COMPANY PROFILE ／ マテリアルインフォマティクス
アプライド・マテリアルズ
― 材料を成膜・加工する装置の会社が、原子レベルの計算とAIを「材料開発の道具」にしはじめた
Applied Materials（アプライド マテリアルズ）は、半導体を作る製造装置で世界有数の米国企業です。 マテリアルインフォマティクス（MI：データと計算で材料の候補や条件を絞り込む手法）の視点で見ると、 材料向けのAIを商品として売る会社ではなく、チップ向けの新材料を開発するために、計算とAIを使う「応用する側」です。 公開資料で確認できるのは、原子レベルの材料計算をGPUで高速化した話（NVIDIAとの協力）、 工程データをAIで解析するプラットフォーム「AIx」（2021年）、 AIで材料を探す国際的な枠組み「AI Materials Foundry」への創設メンバーとしての参加の3つです。 本稿は会社全体の事業を簡潔にとどめ、材料開発でのAI・計算の活用に絞ります。
- 30秒でわかるApplied Materialsと、マテリアルインフォマティクスでの立ち位置
- ロゴと社名の表記について
- マテリアルインフォマティクスの世界で、この会社はどこにいるか
- 会社の規模（会社全体は簡潔に）
- マテリアルインフォマティクスにかけているリソース
- これまでの取り組み
- 今後の計画
- この会社はマテリアルインフォマティクスで何を目指しているか
- マテリアルインフォマティクス分野の提携マッピング
- 材料開発でのAI・計算の使われ方
- この企業が抱えるリスク
- 用語集／出典／主張と出典の対応表
1. 30秒でわかるアプライド・マテリアルズと、マテリアルインフォマティクスでの立ち位置
サンタクララEPICセンターは同州サニーベールのキャンパス
AIx
AI Materials Foundry計算は自社の研究開発に、Foundryは外部との枠組み
5日→2時間会社の主張。64CPUコア対1基のGPUでの比較（2026年3月）
Applied Materialsの強みは、材料を実際にウェハー上へ成膜・加工する「装置」にあります。 同社自身が「材料工学（materials engineering）の会社」と名乗るのも、この意味です。 つまり同社にとってAIと計算は、材料を発見して売るためのものではなく、装置と工程の開発を速めるためのものです。 AIや材料シミュレーションを使う場面は、10-Kにも「技術開発・事業運営・製品にAIを取り込みつつある」と書かれていますが、 MIに専任する人数・投資額・成果の数字は、確認した資料のいずれにも書かれていません 事実。 会社が数字で示すのは、計算時間の短縮（会社の主張）だけです。
2. ロゴと社名の表記について
表記の注意：法人名は Applied Materials, Inc.。日本語では「アプライド マテリアルズ」と表記されます（同社の日本語サイト）。本稿が扱うのは米国の上場会社です。 略称の「Applied」は、同社が自社を指すときにも使う呼び方です。 ロゴは、公式サイトの画像が機械的な取得で拒否されたため、Wikimedia Commons の画像（パブリックドメインの文字ロゴとして登録。商標である旨の注記つき。確認日 2026年10月23日）を使っています。公式サイトの現行のロゴと同一とは確認していません。
ロゴの出典：https://commons.wikimedia.org/wiki/File:Applied_Materials_Inc._Logo.svg
公式サイト：https://www.appliedmaterials.com/us/en.html
3. マテリアルインフォマティクスの世界で、この会社はどこにいるか
MIは、過去のデータと計算から「有望そうな材料の候補や条件」を絞り込み、実験で確かめる流れです （シリーズの技術解説「マテリアルインフォマティクス概論」を参照）。MIに関わる会社は、この流れのどこを担うかで4つに分かれます。
Applied Materialsは応用する側です。ただし、電池や化学の会社と違い、材料そのものを売るのではなく、 材料を薄い膜にして半導体に作り込むための装置と工程を売っています。 MIの流れでいえば、材料の候補を計算で評価し（予測・設計）、条件を決め、自社の装置と実験で確かめる（実験）部分を一社の中に持っています。 オングストロームの単位の構造・界面・欠陥の違いが性能に大きく響くため、成膜前に物理に基づく計算で評価することが重要、というのが同社の説明です。
4. 会社の規模（会社全体は簡潔に）
大企業なので、会社全体の規模だけを簡潔に示します 事実。MIだけの数字は開示されていません。
| 指標（US$百万） | 2024年度 | 2025年度 | 2026年度の9か月（〜7月26日） |
|---|---|---|---|
| 売上 | 27,176 | 28,368 | 24,037（前年同期 21,568） |
| 営業利益 | 7,867 | 8,289 | ― |
| 研究開発費（RD&E） | 3,233 | 3,570 | 3,055（前年同期 2,653） |
