が輪をつなぐ話は「AIエージェントによる材料研究」編です。この記事は、それらの中心にある「次を決める輪」の設計を扱います。結果の評価は「MIの結果の評価と再現性の読み方」編にあります。
2. 輪の中身 ― データ・モデル・取得関数
輪の中で、「次に何を試すか」はどう決まるのでしょうか。ベイズ最適化では、次の3つが働きます。
元のSVG・数値・出典を確認する
元SVGの説明：概念図（ベクター作図）。Frazier（2018）は、ベイズ最適化を「目的の関数の代理モデルをつくり、その不確かさを数え、取得関数で次に測る点を決める」方法と説明する。
- 代理モデル：これまでの条件と結果から、まだ試していない条件の結果を予測し、同時に、その予測がどれだけ不確かかも数えます。Frazier は、ガウス過程回帰を使う方法を説明しています事実［参考資料1］
- 取得関数：「次に試す価値」を点数にします。代表は期待改善量です。予測が高い所（活用）と、不確かな所（探索）の釣り合いをとります事実［参考資料1・3］
- 適した問題：Frazier は、ベイズ最適化は、評価に時間がかかり、連続の変数が20次元未満の問題に向き、評価にノイズがあってもよい、と述べます事実［参考資料1］。ここから外れる問題（変数が多い、カテゴリの変数が多い、など）では、別の工夫（Gryffin のようにカテゴリの変数に専門知識を与える方法など）が要ります事実［参考資料15］
昼食の店選びにたとえます。活用は、これまで一番おいしかった行きつけの店にまた行くこと。探索は、行ったことのない店を試すことです。活用ばかりでは、もっとおいしい店を見逃し、探索ばかりでは、おいしい店に行けません。取得関数は、この釣り合いを点数で決めます。たとえの限界：食事は1回で結果が分かりますが、材料の実験では、結果にノイズが入り、1回の「おいしくない」が本当にまずいのか偶然なのかを、見分ける必要があります（第5章）。
3. 小さな例で見る ― 次に試す点はどう選ばれるか
仕組みを、1つの条件だけを変える、人工の例で見ます。4回実験した時点で、モデルは、実験した点の近くでは「よく分かる」、離れた所では「分からない」と答えます。取得関数は、その差を使って、次の点を選びます。
図では、赤い線の位置（条件）が、次に試す点に選ばれました。実験した点から離れ、予測が高く、不確かさも大きい所です本稿の計算。実験すると、その点のデータが増えて、帯が細くなり、次の点がまた選ばれます。これを繰り返すのが、輪を回すことです。
この例は、変数が1つ、ノイズがほぼ0、失敗がないという、いちばん簡単な場合です。実際には、①変数が複数で、②測定にノイズが入り、③失敗する条件があり、④人が補給や承認をします。以降の章は、この②〜④を扱います。
4. 実例 ― 輪が回った例と、短縮の倍率
| 実例 | 対象と目的 | 実験の数・期間 | 成功の定義・結果 | 人の関わり・検証（確認した範囲） |
|---|---|---|---|---|
| Attia (2020) | 電池の6段階・10分の急速充電の条件。サイクル寿命の最大化 | 224候補から16日で絞り込み（総当たりで早期予測なしなら500日超）事実［参考資料3］ | 早期予測（最初の数サイクルから寿命を予測）と、ベイズ最適化の組合せ事実 | 選んだ条件を別に検証（各 n＝5）事実［参考資料3］。本文は購読制のため人手の詳細は未確認 |
| Chang ら (2020) | カーボンナノチューブの成長速度の最大化 | 約100実験・約8時間（自分たちの以前の報告より5倍速い）事実［参考資料6］ | 成長速度が、初期の実験の最大8倍事実 | 要旨の範囲のみ確認 |
| CAMEO (Kusne ら 2020) | 放射光ビームラインでの位相マッピングと特性の最適化 | 1サイクルが数秒〜数分事実［参考資料5］ | 新しいエピタキシャルのナノ複合の相変化メモリ材料を発見した、と著者が主張未確定／将来 | 各サイクルで人が貢献する仕組みを示した事実。独立した検証は確認できなかった |
| BEAR (Gongora ら 2020) | 3D 造形した構造の靭性の探索 | 格子状の探索より、実験の数がほぼ60分の1事実［参考資料7］ | 高性能な構造を特定 | 要旨の範囲のみ確認 |
| Shields ら (2021) | パラジウム触媒の反応などの収率の最適化 | 専門家のオンラインのゲームと比較事実［参考資料4］ | ベイズ最適化が、実験の数（効率）と結果のばらつき（一貫性）で、人の判断を上回った事実 | 人の判断との比較が目的。実際の2つの反応の最適化にも適用事実 |
このほか、Burger らの移動ロボット（688実験・8日、バッチ式のベイズ探索）事実［参考資料8］、Ada（Phoenics によるベイズ最適化で、35サンプル×2回のキャンペーン）事実［参考資料9］、Coscientist（標準的なベイズ最適化との比較）事実［参考資料10］も、輪を回した例です（本シリーズ「自律実験室」編、「AIエージェントによる材料研究」編）。
