TECHNOLOGY EXPLAINER
合金・構造材料への応用
― マテリアルインフォマティクスで合金を探すとき、何が「確かめられた」と言えるのか
鋼、アルミ合金、ニッケル基超合金、形状記憶合金、複合材料。構造材料の世界でも、過去のデータから傾向を学び、次に試す組成を絞り込む「マテリアルインフォマティクス（MI）」の研究が進んでいます。 しかし、合金の特性は組成だけでなく、溶解ロット（ヒート）、加工、熱処理でも変わります。しかも、データは少なく、同じ鋼種のデータが似通っています。 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、①データの中での検証、②計算での確認、③実際に作って測った確認を区別しながら、公表された事例を整理します。「AIが新しい合金を見つけた」という言葉の中身を、論文の記載の範囲で読み解きます。
- 3行でわかる ／ 読む前に ／ シリーズの中での位置
- なぜ合金はMIに向き、なぜ難しいのか
- 計算・AI・実験の分担 ― 3者の役割
- 鋼のデータ ― 疲労強度と、Matbench の降伏強さ課題
- 分け方の落とし穴 ― 同じ鋼種のロットが訓練と評価にまたがるとき
- 実験で確かめた設計例 ― 超合金、形状記憶合金、鋳造アルミ、鋼、高エントロピー合金
- 計算の範囲にとどまる例と、複合材料
- 素材技術者の視点 ― 自社のデータと実験の設計
- 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。
論文の数値（予測誤差、強度、伸びなど）は、その論文のデータ、分割の仕方、試験条件での結果です。別の論文の数字を並べて、手法や合金の優劣をつけることはしません。 「AIが提案した合金」の記述は、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。独立した追試は、本稿では確認できませんでした。 第4章・第5章の「合成データ」の例は、本稿が作った架空のデータの計算で、実在の合金の性能ではありません。特定の企業・合金・モデルの優劣は論じず、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
- MIは、探す場所を絞る道具：合金の組成の組合せは膨大です（5元素を1 at.%刻みで混ぜるだけで約460万通り、8元素なら約260億通り本稿の計算）。すべては試せないので、過去のデータから傾向を学ぶ「近似器」で、次に作る候補を絞ります
- 実験で確かめた例はあるが、数は少なく、独立の追試は確認できていない：形状記憶合金の探索では、約800,000通りの空間から36組成を作り、14組成が元データのどれよりも熱履歴幅が小さかった、と報告されています事実［参考資料8］。ニッケル基超合金、鋳造アルミ、TWIP鋼などにも、提案合金を作って測った報告があります［参考資料6・9・10］
- 「R²が0.98」は、「未知の鋼種も当たる」ではない：鋼の疲労強度予測で R² が0.9〜0.98 と報告されましたが、1件ずつ除いて予測する検証（LOOCV）での値です事実［参考資料2］。合成データでは、ランダムに分ければ R² 0.98、鋼種ごと除けば −0.31（中央値）でした本稿の計算
「確かめた」には段階があります。データの中で当たることと、計算で一致することと、実際に作って測ることは、別の問いに答えています。合金の記事や発表を読むときは、「どの段階の確認か」「誰が確認したか」「何件で確認したか」を探してください。
機械学習は、「過去のデータから傾向を学ぶ近似器」です。入力（組成や熱処理条件）と出力（強度や疲労強度）の組をたくさん見せて、入力から出力を当てる関数を作ります。たとえの限界：学習したデータの範囲の外（外挿）は苦手で、物理法則や金属学を理解しているわけではありません。
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。宝かどうかは、掘ってみる（作って測る）まで分かりません。この記事の「確かめる」は、その「掘ってみる」の段階を指します。
冶金の用語（ヒート、焼入れ、焼戻し、at.%、wt.%）は素材技術者にはおなじみです。一方、機械学習の用語（交差検証、R²、外挿など）は、出てくるたびに説明します。ヒートは「同じ溶解で作った鋼のひとまとまり（溶解ロット）」のことです。
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。機械学習の基礎は本シリーズ『機械学習とニューラルネットワークの基礎』編、データと記述子は『材料データと記述子』編、データベースは『材料データベースとFAIR原則』編、ベイズ最適化は『ベイズ最適化と能動学習』編で扱います。高エントロピー合金そのものの性質（定義、極低温の靱性など）は、本シリーズ『高エントロピー合金』編で詳しく扱うため、この記事ではMIの視点だけにとどめます。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. なぜ合金はMIに向き、なぜ難しいのか
(1) 向いている理由：組合せが多く、成分を連続的に変えられる
合金は、成分の割合を連続的に変えられる材料です。たとえば、5つの元素を1 at.%刻みで混ぜると、全部で何通りの組成があるでしょうか。数え方は「100個の玉を5つの箱に分ける方法の数」と同じで、4,598,126通りです。8元素なら26,075,972,546通りです本稿の計算（各元素を0 at.% にしてもよいとした数。実際の合金では、使わない元素や、範囲が決まっている元素が多いので、この数は上限の目安です）。
そこに、溶解・鋳造・圧延・熱処理という工程の条件が掛け算で加わります。これが、「広大な地図」のたとえの意味です。全部を試す代わりに、過去のデータから傾向を学ぶ機械学習で、次に試す場所を絞ります。Hart らの総説は、機械学習と合金の組合せが、金属ガラス、高エントロピー合金、形状記憶合金、磁石、超合金、触媒、構造材料に広がっていること、そして理論的な予測と実験による確認の両方を整理していることを述べています事実［参考資料1］。
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）。合金の組成から特性までの流れと、データに載りやすいもの・載りにくいもの。枠の例示は本記事による整理で、特定の合金の工程ではありません。
(2) 難しい理由：データが少なく、隠れた変数が多い
図のとおり、合金の特性は「組成→加工→熱処理→組織→特性」と流れて決まります。ところが、論文やデータベースに載りやすいのは、組成と主な熱処理条件と、最後の結果だけです。途中の組織（粒径、析出物）や、介在物の分布、試験片の採取位置、残留応力といった「隠れた変数」は、記録されないことが多くあります（本記事による解説）。
もう一つの難しさは、データの似かたの偏りです。同じ鋼種のヒートがたくさん並び、鋼種どうしは離れている、という構造がよくあります。NIMS の疲労データシートは、材料の「ばらつき」を調べるために、1つの鋼種について複数のヒートを試験しました（初期の版では、1鋼種につき10以上のヒート）事実［参考資料3］。貴重なデータですが、機械学習で扱うときは、「同じ鋼種の別のヒート」が訓練側と評価側の両方に入りやすい、という点を意識する必要があります（第5章）。
1,000件のデータでも、同じ鋼種のロットが数十件ずつ並んでいるだけなら、「実質的に新しい情報」は鋼種の数程度かもしれません。件数よりも、組成・加工・熱処理の広がりと、質（測定条件がそろっているか）が効きます。件数の見方は、本シリーズ『小データ機械学習』編でも扱います。
3. 計算・AI・実験の分担 ― 3者の役割
