TECHNOLOGY EXPLAINER
半導体・電子材料への応用
― 計算で出た値と、測った値は別物。マテリアルインフォマティクスの成果を、その差から読む
半導体、誘電体、熱電材料、原子数層の2次元材料、有機EL材料。電子材料は、物性を「計算」で求めやすいため、マテリアルインフォマティクス（MI）の研究が盛んな分野の一つです。 ところが、計算で出たバンドギャップや誘電率は、測った値とそのまま一致するわけではありません。機械学習が「計算の値」をよく当てても、それは「実測の値」を当てたこととは別です。 この記事は、機械学習を使ったことのない素材技術者を想定して、計算値と実測値の差という一本の軸で、公表された事例（誘電体、熱電、2次元材料、有機EL、半導体プロセス）を読み解きます。
- 3行でわかる ／ 読む前に ／ シリーズの中での位置
- 電子材料の物性と、計算の役割
- バンドギャップ ― 計算値・実測値・機械学習の3つの値
- 誘電体 ― 値はずれても、順位は使えるか
- 熱電材料 ― 計算から実験までの距離
- 2次元材料 ― 「剥離しやすい」と計算された1,036種
- 有機EL材料と、半導体プロセス開発
- 素材技術者の視点 ― 計算値を実験につなぐ
- 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・草案・改訂中などで、確定していない事項
このほか、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。確認日は 2026年10月22日です。
論文や公式ページの数値は、その資料のデータ、計算の条件、分割の仕方での結果です。別の資料の数字を並べて、手法や材料の優劣をつけることはしません。 「計算で予測した」「機械学習で見つけた」は、著者の主張として、論文の要旨や本文の範囲で書いています。計算値は、実測値のように書きません。 合成データの例（第4章）は、本稿が作った架空のデータの計算で、実在の化合物の性質ではありません。特定の企業・材料・手法の優劣は論じず、設計や投資に関する助言もしません。
1. 3行でわかる ／ 読む前に ／ シリーズの中での位置
- 電子材料は、MIの研究が盛んな分野：バンドギャップや誘電率など、物性を計算（DFT など）で求めやすく、データベースも整っているためです。誘電率のデータベースは1,056化合物で、公開された当時は、誘電率が実測されている化合物の数（数百）より大きい規模でした事実［参考資料7］
- 計算値と実測値は、別の列に書く：一般に使われる計算（GGA/PBE）のバンドギャップは、Materials Project の検証で、平均すると実測より約40%小さく、1.6分の1の補正をしても MAE 0.6 eV の差が残りました事実［参考資料5］。機械学習で PBE の値を誤差0.16 eV で当てた、という結果は、実測を当てたことを意味しません［参考資料6］
- 計算で絞った候補が、実験で確かめられた数は、まだ少ない：2次元材料では、計算で「剥離しやすい」とされた1,036種に対し、合成・剥離された2次元材料は数十種類にとどまる、と論文が述べています事実［参考資料11］。熱電材料の総説は、機械学習が高い予測精度を報告する一方、実験で新しい高性能材料の発見まで至った例は一握りだ、と述べています［参考資料17］
「計算で出た値」「機械学習が当てた値」「測った値」は、3つの別の列です。記事や発表を読むときは、その数字が、どの列の話かを確かめてください。
機械学習は、「過去のデータから傾向を学ぶ近似器」です。たとえの限界：学習したデータの範囲の外（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。DFT（密度汎関数理論）は、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で、近似を含み、実測と一致するとは限りません。
この記事で使う3つの「列」を、先に整理しておきます。①実測値は、実際に測った値。②計算値は、DFT などで求めた値。③機械学習の予測値は、過去のデータから学んだ関数が出す値で、教師データが①か②かで意味が変わります。
材料探索は「広大な地図から宝のありかを探す」作業で、MIは探す場所を絞る道具です。計算は「安く速く候補を出す」、AIは「探す場所を絞る」、実験は「本当にそうか確かめる」という分担です。
この記事は、「マテリアルインフォマティクス」シリーズの応用編の一つです。DFT は本シリーズ『密度汎関数理論の基礎』編、高スループット計算は『高スループット計算』編、データベースは『材料データベースとFAIR原則』編で扱います。2次元材料そのもの（グラフェン、MXene など）の性質は、本シリーズの機能性材料の編で扱っています。電池・触媒・高分子は『電池材料への応用』『触媒への応用』『高分子インフォマティクス』編に分けています。評価の読み方は、本シリーズ『MIの結果の評価と再現性の読み方』編に続きます。
2. 電子材料の物性と、計算の役割
電子材料の物性は、結晶の中の電子や原子の振る舞いで決まります。そのため、材料を作る前に、計算で物性を見積もることができます。MIの研究が電子材料で盛んなのは、この「計算で先に見積もれる」性質が一因と考えられます（本記事による解説）。ここで扱う4つの物性を、先に短く説明します。
- バンドギャップ：電子が動けるようになるまでに必要なエネルギーの差で、単位は eV（電子ボルト）です。半導体や絶縁体の区別、光を吸収・発光する波長を決めます
- 誘電率：電界をかけたとき、材料の中でどれだけ電荷がずれるか（分極するか）を表す量です。コンデンサーやトランジスタの絶縁膜の材料選びに効きます
- 熱電特性：温度差から電圧を得る（逆に電圧で熱を運ぶ）性質です。性能の指標 zT は、ゼーベック係数（温度差あたりの電圧）、電気伝導率、熱伝導率で決まり、熱を通しにくく電気を通しやすい材料ほど大きくなります
- 2次元材料の剥離しやすさ：層状の結晶から、原子数層の薄片をはがすのに要るエネルギー（結合エネルギー）です
zT は、(ゼーベック係数)²×(電気伝導率)×(温度)÷(熱伝導率) です。説明用の仮の値で計算してみます。ゼーベック係数 150 µV/K、電気伝導率 5×10⁴ S/m、熱伝導率 1.2 W/(m·K)、温度 600 K とすると、150 µV/K の2乗は 2.25×10⁻⁸、これに 5×10⁴ と 600 を掛けると 0.675、熱伝導率 1.2 で割って、zT ≒ 0.56 です本稿の計算。他を変えずに熱伝導率だけ半分の 0.6 にすると、zT は約 1.1 に増えます。実在の材料の値ではありません。
言い換え：zT は「電気をよく通し、熱を通しにくい」ほど大きくなります。ただし、電気を通しやすくすると熱も通りやすくなる、というように、3つの量は互いに影響し合うので、「どれか1つだけ良い材料」を計算で見つけても、zT が高いとは限りません（本記事による解説）。熱伝導率の計算で候補を絞る研究（第5章）が多いのは、この式で、熱伝導率が割る側に来るためです。
図の最後の列にあるとおり、計算と実測の関係は、物性ごとに違います。次章から、物性ごとに、計算値と実測値の差を一次情報で確かめていきます。
3. バンドギャップ ― 計算値・実測値・機械学習の3つの値
(1) 計算値は、実測より小さく出やすい