- Attia らの500÷16 ≒ 31倍は、「500日超」が下限で、比べる相手は「早期予測なしの総当たり」です本稿の計算事実［参考資料3］。早期予測という別の工夫と、ベイズ最適化の効果が、合わさっています
- Rohr らは、4つの化学空間（各2,121の触媒）で、ランダム選択に対し、条件によっては最大20倍の加速、一方で、モデルの選び方によってはランダムより遅くなることも報告しています事実［参考資料11］
- Coscientist の論文は、標準的なベイズ最適化との比較で GPT-4 ベースの方法が高い値を示したと述べる一方、探索と活用の釣り合いが違うため、これだけでは性能を示すとは限らない、とも書いています事実［参考資料10］
正しくありません。Rohr らは、モデルの選び方によっては、ランダムに選ぶより遅くなる場合があると報告しています事実［参考資料11］。また、ベイズ最適化は、変数の数や種類（連続か、カテゴリか）に向き不向きがあります事実［参考資料1］。正しい説明は、「問題に合った設定をすれば、速くなることがある。自社の課題でランダムや従来の方法と比べて確かめる」です。
5. 設計の注意1 ― 測定ノイズ
同じ条件で2回測っても、値は少し違います。この測定のばらつき（ノイズ）を無視すると、最適化は「測定の幸運」を追いかけます。Attia らは、電池の寿命の実験は1回に数か月から数年かかり、サンプリングのばらつきも大きいと述べています事実［参考資料3］。Letham らは、ノイズが大きいと、既存のベイズ最適化は性能が落ちる、として、ノイズのある観測と制約のための方法を提案しました事実［参考資料12］。
図の計算の意味を言葉にします。材料は全部同じ（本当の差は0）でも、10回測って最大の値を選ぶと、平均より約1.54σ（σ＝ばらつき）高く見えます。100回なら約2.51σです本稿の計算。「最良の条件」として選ばれたものは、運よく高く測れたものである可能性があります。対策は、有望な条件を繰り返し測ることです。Attia らの方法は、結果の不確かさ（ガウス過程が見積もる標準偏差）を取り込んで条件を選び、最も寿命の長い条件は、繰り返し測られているため不確かさが小さい、と記されています事実［参考資料3］。
日常では混ざって使われますが、区別すると便利です。ばらつき（ノイズ）は、同じ条件を繰り返したときの値の散らばりです。不確かさは、「この値がどれだけ信頼できるか」を表す幅です。測定の不確かさの考え方は、国際的な指針（GUM）があります事実［参考資料21］。精度（真の値への近さ）と精密さ（繰り返しの一致）を区別する規格に、ISO 5725-1 があります事実［参考資料22］（本文は有料のため、題名と適用範囲のみ確認）。
そうとは限りません。ノイズがあるとき、最大の測定値は、ノイズの分だけ高く出やすくなります（図の計算）。正しい確認は、選ばれた条件を、別の試料・別の日・別のロットで繰り返して測り、差がばらつき（σ）より大きいかを見ることです（本記事による解説）。
6. 設計の注意2 ― 制約と失敗
最適化は、使ってよい条件の中で行います。使えない条件（安全、装置の限度）は、人が先に決められます。一方、「やってみないと失敗するかどうか分からない」条件もあります。Gelbart らは、現実の最適化には、あらかじめ分からない制約があり、その評価にもノイズが入りうる、と述べます事実［参考資料13］。
- 失敗は、実際に起きます：A-Lab の例外率は、1.5年の運転で全ステーションの平均約3.9%です事実［参考資料19］。Ada では、35サンプルのキャンペーンのそれぞれで1サンプルが失敗しました（1÷35＝約2.9%）事実本稿の計算［参考資料9］。
- 失敗を「結果なし」で捨てない：失敗した条件を記録しないと、アルゴリズムは同じ領域をまた提案します。「この条件は失敗した」という情報を、探索に反映させる方法（制約として扱う）が、研究されています事実［参考資料13］（解説）。
- 装置の側の制限も：操作できる量・温度・物質は、アルゴリズムの外側（装置やソフトの設定）で制限します。輪が物理世界に影響する場合の安全は、本シリーズ「AIエージェントによる材料研究」編の「確認の門」を参照してください
7. 設計の注意3 ― 目的の指標と探索の範囲
- 目的の指標は、「速く測れる代用」になりがち：Ada は、薄膜の導電と吸光から、正孔移動度に比例する「疑似移動度」をつくって最大化しました事実［参考資料9］。Attia らは、最初の数サイクルから寿命を予測する早期予測を使って、1回の実験の時間を短くし、最後に選んだ条件を、別に検証しました事実［参考資料3］。代用の指標で最適化したら、最終の評価で確かめ直すのが基本です（解説）
