1. 3行でわかる／読む前に／シリーズの中での位置

• MIは「次に試す材料を絞る道具」：材料の組成・構造・つくり方を数字に直し（記述子）、過去のデータから機械学習で傾向を学び、探す場所を絞ります。材料から特性を予測する「順問題」と、望む特性から材料を探す「逆問題」の両方を扱います
• 計算・実験・AIの分担：計算（DFTなど）は「安く速く候補を出し」、実験は「本当にそうか確かめ」、AIは「探す場所を絞る」。3者はデータでつながる循環です
• いちばん大事な1点：予測や計算上の安定性は、「候補」であって「発見」ではありません。合成して、測って、再現できて、初めて材料の性質として扱えます

2. 材料探索は「広大な地図」の宝探し

(1) たとえ：宝のありかを探す

新しい材料を探す仕事を、広大な地図の中から宝のありかを探すことにたとえます。地図は、材料の候補の全体です。宝は、ほしい性質をもつ材料です。1か所を掘ること（1回の合成と測定）には、時間も費用もかかります。地図が広すぎて、全部は掘れません。

では、地図はどれくらい広いのでしょうか。Davies らは、周期表の最初の103元素から4成分の化合物をつくる組合せは、元素の割合まで数えると1兆（10¹²）通りを超えると見積もりました。そこから、価数と電気陰性度（原子が電子を引きつける強さの目安）で、化学的にありえない組成を除くと、約100億（10¹⁰）通りになる、としています事実［参考資料4］。

100億通りがどれくらいかを、感覚でつかむために、1日1件のペースで全部を試したとして、単純に割り算をします。10¹⁰ ÷ 365.25 ≒ 2,700万年です（本稿の計算）。1時間に1件を休みなく試しても約110万年、1日に1,000件を試せる高スループット実験（多数の試料を並行して作り、測る方法）でも、約2.7万年かかります。図2の右側のとおりです。

本稿の計算。10¹⁰ 通りという数字は Davies らの見積り［参考資料4］で、割り算は本稿です。合成や測定の成功率、人手、装置の台数は考えていない、桁をつかむための計算です。

(2) 時間：新しい材料が使われるまで10〜20年

もう一つの壁は、時間です。米国の国家科学技術会議が2011年6月に出した「Materials Genome Initiative（MGI）」の白書は、新しい種類の材料が初めて使われるまでに、典型的におよそ10〜20年かかると述べています。例として、リチウムイオン電池が、研究室の概念として提案された1970年代半ばから、広く使われた1990年代後半まで、20年かかったことを挙げています事実［参考資料1］。現在の MGI のサイトは、「発見から市場まで、20年以上かかりうる」と説明しています事実［参考資料3］。

白書は、遅い理由の一つに、材料の研究開発が、経験的な勘と試行錯誤の実験に頼り続けていることを挙げています。また、材料が市場に出るまでの7つの段階を、別々のチームが別々の組織で担い、段階の間でフィードバックが少ないことも挙げています［参考資料1］。そのうえで、MGI は「先進材料を、現在より少なくとも2倍の速さで、費用はごく一部で、発見・開発・製造・展開する」ことをめざす、としています事実［参考資料1］。これは目標であり、達成されたかどうかは別の話です（第10章）。

3. マテリアルインフォマティクス（MI）とは何か

マテリアルインフォマティクス（MI：materials informatics）は、材料科学の知識と、データを扱う情報科学を組み合わせて、材料の研究開発を速くする考え方です。Ramprasad らの総説は、MI の中心にある手法を、次のように説明しています。過去のデータだけから素早く予測する「代理の模型（サロゲートモデル）」を、機械学習でつくる。多くの場合、材料をまず数値の組（フィンガープリント、本シリーズでは記述子）で表し、それと目的の特性を、学習した対応づけで結びつける事実［参考資料5］。

ここで出てきた3つの言葉を、シリーズ共通の言い方で整理します。

• 機械学習＝過去のデータから傾向を学ぶ近似器。入力と出力の関係を、データに合わせて数式の形で当てはめます。たとえの限界：データの範囲の外（外挿）は苦手で、物理法則を理解しているわけではありません
• 記述子＝材料を数字で表した「名刺」。組成、構造、つくり方を、機械が読める数値に直したものです（次の編「材料データと記述子」で詳しく扱います）
• DFT（密度汎関数理論）＝電子の振る舞いから材料の性質を計算する物理シミュレーション。近似を含み、実測と一致するとは限りません（本シリーズ「量子化学・材料シミュレーション」編と「密度汎関数理論の基礎」編で扱います）