| その他の指標 | 内容 | 時点 |
|---|---|---|
| 従業員（常勤） | 約36,500名（25か国。アジア太平洋46%、北米42%、欧州・中東12%） | 2025年10月26日 |
| 事業 | 半導体システム、Applied Global Services（サービス）の2つの報告セグメント | 2025年度 |
| 研究開発費の売上に対する割合 | 約12.6%（本稿の計算：3,570÷28,368） | 2025年度 |
| 開発の拠点 | 製品開発・エンジニアリングは主に米国・インド・イスラエル | 2025年度の10-K |
上の数字は会社全体のもので、売上のほとんどは半導体製造装置とそのサービスです。 材料AIや材料計算にいくら使っているか、何人が専任かは開示されていません 未確定／将来。 2026年度の研究開発費の伸び（9か月で3,055百万ドル、前年同期比で約15%増）も、AIや計算のためだけの増加とは書かれていません。 この分野の記事を読むときは、会社の規模と、MIにかけている規模は別物だと意識してください。
5. マテリアルインフォマティクスにかけているリソース
人・金・外部への出資・大学や公的機関との連携を、一次情報で確認できたか／できなかったかで示します。「記載なし」も成果です。
| リソースの種類 | 内容 | 区分 |
|---|---|---|
| 人 | 常勤約36,500名（会社全体）。CuspAIの公式ページに、Applied MaterialsのChief AI Officerの発言が載っている。AI・材料計算の専任人数は非公表 | 事実／非公表 |
| 金（研究開発） | RD&Eは2025年度に3,570百万ドル（会社全体）。AI・計算の分は非公表 | 非公表 |
| 金（設備） | EPICセンター：総額約50億ドルの設備投資（顧客のプロジェクト開始に応じて拡大）。建屋は約600,000平方フィートで、クリーンルームはほぼ4エーカー。材料・装置・プロセスの共同開発の施設で、AI専用ではない | 事実 |
| 計算資源 | NVIDIAのGPU（ブログではB200）とライブラリを使用。保有するGPUの規模は非公表 | 事実／非公表 |
| 民間との連携 | NVIDIA（材料・工程・工場のシミュレーションの高速化、2026年2〜3月のブログ）、CuspAIのAI Materials Foundry（創設メンバーとして掲載） | 事実 |
| 外部への出資・買収・合弁 | MIに関する出資・買収・合弁は、確認した資料に記載なし | 確認できず |
| 大学・研究機関・公的資金との連携 | EPICの研究パートナーとして、アリゾナ州立大学・RPI・スタンフォード大学・UCバークレー・UCLAが参加。これは半導体の材料・プロセス・装置の共同開発の枠組みで、AIやMIに限定した記載はない。10-Kは政府の補助金・税額控除を受けている旨を一般的に述べるが、MI向けとは書かれていない | 事実（MIとの関係は確認できず） |
主要なモデル・製品・設備の状況
公式資料で確認できた範囲です。速度の数字は会社（およびNVIDIA）の主張で、独立した検証は確認できませんでした。
| 名称 | 種別 | 主な仕様（公表された範囲） | 公開の形 | 段階・日付 | 出典 |
|---|---|---|---|---|---|
| Ginestra | 原子スケールの材料シミュレーション・ソフト | 材料の電子的性質や相互作用を計算。NVIDIAの基盤とcuDSSでCPUのみの実行より最大10倍速い | 確認できなかった（顧客向け製品かは不明） | 運用（2026年2月18日のブログ） | 公式ブログ |
| ACE+ | 多物理シミュレーション | 流体・熱・プラズマ・電磁界を計算し、仮想のチャンバー試作と最適化に使う。地形シミュレーションが最大35倍速い | 確認できなかった | 運用（同上） | 公式ブログ |
| DFT計算の高速化（cuEST） | 計算手法の導入 | 材料候補の評価：64CPUコアで5日→1基のNVIDIA B200 GPUで2時間。反応経路探索（約15,000回）：400CPUコアで1.5週間→5時間 | NVIDIAのライブラリを利用 | 運用（2026年3月16日のブログ） | 公式ブログ |
| AIx | 工程データのAI解析プラットフォーム | ChamberAI（センサーと機械学習）、AppliedPRO（レシピ最適化）、デジタルツイン、計算基盤で構成。開発期間を半分、プロセスウィンドウを3分の1改善することが目標 | Applied製の装置・検査装置の上で動く | 2021年4月5日に発表。「すでに使われている」と記載 | ニュースリリース |
| EPICセンター | 共同開発の施設 | 約50億ドル（拡大見込み）、約600,000平方フィート。創設パートナー5社と研究パートナー5大学 | パートナー企業・大学が利用 | 2026年10月12日に公開 | ニュースリリース |