- 探索の範囲は、人が決める：ベイズ最適化は、与えられた範囲の中で次の点を選びます。範囲の外に良い条件があっても、そこへは行きません（本記事による解説）。Frazier は、適した問題を「連続の変数が20次元未満」と述べます事実［参考資料1］
- 専門知識を入れる：Gryffin は、カテゴリの変数（触媒、溶媒など）に、物理化学の記述子の形で専門知識を与えて、探索を速める方法で、有機太陽電池の非フラーレンの受容体、ペロブスカイト、ligand の探索などで示されています事実［参考資料15］
- 道具：ベイズ最適化の実装には、Phoenics（化学向け）事実［参考資料14］、BoTorch（汎用）事実［参考資料17］などがあります。実験の探索戦略を、実験を模したデータで比べる枠組みに、Olympus があります事実［参考資料16］。
8. 設計の注意4 ― 人の介入
- 人は、輪の外にも内にもいます：CAMEO は、各サイクルの中で、人が呼ばれて貢献する仕組み（human-in-the-loop）を示しました事実［参考資料5］。Dai らの移動ロボットでは、人の介入は補給と消耗品の交換だけでした事実［参考資料20］。
- 人の判断と、アルゴリズム：Shields らは、専門家の化学者・技術者の選択と比べて、ベイズ最適化が、実験の数と結果のばらつきの両方で上回った、と報告しています事実［参考資料4］。ただし、これは「実験の選び方」の比較で、目的・範囲・制約・安全・解釈を人が決めることは変わりません（解説）。
- 処理の誤りも起きる：Attia らの拡張データには、各ラウンドで選ぶはずだった条件の1つが、処理の誤りで選ばれなかったことが、正直に記されています事実［参考資料3］。輪の運用の記録（何が選ばれ、何が実行されたか）を残す理由です。
9. 設計のチェックリスト
ここまでを、輪を回す前に決めておくことのリストにします。
10. 素材技術者から見て
輪を回す前に、自社の評価のばらつきを、同じ条件の繰り返しで測ります（ロット差、測定者・装置の差を含めて）。σが分かれば、「この改善は、ばらつきより大きいか」が判断できます。第5章の計算のとおり、改善が数σ以内なら、ノイズだけで説明できる場合があります本稿の計算。測定の不確かさの考え方（GUM）や、精度と精密さの区別（ISO 5725）は、その整理に役立ちます［参考資料21・22］（本記事による解説）。
ベイズ最適化は、初期のデータがあるほど、最初から的を絞れます。自社の実験ノート、不良の報告書、過去の条件表は、条件・結果・失敗を含む貴重な初期データです。ただし、条件の書式や単位がそろっていないと使えないので、本シリーズ「材料データと記述子」編のように、数値にそろえる整理が先に要ります（本記事による解説）。Chang らは、初期の実験（種データ）の数や由来によらず、安定して良い性能が得られた、と報告しています事実［参考資料6］。
アルゴリズムが示した最良の条件は、候補です。Attia らは、選んだ条件を、最適化とは別に繰り返して検証しました（各 n＝5、一部 n＝4）事実［参考資料3］。自社でも、①別の日、②別のロットの原料、③別の試料の作製、④可能なら別の測定法、で確かめます。対照（既知の条件）を同じ日に測ると、日ごとの変動を除けます（本記事による解説）。ここで確かめずに製品の条件に採用すると、ノイズの「幸運」を採用してしまいます。
輪は、放っておくと回り続けます。回数・期間・費用の上限、改善が止まったときの停止条件、異常時に誰が止めるかを、先に決めます。記録は、モデルの名前と版、設定、提案された条件と実行された条件、失敗、ロット、担当者を、試料の番号に結びつけて残します（第8章の処理の誤りの例）。FAIR 原則［参考資料24］は、記録の整理に役立ちます（本シリーズ「材料データベースとFAIR原則」編）。
11. 限界と、確認できなかったこと／まとめ
(1) 確認できなかったこと
- Attia ら、Chang ら、Gongora らの本文（購読制の場合を含む）は、要旨と拡張データの図の説明の範囲でしか確認しておらず、人手の詳細や実験の内訳は確認していません。
- CAMEO の「新しい材料を発見した」は著者の主張で、独立した検証は確認できませんでした。
- Shahriari らの総説は題名のみ確認し、内容には立ち入っていません。
- Atlas など、自律実験室向けの最適化ソフトの詳細は、本稿では確認できませんでした。
- 複数の目的を同時に最適化する場合（多目的）と、時間とともに変わる装置の状態（ドリフト）への対処は、本稿では取り上げていません。
- クローズドループ最適化に特化した国際標準は、確認できませんでした。測定の不確かさ（GUM、ISO 5725-1）と試験所の能力（ISO/IEC 17025）は、周辺の指針・規格で、ISO の規格本文は有料のため、題名の確認にとどめています。