Agrawal と Choudhary は、大量のデータから材料を探す動きを、実験・理論・計算に続く「第四のパラダイム」（データ駆動の発見）の一部として論じ、MI の例を、特性を予測する「順モデル」と、材料の候補を見つける「逆モデル」に分けて紹介しています事実［参考資料6］。MI は、この考え方を材料に当てはめた分野だ、といえます（本記事による解説）。

4. 順問題と逆問題

MI の問いは、向きで2つに分けられます。順問題は、「この材料（組成・構造・つくり方）なら、どんな特性になるか」を予測する問いです。逆問題は、「この特性がほしい。どんな材料にすればよいか」を提案する問いです。

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）。左は順問題と逆問題の向き。右は、特性が山形に変わる仮の例で、目標の特性（点線）に当てはまる条件が2つあります。実際の材料では、組成・構造・つくり方の組合せで、答えがもっと多くなります。

逆問題のほうが難しいのは、答えが1つに決まらないからです。右の図のように、特性が山形に変わる材料の条件では、同じ目標の特性に2つの条件が当てはまります。実際の材料では、組成・構造・つくり方の組合せで、答えがもっと多くなることもあれば、1つもないこともあります（本記事による解説）。

Zunger は、逆設計（inverse design）を、先に望む機能を宣言し、理論計算で、その機能を示す安定で合成できる化合物を予測し、「予測→合成→評価」の循環で予測を改善していく、新しい理論と実験の協力の形として論じています事実［参考資料7］。Sanchez-Lengeling と Aspuru-Guzik は、機械学習の生成モデルで、望む性質をもつ分子を提案する「逆設計」を整理しています［参考資料8］（生成モデルは、本シリーズ「生成AIによる材料設計」編で扱います）。

5. 計算・実験・AIの役割分担

MIは、AIだけで成り立つものではありません。計算、実験、AIの3つが、それぞれの得意なところを受け持ちます。

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）。計算・実験・AI の役割分担。矢印は、候補とデータが行き来する向きを示す本稿の整理で、特定の研究室の構成ではありません。

表の整理は本記事による解説です。各行は一般的な傾向で、すべての手法に当てはまるとは限りません。

「計算は実測と一致するとは限らない」を、数字で見てみます。OQMD（Open Quantum Materials Database）の論文は、DFT で計算した化合物の生成エネルギー（化合物が単体から生じるときのエネルギーの変化）と、実測の値を、1,670個の化合物で比べています。その平均絶対誤差は0.096 eV/原子でした。そして、実験どうし（同じ化合物を測った別の報告）の間の平均絶対誤差も0.082 eV/原子と、「驚くほど大きい」ことが分かり、計算と実測の差の相当な部分は、実験側の不確かさに由来するかもしれない、と論じています事実［参考資料9］。

6. MIの基本の流れ

MIの仕事は、おおよそ6つの段階に分けられます。順番に、何をするかを短く説明します。図6は、各段階を、本シリーズのどの編で詳しく扱うかも示しています。

1. 目的を決める：どの特性を、どの範囲で、どれくらいの精度で、いつまでに知りたいのかを、1行で書きます。目的があいまいだと、あとの段階が決まりません
2. データを集める：自社の実験ノートや測定データ、公開されているデータベース（本シリーズ「材料データベースとFAIR原則」編）から集めます
3. 数字にする：材料を記述子（名刺）に直します。表に1行ずつ並べます（「材料データと記述子」編）
4. モデルを作る：データから傾向を学ぶ予測器をつくります。材料のデータは少ないことが多く、過学習（偶然の揺らぎまで覚えてしまうこと）に注意が要ります（「小データ機械学習」編）
5. 予測と不確かさ：予測値だけでなく、「その予測がどれくらい信用できるか」を一緒に見ます（「不確かさと適用範囲」編）
6. 実験で確かめる：予測で絞った候補を合成・測定します。結果は新しいデータとして②に戻ります（「ベイズ最適化と能動学習」編、「自律実験室」編）

7. どれくらい効くのか ― 絞り込みの効果

「探す場所を絞る」と、どれくらい得をするのでしょうか。小さな数値実験で確かめます（本稿の計算）。

• 設定：候補が10,000件あり、その中の本当に良いもの（真の特性が上位1%、つまり100件）を「当たり」とします。実験できるのは100件だけです
• 無作為に100件選ぶと：当たりの期待値は、100 × 1% = 1件です
• 予測で絞ると：予測器が、各候補に点数をつけます。この点数と真の値の相関を ρ（ロー）とします。ρ は、0〜1の数で、1に近いほど、点数の並び方が真の値の並び方に近いことを表します。点数の上位100件を選び、当たりがいくつ入るかを数えます（500回の平均）