バンドギャップは、MIで最もよく扱われる物性の一つです。ところが、よく使われる DFT の計算（LDA、GGA/PBE など）には、バンドギャップを実測より小さく見積もる傾向があります。Materials Project の公式ドキュメントは、これらの方法で計算したギャップは「大きく過小評価される」と述べ、文献では約50%のずれと言われること、同プロジェクトの内部検証では約40%過小評価されること、実際には絶縁体である物質が金属と計算される例もあることを書いています事実［参考資料5］。
同ドキュメントの図には、237化合物の検証で、計算値が実測より平均で約1.6分の1に小さく、その差を一定の倍率で補正しても、なお MAE が 0.6 eV 残ることが示されています［参考資料5］。
数字の感覚をつかむ例：実測のギャップが 1.6 eV の物質で、計算値が平均どおり 1.6分の1 なら、約 1.0 eV です本稿の計算（平均の話で、個々の物質では大きく外れることがあります。補正後の MAE 0.6 eV は、そのばらつきの目安です）。ギャップ 1 eV と 1.6 eV では、使える光の波長がまったく違います。
関数（計算の近似）の選び方でも結果は変わります。Borlido らは、472種類の非磁性の材料（共有結合性、イオン性、ファンデルワールス結合の固体を含む）の実験の構造とバンドギャップのデータで、まず12の汎関数、続く研究で21の汎関数を評価し、mBJ、HSE06、HLE16が最も正確だと報告しています事実［参考資料2・3］。つまり、「DFT で計算した」と一口に言っても、使った汎関数で誤差の大きさが違います。論文を読むときは、汎関数の名前を確認します。
(2) 機械学習は、どの「値」を当てているのか
機械学習で、バンドギャップを予測する研究は多くあります。ここで大事なのは、教師データ（正解として学習に使う値）が何かです。教師データが DFT の値なら、機械学習は「DFT の値」を当てるように学びます。教師データが実測値なら、「実測値」を当てるように学びます。
Zhuo らは、実験で測られたバンドギャップだけを学習に使い、組成だけからバンドギャップを予測する機械学習を作りました。まず金属か非金属かを分類し、非金属のギャップを回帰する構成です。著者らは、この予測値が、PBE レベルの DFT 計算値より、実験値にかなり近いと報告しています事実［参考資料10］。
Matbench には、この違いを表す2つの課題があります。「実測のギャップを、組成だけから当てる」課題（Zhuo らのデータ、4,604件）と、「PBE で計算したギャップを、結晶構造から当てる」課題（Materials Project のデータ、106,113件）です事実［参考資料1・6］。
公式の順位表（確認日 2026年10月22日）では、実測課題の MAE は、Dummy（平均値を答える基準）が 1.1435 eV、最良の手法（Darwin）が 0.2865 eV でした。PBE 課題では、Dummy が 1.3272 eV、最良の手法（coGN）が 0.1559 eV でした事実［参考資料6］。PBE 課題の誤差が小さいのは、教師データが計算で作られた、きれいに整った値だからです。実測課題の教師データは、実際に測られた値の寄せ集めで、測定条件の違いによるばらつきを含みます（ここまで本記事による解説）。Matbench の説明によると、実測課題では、同じ組成に対して報告されたギャップが 0.1 eV を超えて食い違う組成は除かれています［参考資料6］。つまり、実測値どうしでも食い違いが実際にある、ということです。
正しくは：0.16 eV は、PBE の計算値を教師データにして、PBE の値を当てたときの誤差です。実測との差は、PBE の過小評価（上で見た約40%、補正後も MAE 0.6 eV の目安）が残ります。実測を当てたいなら、実測データで学習した課題（実測課題の最良 MAE 0.29 eV）の数字を見るべきです。ただし、2つの課題はデータの件数も入力も違い、優劣を比べる数字ではありません（本記事による解説）。
論文やデータベースの「バンドギャップ」の欄が、実測か、PBE か、ハイブリッド汎関数かで、同じ物質でも値が違います。実測値は、測定の方法（光吸収、光電子分光など）、試料（バルクか薄膜か）、温度で値が変わります（本記事による解説）。社内で評価するときは、列の名前に「実測」「PBE」「HSE06」と方法を書き込み、混ぜないでください。実測値には、試料の作り方と測定方法も添えておくと、後で役立ちます。
4. 誘電体 ― 値はずれても、順位は使えるか
(1) 計算でつくった誘電率のデータベース
誘電率は、実測値がまとまったデータベースが少ない物性です。Petousis らは、密度汎関数摂動論（DFPT）という方法で、誘電率と屈折率を計算し、1,056化合物の誘電テンソルのデータベースを公開しました。論文は、誘電率が知られている化合物の数が数百程度であることを踏まえ、これを当時最大の誘電テンソルのデータベースと述べています。データは Materials Project と統合され、公開されています事実［参考資料7］。
DFPTは、電界のような小さな外からの力に対して、電子や原子がどう応答するかを計算する方法です（本記事による解説）。実測が少ない物性を、計算で埋める手段になっています。
(2) 実験値との比較 ― 値のずれと、順位の一致
計算値がどれだけ当てになるかは、先行する論文が調べています。Petousis らは、88化合物について、DFPT で求めた誘電テンソルの固有値を、文献の単結晶・多結晶の実測値と比べました。GGA/PBE の平均相対偏差（MARD）は 16.2% で、LDA より小さく、屈折率の MARD は 5.7% でした。ただし、八面体の回転を伴うペロブスカイトのような構造緩和が複雑な化合物や、強い非調和性を持つ化合物では、精度が最も低くなる、と述べています。一方、順位の一致を表すスピアマンの相関係数は 0.92 と高く、値にずれがあっても、順位づけによる候補探しには使える、と著者らは結論しています事実［参考資料8］。
100点満点の試験で、全員の点が一律に10点低く採点されても、成績の順位は変わりません。計算値が全体に偏っていても、候補を「上位から選ぶ」使い方なら、順位さえ合えば役に立ちます。しかし、値そのもの（例：この絶縁膜の誘電率は 25）を設計に使うなら、値のずれが問題になります。使い道によって、見るべき指標が違います。
この「ずれても順位は保たれる」感覚を、合成データで確かめました。
- データ（架空）：1,000件の「化合物」に、誘電率に見立てた真の値を、3〜200の範囲で対数的に一様に割り当てました
- 計算値：真の値に、平均相対偏差が約16%（Petousis らの論文値に合わせた）になる乱数の誤差を乗せました
- 問い：真の上位5%の化合物のうち、計算値の上位◯%を選ぶと、何割を拾えるか
結果（200通りの乱数の種の中央値）：順位相関は 0.987 と、順位はほぼ保たれました。計算値の上位5%だけを選ぶと、真の上位5%の 66% しか拾えず、上位10%まで広げると 94%、上位20%なら 100% を拾えました本稿の計算。
本稿の計算。Python（NumPy）で、倍精度。データは本稿が作った架空のもので、実在の化合物の性質ではありません。実データの順位相関（0.92）が合成データ（0.987）より低いのは、実データの誤差が乱数でなく、構造緩和の複雑さなど特定の化合物に偏るためと考えられます（本記事による解説）。