- クローズドループ最適化は、データ → 代理モデル → 取得関数 → 実験 の輪。探索（不確かな所）と活用（予測が高い所）の釣り合いで、次の条件を選ぶ事実
- 実例の短縮の倍率は、比べる相手が違う（総当たり、格子、ランダム、過去）。ランダムより遅くなる設定もある事実
- 測定ノイズ：同じ材料を10回測って最大を選ぶと、ノイズだけで約1.5σ高く見える。繰り返しで確かめる本稿の計算
- 制約と失敗・代用の指標・探索の範囲・人の介入を、輪の外側で設計する。失敗は記録して探索に反映する（本記事による解説）
- 選ばれた最良の条件は候補。別の日・別のロット・別の測定法で確かめてから採用する（本記事による解説）
12. 評価・標準の読み方
クローズドループ最適化の「ものさし」は、どれだけ速く良い条件に近づいたか（加速の倍率）と、その結果をどれだけ信頼できるか（測定の質と、確かめ直し）の2つです。倍率は比べる相手で変わるため、ベースラインを必ず書く必要があります。確認日は2026年10月23日です。
| 評価項目 | 代表的なベンチマーク・評価手法（名称・出典） | 標準・指針（ISO/IEC・BIPM・公開規格など） | 読み方の注意 |
|---|---|---|---|
| 探索の速さ | 加速係数（ランダム選択との比較）。Rohr ら：最大20倍、条件によってはランダムより遅い［参考資料11］事実 | 確認できなかった（クローズドループ最適化に特化した国際標準は確認していない） | ベースライン（総当たり・格子・ランダム・過去）を必ず確認する。時間と実験の数は別の量 |
| ノイズのある実験での比較 | Olympus：実験を模した確率モデルで、ノイズのある最適化を比べる枠組み［参考資料16］事実 | 確認できなかった | 模した実験での成績は、自社の実験での成績とは別。ノイズの大きさに依存する |
| 測定の不確かさ・精度 | 実験の精度＝同じ条件の繰り返しの標準偏差（Volk と Abolhasani）［参考資料18］事実 | JCGM 100:2008（GUM、測定の不確かさの表現の指針）［参考資料21］。ISO 5725-1:2023（測定方法と結果の精度（真度と精密さ）、第1部：一般原則と定義）［参考資料22］事実 | GUM は指針、ISO 5725-1 は規格。どちらも最適化の手法の基準ではない。ISO の本文は有料で題名・適用範囲のみ確認 |
| 試験所としての信頼性 | 確認できなかった | ISO/IEC 17025:2017（試験所・校正機関の能力の一般要求事項）［参考資料23］事実 | 最適化の規格ではない。測定の記録・トレーサビリティを考える参照（本記事による解説） |
| 結果の確認 | 選んだ条件の別の検証（Attia ら：各 n＝5）、人との比較（Shields ら）［参考資料3・4］事実 | 確認できなかった | 最適化の中の「最良」と、別の検証での値は、区別して書く |
| データ | 確認できなかった | FAIR 原則（2016）［参考資料24］事実 | 原則であり、法的拘束力はない。失敗と条件のメタデータが前提 |
表の整理は本稿の計算（整理）。番号・題名・状態は ISO・BIPM の公式ページで確認（確認日 2026年10月23日）。規格の本文は有料のため、題名・適用範囲にとどめ、要求事項は書いていません。
読み方の注意（素材技術者向け）
- 「何倍速い」は、比べる相手とセットで読みます：総当たり、格子、ランダム、自分たちの過去は、別のベースラインです。自社の課題で、自社のベースラインに対して測り直します
- 最適化の中の最良と、検証の値を区別します：ノイズがあると最大値は高く出ます。別の日・ロットでの確認が、「候補」と「確かめた結果」の境目です
- 標準・指針は、規格か指針か原則かを区別します：GUM は指針、ISO 5725-1 と ISO/IEC 17025 は規格、FAIR は原則です。どれも、最適化が良い条件を見つけたことの保証ではありません
13. 用語集
- クローズドループ最適化
- 結果を見ながら、次の条件を機械が選ぶ輪を回して、条件を最適化すること。
- ベイズ最適化
- 代理モデルの予測と不確かさから、次に試す条件を選ぶ最適化の方法。
- 代理モデル
- 実験の代わりに、条件から結果を予測する安価なモデル。
- ガウス過程
- 予測の平均と不確かさを同時に出せる、代理モデルの1つ。
- 取得関数
- 「次に試す価値」を点数にする関数。
- 期待改善量
- 今の最良より、どれだけ良くなると期待できるか、という取得関数。
- 探索と活用
- 不確かな所を試すこと（探索）と、予測が高い所を試すこと（活用）。
- ノイズ（測定のばらつき）
- 同じ条件を繰り返したときの、測定値の散らばり。