合金設計では、「計算」「AI」「実験」の3者が登場します。この記事では、役割を次のように整理します（本シリーズ共通の整理）。
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・AI・実験の分担。本シリーズ共通の整理で、AIが材料を「発明」するのではなく、探す場所を絞る道具であることを示します。
- 計算：状態図計算（CALPHAD）は、熱力学データベースから相の安定性を計算する方法です。第一原理計算（DFT）は、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です。どちらも近似を含み、実測と一致するとは限りません
- AI：過去のデータから傾向を学び、次に試す候補を提案します。提案の確からしさ（不確かさ）も併せて出す手法（ガウス過程、アンサンブルなど）では、「まだ試していない場所を試す」のか「当たりが出た近くを掘る」のかを調整できます。形状記憶合金の探索では、この「活用と探索のバランス」を明示した適応的設計が使われました事実［参考資料8］
- 実験：提案された組成を実際に作って測ります。結果をデータに戻すと、次の提案が更新されます（閉ループ）。本記事の事例の多くは、この「戻す」仕組みを含んでいます
鋳造アルミ合金の例では、この3者が一つの流れになっています。状態図計算で相の組織を計算し、それをニューラルネットワークの学習データに加え、少数の実験の結果と合わせてベイズ最適化で次の組成を選びました事実［参考資料9］（第6章）。計算が「安く速く候補を出す」、AIが「探す場所を絞る」、実験が「本当にそうか確かめる」という分担です。
4. 鋼のデータ ― 疲労強度と、Matbench の降伏強さ課題
鋼は、MI の研究で最もデータが揃っている構造材料の一つです。ここでは、公開データを使った2つの例を読みます。どちらも予測の精度の話で、新しい鋼を作った話ではありません。数字の意味を理解するために、先に2つの指標を、小さな例で説明します。
実測の疲労強度が 400、500、600 MPa の3本の試験片を、モデルが 420、500、580 MPa と予測したとします。 MAE（平均絶対誤差）は、ずれの大きさの平均で、(20＋0＋20)÷3 ＝ 約13.3 MPa です。試験片の強度と同じ単位（MPa）なので、直感的です本稿の計算。
R²（決定係数）は、「平均値をいつも答える方法に比べて、どれだけずれが減ったか」を表します。ここでは、平均（500 MPa）からのずれの二乗和が 20,000、予測のずれの二乗和が 800 なので、R² ＝ 1 − 800÷20,000 ＝ 0.96 です本稿の計算。R² が 1 なら全部当たり、0 なら「平均を答える」のと同じで、負なら平均を答えるより悪い、ということです。
言い換え：MAE は「平均して何 MPa ずれるか」、R² は「平均を答えるより何割よくなったか」です。R² が高くても、強度の幅が広いデータなら、MAE が大きいことがあります。両方を見てください。
(1) 物質・材料研究機構（NIMS） の回転曲げ疲労データ（Agrawal ら、2014）
NIMS（物質・材料研究機構）は、構造材料の疲労データシートを公開しています。2019年の総説によると、データシートは126冊（当時）で、炭素鋼、低合金鋼、ステンレス鋼、高強度鋼、アルミ合金、チタン合金などを含み、1鋼種につき複数のヒートを試験してばらつきを調べています。以前は MatNavi で閲覧でき、その後は NIMS の物質・材料データリポジトリ（MDR）で公開される、と説明されています事実［参考資料3］。
Agrawal らは、このデータの一部を使い、鋼の疲労強度（回転曲げ疲労、10⁷回での強度）を、組成と加工条件から予測しました事実［参考資料2］。
- データ：437件。内訳は、炭素鋼・低合金鋼が371件、浸炭鋼が48件、ばね鋼が18件です。入力は25項目で、組成（C、Si、Mn、P、S、Ni、Cr、Cu、Mo の wt.%）、上流の加工（インゴットの大きさ、圧下率、介在物）、熱処理（焼ならし、焼入れ、浸炭、焼戻しの温度・時間・冷却速度）が含まれます
- 手法：12種類（線形回帰、サポートベクターマシン、決定木、ニューラルネットワーク、多変量多項式回帰など）
- 検証：1件ずつ除いて、残りで学習して除いた1件を当てるLOOCV（leave-one-out 交差検証）です
- 結果：MAE は 18.6〜46.0 MPa、R² は 0.90〜0.98 の範囲でした。上位の手法（多変量多項式回帰、M5モデル木、ニューラルネットワーク、REPTree）の R² は 0.97 を超えています。著者らは、同じデータを使った先行研究（R² が 0.88〜0.94）より精度が上がったとしています
この結果は、データの中での予測としては良好です。ただし、論文の記述から分かる範囲で、次の点に注意して読みます（以下は本記事による解説）。
- データは、鋼種（炭素鋼・低合金鋼、浸炭鋼、ばね鋼）ごとにまとまっています。論文も、クラスタリングで3つのまとまりが見えたと述べています［参考資料2］
- LOOCV は、除く1件と同じヒート・同じ鋼種の別の試験片が訓練側に残る検証です。「新しい鋼種」や「新しいヒート」を当てる力は、この検証では測れません
- 先行研究との比較は、検証の仕方がそろっているかを本稿では確認していません
NIMS が1鋼種に複数のヒートを試験したのは、ヒート間のばらつきを知るためでした［参考資料3］。機械学習で評価するときも、同じヒートの試験片を、訓練と評価に分けないようにすると、「新しいヒートに当たるか」に近い評価になります。さらに厳しくは、鋼種ごと除く評価（第5章）があります。
自社のデータでは、試験片の管理番号にヒート番号があるかを確かめてください。無ければ、評価を設計する段階で困ります。記録の項目の例は、第8章の図に示します。
(2) Matbench の steels 課題 ― 組成だけで降伏強さを当てる
Matbench は、材料特性の予測手法を比べるための共通の問題集です。Dunn らが2020年に公開し、13の課題（312件〜約13.2万件、10のデータ源）で構成されます。評価は、全課題で同じ5分割の入れ子交差検証で行われます事実［参考資料4］。そのうちsteels 課題は、312件の実験データで、組成だけから鋼の降伏強さ（MPa）を当てる回帰です。データは Citrine Informatics が提供した鋼の機械的性質のデータセット（Conduit と Bajaj、2017）に由来します［参考資料4・5］。
公式の順位表（確認日 2026年10月22日）では、「いつも訓練データの平均値を答える」基準（Dummy）の MAE が229.7 MPa で、提出された手法の MAE は、79.9 MPa（TPOT-Mat）から143.0 MPa（gptchem）までの範囲でした事実［参考資料5］。どの手法も、平均を答える基準よりは小さい誤差ですが、その差は平均して数十 MPa 単位で残っています。
疲労強度（Agrawal ら）と降伏強さ（Matbench）では、目的変数も、データも、入力も、検証の仕方も違います。前者は加工・熱処理の条件を含む25項目、後者は組成のみです。MAE が約19 MPa と約80 MPa だから前者のほうが優れている、という読み方はできません。
言えるのは、同じ組成でも加工・熱処理で特性が変わるので、組成だけの入力は情報が足りない可能性が高い、という冶金学の常識と、この結果が矛盾しないことです（本記事による解説）。また、Matbench は全課題を同じ手順で比べる「共通のものさし」として作られており、著者らも、領域に合わせた分け方のほうが汎化誤差をよく見積もる可能性があると述べています［参考資料4］。
5. 分け方の落とし穴 ― 同じ鋼種のロットが訓練と評価にまたがるとき