合成データの例では、計算値の上位5%だけを選ぶと、本当の上位の3分の1を逃しました。候補を絞る段階では、計算の誤差を見込んで、少し広めに残すほうが安全です。広げた分は、実測で確かめます。実測に回せる数が少ない場合は、順位の上位だけでなく、構造の種類が違う候補を混ぜると、計算が外しやすい化合物（八面体回転を持つペロブスカイトなど）の情報も得られます（本記事による解説）。
Matbench には、屈折率を結晶構造から当てる課題（4,764件）があります。このデータは Materials Project の DFPT による計算値で、実測値ではありません事実［参考資料1・6］。この課題で機械学習が高い成績を出しても、それは「DFPT の値」を当てる精度です。第3章と同じ注意が当てはまります。
5. 熱電材料 ― 計算から実験までの距離
熱電材料は、MIの「期待」と「現実」の距離が、よく議論される分野です。ここでは、データ、計算での絞り込み、実験で確かめた例、そして最近の総説の見方を、順に読みます。
(1) 実測データの集め方（Gaultois ら、2013）
Gaultois らは、100を超える出版物から情報を抜き出し、熱電材料の大きなデータベース（18,000を超えるデータ点、複数の化合物系、複数の温度での測定値）を作りました。データを可視化すると、有望な熱電材料の候補は、300 K で電気抵抗率が1 mΩ·cm に近い値、つまり Mott の最小金属伝導率を大きく上回る導電性を示す必要があることが見えてきた、と述べています。あわせて、元素の埋蔵量と産出の偏りを示す指標（ハーフィンダール・ハーシュマン指数）で、材料の供給リスクを整理しています事実［参考資料4］。
読み方：これは実測値を集めたデータベースです。論文ごとに、試料の作り方、測定の条件、温度が違うため、データの質をそろえる作業が、機械学習の前に必要になります（本記事による解説）。
(2) 計算で絞る ― ハーフホイスラー化合物の熱伝導率（Carrete ら、2014）
Carrete らは、機械学習、物理的な見通し、自動の第一原理計算を組み合わせて、格子熱伝導率（熱を運ぶ格子振動の寄与）を、多数の化合物について推定する方法を作りました。AFLOWLIB.org にある約79,000件のハーフホイスラー化合物を調べ、力学的に安定な秩序半導体450のうち、格子熱伝導率が2桁以上の範囲に広がることを示し、さらに熱力学的な安定性の確認で77系に絞りました。そのうち、熱伝導率が5 W/(m·K) 未満の3つの半導体を、実験で調べる候補として提案しています事実［参考資料9］。
熱伝導率が小さいことは、zT を上げるための条件の一つです（第2章の式）。ただし、これは計算での絞り込みで、要旨の範囲では、提案した3つを実際に作って測った結果は含まれていません（本記事による解説。本文は確認していません）。
(3) 実験で確かめた例
- 推薦エンジンと RE12Co5Bi（Gaultois ら、2016）：約25,000件の既知の材料を事前に絞り込み、有望な組成を提案する、公開の機械学習の推薦エンジンを作りました。この例では、エンジンが予測した RE12Co5Bi（RE＝Gd、Er）という、金属元素を高い割合で含む化合物系を実際に合成して測り、低い熱伝導率、高い電気伝導率、控えめなゼーベック係数という予測の傾向が、実験で確かめられたと報告しています。論文は、この系を、さらに調べる価値のある新しい熱電材料の候補としています事実［参考資料12］。性能（zT の値）が高いとは述べていません
- Cu1−xAgxGaTe2（Zhong ら、2023）：AIの手法で予測し、実際に合成した p 型のカルコゲナイドで、x＝0.45 のとき、770 K で最大 zT が約 1.90 だった、と著者らは報告しています事実［参考資料13］。数値は著者らの測定値で、独立した追試は本稿では確認できませんでした
(4) 総説の見方 ― 「予測は当たるのに、新材料は出にくい」
Athar と Jund の総説（2026年）は、機械学習が、複雑な熱電特性（zT、出力因子、電気伝導率・熱伝導率）で、R² が 0.90〜0.98 という印象的なテストの成績を報告する一方で、実験で新しい高 zT 材料の発見に至った予測は一握りだと述べています。主な障害として、小さなデータの問題、交差検証でのサンプリングの偏り、構造の表現の不十分さ、そして熱力学的な相の安定性を挙げ、標準的なランダム分割の検証は、化学系のまとまり（隠れた階層）を無視するため、性能を過大評価しやすいと主張しています事実［参考資料17］。対策として、PCA に基づくサンプリング、安定性の高速フィルター（GNoME など）と薄膜の高スループット合成をつなぐ能動学習の閉ループを提案しています［参考資料17］。
この主張は、総説の見解で、すべての研究に当てはまる事実ではありません。しかし、第3章・第4章で見た「列の違い」や「分割の落とし穴」と、同じ方向の指摘です。本シリーズの別の編（本シリーズ『MIの結果の評価と再現性の読み方』編）で、分割の落とし穴を詳しく扱います。
正しくは：R² は、そのデータの範囲での当たり具合です。総説が述べるように、高いテストの成績と、新しい高 zT 材料の実験での発見は、別の問題です［参考資料17］。データにない化学系を当てる（外挿する）力、作れるか（相の安定性）、測定条件がそろっているか、が別に問われます。
6. 2次元材料 ― 「剥離しやすい」と計算された1,036種
2次元材料は、原子数層の薄さの結晶で、グラフェンが代表です。層状の結晶から薄片をはがせるかどうかが出発点になります。計算で、「はがしやすい」化合物を探す研究が、大規模に行われています。
(1) 計算での剥離しやすさの探索（Mounet ら、2018）
Mounet らは、実験で知られている108,423種類の3次元の化合物から出発して、幾何と結合の基準で層状に見える5,619化合物を選びました。ファンデルワールス力を含む DFT で結合エネルギーを計算し（実験の構造データと、ランダム位相近似の結合エネルギーで検証）、1,825の化合物を、剥離しやすい、または剥離しうるとしました。そのうち1,036が剥離しやすい化合物です。論文は、これまでに合成・剥離された2次元材料が数十種類にとどまることを背景に挙げています事実［参考資料11］。
Haastrup らの C2DB（計算による2次元材料のデータベース）は、約1,500の2次元材料について、構造、熱力学、弾性、電子、磁気、光学の特性を、DFT と多体摂動論（約250の材料ではベーテ・サルピーター方程式も）で、半自動の一貫した手順により計算し、公開しています。論文は、「合成できる可能性のある新しい2次元材料を多数特定した」と述べています事実［参考資料16］。
ここでの「剥離しやすい」は、計算した結合エネルギーにもとづく分類です。実際にはがせるかどうかは、試料の質、はがす方法、溶媒など、計算に入っていない条件にも左右されます（本記事による解説）。論文の数字は「実験の候補のリスト」で、「はがせた材料の数」ではありません。1,036種のうち、実際に実験で確かめられた数は、要旨からは分かりません。
(2) 機械学習で剥離エネルギーを予測する難しさ