- σ（標準偏差）
- ばらつきの大きさを表す数。
- 不確かさ
- 測定値や予測が、どれだけ信頼できるかを表す幅。
- 精度（真度と精密さ）
- 真の値への近さ（真度）と、繰り返しの一致（精密さ）。
- 制約
- 使ってよい条件の限度。安全や装置の限度、失敗しやすい領域など。
- 代用の指標
- 本当に知りたい量の代わりに、速く測れる量を使うこと。
- 早期予測
- 最初の数サイクルなどから、最終の結果（寿命など）を予測して、実験の時間を短くすること。
- バッチ（並列）
- 次の条件を、1つではなく複数まとめて選ぶこと。
- カテゴリの変数
- 触媒や溶媒の種類のように、連続でない選択肢の変数。
- human-in-the-loop
- 輪の途中に、人が判断や貢献を入れる運転。
- ベースライン
- 「何倍速い」の比べる相手（総当たり、ランダム、過去の方法など）。
- 加速係数
- ランダムに選ぶ場合より、何倍速く目標に達するか。
- GUM
- 測定の不確かさの表し方を示した国際的な指針（JCGM 100）。
- ドリフト
- 装置の状態が、時間とともにゆっくり変わっていくこと。
- FAIR 原則
- データを、見つけられ、アクセスでき、相互に使え、再利用できるようにする原則。
14. 参考資料（一次情報）
- Frazier P. I. "A Tutorial on Bayesian Optimization", arXiv:1807.02811 (2018) — arxiv.org/abs/1807.02811
- Shahriari B. ほか "Taking the Human Out of the Loop: A Review of Bayesian Optimization", Proc. IEEE 104, 148–175 (2016), DOI 10.1109/JPROC.2015.2494218 (題名のみ確認) — doi.org/10.1109/JPROC.2015.2494218
- Attia P. M. ほか "Closed-loop optimization of fast-charging protocols for batteries with machine learning", Nature 578, 397–402 (2020), DOI 10.1038/s41586-020-1994-5 (要旨と拡張データの図の説明を確認。本文は購読が必要) — doi.org/10.1038/s41586-020-1994-5
- Shields B. J. ほか "Bayesian reaction optimization as a tool for chemical synthesis", Nature 590, 89–96 (2021), DOI 10.1038/s41586-021-03213-y — doi.org/10.1038/s41586-021-03213-y
- Kusne A. G. ほか "On-the-fly closed-loop materials discovery via Bayesian active learning", Nat. Commun. 11, 5966 (2020), DOI 10.1038/s41467-020-19597-w — doi.org/10.1038/s41467-020-19597-w
- Chang J. ほか "Efficient Closed-loop Maximization of Carbon Nanotube Growth Rate using Bayesian Optimization", Sci. Rep. 10, 9040 (2020), DOI 10.1038/s41598-020-64397-3 — doi.org/10.1038/s41598-020-64397-3
- Gongora A. E. ほか "A Bayesian experimental autonomous researcher for mechanical design", Sci. Adv. 6, eaaz1708 (2020), DOI 10.1126/sciadv.aaz1708 — doi.org/10.1126/sciadv.aaz1708
- Burger B. ほか "A mobile robotic chemist", Nature 583, 237–241 (2020), DOI 10.1038/s41586-020-2442-2 (要旨を確認) — doi.org/10.1038/s41586-020-2442-2
