1. 3行でわかる／読む前に／シリーズの中での位置

• 電池材料の探索には3つの型があります：①計算で絞る（DFTや、それを真似るAI）、②過去の実験データから学ぶ、③実験を自動で回す。型によって、答えの根拠の重さが違います事実［参考資料1・4・12］
• 「予測」と「実験で確かめた」を分けて読みます：12,831件の既知の結晶から21件の固体電解質候補を絞った研究は「予測」でした。3,260万件から絞った別の研究は、4つの組成を合成し、そのうち1つで予測した構造を確認し、伝導度を測りました事実［参考資料1・4］
• 最後に確かめるのは、合成・測定・セル試験です：計算の伝導度と実測の伝導度は、条件が違い、数千倍の差が出る例もあります。差の原因は、論文から確認できませんでした本稿の計算

2. 電池材料で何を探すのか ― 3つの探し方

電池材料の探索は、「何を決めたいか」で3つの型に分かれます。表は、本記事が整理した対応です。

表は本記事による整理（解説）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）。電池材料をMIで探す3つの型。答えの根拠が「計算」「過去の実験データ」「実験そのもの」と違う点が、第9章の「確かめのはしご」の読み方につながります。型の分類は本記事による整理で、例は参考資料に挙げた研究です。

3. 広大な地図 ― 候補の数を、本稿の計算で感じる

なぜ、AIや計算で絞る必要があるのでしょうか。候補の数を見てみましょう。Chen らが電池材料の出発点にした元素は54種です［参考資料4］。そこから3元素・4元素・5元素の組を選ぶだけで、元素の選び方は次の数になります（本稿の計算）。

• 3元素：C(54, 3) = 24,804 通り
• 4元素：C(54, 4) = 316,251 通り
• 5元素：C(54, 5) = 3,162,510 通り

これは元素の組だけの数です。同じ元素の組でも、比率（組成）と結晶構造の違いで、候補は桁違いに増えます。実際、Chen らは、既知の結晶構造（2022年版のICSD）の原子を、価数の同じ別の元素に置き換える方法で、32,598,079 件の初期候補を作りました事実［参考資料4］。Cubuk らは、物理の知見を取り入れて、数十億（billions）の組成の伝導度を絞り込む方法を報告しています事実［参考資料3］。

そして図の最下段にあるのは、Chen らが実際に合成を試みた組成の数、4 です。計算で3,260万件を見て、実験室では4つ。この落差が、「予測と実験を分けて読む」ことが大切な理由です（本記事による解説）。数をたとえると、1つの図書館の全蔵書から、本を数冊だけ手に取って中身を確かめるような作業です。ただし、たとえの限界として、本と違い、材料の「中身」は、合成条件によって変わりえます。

4. 固体電解質の探索① ― 数千件を絞る漏斗（Sendekら）

(1) 何をしたか

Sendek らは、Materials Project（計算で作った材料のデータベース［参考資料11］）にある、リチウムを含む12,831件の結晶を対象に、条件を順番にかけて絞る方法を報告しました（2017年）。流れは、図4のとおりです事実［参考資料1］。

• 最初の絞り込み：熱力学的な安定（凸包からのエネルギー差 Ehull = 0 eV/原子）、遷移金属を含まない、バンドギャップ1 eV以上、酸化側の電圧4 V以上、などの条件で、12,831件が317件（92.2%減）になりました。いちばん厳しい条件は安定性で、通過したのは11.5%（1,472件）でした［参考資料1］。
• 伝導度の分類：実験で測られたリチウムイオン伝導度の文献値（40材料、うち11が超イオン伝導）から、ロジスティック回帰で「超イオン伝導らしさ」を学習しました。ここでの超イオン伝導は、室温で10⁻⁴ S/cm以上と定義されています。この分類で、317件から21件になりました［参考資料1］。
• 結果の位置づけ：21件は「有望な構造」で、著者らは、そのうち実験で調べられたものは少ないと述べています［参考資料1］。つまり、この研究の成果は予測です。