Matbench には、2次元材料の剥離エネルギー（meV/原子）を、結晶構造から当てる課題（636件）があります。データは JARVIS-DFT の計算値（OptB88vdW と TBmBJ 汎関数）で、実測ではありません。公式の順位表（確認日 2026年10月22日）で、最良の手法（MODNet）の MAE は 33.2 meV/原子で、Dummy（平均値を答える基準）の 67.3 meV/原子の約半分でした事実［参考資料1・6］。件数が少ない課題では、機械学習の改善幅がこの程度であることを示す例です（本記事による解説）。
7. 有機EL材料と、半導体プロセス開発
(1) 有機EL分子の探索 ― 計算・合成・素子までつないだ例（Gómez-Bombarelli ら、2016）
Gómez-Bombarelli らは、理論、量子化学、ケモインフォマティクス、機械学習、産業の専門知識、有機合成、分子の評価、素子の作製、光電特性の試験を一つの流れにつないだ、有機EL材料の設計を報告しました。160万分子の探索空間のうち、40万超を時間依存 DFT で計算して、有望な新しい有機EL分子を数千個見つけました。チームが最良の候補を選んで合成し、実験で測った外部量子効率は、最大で 22% でした事実［参考資料14］。
この例は、本記事の事例の中で、計算から合成・素子の測定までつながっている例の一つです。「数千個を見つけた」は計算での候補の数で、実際に合成して測ったのは、その中から選ばれた一部です（要旨の記述から。本文は確認していません）。また、人（チーム）が候補を選ぶ工程が含まれている点にも注意してください。
(2) 半導体プロセス開発 ― 人と計算機の組合せ（Kanarik ら、2023）
半導体の製造では、プラズマを使う加工条件の開発が、費用のかかる作業です。Kanarik らは、この開発の費用をAIで下げられるかを調べるため、ベイズ最適化のアルゴリズムと、人の技術者の腕前を、制御された仮想のプロセスゲームで比べました。結果は、序盤は人の技術者が優れ、目標の許容差に近い段階では、計算機のほうが費用効率にはるかに優れるというものでした。「人が先、計算機が後」の戦略では、目標に至る費用が、人だけの場合の半分に減りました事実［参考資料15］。論文は、人と計算機の協力には、文化的な課題があることも述べています。
「費用が半分」は、論文が設けた仮想のゲーム上の結果です。実際のプロセス装置、実際の量産ラインで同じ割合になるとは、論文は述べていません（要旨の範囲）。それでも、この研究は、少ないデータで、人の経験と計算機の探索を組み合わせる設計の考え方を示しています。本シリーズ『ベイズ最適化と能動学習』『クローズドループ最適化』編と関連します。
8. 素材技術者の視点 ― 計算値を実験につなぐ
ここまでの事例を、「どこまで確かめられているか」で並べ直します。印は、各論文の要旨に書かれた確認の範囲にもとづく、本記事の整理です。
計算だけで終わる事例が多く、「作って測った」事例は少数です。「実機・量産」まで確認できた事例は、本稿の調査範囲では見つけられませんでした。この前提で、自社で電子材料のデータや計算を扱うときの3つの視点を示します（いずれも本記事による解説で、公式の指針ではありません）。
DFT などで計算される物性は、多くの場合、欠陥や不純物の少ない結晶を対象にしています（本記事による解説）。一方、デバイスに使う膜や粉は、欠陥、粒界、界面、不純物を含みます。誘電率の計算の精度が、構造緩和が複雑な化合物や強い非調和性のある化合物で低いこと［参考資料8］、熱電材料で相の安定性が重要な課題であること［参考資料17］は、「計算の条件と、実際の試料の条件が違う」ことの現れです。
実験データには、試料の状態（バルクか薄膜か、焼結体か単結晶か、ドーピング量、密度）を必ず添えてください。計算値との差を調べるときに、手がかりになります。
計算の誤差は、材料の種類で偏ります。Petousis らは、構造緩和が複雑な化合物で、誘電率の計算が実験値から外れやすいと報告しました［参考資料8］。自社が、ある系統の材料（例：特定のペロブスカイトや、特定の半導体の系）を多く測っているなら、その実測値と公開データベースの計算値を比べることで、その系統での計算の癖がつかめます。この癖が分かれば、計算で候補を絞るときに、補正の目安にできます。測定条件を含めた記録が、そのまま財産になります。
第4章の合成データでは、計算値の上位5%だけを選ぶと、真の上位の約3分の1を逃しました本稿の計算。実験に回せる数が決まっているなら、計算の誤差の大きさから、どれだけ広めに候補を残すかを逆算できます。誤差の大きさは、同じ系統の材料で、計算値と実測値を比べて見積もります（視点④）。計算での絞り込み（例：108,423種から1,036種）と、実験に回せる数の間の距離を、最初に意識しておくと、期待と現実のずれを小さくできます。
9. 限界と、確認できなかったこと／まとめ
(1) 論文の確認の深さ
Petousis ら、Zhuo ら、Gaultois ら（2013、2016）、Carrete ら、Mounet ら、Haastrup ら、Gómez-Bombarelli ら、Kanarik ら、Zhong らの論文は、要旨（または公開された要約）の範囲で確認しました。本文は、Borlido ら（2020）、Dunn らの論文（Matbench）と、Materials Project・Matbench の公式ページを確認しました。要旨にない詳細（実験の件数、分割の方法、比較の基準）は、確認していません。
(2) 実験での確認が確認できなかった項目
Carrete らが提案した3つの半導体を実際に測った結果、Mounet らの1,036種のうち実験で確かめられた数、Gómez-Bombarelli らの合成した分子の数と個別の素子性能は、本稿では確認できませんでした。
(3) 独立の追試・実用化
Zhong らの zT 1.90、Gómez-Bombarelli らの外部量子効率22%、Gaultois らの RE12Co5Bi の結果は、論文の主張として扱っています。独立の追試は、確認できませんでした。実機・量産での採用は、一次情報では確認できませんでした。
(4) 扱っていない内容
太陽電池（ペロブスカイトなど）、発光ダイオードの無機材料、パワー半導体（SiC、GaN）、メモリ材料、磁性材料、機械学習原子間ポテンシャルによる半導体の原子シミュレーションは扱っていません。ペロブスカイト太陽電池は本シリーズ『ペロブスカイトの基本』編などで、機械学習原子間ポテンシャルは『機械学習原子間ポテンシャル』編で扱います。
(5) 数値の比較
論文ごとに、データ・計算の条件・分割・指標が異なります。本稿は、特定の手法・材料・研究グループの優劣を論じていません。
- 「計算した値」「機械学習が当てた値」「測った値」は、別の列です。PBE のバンドギャップは、Materials Project の検証で平均約40%小さく、補正後も MAE 0.6 eV が残ります事実
- 機械学習の誤差は、教師データとの差です。PBE のギャップを MAE 0.16 eV で当てても、実測を当てたことにはなりません。実測のギャップを当てる課題の最良 MAE は 0.29 eV です事実
- 値がずれても、順位は使えます。ただし絞りすぎると逃します。誘電率の計算は、88化合物で平均相対偏差 16.2%、順位相関 0.92 でした。合成データでは、上位5%で絞ると真の上位の66%、10%まで広げると94%を拾えました事実／本稿の計算
- 計算で絞った候補が、実験で確かめられた数は少ないです。1,036種の剥離しやすい化合物、77系のハーフホイスラーなど、計算での絞り込みの数字は、実験の候補のリストです事実