- MacLeod B. P. ほか "Self-driving laboratory for accelerated discovery of thin-film materials", Sci. Adv. 6, eaaz8867 (2020), DOI 10.1126/sciadv.aaz8867 — doi.org/10.1126/sciadv.aaz8867
- Boiko D. A., MacKnight R., Kline B., Gomes G. "Autonomous chemical research with large language models", Nature 624, 570–578 (2023), DOI 10.1038/s41586-023-06792-0 — doi.org/10.1038/s41586-023-06792-0
- Rohr B. ほか "Benchmarking the acceleration of materials discovery by sequential learning", Chem. Sci. 11, 2696–2706 (2020), DOI 10.1039/C9SC05999G — doi.org/10.1039/C9SC05999G
- Letham B. ほか "Constrained Bayesian Optimization with Noisy Experiments", Bayesian Anal. 14, 495–519 (2019), DOI 10.1214/18-BA1110 (要旨は arXiv:1706.07094 で確認) — arxiv.org/abs/1706.07094
- Gelbart M. A., Snoek J., Adams R. P. "Bayesian Optimization with Unknown Constraints", arXiv:1403.5607 (2014) — arxiv.org/abs/1403.5607
- Häse F. ほか "Phoenics: A Bayesian Optimizer for Chemistry", ACS Cent. Sci. 4, 1134–1145 (2018), DOI 10.1021/acscentsci.8b00307 — doi.org/10.1021/acscentsci.8b00307
- Häse F. ほか "Gryffin: An algorithm for Bayesian optimization of categorical variables informed by expert knowledge", Appl. Phys. Rev. 8, 031406 (2021), DOI 10.1063/5.0048164 — doi.org/10.1063/5.0048164
- Häse F. ほか "Olympus: a benchmarking framework for noisy optimization and experiment planning", Mach. Learn.: Sci. Technol. 2, 035021 (2021), DOI 10.1088/2632-2153/abedc8 — doi.org/10.1088/2632-2153/abedc8
- Balandat M. ほか "BoTorch: A Framework for Efficient Monte-Carlo Bayesian Optimization", arXiv:1910.06403 (2019) — arxiv.org/abs/1910.06403
- Volk A. A., Abolhasani M. "Performance metrics to unleash the power of self-driving labs in chemistry and materials science", Nat. Commun. 15, 1378 (2024), DOI 10.1038/s41467-024-45569-5 — doi.org/10.1038/s41467-024-45569-5
- Szymanski N. J. ほか "An autonomous laboratory for the accelerated synthesis of inorganic materials", Nature 624, 86–91 (2023), DOI 10.1038/s41586-023-06734-w (2026年1月の訂正を反映した版) — doi.org/10.1038/s41586-023-06734-w
- Dai T. ほか "Autonomous mobile robots for exploratory synthetic chemistry", Nature 635, 890–897 (2024), DOI 10.1038/s41586-024-08173-7 — doi.org/10.1038/s41586-024-08173-7