同じ研究グループの続報では、機械学習で候補を選び、DFTによる分子動力学（DFT-MD。原子の動きを計算で追う方法）で伝導度を計算する探索を報告しています。ランダムな探索と比べて、速いリチウムイオン伝導体を見つける確率が2.7倍、対数平均の室温伝導度が少なくとも45倍の改善とされ、分類モデルのF1スコアは0.50で、でたらめな推測の3.5倍と報告されています事実［参考資料2（プレプリント）］。ここでの「伝導度」はDFT-MDによる計算値（単結晶）であり、実測値ではありません。また、材料の候補は、約1.2万件の「実験で合成・特性評価された」既知の材料から選んでいます［参考資料2］。

5. 固体電解質の探索② ― 数千万件から、合成まで（GNoME、Chenら）

(1) GNoME：計算で見つけた「候補」の数

Google DeepMind のグループは、グラフニューラルネットワークを大規模に学習させ、結晶の安定性を予測して、200万を超える構造を「現在の凸包の下」（計算上、既知の材料より安定）と報告しました。その一部の例として、固体電解質の候補を絞っています事実［参考資料5］。 具体的には、遷移金属を除く、リチウムの割合で絞るなどの総合的なスクリーニングで、528件の「有望なリチウムイオン伝導体」を見つけ、元の研究（Sendek ら［参考資料1］）の25倍としています。方法の節によると、この数は、バンドギャップと、リチウム金属負極に対する安定性にもとづくフィルターで求めた数です［参考資料5］。つまり、528は計算上の絞り込みの結果で、伝導度を実測した数ではありません。

この論文の要旨は、安定とされた構造のうち、736件は、すでに別の研究で実験的に実現されていたとも述べています［参考資料5］。ただし、これは安定構造全体についての数で、528件の伝導体についての数ではありません。 一方、Cheetham と Seshadri は、この研究の主張を検討し、新規性・信頼性・有用性をすべて満たす化合物の証拠が乏しいと論評し、合成や結晶学の専門知識を取り入れる必要を述べました事実［参考資料6］。ここでは、研究の主張と批評を、どちらも並べて示すにとどめ、どちらが正しいかは判断しません（結晶構造予測の評価は、本シリーズ「結晶構造予測と安定性」編で扱います）。

(2) Chenら：3,260万件から4つの組成を合成するまで

Microsoft（Azure Quantum）と米国のPNNL（パシフィック・ノースウエスト国立研究所）の研究グループは、機械学習とクラウドの大規模計算を組み合わせて、固体電解質の探索を行い、実験で確かめるところまで報告しました事実［参考資料4］。流れは次のとおりです。

1. 候補の生成：54元素を選び、既知の結晶構造の原子を、価数の同じ元素に置換して、32,598,079件の初期候補を作る
2. 安定性の予測：機械学習ポテンシャル（M3GNet、CHGNetなど）と第一原理計算で、約50万件を安定の可能性があると予測
3. 特性のフィルター：電気化学的安定窓（ESW）、バンドギャップ、第一原理分子動力学（AIMD）の伝導度などで、18件の有望な候補に絞る（ESWのフィルターに入った化合物は8,795件）
4. 合成と測定：上位の4つの希土類ハロゲン化物（Li₃YCl₆のPna2₁相、Li₅YCl₈、Li₇Y₂Cl₁₃、Na₂LiYCl₆）を合成して、構造と伝導度を調べる