結果は、図7のとおりです。予測が全く役に立たない ρ = 0 では、当たりは約1.1件で、無作為と同じです。ρ = 0.5 では約12.9件、ρ = 0.9 では約54.2件に増えます。実験できる件数を20件に絞ると、無作為の期待値は0.2件で、ρ = 0.5 なら約3.9件、ρ = 0.9 なら約17.1件になります。

本稿の計算。合成データ（真の特性は正規分布、予測の点数は真の値と相関ρをもつ乱数）。実在の材料のデータではありません。「予測の質が新しい候補でも同じ ρ で保たれる」という仮定の上の計算です。

8. 歴史と、「AIが新材料を発見」の読み方

MIの歴史を、本稿が論文や公式文書で確認できた範囲で、年表にします（図8）。

年表から、3つの流れが読み取れます（本記事による解説）。① 政策：2011年の MGI が、データ共有と計算を材料開発の柱に据えました。2021年の戦略計画は、「Materials Innovation Infrastructure の統一」「材料データの活用」「人材の育成」の3つを今後5年の目標にしています［参考資料2］。② データ基盤：2012〜13年に、AFLOW［参考資料16］、Materials Project［参考資料17］、OQMD［参考資料18］が公開され、DFT で計算した材料データが使えるようになりました（本シリーズ「材料データベースとFAIR原則」編）。③ 評価：2020年以降、Matbench［参考資料22］や Matbench Discovery［参考資料23］のように、手法を共通の条件で比べる枠組みが整いつつあります（第11章）。

(1) 事例：「220万構造」をどう読むか

「AIが新材料を発見した」と報じられる研究の例として、Merchant らの GNoME（Graph Networks for Materials Exploration）があります。論文の要旨は、大規模に学習したグラフニューラルネットワーク（原子のつながりを入力にするAI）が、既知の安定な結晶に対する凸包（エネルギー的な安定性の境界）より下に位置する220万構造の発見を可能にした、と述べています。同じ要旨は、そのうち736件はすでに独立に実験で実現されているとも書いています事実［参考資料12］。

一方、Cheetham と Seshadri は、この論文の主張を検討し、「新規性、信頼性、有用性の3つを満たす化合物の証拠が乏しい」と指摘する論考を、Chemistry of Materials に発表しています。同時に、方法自体には期待が持てるとし、材料合成と結晶学の専門知識を取り込む必要がある、とも述べています事実［参考資料13］。

9. 素材技術者が今日からできること

MIは、大がかりなシステムを入れなくても、自社のデータの整え方から始められます。次の6つは、素材技術者が、今日からできることです（本記事による解説）。

表は本記事による解説です。③のRaccuglia らの研究の対象は、バナジウムセレン酸塩の水熱合成（実験ノートの記録）で、他の材料にそのまま当てはまるとは限りません。

10. 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

• 用語の起源：Rajan の論文『Materials informatics』（Materials Today、2005年）は書誌の確認にとどめ、本文は確認していません。この論文が用語の最初かどうかも、確認していません
• MGI の達成度：2021年の戦略計画は、MGI の方法が、「一部の用途で」先進材料の導入を加速した、と記しています［参考資料2］。2倍の速さ・費用のごく一部、という目標の全体が達成されたかは、本稿では確認していません。MGI 以外の各国の戦略は、本シリーズ「各国のMI戦略とデータ基盤」編で扱います
• 期間の数字：「10〜20年」「20年以上」は、MGI の文書の記述です［参考資料1・3］。材料や用途で大きく異なり、本稿は独自に確かめていません
• GNoME：予測された構造の新規性・有用性は、本稿では評価しません。論文［参考資料12］と論考［参考資料13］の主張を、並べて示しました
• 日本の取り組み：NIMS などの国内の動きは、本稿の確認範囲に含めていません（他編で扱います）
• 規格の本文：ISO/IEC の規格は、番号・題名・発行年月の確認にとどめ、本文は確認していません
• MIに特化した国際標準：確認できませんでした（第11章）
• 数値実験：第2・7章の計算は、単純な割り算と合成データです。実在の材料の予測の実力を示すものではありません

11. 評価・標準の読み方

MIの良し悪しは、どんな「ものさし」で測るかで決まります。代表的なものさしは、予測の誤差（MAE：平均絶対誤差、RMSE、R²）、データの分け方（ランダムに分けたか、組成・時間で分けたか）、ベンチマーク（共通の課題での順位）、計算と実測の差、実験での確認の成功率と再現性です。 どれも、何を測っていて、何を測っていないかに注意が要ります。たとえば、予測誤差が小さくても、学習データの範囲の外で当たるとは限りません。ここでは、MIに関わるベンチマークと標準・原則を、確認できた範囲で表にします（確認日 2026年10月22日）。MIに特化した国際標準は、確認できませんでした。