機械学習の評価は、「学習に使わなかったデータ」でモデルを試すことで成り立っています。ところが合金のデータは、同じ鋼種・同じヒートの似た試験片がたくさん並びます。ランダムにデータを分けると、評価に回った試験片の「きょうだい」が訓練側に必ず残り、答えを近所から借りるだけで高い点が出ます（本記事による解説）。
Meredig らは、この点を材料探索の文脈で指摘し、従来の機械学習の評価指標は、材料探索での性能を過大評価すると報告しました。似たものの集まり（クラスタ）ごと除いて評価する交差検証（LOCO CV）を提案しています事実［参考資料18］。Dunn らも、グループごとに分ける交差検証は、「データのない化学系の予測」という実際の使い方に近いと述べています［参考資料4］。
この現象を、手で確かめられる大きさの合成データで再現しました。
- データ（架空）：12鋼種、各25ヒート、計300件。鋼種ごとに、4つの入力（組成・加工を模した数値）の中心を離して置き、入力に現れない鋼種ごとの水準差（標準偏差70 MPa）を与えました。ヒート間のばらつきは小さく、測定ノイズは12 MPa です
- モデル：近い3件の平均で答える「近傍法」と、直線を当てはめる「線形回帰」の2つ
- 評価：ランダムに5分割する検証と、鋼種を1つ丸ごと除く検証
結果（乱数の種0）：近傍法の R² は、ランダム分割で 0.978（MAE 11.5 MPa）、鋼種を除くと −0.21（MAE 76.0 MPa）でした。20個の乱数の種での中央値は、0.976 と −0.31 です（範囲は、鋼種を除いたときに −1.18〜0.48）。線形回帰は、0.63 と −0.29（種0）で、直線の当てはめも、鋼種ごとの水準差を拾えないため、未知の鋼種ではうまくいきませんでした本稿の計算。
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、実在の鋼の性質ではありません。ここで言いたいのは数字の大きさではなく、「同じモデルが、分け方だけで、とても良くも、平均を答えるより悪くも見える」ことです。
正しくは：R² は、「どう分けて、何に対して測ったか」とセットで意味を持ちます。ランダム分割や LOOCV の高い R² は、同じ鋼種・同じヒートの試験片が近くにある条件での結果です。新しい鋼種や、データのない組成の範囲に使う（外挿する）なら、そのような分け方で測った誤差を見る必要があります。上の合成データでは、ランダム分割の R² 0.98 が、鋼種を除くと負になりました本稿の計算。
「ヒートごと除く」「鋼種ごと除く」「成分系ごと除く」「年代ごと除く」の順に、評価は厳しくなります。どれが正しいのではなく、モデルを何に使うかで決まります。「同じ鋼種の新しいロットの品質予測」ならヒート単位で十分でしょう。「新しい鋼種の候補出し」なら鋼種単位が必要です。使い道を決めてから、分け方を決めてください（本記事による解説）。
6. 実験で確かめた設計例 ― 超合金、形状記憶合金、鋳造アルミ、鋼、高エントロピー合金
ここからは、「AIが提案した合金を、実際に作って測った」と報告されている例を読みます。どの例でも、誰が、何件作って、何を測って、何と比べたかを分けて書きます。数値は、各論文の要旨・本文の記載です。
(1) 適応的設計で形状記憶合金を探す（Xue ら、2016）
NiTi 系の形状記憶合金は、変態の行きと帰りで温度がずれます（熱履歴幅 ΔT）。この幅が小さいほど、繰り返し使うときに有利とされます。Xue らは、元の22件のデータから出発して、次に作る組成を提案し、作って測り、データに戻す、という繰り返しを9回行いました。探索空間は約800,000通りの組成で、36組成を作って測り、14組成が、元の22件のどれよりも ΔT が小さくなり、最小は Ti50.0Ni46.7Cu0.8Fe2.3Pd0.2 の 1.84 K でした事実［参考資料8］。
宝探しのたとえで言うと、「当たりが出た場所の近くをもっと掘る」のが活用、「まだ掘っていない場所も試す」のが探索です。どちらかに偏ると、近所ばかり掘って他の宝を見逃したり、あちこち手を広げて当たりに近づけなかったりします。Xue らの方法は、この2つのバランスを取りながら、次の実験を選びます［参考資料8］。この仕組みは、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。
(2) 多目的の条件を満たすニッケル基超合金とモリブデン基合金（Conduit ら）
Conduit らは、既存のデータでニューラルネットワークを学習し、組成と熱処理から個々の特性を予測して、目標を満たす可能性が最も高い合金を探す計算ツールを作りました。多結晶ニッケル基超合金の設計では、コスト、密度、γ′相の量と固溶温度、相の安定性、疲労寿命、降伏応力、引張強さ、応力破断、耐酸化性、伸びという最大11の条件を同時に考えました。実験データは、提案合金が計算の予測を満たし、特に耐酸化性と降伏応力が市販合金を上回る、と著者らは報告しています事実［参考資料6］。続くモリブデン基合金では、コスト、相の安定性、析出物量、降伏応力、硬さの条件で同様の設計を行い、鍛造ダイス用途の市販モリブデン基合金を物性で上回る、と報告しています［参考資料7］。
読み方のポイントは、条件にコストや相安定性が含まれていることです。「強い合金」だけでなく、「作れる・買える範囲で強い合金」を探す設計になっています。一方、要旨には、実験の件数や比較した市販合金の具体名、数値は書かれていません。本稿は本文を確認できていないため、数値を引用しません（確認できなかった項目）。
(3) 計算熱力学・機械学習・実験をつなぐ鋳造アルミ合金（Zhang ら、2023）
Zhang らは、Al-Si-Mg-Sr 系の鋳造合金（A356-0.005Sr）に Ti を加えて、強度と延性を同時に上げる設計を、状態図計算（CALPHAD）、機械学習、実験をベイズ最適化の枠組みで組み合わせて行いました。Ti 量を変えた6種類の合金を実験で作り、測った機械的性質を学習に使い、推奨された Ti 量は 0.08 wt.% でした。その組成を実際に作って測った結果は、引張強さ 199.6 MPa、0.2%耐力 101.6 MPa、伸び 12.3% で、著者らは予測とよく一致したと述べています事実［参考資料9］。
この例は、「小さなデータでも、計算と実験を組み合わせて絞り込める」ことを示す一方で、動かした変数は Ti の量だけ（低添加量の範囲）で、高次元の探索ではありません（本記事による解説）。また、熱処理の有無など試験片の状態の詳細は、本稿では確認していません。
(4) 文献データで設計した TWIP 鋼（Zhou ら、2024）
Zhou らは、TWIP 鋼（双晶誘起塑性鋼）の文献データ273件で、複数の機械学習手法を比べ、降伏強さ・引張強さ・伸びの予測モデルを作りました。SHAP 解析（各入力が予測にどれだけ効いたかを測る方法）と多目的最適化で、新しい2つの TWIP 鋼を設計し、従来の工程（熱間鍛造＋熱間圧延＋冷間圧延＋焼なまし）で作って測りました。降伏強さは585 MPa と560 MPa、引張強さは1,055 MPa と1,101 MPa、伸びは55% と58.5% で、著者らは、従来の TWIP 鋼の弱点である降伏強さが、強度×伸びの積（58.0、66.4 GPa%）を保ったまま改善したとしています事実［参考資料10］。比較に使った従来の TWIP 鋼の数値は、本稿では確認していません。
(5) 高エントロピー合金と超合金で、少数の実験で更新する
- 硬さを上げる（Wen ら、2019）：Al-Co-Cr-Cu-Fe-Ni 系で、機械学習の代理モデルと実験計画の手法を組み合わせ、元の訓練データの最高値より硬さが10%高い合金を、7回の実験で作った、と報告しています。組成だけでなく、合金の性質に基づく記述子も入力にしたほうが、組成だけより良かった、とも述べています事実［参考資料11］