実験の結果を、計算の値とあわせて表にします（図5の上の表と同じ内容です）。

出典：Chen ら（arXiv版）の表1と本文。事実。論文は、Li₃YCl₆のP-3m1相が、LiとYが同じ位置を共有する既知の材料であることを述べています。

この表から、読み取れることが3つあります。

• 予測した相ができるとは限りません：4つのうち3つは、狙った構造にならず、既知のLi₃YCl₆（P-3m1）になりました。1つ（Na₂LiYCl₆）は予測した構造が確認されました。著者らは、単結晶XRDでの確認は進行中と述べています事実［参考資料4］。
• 計算の値と実測の値は、そのまま比べられません：Na₂LiYCl₆の計算値（300 K）は0.12 mS/cm（1.2×10⁻⁴ S/cm）、実測は100 ℃で2.2×10⁻⁶ S/cm です。実測を300 Kに換算（活性化エネルギー0.6 eVが一定と仮定）すると、約2×10⁻⁸ S/cm で、計算値は約5,000〜6,000倍大きくなります本稿の計算。ただし、計算は理想的な秩序構造のLi伝導度、実測は粉末を固めた試料でNaとLiが混在し、粒界もあります。差の原因は、論文から確認できませんでした（推測ですが、複数の要因が重なっていると考えられます）。
• 実験は、手間のかかる作業です：論文は、試料の結晶性が、取り扱いと測定のときの湿度の影響を大きく受けたこと、カプトンテープの背景とピークの広がりで格子定数の精密化が難しかったこと、一部の組成でNaClやLiClが残ったことを述べています［参考資料4］。

6. 電極材料 ― 電圧と容量を予測する

(1) 容量は、モル質量から決まる（本稿の計算）

電極材料の「容量」は、材料1 g あたり、リチウム（の電荷）をどれだけ出し入れできるかです。1個のLiが1個の電子を運ぶ場合、理論容量は、26,801 mAh/mol ÷ モル質量（g/mol）で求まります（ファラデー定数 96,485 C/mol を、3.6 で割って mAh に換算した値）。本稿の計算

• LiFePO₄（モル質量157.76）：26,801 ÷ 157.76 ≒ 170 mAh/g
• LiCoO₂（モル質量97.87）：Li 1個ぜんぶなら ≒ 274 mAh/g。半分だけ使うなら ≒ 137 mAh/g（半分という値は、説明のための仮定）
• 黒鉛（LiC₆、C₆あたり）：≒ 372 mAh/g

この計算は、探索に役立ちます。モル質量の小さい元素で組み、できるだけ多くのLiを出し入れできる材料が、容量の面で有利だと分かります。ただし、実際に使えるLiの量（全部は抜けない）、電圧、体積変化は、別に評価が要ります（本記事による解説）。

(2) 電圧は、エネルギーの差から計算する

電圧の計算の考え方は、「リチウムが入った状態」と「抜けた状態」のエネルギー（DFTで計算）の差から、リチウムを抜くのに必要なエネルギーを求め、それを電圧に直す、というものです（本記事による解説）。Aydinol らの1997年の論文は、題名のとおり、リチウム遷移金属酸化物電極の挿入電圧を第一原理計算で求めたものです［参考資料15］（本稿では題名の範囲で確認）。Hautier らは、高スループットの第一原理計算で、リン酸塩の正極材料を評価し、酸化還元対ごとの電圧の範囲や、容量の限界を整理しました事実［参考資料8］。

(3) 機械学習が予測しているのは、「計算値」

Joshi らは、Materials Project の電圧データを使って、ディープニューラルネットワーク、サポートベクターマシン、カーネルリッジ回帰で電極の電圧を予測し、Na・Kイオン電池の候補を約5,000件提案しました事実［参考資料9］。Li らは、LiイオンとLi-freeの正極の電圧（計算値）の5,577組と2,423組をまとめ、化学式から電圧を予測する機械学習モデルが、既存の2つのモデル（Roost、CrabNet）と比べて最先端の性能を示したと報告しています事実［参考資料10］。

ここで大事なのは、これらのモデルの正解（ラベル）は、DFTで計算した電圧であって、実測の電圧ではないことです。AIの精度が高くても、それは「DFTをどれだけ速く真似られるか」の精度です（本記事による解説）。DFTの電圧が実測とどれだけ違うかは、別の問題で、本稿の調べた範囲では、これらの論文の要旨からは確認できませんでした。

図6の右は、電圧のずれがエネルギーの見積りにどう効くかの例です。平均電圧3.5 Vの材料で、電圧の計算値が0.3 Vずれていれば、比エネルギーの見積りは約8.6%ずれます（本稿の計算。電圧のずれが0.3 Vという値は説明のための仮定です）。電圧は、エネルギー密度に直接かかる値なので、計算の誤差の大きさが、実用性の判断に効いてきます。