- 実験でつながった例も、あります。有機EL分子（外部量子効率 最大22%）、RE12Co5Bi の物性の傾向、Cu1−xAgxGaTe2（zT 約1.90）。ただし著者らの主張で、独立の追試は確認できませんでした事実
10. 評価・標準の読み方
電子材料のMIの良し悪しは、計算値と実測値の差、機械学習の予測誤差、候補を順位で選ぶときの拾い漏れという3つのものさしで測ります。1つ目は「計算が実測にどれだけ近いか」、2つ目は「機械学習が教師データをどれだけ再現するか」、3つ目は「絞り込みで、本当に良い材料を逃さないか」を表します。どれか1つだけでは、読み取れません。 一方、実測には測定法の標準（JIS、ISO、IEC）があります。これらは測り方を定めるもので、計算や機械学習の良し悪しを決めるものではありません。電子材料のMIに特化した標準は、確認できませんでした。確認日は 2026年10月22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・JIS・FAIR など） | 読み方の注意 |
|---|---|---|---|
| バンドギャップ（計算と実測の差） | Materials Project の検証（237化合物、約40%の過小評価）［5］／Borlido らの汎関数の評価（472材料、12→21汎関数）［2・3］事実 | 確認できなかった（バンドギャップの計算・測定を定める標準） | 計算値の列に、方法（PBE、HSE06 など）を書く。汎関数で誤差が変わる |
| 機械学習のバンドギャップ予測 | Matbench の実測課題（4,604件、組成のみ）と PBE 課題（106,113件、構造から）［1・6］事実 | 確認できなかった | 教師データが実測か計算かを確認。誤差の大小を課題どうしで比べない |
| 誘電率 | DFPT と実験値の比較（88化合物、MARD 16.2%、スピアマン 0.92）［8］／データベース（1,056化合物）［7］／Matbench の屈折率課題（4,764件、計算値）［1・6］事実 | JIS C 2139-2-1「固体電気絶縁材料の誘電特性及び抵抗特性－第２－１部：比誘電率及び誘電正接の測定－低周波数領域（0.1 Hz～10 MHz）」、JIS C 2139-2-2（同－第２－２部：高周波数領域（1 MHz～300 MHz））［19］事実 | JIS は、固体電気絶縁材料の測定法。計算値の評価基準ではない。周波数領域で値が変わる |
| 熱電特性 | 熱電材料のデータベース（18,000超のデータ点）［4］／推薦エンジン［12］／総説による評価（R² と実験発見のギャップ）［17］事実 | JIS R 1650-1「ファインセラミックス熱電材料の測定方法－第１部：熱電能」、-2「第２部：抵抗率」、-3「第３部：熱拡散率・比熱容量・熱伝導率」［19］事実 | JIS はファインセラミックスの熱電材料の測定法。zT は温度で変わるので、温度を添えて読む |
| 2次元材料 | 剥離しやすさの計算（Mounet ら）［11］／C2DB［16］／Matbench の剥離エネルギー課題（636件、計算値）［1・6］事実 | ISO/TS 80004-13:2024「ナノテクノロジー―用語―第13部：グラフェン及びその他の2次元材料」（2024年9月発行、用語の標準）［21］事実 | 用語の標準で、剥離しやすさの基準ではない。「剥離しやすい」は計算上の分類 |
| 計算での絞り込みの拾い漏れ | 本稿の合成データ（第4章）本稿の計算 | 確認できなかった | 計算の誤差に応じて、候補を広めに残す。実データで見積もる |
| プロセス開発 | 仮想プロセスゲームでの比較（Kanarik ら）［15］事実 | 確認できなかった（半導体プロセス開発へのAI利用を定める標準） | 仮想ゲームの結果は実機の結果ではない |
| データの公開と再利用、AIの用語 | Materials Project、Matbench の公開データ［5・6］ | FAIR 原則（Wilkinson ら、2016）［18］／ISO/IEC 5259-1:2024（AI のデータ品質 第1部、2024年7月）［20］／ISO/IEC 22989:2022（AI の概念と用語、2022年7月）［22］事実 | FAIR は原則（推奨）で法的拘束力はない。ISO/IEC の本文は有料のため要求事項は未確認 |
表の整理は本稿の計算（整理）。規格の番号・題名・発行年月は ISO の公式ページと日本産業標準調査会（JISC）のJIS検索で確認（確認日 2026年10月22日）。規格本文は有料のため、適用範囲の記載にとどめています。ASTM の規格は、ASTM のサイトを参照せず、本稿では扱っていません。
読み方の注意（素材技術者向け）
- 順位表の成績は、自社の材料の実力ではありません：Matbench の成績は、特定のデータ（DFT の計算値や、集められた実測値）で、決まった分割での数字です。自社の材料系、自社の測定条件で測り直す価値があります
- 予測と実験検証は別の問いです：R² や MAE が良くても、作って測るまでは「計算上の予測」です。逆に、実験で1つ当たっても、偶然でないかは、繰り返しと対照で確かめます
- データ漏洩と分割の落とし穴：化学系やプロトタイプが同じ材料が訓練と評価にまたがると、成績が過大になります。総説は、ランダム分割の検証が過大評価を招くと指摘しています［17］
- 標準・原則は、推奨か要求かを分けて読みます：JIS や ISO の規格は測定法や用語を定めるもので、法令や契約で引用されて初めて拘束力を持つ位置づけです（本記事による解説）。FAIR は原則（推奨）です
11. 用語集
- MI（マテリアルインフォマティクス）
- 材料のデータと機械学習などを使って、材料の探索・設計を進める方法。
- 機械学習
- 過去のデータから傾向を学ぶ近似器。データの範囲の外は苦手。
- 教師データ（ラベル）
- 機械学習が「正解」として学ぶ値。実測か計算かで、予測の意味が変わる。
- DFT（密度汎関数理論）
- 電子の振る舞いから性質を計算する物理シミュレーション。近似を含む。
- DFPT（密度汎関数摂動論）
- 外からの小さな力（電界など）への電子・原子の応答を計算する方法。誘電率に使う。
- 汎関数（GGA/PBE、HSE06、mBJ）
- DFT の近似の種類。バンドギャップの誤差が汎関数で変わる。
- バンドギャップ
- 電子が動けるようになるまでのエネルギー差（eV）。半導体の基本の物性。
- 誘電率
- 電界で材料の中の電荷がどれだけずれるかを表す量。
- zT（熱電性能指数）
- 熱電材料の性能の指標。電気を通しやすく熱を通しにくいほど大きい。
- 格子熱伝導率
- 結晶の格子振動が運ぶ熱の伝わりやすさ。
- ハーフホイスラー化合物
- 熱電材料などで研究される、特定の結晶構造を持つ三元の化合物の仲間。
- 2次元材料
- 原子数層の薄さの結晶（グラフェンなど）。
- 剥離エネルギー
- 層状の結晶から、原子層をはがすのに要るエネルギー。
- ベイズ最適化
- 少ない試行で、次に試す点を賢く選ぶ方法。
- MAE（平均絶対誤差）
- 予測のずれの大きさの平均。目的変数と同じ単位。
- MARD（平均相対偏差）
- 計算値と実測値の差を、実測値に対する割合で平均したもの。
- スピアマンの順位相関
- 2つの値の順位がどれだけ一致するか（−1〜1）。
- R²（決定係数）
- 平均を答える方法に比べて、ずれがどれだけ減ったか。