- 熱膨張の小さいインバー合金（Rao ら、2022）：機械学習、DFT、熱力学計算、実験を組み合わせた閉ループの能動学習で、数百万通りの組成から17の新合金を作って測り、300 K で熱膨張係数が約 2×10⁻⁶ K⁻¹ と極めて低い2つの高エントロピー・インバー合金を見つけた、と報告しています事実［参考資料12］
- 超合金の γ′ 固溶温度（Liao ら、2024）：少ないデータから出発して、教師なし学習のクラスタリングなどで、訓練データと化学組成が異なる9つの新しい超合金を見つけ、そのうち3つで γ′ 固溶温度が約50 ℃上がった、と報告しています。データの内側（内挿）に偏りがちな予測中心の探索の弱点を、外挿に向けた抽出で補う試みです事実［参考資料13］
高エントロピー合金の定義や性質は、本シリーズ『高エントロピー合金』編で詳しく扱っています。ここで注目したいのは、成果の大きさではなく、何件の実験で、どの性質について確かめたかです。硬さ、熱膨張係数、γ′ 固溶温度はそれぞれ1つの性質で、構造材料として使うために必要な他の性質（靱性、耐食性、加工性、コストなど）まで確かめたものではありません（本記事による解説）。
(6) 事例の整理 ― 何を、何件、どこまで確かめたか
| 事例 | データ・手法 | 実験で確かめた内容（論文の記載） | 読み方の注意（解説） |
|---|---|---|---|
| ニッケル基超合金［6］ | 既存データでニューラルネットワーク。最大11条件 | 提案合金が計算予測を満たし、耐酸化性と降伏応力が市販合金を上回る | 要旨に実験件数・数値なし。独立の追試は確認できなかった |
| モリブデン基合金［7］ | 同上。5条件（コスト、相安定性、析出物量、降伏応力、硬さ） | 提案合金が予測を満たし、市販のモリブデン基合金を物性で上回る | 同上 |
| NiTi 系形状記憶合金［8］ | 元データ22件、空間約800,000通り、適応的設計 | 36組成を作って測定、14組成が元データのどれより ΔT が小さい。最小 1.84 K | 特性は ΔT の1つ。提案の成功率は、この探索の中の数字 |
| 鋳造アルミ合金（Ti 添加）［9］ | CALPHAD＋ニューラルネット＋ベイズ最適化。実験6点 | 0.08 wt.% Ti で引張強さ199.6 MPa、耐力101.6 MPa、伸び12.3% | 動かしたのは Ti 量のみ |
| TWIP 鋼［10］ | 文献データ273件、複数手法の比較、SHAP、多目的最適化 | 新鋼2種。降伏強さ585/560 MPa、引張強さ1,055/1,101 MPa、伸び55/58.5% | 従来鋼との比較数値は未確認 |
| 高エントロピー合金（硬さ）［11］ | Al-Co-Cr-Cu-Fe-Ni、代理モデル＋実験計画 | 7回の実験で、訓練データ最高値より硬さが10%高い合金 | 硬さのみ |
| 高エントロピー・インバー合金［12］ | ML＋DFT＋熱力学計算＋実験の閉ループ | 17の新合金から、300 K で熱膨張係数 約2×10⁻⁶ K⁻¹ の2合金 | 熱膨張のみ。他の性質は未確認 |
| 超合金（γ′ 固溶温度）［13］ | 少ないデータ＋クラスタリング等で外挿 | 9つの新合金。3つで約50 ℃向上 | γ′ 固溶温度のみ |
すべて事実（各論文の要旨・本文、確認日 2026年10月22日）。右列は本記事による解説です。表の整理は本稿の計算（整理）。
正しくは：上の事例でAI（機械学習）が行ったのは、過去のデータから傾向を学び、「次に試すと良さそうな組成」を提案することです。合金を溶かし、加工し、測って確かめたのは、人と実験設備です。しかも、作って測った数は、36件（形状記憶合金）、17件（インバー合金）、7回（硬さの高い合金）など、数件から数十件の少数です。「発明」ではなく、「探す場所を絞って、少数の実験で当たりを見つけた」と読むのが、論文の記述に近い読み方です（本記事による解説）。
7. 計算の範囲にとどまる例と、複合材料
(1) 計算での確認と、実験での確認は別
Pei らは、1,252の多成分合金のデータセットで、固溶体ができるかどうかを機械学習で予測し、93%の精度が得られたと報告しました。さらに、元素の性質だけを使う、物理的な根拠のある新しい規則（精度は73%）を作り、9元素からなる3つのブロックの組合せで固溶体を予測し、状態図計算（CALPHAD）の結果との一致が94%だった、としています事実［参考資料14］。
ここで確認に使われたのは別の計算（CALPHAD）で、新しく作った合金を測った実験ではありません。また、93%が、どの分け方（ランダムか、組成系ごとか）での値かは、要旨には書かれておらず、本稿では確認していません。Kaufmann と Vecchio の ML-HEA も、モデルを、2元系から5元系の信頼できる実験データと比べて検証し、CALPHAD などの手法とも比べています事実［参考資料15］。これは既存の実験データとの比較で、新たに作った合金の測定ではありません。
計算での一致は、「予測が、別の計算とつじつまが合う」ことを示します。大切な確認ですが、実際の合金が作れて、狙った性質を示すことの確認とは別です（解説）。
(2) 複合材料 ― シミュレーションでデータを作り、造形して試す
複合材料（硬い材料と柔らかい材料などの組合せ）では、実験データが少ないため、有限要素解析（FEA）でデータを作る研究があります。Gu らは、数十万の構造の有限要素解析のデータで畳み込みニューラルネットワークを学習し、自己学習のアルゴリズムで、より強くて靱性の高い階層構造の微細パターンを作り、積層造形（3Dプリント）と試験で確かめたと報告しています事実［参考資料16］。Chen と Gu の総説は、複合材料の解析・設計に機械学習を応用する進展を、見通しとしてまとめています［参考資料17］。
読み方：Gu らの例の学習データは実験ではなくシミュレーションで、試験は造形品で行われています。実際の構造用の繊維強化複合材料（炭素繊維強化プラスチックなど）で、機械学習の設計提案を作って試験した例は、本稿の調査範囲では確認できませんでした。複合材料は、積層の順序、繊維の配向、成形条件、界面と多くの要素で決まるため、金属合金より入力の設計が難しくなります（本記事による解説）。
8. 素材技術者の視点 ― 自社のデータと実験の設計
ここまでの事例から、自社で合金のデータを機械学習に使うときに役立つ点を、3つにまとめます。どれも本記事による解説で、公式の指針ではありません。
図の5項目のうち、特にヒート番号と試験規格・版は、後から復元しにくい項目です。ヒート番号があれば、評価を「ヒート単位」「鋼種単位」で分けられます（第5章）。試験規格と版があれば、異なる時期のデータを混ぜてよいかを判断できます（第10章）。
実験ノートの失敗データ（割れた、溶けなかった、測れなかった）も、台帳に残してください。論文は成功例が中心で、失敗は載りにくい（本記事による解説）一方、「どこが当たらないか」を学ぶには、失敗データが役立ちます。
AIの提案を試すときは、結果を見る前に、次を決めておきます。比較材（同じ炉・同じロット・同じ試験機で作った従来材）、繰り返し数（ヒート間のばらつきより差が大きいかを見るため）、試験規格と版（引張なら ISO 6892-1 や JIS Z 2241、回転曲げ疲労なら ISO 1143 や JIS Z 2274 など［参考資料20〜23］）、合格の基準（何をもって「当たり」とするか）です。
形状記憶合金の例では、「元データ22件のどれよりも小さい」が基準でした［参考資料8］。基準は、自社の使い道に合わせて決めるものです。基準を後から動かさないことが、再現性の第一歩です。