7. 電解液と充電条件 ― 実験を自動で回して探す

ここまでは、計算で材料を探す話でした。もう1つの探し方は、実験そのものを自動で回し、AIが次の条件を選ぶ方法です。電池の分野では、次の報告があります（図7）。

(1) 電解液の配合：Daveら（2022）

Dave らは、ロボット（Clio）と、ベイズ最適化にもとづく実験の計画役（Dragonfly）を組み合わせ、電解液の導電率を、塩1種と溶媒3種の混合の範囲で最適化しました。2営業日・42回の実験で、急速充電に向く6種の電解液を特定し、同じ自動実験によるランダム探索の6倍の速さだったと報告しています。実際の電池での確認として、220 mAhのパウチセル（黒鉛とLiNi₀.₅Mn₀.₃Co₀.₂O₂）で、ロボットが見つけた電解液を使ったセルは、あらかじめ選んだ基準の電解液より、急速充電の性能が改善したと述べています事実［参考資料12］。

この研究の特徴は、実験で測った値（導電率）で探し、そのままセルで確認したことです。一方、最適化したのは「導電率」という1つの指標で、寿命・安全性・コストは、この研究の評価の外です（本記事による解説）。

(2) 充電条件：Attiaら（2020）とSeversonら（2019）

Attia らは、早期予測モデル（最初の数サイクルから寿命を予測）とベイズ最適化を組み合わせ、6ステップ・10分の急速充電条件の224通りの候補から、サイクル寿命の長い条件を16日で特定しました。早期予測なしの全探索では、500日を超えるとしています（本稿の計算では約31倍）事実［参考資料13］。その早期予測の基礎になった Severson らの研究は、124個の市販のリン酸鉄リチウム／黒鉛セルを急速充電条件で試験して、寿命が150〜2,300サイクルと大きくばらつくデータを作り、最初の100サイクルから寿命を、試験誤差9.1%で予測しました（最初の5サイクルから、寿命を2群に分類する誤差は4.9%）事実［参考資料14］。

8. データの問題 ― 実験の伝導度データを集める

MIの出発点は、データです。固体電解質の分野で、実験の伝導度データを整理した例があります。Hargreaves らは、専門家が整理した、リチウム固体電解質の伝導度のデータセットを公開しました。交流インピーダンス法で測った820件の記録が、214の文献から集められ、組成、専門家が付けた構造のラベル、特定の温度（5〜873 ℃）での伝導度が入っています。室温付近（15〜35 ℃）の伝導度がある、重複しない組成は403です。このデータで、CrabNet を使った、伝導度が高いか低いかの分類器を学習し、「実験者が、調べる候補の優先順位をつけるための実用的な道具」としています事実［参考資料7］。

Sendek らが学習に使ったのは40材料でした［参考資料1］。それに比べると、組成数が約10倍（403）に増えています。ただし、データが増えれば必ず精度が上がる、とは限りません。伝導度は、同じ組成でも、合成法、緻密さ（密度）、粒界、測定の温度や方法で大きく変わりえます（本記事による解説）。論文のデータは、そうした違いを含んだ値の集まりです。データの質と、測定条件の記録が、予測の上限を決めます。

9. 予測と実験を区別する ― 確かめのはしご

ここまでの報告を、「どこまで確かめられたか」で並べてみます。電池材料では、確認の段階を、次の5段に分けて考えると整理できます（本記事による整理）。

1. 計算上の予測：安定性・電圧・伝導度の、計算やAIによる予測
2. 合成して構造を確認：実際に作り、粉末XRDなどで、目的の相かを確認する
3. 材料の特性を測定：伝導度などを、実測する
4. セルで性能を確認：電池にして、充放電・寿命・急速充電を測る
5. 独立した検証・長期・量産：他のグループによる追試、長期の信頼性、量産での再現

図9のとおり、報告ごとに到達した段が違います。GNoMEの528件とSendekらの21件は、第1段（予測）です。Chen らは、第1〜3段まで進みました（Na₂LiYCl₆）。セルでの確認は進行中と書かれています未確定／将来。Dave らは、電解液の配合を実験で探し、第3〜4段（導電率の測定とパウチセル）まで進んでいます。第5段（独立した検証・量産）まで確認できた例は、この記事で扱った報告の中にありませんでした。