- 交差検証
- データを分けて予測を試し、入れ替えて繰り返す評価法。
- 外挿
- データの範囲の外の予測。難しい。
- 時間依存 DFT（TDDFT）
- 励起状態など、光に関わる性質を計算する DFT の拡張。
- 外部量子効率
- 発光素子で、注入した電子のうち光として取り出せる割合。
- FAIR 原則
- データを見つけやすく、アクセスしやすく、組み合わせやすく、再利用しやすくする原則。
12. 参考資料（一次情報）
- Dunn A., Wang Q., Ganose A., Dopp D., Jain A. "Benchmarking materials property prediction methods: the Matbench test set and Automatminer reference algorithm", npj Computational Materials 6, 138 (2020), DOI 10.1038/s41524-020-00406-3（オープンアクセス、本文を確認） — doi.org/10.1038/s41524-020-00406-3
- Borlido P., Aull T., Huran A. W., Tran F., Marques M. A. L., Botti S. "Large-Scale Benchmark of Exchange–Correlation Functionals for the Determination of Electronic Band Gaps of Solids", Journal of Chemical Theory and Computation 15, 5069–5079 (2019), DOI 10.1021/acs.jctc.9b00322（要旨を確認） — doi.org/10.1021/acs.jctc.9b00322
- Borlido P., Schmidt J., Huran A. W., Tran F., Marques M. A. L., Botti S. "Exchange-correlation functionals for band gaps of solids: benchmark, reparametrization and machine learning", npj Computational Materials 6, 96 (2020), DOI 10.1038/s41524-020-00360-0（オープンアクセス、本文を確認） — doi.org/10.1038/s41524-020-00360-0
- Gaultois M. W., Sparks T. D., Borg C. K. H., Seshadri R., Bonificio W. D., Clarke D. R. "Data-Driven Review of Thermoelectric Materials: Performance and Resource Considerations", Chemistry of Materials 25, 2911–2920 (2013), DOI 10.1021/cm400893e（要旨を確認） — doi.org/10.1021/cm400893e
- Materials Project ドキュメント "Electronic Structure"（バンドギャップの精度の記述、確認日 2026年10月22日） — docs.materialsproject.org/methodology/materials-methodology/electronic-structure
- Matbench 公式ページ（各課題の順位表とデータの説明、確認日 2026年10月22日） — matbench.materialsproject.org
- Petousis I., Mrdjenovich D., Ballouz E., Liu M., Winston D., Chen W., Graf T., Schladt T. D., Persson K. A., Prinz F. B. "High-throughput screening of inorganic compounds for the discovery of novel dielectric and optical materials", Scientific Data 4, 160134 (2017), DOI 10.1038/sdata.2016.134（オープンアクセス、要旨を確認） — doi.org/10.1038/sdata.2016.134
- Petousis I., Chen W., Hautier G., Graf T., Schladt T. D., Persson K. A., Prinz F. B. "Benchmarking density functional perturbation theory to enable high-throughput screening of materials for dielectric constant and refractive index", Physical Review B 93, 115151 (2016), DOI 10.1103/PhysRevB.93.115151（要旨を確認） — doi.org/10.1103/physrevb.93.115151
- Carrete J., Li W., Mingo N., Wang S., Curtarolo S. "Finding Unprecedentedly Low-Thermal-Conductivity Half-Heusler Semiconductors via High-Throughput Materials Modeling", Physical Review X 4, 011019 (2014), DOI 10.1103/PhysRevX.4.011019（要旨を確認） — doi.org/10.1103/physrevx.4.011019
- Zhuo Y., Mansouri Tehrani A., Brgoch J. "Predicting the Band Gaps of Inorganic Solids by Machine Learning", The Journal of Physical Chemistry Letters 9, 1668–1673 (2018), DOI 10.1021/acs.jpclett.8b00124（要旨を確認） — doi.org/10.1021/acs.jpclett.8b00124
- Mounet N., Gibertini M., Schwaller P., Campi D. ほか "Two-dimensional materials from high-throughput computational exfoliation of experimentally known compounds", Nature Nanotechnology 13, 246–252 (2018), DOI 10.1038/s41565-017-0035-5（要旨を確認） — doi.org/10.1038/s41565-017-0035-5