任せやすい部分：膨大な組合せの整理、傾向の可視化、「まだ試していない場所」の洗い出し、次の候補の順位づけ。
専門家の判断が要る部分：鋳造性・溶接性・加工性、コストと供給、腐食など目的に入れていない特性、規格や顧客仕様との適合、データの質（測定条件がそろっているか）の見極め。Conduit らの設計は、コストや相の安定性を条件に入れていました［参考資料6］。条件に入れていない性質は、AIは考慮しません。何を条件にするかを決めるのは、専門家の仕事です。
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
Hart らの総説、Conduit らの2編、Wen らの論文、Kaufmann と Vecchio の論文、Chen と Gu の総説は、要旨（または公開された要約）の範囲で確認しました。本文を読んだのは、Agrawal らの論文、Dunn らの論文、Furuya らの総説、Zhang らの論文（結果の数値）です。Rao らと Liao らの論文、Xue らの論文は、要旨の範囲です。本文での検証手順（分割、不確かさ、比較の基準）は、確認していません。
(2) 独立の追試
第6章の事例の、独立の研究室による追試や、別のロットでの再現は、本稿では確認できませんでした。論文の主張として扱っています。
(3) 実用化・量産
提案された合金が、部品や規格に採用された、量産された、という情報は、一次情報では確認できませんでした。企業や研究機関の発表だけに基づく「実用化」は、書いていません。
(4) 扱っていない内容
機械学習原子間ポテンシャルによる合金の原子シミュレーション、積層造形の工程最適化、腐食・水素脆化・疲労き裂の機械学習、鉄鋼プロセスの制御は扱っていません。MLIP は本シリーズ『機械学習原子間ポテンシャル』編で扱います。合金に特化した共通のベンチマークは、Matbench の steels 課題（312件、組成のみ）以外には、本稿では確認していません。
(5) 数値の比較
論文ごとに、データ・分割・指標・試験条件が異なります。本稿は、特定の手法・合金・研究グループの優劣を論じていません。
- MIは、合金の探索範囲を絞る道具です。5元素を1 at.%刻みで混ぜると約460万通りあり、すべては試せません本稿の計算。合金の特性は組成だけでなく、加工・熱処理・ヒートで変わります
- 「確かめた」には段階があります。データの中の検証（LOOCV など）、別の計算との一致（CALPHAD など）、少数の試作での確認が区別でき、独立した追試は確認できませんでした事実
- 実験で確かめた例は、数件〜数十件の試作で、1つの性質についてです。形状記憶合金は36組成、インバー合金は17合金、硬さの高い合金は7回の実験です事実
- R² が高いだけでは、新しい鋼種には使えません。合成データで、ランダム分割の R² 0.98（中央値）が、鋼種ごと除くと −0.31（中央値）になりました本稿の計算
- 自社では、ヒート番号・試験規格・失敗データを台帳に残し、対照と繰り返しを決めて確かめます。AIは、条件に入れた性質しか考慮しません
10. 評価・標準の読み方
合金のMIの良し悪しは、予測誤差（MAE、R²）、データの分け方、実験での確認の有無と件数という3つのものさしで測ります。誤差は「平均してどれだけずれるか」を、分け方は「新しい鋼種や組成にも当たるか」を、実験での確認は「本当に作れて測れたか」を、それぞれ表します。どれか1つだけでは、読み取れません。 一方、実験の測定には、機械試験の規格（ISO、JIS）があります。これらは試験の方法を定めるもので、AIの予測の良し悪しを決めるものではありません。合金の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 |
|---|---|---|---|
| 予測誤差（MAE、R²） | Matbench steels 課題（312件、組成のみ、降伏強さ。5分割入れ子交差検証）［4・5］／Agrawal らの鋼の疲労強度（437件、LOOCV）［2］事実 | 確認できなかった（回帰の予測誤差を定める標準） | MAE と R² を両方見る。目的変数・入力・検証が違う数字を並べて優劣をつけない |
| データの分け方（汎化） | LOCO CV と最近傍ベンチマーク（Meredig ら、2018）［18］／グループ分け交差検証の議論（Dunn ら、2020）［4］事実／本稿の合成データ（第5章）本稿の計算 | 確認できなかった | ランダム分割や LOOCV の数字は、同じ鋼種・ヒートが近くにある条件。使い道に合わせて分ける |
| 実験での確認 | 各論文の記載（NiTi：36組成、14組成が元データを上回る［8］。インバー合金：17合金［12］ ほか）事実 | 確認できなかった（MIが提案した合金の検証手順や、件数・基準を定める標準） | 件数、比較材、繰り返し、独立の追試の有無を確認する。基準を事後に動かさない |
| 引張特性の測定 | — | ISO 6892-1:2019「金属材料の引張試験 第1部：室温での試験方法」（2019年11月発行、2025年に見直しを経て現行のまま）［20］／JIS Z 2241「金属材料引張試験方法」［23］事実 | 規格は試験の方法。試験片、ひずみ速度、版で値が変わる。ISO と JIS の一致の度合いは、本文を確認していない |
| 疲労特性の測定 | NIMS 疲労データシート（126冊、2019年の総説時点）［3］事実 | ISO 1143:2021「金属材料の回転曲げ疲労試験」（2021年7月発行）［21］／ISO 1099:2026「金属材料の疲労試験：軸力制御法」（2026年10月発行。2017年版は廃止）［22］／JIS Z 2274「金属材料の回転曲げ疲労試験方法」［23］事実 | NIMS のデータがどの規格・版に従うかは、本稿では確認していない。版が改訂されると手順が変わりうる |
| データの公開と再利用 | NIMS の MDR（疲労データシートを DOI つきで公開）［3］ | FAIR 原則（Wilkinson ら、2016）［19］／ISO/IEC 5259-1:2024「AI のデータ品質 第1部：概要・用語・例」（2024年7月発行）［25］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、要求事項は確認していない |
| AIの用語 | — | ISO/IEC 22989:2022「AI の概念と用語」（2022年7月発行）［24］事実 | 用語の標準。合金の予測の良し悪しを定めるものではない |
| 合金のMIに特化した標準 | 確認できなかった | 確認できなかった | 共通の合格基準がない前提で、論文の条件を読む |
表の整理は本稿の計算（整理）。規格の番号・題名・発行年月・状態は 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、自社の合金の実力ではありません：Matbench の steels 課題の上位の手法は、312件・組成のみのデータでの数字です。自社の鋼種、自社の加工条件、自社の試験で、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 が高くても、作って測って確かめるまでは「予測」です。反対に、実験で1回当たっても、それが偶然でないかは、繰り返しと対照で確かめます
- 規格は「試験の方法」で、「合金の品質」を保証しません：ISO 6892-1 や ISO 1143 は測り方を定めます。「規格に従った試験」の値でも、試験片、版、条件で数字は変わります。FAIR 原則も推奨で、データが正しいことを保証するものではありません