10. 素材技術者の視点

AIに任せやすい部分と、専門家の判断が要る部分

表は本記事による整理（解説）です。

11. 限界と、確認できなかったこと／まとめ

(1) 掲載版の本文を確認できなかった論文

Chen らは、プレプリント（arXiv）の本文で確認し、掲載版（JACS）は要旨のみ確認しました。Sendek らの2019年の続報は、プレプリントの要旨で確認しました（掲載版の最終的な表現は未確認）。Sendek らの2017年の論文は、著者の公開PDFで確認しました。Hautier ら、Severson ら、Aydinol らは、要旨または題名の範囲で引用しています。

(2) 計算値と実測値の差の原因

Chen らのNa₂LiYCl₆で、計算（AIMD）と実測の伝導度に約5,000〜6,000倍の差があることを、本稿の換算で示しました。差の原因（理想構造と実試料の違い、粒界、Na/Liの混在、温度外挿の仮定など）は、論文から確認できませんでした。

(3) 実験室から量産まで

この記事で扱った報告のうち、独立した検証・長期の信頼性・量産まで確認できた例は、ありませんでした。企業の電池開発へのMIの適用事例、特許、製品化は扱っていません。

(4) 扱っていない材料と手法

負極材料、バインダー、電解質添加剤、界面（SEI）、硫化物系・酸化物系・高分子系の固体電解質の個別の議論、ナトリウム・多価イオン電池の材料、大規模言語モデルによる文献からの電池データ抽出は扱っていません。全固体電池は、本シリーズの別の分野で扱います。

(5) 日本国内の動向

日本の電池材料のMIの取り組み（国の研究プロジェクト、研究機関のデータ基盤）は、この記事では調べていません。

12. 評価・標準の読み方

電池材料のMIの「良し悪し」は、何を正解とするか（DFTの計算値か、実測か）、評価データの分け方、比べる相手（ランダム探索、全探索、基準の電解液）、どの段まで確かめたか（第9章のはしご）で決まります。電池そのもの（セル）の性能を測る国際規格はありますが、電池材料のMI（予測モデルや探索）に特化した国際標準は、確認できませんでした。確認できた範囲を表にします（確認日 2026年10月22日）。

表の整理は本稿の計算（整理）。IEC の番号・題名・版・発行日はIECの公式ページ（webstore.iec.ch）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。

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：Matbench Discovery などは、計算データの上での「安定性の予測」の評価です。実際の合成のしやすさ、電池にしたときの性能は、別に確かめる必要があります
• 予測と実験検証を区別します：第9章のはしごのどの段か、必ず確認します。「AIで見つけた」は、第1段の話のことが多い
• データ漏れ・分割の落とし穴：同じ系統の材料が学習と評価にまたがると、精度が過大になります（本シリーズ「ベンチマークと評価の読み方」「MIの結果の評価と再現性の読み方」編）。Sendek らのように、学習が40件と少ないときは、特に評価の方法が重要です
• 標準・原則の強さ：FAIR原則は推奨、IECの規格は、法令や契約で引用されて初めて拘束力を持ちます（後者は本記事による解説）。終了した計画（BIG-MAP）や進行中の評価は、未確定／将来として扱います