表の整理は本稿の計算（整理）。ISO/IEC の番号・題名・発行年月は ISO の公式ページで確認（確認日 2026年10月22日）。規格本文は有料のため、題名・発行年月の確認にとどめ、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）

• ベンチマークの順位と、自社の材料での実力は別です：ベンチマークは、特定のデータ・分割・指標での順位です。自社の材料で使うときは、自社のデータで、自社の目的に合う分け方で測り直してください
• 「予測」と「実験での確認」を区別してください：予測の誤差が小さいことと、合成して性質が確かめられたことは別です。実験での確認は、件数、成功の定義、再現、独立した検証の有無を見ます
• データ漏れと分割の落とし穴：同じ系統の試料が訓練と評価にまたがると、数字は過大になります（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）
• 原則・標準は、多くが推奨です：FAIR原則や NIST AI RMF は、法的な拘束力のない指針です。「準拠」と書かれていたら、どの文書のどの要求事項かを確認してください
• 計画と達成は別です：MGI の目標（2倍の速さ）は、目標です。達成の証拠は、別に確認が必要です

12. 用語集

13. 参考資料（一次情報）

1. National Science and Technology Council "Materials Genome Initiative for Global Competitiveness", 2011年6月 — mgi.gov/sites/mgi/files/materials_genome_initiative-final.pdf
2. NSTC Subcommittee on the Materials Genome Initiative "Materials Genome Initiative Strategic Plan", 2021年11月 — mgi.gov/sites/mgi/files/MGI-2021-Strategic-Plan.pdf
3. Materials Genome Initiative "About the Materials Genome Initiative"（公式サイト） — mgi.gov/about-materials-genome-initiative
4. Davies D. W. ほか "Computational Screening of All Stoichiometric Inorganic Materials", Chem 1, 617–627 (2016), DOI 10.1016/j.chempr.2016.09.010 — doi.org/10.1016/j.chempr.2016.09.010
5. Ramprasad R. ほか "Machine learning in materials informatics: recent applications and prospects", npj Comput. Mater. 3, 54 (2017), DOI 10.1038/s41524-017-0056-5 — doi.org/10.1038/s41524-017-0056-5
6. Agrawal A., Choudhary A. "Perspective: Materials informatics and big data: Realization of the 'fourth paradigm' of science in materials science", APL Mater. 4, 053208 (2016), DOI 10.1063/1.4946894 — doi.org/10.1063/1.4946894
7. Zunger A. "Inverse design in search of materials with target functionalities", Nat. Rev. Chem. 2, 0121 (2018), DOI 10.1038/s41570-018-0121 — doi.org/10.1038/s41570-018-0121
8. Sanchez-Lengeling B., Aspuru-Guzik A. "Inverse molecular design using machine learning: Generative models for matter engineering", Science 361, 360–365 (2018), DOI 10.1126/science.aat2663 — doi.org/10.1126/science.aat2663
9. Kirklin S. ほか "The Open Quantum Materials Database (OQMD): assessing the accuracy of DFT formation energies", npj Comput. Mater. 1, 15010 (2015), DOI 10.1038/npjcompumats.2015.10（オープンアクセス） — doi.org/10.1038/npjcompumats.2015.10
10. Ling J. ほか "High-Dimensional Materials and Process Optimization Using Data-Driven Experimental Design with Well-Calibrated Uncertainty Estimates", Integr. Mater. Manuf. Innov. 6, 207–217 (2017), DOI 10.1007/s40192-017-0098-z — doi.org/10.1007/s40192-017-0098-z
11. Li K. ほか "Exploiting redundancy in large materials datasets for efficient machine learning with less data", Nat. Commun. 14, 7283 (2023), DOI 10.1038/s41467-023-42992-y（オープンアクセス） — doi.org/10.1038/s41467-023-42992-y
12. Merchant A. ほか "Scaling deep learning for materials discovery", Nature 624, 80–85 (2023), DOI 10.1038/s41586-023-06735-9 — doi.org/10.1038/s41586-023-06735-9
13. Cheetham A. K., Seshadri R. "Artificial Intelligence Driving Materials Discovery? Perspective on the Article: Scaling Deep Learning for Materials Discovery", Chem. Mater. 36, 3490–3495 (2024), DOI 10.1021/acs.chemmater.4c00643 — doi.org/10.1021/acs.chemmater.4c00643
14. Rajan K. "Materials informatics", Materials Today 8(10), 38–45 (2005), DOI 10.1016/S1369-7021(05)71123-8 — doi.org/10.1016/S1369-7021(05)71123-8