- 計画と達成は違います：ISO 1099 の2026年版は2026年10月に発行されたばかりです。古い版（2017年版）は廃止されています。測定結果を引用するときは、規格の版を添えてください
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。
- 回帰
- 強度のような数値を予測する機械学習の課題。
- ヒート
- 同じ溶解で作った鋼や合金のひとまとまり（溶解ロット）。
- 鋼種
- 成分と製法で区分した鋼の種類（炭素鋼、浸炭鋼、ばね鋼など）。
- 回転曲げ疲労
- 丸棒を回転させながら曲げ荷重をかけて、疲労を調べる試験。
- 疲労強度（10⁷回）
- 10⁷回の繰り返しに耐える応力。
- 交差検証
- データを分け、一部を隠して予測を試し、入れ替えて繰り返す評価法。
- LOOCV
- 1件ずつ除いて予測する交差検証（leave-one-out）。
- LOCO CV
- 似たもののまとまり（クラスタ）ごと除いて評価する交差検証。外挿の評価に使う。
- 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。負になることもある。
- 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。
- 内挿／外挿
- データの範囲の内側の予測／外側の予測。外挿は難しい。
- CALPHAD
- 熱力学データベースから状態図・相の安定性を計算する方法。
- 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。
- ベイズ最適化
- 少ない試行で、次に試す点を賢く選ぶ方法。活用と探索を両立させる。
- 適応的設計／能動学習
- 実験の結果を受けて、次の実験を選び直しながら進める方法。
- 閉ループ
- 提案・実験・データへの戻しを繰り返す仕組み。
- 代理モデル
- 高価な計算や実験の代わりに、結果を速く予測する近似モデル。
- SHAP
- 各入力が予測にどれだけ効いたかを数値で示す解析法。
- 熱履歴幅 ΔT
- 形状記憶合金で、変態の行きと帰りの温度差。
- γ′ 相
- ニッケル基超合金を強化する析出相。固溶温度は耐熱性の目安の一つ。
- TWIP 鋼
- 変形中の双晶で伸びを稼ぐ高マンガン鋼（双晶誘起塑性鋼）。
- インバー合金
- 熱膨張が極めて小さい合金。
- 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）
- Hart G. L. W., Mueller T., Toher C., Curtarolo S. "Machine learning for alloys", Nature Reviews Materials 6, 730–755 (2021), DOI 10.1038/s41578-021-00340-w（要旨を確認） — doi.org/10.1038/s41578-021-00340-w
- Agrawal A., Deshpande P. D., Cecen A., Basavarsu G. P., Choudhary A. N., Kalidindi S. R. "Exploration of data science techniques to predict fatigue strength of steel from composition and processing parameters", Integrating Materials and Manufacturing Innovation 3, 8 (2014), DOI 10.1186/2193-9772-3-8（オープンアクセス、本文を確認） — doi.org/10.1186/2193-9772-3-8
- Furuya Y., Nishikawa H., Hirukawa H., Nagashima N., Takeuchi E. "Catalogue of NIMS fatigue data sheets", Science and Technology of Advanced Materials 20, 1055–1072 (2019), DOI 10.1080/14686996.2019.1680574（オープンアクセス、本文を確認） — doi.org/10.1080/14686996.2019.1680574
- 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
- Matbench 公式ページ "matbench_steels"（順位表とデータの説明、確認日 2026年10月22日） — matbench.materialsproject.org/…/matbench_v0.1_matbench_steels/
- Conduit B. D., Jones N. G., Stone H. J., Conduit G. J. "Design of a nickel-base superalloy using a neural network", Materials & Design 131, 358–365 (2017), DOI 10.1016/j.matdes.2017.06.007（要旨を arXiv:1803.03039 で確認） — doi.org/10.1016/j.matdes.2017.06.007
- Conduit B. D., Jones N. G., Stone H. J., Conduit G. J. "Probabilistic design of a molybdenum-base alloy using a neural network", Scripta Materialia 146, 82–86 (2018), DOI 10.1016/j.scriptamat.2017.11.008（要旨を確認） — doi.org/10.1016/j.scriptamat.2017.11.008
- Xue D., Balachandran P. V., Hogden J., Theiler J., Xue D., Lookman T. "Accelerated search for materials with targeted properties by adaptive design", Nature Communications 7, 11241 (2016), DOI 10.1038/ncomms11241（オープンアクセス、要旨を確認） — doi.org/10.1038/ncomms11241
- Zhang S., Yi W., Zhong J., Gao J., Lu Z., Zhang L. "Computer Alloy Design of Ti Modified Al-Si-Mg-Sr Casting Alloys for Achieving Simultaneous Enhancement in Strength and Ductility", Materials 16, 306 (2023, オンライン公開 2022年12月28日), DOI 10.3390/ma16010306（オープンアクセス、本文を確認） — doi.org/10.3390/ma16010306
- Zhou X., Xu J., Meng L., Wang W. ほか "Machine-Learning-Assisted Composition Design for High-Yield-Strength TWIP Steel", Metals 14, 952 (2024), DOI 10.3390/met14080952（オープンアクセス、要旨を確認） — doi.org/10.3390/met14080952