- Gaultois M. W., Oliynyk A. O., Mar A., Sparks T. D., Mulholland G. J., Meredig B. "Perspective: Web-based machine learning models for real-time screening of thermoelectric materials properties", APL Materials 4, 053213 (2016), DOI 10.1063/1.4952607（要旨を確認） — doi.org/10.1063/1.4952607
- Zhong Y., Hu X., Sarker D., Su X., Xia Q., Xu L., Yang C., Tang X., Levchenko S. V., Han Z., Cui J. "Data analytics accelerates the experimental discovery of Cu1−xAgxGaTe2 based thermoelectric chalcogenides with high figure of merit", Journal of Materials Chemistry A 11, 18651–18659 (2023), DOI 10.1039/D3TA03990K（要旨を確認） — doi.org/10.1039/D3TA03990K
- Gómez-Bombarelli R., Aguilera-Iparraguirre J., Hirzel T. D. ほか（計21名） "Design of efficient molecular organic light-emitting diodes by a high-throughput virtual screening and experimental approach", Nature Materials 15, 1120–1127 (2016), DOI 10.1038/nmat4717（要旨を確認） — doi.org/10.1038/nmat4717
- Kanarik K. J., Osowiecki W. T., Lu Y., Talukder D. ほか "Human–machine collaboration for improving semiconductor process development", Nature 616, 707–711 (2023), DOI 10.1038/s41586-023-05773-7（要旨を確認） — doi.org/10.1038/s41586-023-05773-7
- Haastrup S., Strange M., Pandey M., Deilmann T. ほか "The Computational 2D Materials Database: high-throughput modeling and discovery of atomically thin crystals", 2D Materials 5, 042002 (2018), DOI 10.1088/2053-1583/aacfc1（要旨を確認） — doi.org/10.1088/2053-1583/aacfc1
- Athar S., Jund P. "Beyond predicted zT: Machine learning strategies for the experimental discovery of thermoelectric materials", Artificial Intelligence Chemistry 4, 100113 (2026), DOI 10.1016/j.aichem.2026.100113（要旨を arXiv:2601.06571 で確認） — doi.org/10.1016/j.aichem.2026.100113
- Wilkinson M. D. ほか "The FAIR Guiding Principles for scientific data management and stewardship", Scientific Data 3, 160018 (2016), DOI 10.1038/sdata.2016.18 — doi.org/10.1038/sdata.2016.18
- 日本産業標準調査会（JISC） JIS検索（JIS C 2139-2-1、C 2139-2-2、R 1650-1、R 1650-2、R 1650-3 の規格番号と名称を確認） — jisc.go.jp/app/jis/general/GnrJISSearch.html
- 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
- ISO "ISO/TS 80004-13:2024 Nanotechnologies — Vocabulary — Part 13: Graphene and other two-dimensional (2D) materials"（ISO のページ） — iso.org/standard/82855.html
- 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
13. 主張と出典の対応表（監査）
| 本文の主張 | 根拠 | 区分 |
|---|---|---|
| Matbench が13課題で、バンドギャップ（DFT-GGA、106,113件）、実測のバンドギャップ（Zhuo ら、4,604件）、屈折率（DFPT-GGA、4,764件）、剥離エネルギー（636件）などを含み、5分割の入れ子交差検証で評価すること | Dunn ら（2020）の本文 出典1 https://doi.org/10.1038/s41524-020-00406-3 | 事実 |
| 472材料のデータで12の汎関数を評価し、mBJ が最良で HSE06 と HLE16 が続くこと。続く研究で21の汎関数を評価し、mBJ・HLE16・HSE06 が最も正確と確認したこと | Borlido ら（2019、2020）の要旨・本文 出典2 https://doi.org/10.1021/acs.jctc.9b00322 出典3 https://doi.org/10.1038/s41524-020-00360-0 | 事実 |
| 熱電材料のデータベース（100超の出版物、18,000超のデータ点）、300 K で電気抵抗率が1 mΩ·cm に近い値が必要という知見、供給リスクの整理 | Gaultois ら（2013）の要旨 出典4 https://doi.org/10.1021/cm400893e | 事実 |
| LDA・GGA のバンドギャップが大きく過小評価されること（文献で約50%、内部検証で約40%）、237化合物で平均約1.6分の1、補正後も MAE 0.6 eV、絶縁体が金属と計算される例 | Materials Project のドキュメント（確認日 2026年10月22日） 出典5 https://docs.materialsproject.org/methodology/materials-methodology/electronic-structure | 事実 |