13. 用語集

14. 参考資料（一次情報）

1. Sendek A. D., Yang Q., Cubuk E. D., Duerloo K.-A. N., Cui Y., Reed E. J. "Holistic computational structure screening of more than 12 000 candidates for solid lithium-ion conductor materials", Energy Environ. Sci. 10, 306–320 (2017), DOI 10.1039/c6ee02697d（著者の公開PDFで本文を確認） — doi.org/10.1039/c6ee02697d
2. Sendek A. D. ほか "Machine Learning-Assisted Discovery of Solid Li-Ion Conducting Materials", Chem. Mater. 31, 342–352 (2019), DOI 10.1021/acs.chemmater.8b03272（プレプリント arXiv:1808.02470 の要旨を確認に使用） — arxiv.org/abs/1808.02470
3. Cubuk E. D., Sendek A. D., Reed E. J. "Screening billions of candidates for solid lithium-ion conductors: A transfer learning approach for small data", J. Chem. Phys. 150, 214701 (2019), DOI 10.1063/1.5093220 — doi.org/10.1063/1.5093220
4. Chen C. ほか "Accelerating Computational Materials Discovery with Machine Learning and Cloud High-Performance Computing: from Large-Scale Screening to Experimental Validation", J. Am. Chem. Soc. 146, 20009–20018 (2024), DOI 10.1021/jacs.4c03849（プレプリント arXiv:2401.04070 の本文を詳細の確認に使用） — arxiv.org/abs/2401.04070
5. Merchant A. ほか "Scaling deep learning for materials discovery", Nature 624, 80–85 (2023), DOI 10.1038/s41586-023-06735-9 — nature.com/articles/s41586-023-06735-9
6. 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（オープンアクセス） — doi.org/10.1021/acs.chemmater.4c00643
7. Hargreaves ほか "A database of experimentally measured lithium solid electrolyte conductivities evaluated with machine learning", npj Comput. Mater. 9, 9 (2023), DOI 10.1038/s41524-022-00951-z（オープンアクセス） — doi.org/10.1038/s41524-022-00951-z
8. Hautier G. ほか "Phosphates as Lithium-Ion Battery Cathodes: An Evaluation Based on High-Throughput ab Initio Calculations", Chem. Mater. 23, 3495–3508 (2011), DOI 10.1021/cm200949v — doi.org/10.1021/cm200949v
9. Joshi R. P. ほか "Machine Learning the Voltage of Electrode Materials in Metal-Ion Batteries", ACS Appl. Mater. Interfaces 11, 18494–18503 (2019), DOI 10.1021/acsami.9b04933 — doi.org/10.1021/acsami.9b04933
10. Li H. H., Chen Q., Ceder G., Persson K. A. "Voltage Mining for (De)lithiation-Stabilized Cathodes and a Machine Learning Model for Li-Ion Cathode Voltage", ACS Appl. Mater. Interfaces 16, 69379–69387 (2024), DOI 10.1021/acsami.4c15742 — doi.org/10.1021/acsami.4c15742
11. 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
12. Dave A. ほか "Autonomous optimization of non-aqueous Li-ion battery electrolytes via robotic experimentation and machine learning coupling", Nat. Commun. 13, 5454 (2022), DOI 10.1038/s41467-022-32938-1（オープンアクセス） — doi.org/10.1038/s41467-022-32938-1
13. 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 — doi.org/10.1038/s41586-020-1994-5
14. Severson K. A. ほか "Data-driven prediction of battery cycle life before capacity degradation", Nat. Energy 4, 383–391 (2019), DOI 10.1038/s41560-019-0356-8 — doi.org/10.1038/s41560-019-0356-8
15. Aydinol M. K. ほか "Ab initio calculation of the intercalation voltage of lithium-transition-metal oxide electrodes for rechargeable batteries", J. Power Sources 68, 664–668 (1997), DOI 10.1016/s0378-7753(96)02638-9 — doi.org/10.1016/s0378-7753(96)02638-9
16. 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
17. 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（オープンアクセス） — nature.com/articles/s42256-025-01055-1
18. IEC "IEC 62660-1:2018 Secondary lithium-ion cells for the propulsion of electric road vehicles — Part 1: Performance testing"（IEC Webstore のページ） — webstore.iec.ch/en/publication/28965
19. IEC "IEC 61960-3:2017 Secondary cells and batteries containing alkaline or other non-acid electrolytes — Secondary lithium cells and batteries for portable applications — Part 3: Prismatic and cylindrical lithium secondary cells and batteries made from them"（IEC Webstore のページ） — webstore.iec.ch/en/publication/29603
20. BIG-MAP "BIG-MAP（Battery Interface Genome – Materials Acceleration Platform）"（公式サイト） — big-map.eu
21. 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
22. BIG-MAP "BIG-MAP"（プロジェクトの説明ページ。名称と目標の確認に使用） — big-map.eu/big-map

15. 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（査読論文、arXiv の論文、IEC・BIG-MAP の公式ページ）に限定しています。IEC の規格本文は有料のため確認できていません。 計算例は本稿が報告値や原子量から計算した例で、実在の電池や材料の測定結果ではありません。 電池材料のMIに特化した国際標準、伝導度測定の標準、計算と実測の伝導度の差の原因、独立した検証・量産まで確認できた報告については、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、図1と図8はImageGen生成の概念画像です。