- Wen C., Zhang Y., Wang C., Xue D. ほか "Machine learning assisted design of high entropy alloys with desired property", Acta Materialia 170, 109–117 (2019), DOI 10.1016/j.actamat.2019.03.010（要旨を確認） — doi.org/10.1016/j.actamat.2019.03.010
- Rao Z., Tung P.-Y., Xie R. ほか "Machine learning–enabled high-entropy alloy discovery", Science 378, 78–85 (2022), DOI 10.1126/science.abo4940（要旨を確認） — doi.org/10.1126/science.abo4940
- Liao W., Yuan R., Xue X., Wang J. ほか "Unsupervised learning-aided extrapolation for accelerated design of superalloys", npj Computational Materials 10, 171 (2024), DOI 10.1038/s41524-024-01358-8（オープンアクセス、要旨を確認） — doi.org/10.1038/s41524-024-01358-8
- Pei Z., Yin J., Hawk J. A., Alman D. E., Gao M. C. "Machine-learning informed prediction of high-entropy solid solution formation: Beyond the Hume-Rothery rules", npj Computational Materials 6, 50 (2020), DOI 10.1038/s41524-020-0308-7（オープンアクセス、要旨を確認） — doi.org/10.1038/s41524-020-0308-7
- Kaufmann K., Vecchio K. S. "Searching for high entropy alloys: A machine learning approach", Acta Materialia 198, 178–222 (2020), DOI 10.1016/j.actamat.2020.07.065（要旨を確認） — doi.org/10.1016/j.actamat.2020.07.065
- Gu G. X., Chen C.-T., Richmond D. J., Buehler M. J. "Bioinspired hierarchical composite design using machine learning: simulation, additive manufacturing, and experiment", Materials Horizons 5, 939–945 (2018), DOI 10.1039/C8MH00653A（要旨を確認） — doi.org/10.1039/c8mh00653a
- Chen C.-T., Gu G. X. "Machine learning for composite materials", MRS Communications 9, 556–566 (2019), DOI 10.1557/mrc.2019.32（要旨を確認） — doi.org/10.1557/mrc.2019.32
- Meredig B., Antono E., Church C. ほか "Can machine learning identify the next high-temperature superconductor? Examining extrapolation performance for materials discovery", Molecular Systems Design & Engineering 3, 819–825 (2018), DOI 10.1039/C8ME00012C（要旨を確認） — doi.org/10.1039/C8ME00012C
- 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
- ISO "ISO 6892-1:2019 Metallic materials — Tensile testing — Part 1: Method of test at room temperature"（ISO のページ） — iso.org/standard/78322.html
- ISO "ISO 1143:2021 Metallic materials — Rotating bar bending fatigue testing"（ISO のページ） — iso.org/standard/79575.html
- ISO "ISO 1099:2026 Metallic materials — Fatigue testing — Axial force-controlled method"（ISO のページ） — iso.org/standard/85731.html
- 日本産業標準調査会（JISC） JIS検索（JIS Z 2241「金属材料引張試験方法」、JIS Z 2274「金属材料の回転曲げ疲労試験方法」の規格番号と名称を確認） — jisc.go.jp/app/jis/general/GnrJISSearch.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
- 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
13. 主張と出典の対応表（監査）
| 本文の主張 | 根拠 | 区分 |
|---|---|---|
| 機械学習と合金の組合せが、金属ガラス・高エントロピー合金・形状記憶合金・磁石・超合金・触媒・構造材料に広がり、総説が理論的な予測と実験による確認をまとめていること | Hart ら（2021）の要旨 出典1 https://doi.org/10.1038/s41578-021-00340-w | 事実 |
| NIMS の疲労データ437件（炭素鋼・低合金鋼371、浸炭鋼48、ばね鋼18）、25項目の入力、回転曲げ疲労（10⁷回）、12手法、LOOCV、MAE 18.6〜46.0 MPa、R² 0.90〜0.98、先行研究 R² 0.88〜0.94、3つのクラスタ | Agrawal ら（2014）の本文 出典2 https://doi.org/10.1186/2193-9772-3-8 | 事実 |
| NIMS 疲労データシートが126冊（2019年時点）で、1鋼種につき複数のヒート（初期は10以上）を試験し、MatNavi から MDR へ移行すると説明されていること | Furuya ら（2019）の本文 出典3 https://doi.org/10.1080/14686996.2019.1680574 | 事実 |
| Matbench が13課題（312〜132,752件、10のデータ源）、5分割入れ子交差検証、steels 課題が312件の実験データで Citrine 由来、グループ分け交差検証への言及 | Dunn ら（2020）の本文 出典4 https://doi.org/10.1038/s41524-020-00406-3 | 事実 |