15. Fischer C. C. ほか "Predicting crystal structure by merging data mining with quantum mechanics", Nature Materials 5, 641–646 (2006), DOI 10.1038/nmat1691 — doi.org/10.1038/nmat1691
16. Curtarolo S. ほか "AFLOW: An automatic framework for high-throughput materials discovery", Comput. Mater. Sci. 58, 218–226 (2012), DOI 10.1016/j.commatsci.2012.02.005 — doi.org/10.1016/j.commatsci.2012.02.005
17. Jain A. ほか "Commentary: The Materials Project: A materials genome approach to accelerating materials innovation", APL Mater. 1, 011002 (2013), DOI 10.1063/1.4812323 — doi.org/10.1063/1.4812323
18. Saal J. E. ほか "Materials Design and Discovery with High-Throughput Density Functional Theory: The Open Quantum Materials Database (OQMD)", JOM 65, 1501–1509 (2013), DOI 10.1007/s11837-013-0755-4 — doi.org/10.1007/s11837-013-0755-4
19. 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（オープンアクセス） — doi.org/10.1038/sdata.2016.18
20. Raccuglia P. ほか "Machine-learning-assisted materials discovery using failed experiments", Nature 533, 73–76 (2016), DOI 10.1038/nature17439 — doi.org/10.1038/nature17439
21. Butler K. T. ほか "Machine learning for molecular and materials science", Nature 559, 547–555 (2018), DOI 10.1038/s41586-018-0337-2 — doi.org/10.1038/s41586-018-0337-2
22. Dunn A. ほか "Benchmarking materials property prediction methods: the Matbench test set and Automatminer reference algorithm", npj Comput. Mater. 6, 138 (2020), DOI 10.1038/s41524-020-00406-3（オープンアクセス） — doi.org/10.1038/s41524-020-00406-3
23. Riebesell J. ほか "A framework to evaluate machine learning crystal stability predictions", Nat. Mach. Intell. 7, 836–847 (2025), DOI 10.1038/s42256-025-01055-1 — doi.org/10.1038/s42256-025-01055-1
24. Choudhary K. ほか "JARVIS-Leaderboard: a large scale benchmark of materials design methods", npj Comput. Mater. 10, 93 (2024), DOI 10.1038/s41524-024-01259-w — doi.org/10.1038/s41524-024-01259-w
25. VAMAS "Versailles Project on Advanced Materials and Standards"（公式サイト） — vamas.org
26. ISO/IEC "ISO/IEC 22989:2022 Information technology — Artificial intelligence — Artificial intelligence concepts and terminology"（ISO のページ） — iso.org/standard/74296.html
27. ISO/IEC "ISO/IEC 23053:2022 Framework for Artificial Intelligence (AI) Systems Using Machine Learning (ML)"（ISO のページ） — iso.org/standard/74438.html
28. ISO/IEC "ISO/IEC 5259-1:2024 Artificial intelligence — Data quality for analytics and machine learning (ML) — Part 1: Overview, terminology, and examples"（ISO のページ） — iso.org/standard/81088.html
29. ISO/IEC "ISO/IEC 5259-3:2024 Artificial intelligence — Data quality for analytics and machine learning (ML) — Part 3: Data quality management requirements and guidelines"（ISO のページ） — iso.org/standard/81092.html
30. ISO/IEC "ISO/IEC 42001:2023 AI management systems"（ISO のページ） — iso.org/standard/81230.html
31. NIST "Artificial Intelligence Risk Management Framework (AI RMF 1.0)", NIST AI 100-1, 2023年1月, DOI 10.6028/NIST.AI.100-1 — doi.org/10.6028/NIST.AI.100-1

14. 主張と出典の対応表（監査）

最終更新：2026年10月22日／出典は一次情報（米国 MGI の公式文書、査読論文、ISO・NIST・VAMAS の公式ページ）に限定し、調査会社の市場推計は使っていません。ISO/IEC 規格の本文は有料のため確認できていません。 絞り込みの数値実験は本稿が作った合成データの計算で、実在の材料の結果ではありません。 MGI の目標の達成状況、Rajan 論文の本文、GNoME の新規性・有用性の判定、MI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。 図はすべて説明用の概念図または本稿の計算を含む作図で、ヒーロー画像と図9はImageGen生成の概念画像です。