- JCGM "JCGM 100:2008 Evaluation of measurement data — Guide to the expression of uncertainty in measurement (GUM)" （BIPM の刊行物ページ。2026年10月23日に確認。2026年の第1追補が同ページに掲載） — bipm.org/en/committees/jc/jcgm/publications
- ISO "ISO 5725-1:2023 Accuracy (trueness and precision) of measurement methods and results — Part 1: General principles and definitions" （ISO のページ） — iso.org/standard/69418.html
- ISO/IEC "ISO/IEC 17025:2017 General requirements for the competence of testing and calibration laboratories" （ISO のページ） — iso.org/standard/66912.html
- Wilkinson M. D. ほか "The FAIR Guiding Principles for scientific data management and stewardship", Sci. Data 3, 160018 (2016), DOI 10.1038/sdata.2016.18 — doi.org/10.1038/sdata.2016.18
15. 主張と出典の対応表（監査）
| 本文の主張 | 根拠 | 区分 |
|---|---|---|
| Frazier：代理モデル（ガウス過程回帰）と不確かさ、取得関数（期待改善量など）、評価に時間がかかり連続の変数が20次元未満の問題に向く、ノイズを許容、並列・制約への拡張。Shahriari らの総説の題名 | 出典1 https://arxiv.org/abs/1807.02811 出典2 https://doi.org/10.1109/JPROC.2015.2494218 | 事実 |
| Attia ら：6段階・10分の急速充電、224候補を16日で絞り込み（総当たり・早期予測なしで500日超）、早期予測、ベイズ最適化、サンプリングのばらつきが大きい、最も寿命の長い条件は繰り返し測られ標準偏差が小さい、選んだ条件の別の検証（各 n＝5、一部 n＝4）、処理の誤りで1条件が選ばれなかった、失敗した電池を除外 | 出典3 https://doi.org/10.1038/s41586-020-1994-5 | 事実 |
| Chang ら：カーボンナノチューブの成長速度が種データの最大8倍、約100実験・約8時間（以前の報告の5倍速い）、種データの数や由来によらず安定。Gongora ら（BEAR）：格子状の探索よりほぼ60倍少ない実験 | 出典6 https://doi.org/10.1038/s41598-020-64397-3 出典7 https://doi.org/10.1126/sciadv.aaz1708 | 事実 |
| Kusne ら（CAMEO）：放射光ビームラインでの閉ループ、1サイクルが数秒〜数分、各サイクルで人が貢献する仕組み、新しいエピタキシャルのナノ複合の相変化メモリ材料を発見したという著者の主張 | 出典5 https://doi.org/10.1038/s41467-020-19597-w | 未確定／将来 |
| Shields ら：ベイズ最適化が、専門の化学者・技術者の判断を、実験の数（効率）と結果のばらつき（一貫性）で上回った、オンラインのゲーム、2つの実際の反応への適用 | 出典4 https://doi.org/10.1038/s41586-021-03213-y | 事実 |
| Rohr ら：4つの化学空間（各2,121の触媒）、ランダム選択に対し最大20倍、モデルの選び方によってはランダムより遅い。Burger ら：688実験・8日・バッチ式のベイズ探索。Ada：Phoenics、35サンプル、疑似移動度。Coscientist：標準的なベイズ最適化との比較と注意書き | 出典11 https://doi.org/10.1039/C9SC05999G 出典8 https://doi.org/10.1038/s41586-020-2442-2 出典9 https://doi.org/10.1126/sciadv.aaz8867 出典10 https://doi.org/10.1038/s41586-023-06792-0 | 事実 |