| steels 課題が組成のみ・312件・降伏強さの回帰で、Dummy の MAE 229.7 MPa、TPOT-Mat 79.9、AutoML-Mat 82.3、MODNet 87.8、RF-SCM/Magpie 103.5、CrabNet 107.3、Darwin 123.3、gptchem 143.0 MPa | Matbench 公式ページ（確認日 2026年10月22日） 出典5 https://matbench.materialsproject.org/Leaderboards%20Per-Task/matbench_v0.1_matbench_steels/ | 事実 |
| ニッケル基超合金：最大11条件のニューラルネットワーク設計、提案合金が予測を満たし、耐酸化性と降伏応力が市販合金を上回ること | Conduit ら（2017）の要旨 出典6 https://doi.org/10.1016/j.matdes.2017.06.007 | 事実 |
| モリブデン基合金：5条件の設計、実験が予測を満たし、市販のモリブデン基合金を物性で上回ること | Conduit ら（2018）の要旨 出典7 https://doi.org/10.1016/j.scriptamat.2017.11.008 | 事実 |
| NiTi 系形状記憶合金：約800,000通り、36組成（9回）、14組成が元の22件より ΔT が小さい、最小 1.84 K（Ti50.0Ni46.7Cu0.8Fe2.3Pd0.2） | Xue ら（2016）の要旨 出典8 https://doi.org/10.1038/ncomms11241 | 事実 |
| 鋳造アルミ：Ti 量の異なる6合金の実測を学習に使い、0.08 wt.% Ti を推奨、実測が引張強さ199.6 MPa・耐力101.6 MPa・伸び12.3%で、予測とよく一致 | Zhang ら（2023）の本文 出典9 https://doi.org/10.3390/ma16010306 | 事実 |
| TWIP 鋼：文献データ273件、新鋼2種の降伏強さ585/560 MPa、引張強さ1,055/1,101 MPa、伸び55/58.5%、強度×伸び 58.0/66.4 GPa% | Zhou ら（2024）の要旨 出典10 https://doi.org/10.3390/met14080952 | 事実 |
| Al-Co-Cr-Cu-Fe-Ni：7回の実験で、訓練データの最高値より硬さ10%高い合金。記述子つきが組成のみより良い | Wen ら（2019）の要旨 出典11 https://doi.org/10.1016/j.actamat.2019.03.010 | 事実 |
| 高エントロピー・インバー合金：閉ループ、17の新合金、300 K で熱膨張係数約 2×10⁻⁶ K⁻¹ の2合金 | Rao ら（2022）の要旨 出典12 https://doi.org/10.1126/science.abo4940 | 事実 |
| 超合金：9つの新合金、3つで γ′ 固溶温度が約50 ℃向上、外挿を目指す抽出 | Liao ら（2024）の要旨 出典13 https://doi.org/10.1038/s41524-024-01358-8 | 事実 |
| 1,252合金で固溶体形成を93%で予測、新規則73%、3ブロック（各9元素）の予測が CALPHAD と94%一致 | Pei ら（2020）の要旨 出典14 https://doi.org/10.1038/s41524-020-0308-7 | 事実 |
| ML-HEA が 2元系〜5元系の信頼できる実験データと比較され、CALPHAD などとも比べられていること | Kaufmann と Vecchio（2020）の要旨 出典15 https://doi.org/10.1016/j.actamat.2020.07.065 | 事実 |
| 複合材料：有限要素解析の数十万の構造で学習、積層造形と試験で確かめたこと。総説が機械学習の応用を概観 | Gu ら（2018）、Chen と Gu（2019）の要旨 出典16 https://doi.org/10.1039/c8mh00653a 出典17 https://doi.org/10.1557/mrc.2019.32 | 事実 |
| 従来の機械学習の指標が材料探索の性能を過大評価すること、LOCO CV と最近傍ベンチマークの導入 | Meredig ら（2018）の要旨 出典18 https://doi.org/10.1039/C8ME00012C | 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19 https://doi.org/10.1038/sdata.2016.18 | 事実 |
| ISO 6892-1:2019（2019年11月、2025年に確認済み）、ISO 1143:2021（2021年7月、定期見直し中）、ISO 1099:2026（2026年10月発行、2017年版は廃止）の番号・題名・状態 | ISO のページ（確認日 2026年10月22日） 出典20 https://www.iso.org/standard/78322.html 出典21 https://www.iso.org/standard/79575.html 出典22 https://www.iso.org/standard/85731.html | 事実 |
| JIS Z 2241「金属材料引張試験方法」、JIS Z 2274「金属材料の回転曲げ疲労試験方法」の番号と名称 | JISC の JIS検索 出典23 https://www.jisc.go.jp/app/jis/general/GnrJISSearch.html | 事実 |
| ISO/IEC 22989:2022（2022年7月）、ISO/IEC 5259-1:2024（2024年7月）の番号・題名・発行年月 | ISO のページ 出典24 https://www.iso.org/standard/74296.html 出典25 https://www.iso.org/standard/81088.html | 事実 |
| 5元素で約460万通り（4,598,126）、8元素で約260億通り（26,075,972,546）、R²＝0.96・MAE＝約13.3 MPa の例、合成データの R²（近傍法 0.978/−0.214、線形 0.633/−0.289。20種の中央値 0.976/−0.306 ほか） | 本稿の計算（Python・NumPy。合成データ、乱数の種0〜19）。実在の合金のデータではない | 本稿の計算 |
| 第6章の事例で、独立の追試・実用化・量産が確認できなかったこと。ニッケル基超合金・モリブデン基合金・TWIP鋼の一部数値、CFRP などでの実証例、合金の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 |
| 「確かめた」の5段階、台帳の項目、AIに任せられる部分と専門家の判断が要る部分、「LOOCV は新しい鋼種を測らない」「Ti 量だけが動いた」などの読み取り | 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、公式データ公開ページ、ISO・JISC の公式ページ）に限定しています。ISO の規格本文は有料のため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、実在の合金の性能ではありません。 独立の追試、実用化・量産、一部の論文の本文の数値、複合材料の実構造での実証、合金の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はImageGen生成の概念画像です。