| Matbench の各課題の MAE：実測ギャップ（Dummy 1.1435、Darwin 0.2865、RF-SCM/Magpie 0.4461 eV）、PBE ギャップ（Dummy 1.3272、coGN 0.1559、RF-SCM/Magpie 0.3452 eV）、剥離エネルギー（Dummy 67.3、MODNet 33.2 meV/原子）。実測課題で食い違う組成を除くこと。屈折率・剥離エネルギー課題の出典 | Matbench 公式ページ（確認日 2026年10月22日） 出典6 https://matbench.materialsproject.org/ | 事実 |
| 誘電率のデータベースが1,056化合物で、DFPT で計算し、Materials Project と統合されていること。誘電率が知られている化合物が数百程度であること | Petousis ら（2017）の要旨 出典7 https://doi.org/10.1038/sdata.2016.134 | 事実 |
| 88化合物で DFPT と実験値を比較、GGA/PBE の MARD 16.2%、屈折率の MARD 5.7%、スピアマン 0.92、構造緩和が複雑な化合物や強い非調和性で精度が最も低いこと | Petousis ら（2016）の要旨 出典8 https://doi.org/10.1103/physrevb.93.115151 | 事実 |
| ハーフホイスラー約79,000件、安定な秩序半導体450、安定性の確認で77系、熱伝導率5 W/(m·K) 未満の3つを実験に提案 | Carrete ら（2014）の要旨 出典9 https://doi.org/10.1103/physrevx.4.011019 | 事実 |
| 実験のバンドギャップだけで学習し、PBE の計算値より実験値に近い予測を得たこと（組成のみ、SVC と SVR） | Zhuo ら（2018）の要旨 出典10 https://doi.org/10.1021/acs.jpclett.8b00124 | 事実 |
| 108,423化合物から5,619、1,825、1,036へ絞り込み。合成・剥離された2次元材料が数十種類にとどまること | Mounet ら（2018）の要旨 出典11 https://doi.org/10.1038/s41565-017-0035-5 | 事実 |
| 推薦エンジンが約25,000件を事前に絞り込み、RE12Co5Bi の低い熱伝導率・高い電気伝導率・控えめなゼーベック係数の予測が実験で確認されたこと。第一原理での熱電特性の予測が難しいと述べていること | Gaultois ら（2016）の要旨 出典12 https://doi.org/10.1063/1.4952607 | 事実 |
| Cu1−xAgxGaTe2 を予測し合成、x＝0.45 で 770 K に zT 約1.90 | Zhong ら（2023）の要旨 出典13 https://doi.org/10.1039/D3TA03990K | 事実 |
| 160万分子の探索空間、40万超を TDDFT で計算、数千の有望分子、チームが選んで合成し、外部量子効率が最大22% | Gómez-Bombarelli ら（2016）の要旨 出典14 https://doi.org/10.1038/nmat4717 | 事実 |
| 仮想プロセスゲームで、序盤は人が優れ、許容差に近い段階では計算機が費用効率に優れること。「人が先、計算機が後」で目標到達までの費用が半分になること。文化的な課題 | Kanarik ら（2023）の要旨 出典15 https://doi.org/10.1038/s41586-023-05773-7 | 事実 |
| C2DB が約1,500の2次元材料を DFT と多体摂動論で計算し、公開していること | Haastrup ら（2018）の要旨 出典16 https://doi.org/10.1088/2053-1583/aacfc1 | 事実 |
| 機械学習の熱電予測の R² が 0.90〜0.98 でも、実験での新材料の発見は一握りであること。主な障害（小さなデータ、交差検証の偏り、構造表現、相の安定性）と対策の提案 | Athar と Jund（2026）の要旨 出典17 https://doi.org/10.1016/j.aichem.2026.100113 | 事実 |
| FAIR 原則が、データの再利用性を高めるための簡潔で測定可能な原則であること | Wilkinson ら（2016）の要旨 出典18 https://doi.org/10.1038/sdata.2016.18 | 事実 |
| JIS C 2139-2-1、C 2139-2-2（比誘電率及び誘電正接の測定）、JIS R 1650-1・-2・-3（ファインセラミックス熱電材料の測定方法）の番号と名称 | JISC の JIS検索 出典19 https://www.jisc.go.jp/app/jis/general/GnrJISSearch.html | 事実 |
| ISO/IEC 5259-1:2024（2024年7月）、ISO/TS 80004-13:2024（2024年9月）、ISO/IEC 22989:2022（2022年7月）の番号・題名・発行年月 | ISO のページ（確認日 2026年10月22日） 出典20 https://www.iso.org/standard/81088.html 出典21 https://www.iso.org/standard/82855.html 出典22 https://www.iso.org/standard/74296.html | 事実 |
| zT ≒ 0.56 と約1.1の例、1.6分の1の算術例（1.6 eV → 約1.0 eV）、合成データの結果（順位相関 0.987、上位5%で66%、10%で94%、20%で100%。200通りの乱数の種の中央値） | 本稿の計算（Python・NumPy。合成データ）。実在の化合物のデータではない | 本稿の計算 |
| Carrete らの3つの半導体の測定結果、Mounet らの1,036種のうち実験で確かめられた数、Gómez-Bombarelli らの合成した分子の数と個別の素子性能、独立の追試、実機・量産での採用、電子材料のMIに特化した標準は、確認できなかったため記載していない | 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 | 解説 |
| 「3つの列」の整理、「理想の結晶とデバイスの膜の違い」「自社の測定データを計算の答え合わせに使う」「候補の数を逆算する」などの読み取り、事例の確認範囲の印 | 公表内容にもとづく本記事の整理・解説。各機関が表明した見解ではない | 解説 |
| 図2〜図9が実データの観察ではなく説明のための作図、または公表された数値の作図であること。図1と図9がImageGen生成の概念画像であること | 本記事による注記 | 解説 |
最終更新：2026年10月22日／出典は一次情報（査読論文、arXiv のプレプリント、Materials Project と Matbench の公式ページ、ISO・JISC の公式ページ）に限定しています。ISO の規格本文と JIS の本文は確認できていません。 合成データの例は本稿が作った架空のデータの計算で、実在の化合物の性質ではありません。 提案された候補の実験での確認、独立の追試、実機・量産での採用、一部の論文の本文の詳細、電子材料のMIに特化した標準については、確認できなかったため記載していません。 図は説明用の概念図、本稿の計算を含む作図、または公表された数値の作図で、図1と図9はImageGen生成の概念画像です。