| Letham ら：ノイズが大きいと既存のベイズ最適化は性能が落ちる、ノイズのある観測と制約の方法。Gelbart ら：あらかじめ分からない制約、制約の評価にもノイズが入りうる | 出典12 https://arxiv.org/abs/1706.07094 出典13 https://arxiv.org/abs/1403.5607 | 事実 |
| Phoenics（化学向けのベイズ最適化）、Gryffin（カテゴリの変数に専門知識を与える。非フラーレンの受容体・ペロブスカイト・ligand の例）、Olympus（実験を模したノイズのある最適化の比較の枠組み）、BoTorch | 出典14 https://doi.org/10.1021/acscentsci.8b00307 出典15 https://doi.org/10.1063/5.0048164 出典16 https://doi.org/10.1088/2632-2153/abedc8 出典17 https://arxiv.org/abs/1910.06403 | 事実 |
| Volk と Abolhasani：実験の精度＝同じ条件の繰り返しの標準偏差。A-Lab：例外率が1.5年で全ステーション平均約3.9%。Dai ら：人の介入は補給と消耗品のみ | 出典18 https://doi.org/10.1038/s41467-024-45569-5 出典19 https://doi.org/10.1038/s41586-023-06734-w 出典20 https://doi.org/10.1038/s41586-024-08173-7 | 事実 |
| JCGM 100:2008（GUM）の題名と、BIPM のページに2026年の第1追補が掲載されていること。ISO 5725-1:2023 の番号・題名・状態（発行済み、第2版、2023年7月）。ISO/IEC 17025:2017 の題名・状態。FAIR 原則（2016） | 出典21 https://www.bipm.org/en/committees/jc/jcgm/publications 出典22 https://www.iso.org/standard/69418.html 出典23 https://www.iso.org/standard/66912.html 出典24 https://doi.org/10.1038/sdata.2016.18 | 事実 |
| N個の標準正規乱数の最大の期待値（N＝1,2,5,10,20,50,100 で 0, 0.56, 1.16, 1.54, 1.87, 2.25, 2.51σ）、σ＝5%のとき10回で約7.7%。500÷16 ≒ 31、1÷35 ≒ 2.9%。図の小さな例（関数 f(x)＝sin(3x)＋0.5x、RBF 核の長さ尺度0.45）の予測・不確かさ・期待改善量と、次の点 | 本稿の計算（Python、数値積分とガウス過程の計算） | 本稿の計算 |
| Attia ら・Chang ら・Gongora ら の本文の詳細、CAMEO の独立した検証、Shahriari らの総説の内容、Atlas など自律実験室向けソフトの詳細、多目的最適化とドリフトの扱い、クローズドループ最適化に特化した国際標準 | 本稿の調査範囲でアクセスできた一次情報では確認できなかったため記載していない | 解説 |
| 「代用の指標は最終評価で確かめ直す」「探索の範囲は人が決める」「失敗を記録して探索に反映する」「自社のσを先に測る」「過去の実験を初期データにする」「最良の条件は別の日・ロットで確かめる」「止める条件と記録を先に決める」という読み取り、図8のチェックリスト、図4（短縮の倍率）の並べ方 | 公表内容にもとづく本記事の整理・解説。各研究者や機関が表明した見解ではない | 解説 |
| 図2（輪）・図7（人の関わり）・図8（チェックリスト）が概念図、図3（小さな例）・図4（短縮の倍率）・図5（ノイズ）・図6（制約と失敗）が計算を含む作図であること（図4の棒は公表された倍率で、500÷16のみ本稿の計算）。図1と図9がImageGen生成の概念画像であること。図3の小さな例は人工の関数で、実在の材料のデータではないこと | 本記事による注記 | 解説 |
最終更新：2026年10月23日／出典は一次情報（査読論文、arXiv の論文、BIPM・ISO の公式ページ）に限定しています。数値例は本稿の計算で、実際の実験の結果ではありません。Attia ら・Chang ら・Gongora らの本文の詳細、CAMEO の独立した検証、Atlas など自律実験室向けソフトの詳細、多目的最適化とドリフトの扱い、クローズドループ最適化に特化した国際標準については、確認できなかったため記載していません。図1と図9はImageGen生成の概念画像で、ほかの図は説明用の概念図または計算を含む作図です。