2026年3月のブログは、HfO₂（酸化ハフニウム）など高誘電率の絶縁膜の候補を、 成膜前に原子レベルで評価する場面を例にしています 事実。 数字は、材料候補の評価が64個のCPUコアで5日かかっていたものが1基のGPUで2時間に、 反応経路探索が400コアで1.5週間から1基のGPUで5時間になった、というものです。 本稿で換算すると約60倍と約50倍で、会社は「55倍」と表記しています 本稿の計算。 読むときの注意が3つあります。第一に、これは計算時間の短縮で、材料の予測精度や発見の成果を示す数字ではありません。 第二に、「必要な精度を保ったまま」と書かれていますが、実測値と比べた誤差の数字はありません。 第三に、比べているのは64〜400個のCPUコアと1基のGPUという計算機の構成の違いで、条件をそろえた比較ではありません。 計算が速くなると「より多くの候補を試せる」のは確かですが、候補が実際に成膜でき、狙いの膜質になるかは、装置での実験が決めます。
6. これまでの取り組み
| 時期 | できごと | 意味 |
|---|---|---|
| 2021年4月5日 | AIxを発表：ビッグデータとAIで、装置を使う工程の開発と量産立ち上げを速める | 工程データのAI活用の起点（MIの「工程」側） |
| 2025年12月12日 | 2025年度のForm 10-Kを提出：AI機能の取り込みとそのリスクを記載 | AIの活用が法定開示に載る |
| 2026年2月18日 | 公式ブログ：Ginestra・ACE+・デジタルツインでNVIDIA基盤を利用（原子から工場まで） | 計算の高速化の公表 |
| 2026年3月16日 | 公式ブログ：DFT計算を、cuESTを使ってGPUで高速化（HfO₂の例） | 材料候補の評価の高速化 |
| 2026年（日付は確認できず） | CuspAIのAI Materials Foundryに創設メンバーとして加わる | 外部のAI材料探索の枠組みへの参加 |
| 2026年10月12日 | EPICセンターを公開（総額約50億ドルの設備投資、創設パートナー5社と研究パートナー5大学） | 材料・装置・プロセスを並行開発する拠点 |
7. 今後の計画
次はいずれも会社の目標・方針です。達成した事実ではありません 未確定／将来。
プロセスウィンドウを3分の1改善達成の報告は確認できなかった
次はいずれも、確認した資料に記載がありません 未確定／将来。
AIで発見した新材料の名称と実績／計算の予測精度（実測との比較、データセット・条件つき）／AIxの目標の達成度／AI・MIの専任人員と投資額／ Foundryでの具体的な取り組みの内容。報道ベースの数字は採用しません。
8. この会社はマテリアルインフォマティクスで何を目指しているか
ここは会社が直接には述べていない部分を含みます。一次情報から読み取れる範囲の推測として、根拠とともに書きます。
| 読み取れること | 根拠となる一次情報 | 区分 |
|---|---|---|
| AIと計算は、材料・装置・プロセスの「開発サイクルを縮める」ための道具 | EPICのリリースが「材料・装置・プロセスを並行して開発し、受け渡しをなくす」と説明。2026年2月のブログが「研究開発の周期を縮める」と述べる | 推測 |
| 材料AIのモデルは自社で一から作らず、外部の基盤を使う方向 | 10-K・10-Qが「外部のAI提供元を使う」と記載。計算はNVIDIAのライブラリで、材料探索はCuspAIの枠組みに参加 | 推測 |
| 対象は半導体向けの材料（誘電体・界面・成膜反応） | 2026年3月のブログがHfO₂の誘電体、界面、ガス分子と固体表面の反応を例に挙げる | 事実（記載の範囲） |
| 手法は物理に基づく計算（DFTなど）が中心で、機械学習原子間ポテンシャルの使用は確認できない | ブログは「物理に基づくシミュレーション」と書き、機械学習ポテンシャルへの言及がない | 推測 |
2026年3月のブログは、「分子を見つけたあと、それを真空チャンバーで大量生産の規模で確実に成膜させる」ことが次の課題だと書き、 そのために「ガス分子が固体表面と反応する複雑な化学反応」を、反応発見の手法で最適化すると説明します 事実。ここでAIや計算が担うのは、新材料を発見することよりも、 既存の候補を量産で使える条件（処理温度、不純物）に落とし込むことに重心があるように読めます 未確定／将来。ただしこれは本稿の解釈で、会社が戦略として明言したものではありません。 一方、CuspAIのFoundryへの参加は、「新しい材料の探索」にも関心があることを示すと読めます。
9. マテリアルインフォマティクス分野の提携マッピング
10. 材料開発でのAI・計算の使われ方
Applied Materialsの公式ブログは、材料開発での計算を原子（材料）→工程（装置の中）→工場の3つの段階で説明しています。
| 段階 | 使う道具 | 会社の説明 |
|---|---|---|
| 1 材料（原子） | Ginestra、DFT計算 | 候補の誘電体・界面・材料の代替を評価。成膜反応の経路を探し、処理温度の低下や不純物の抑制につなげる。数千の材料の組み合わせを、実物を試さずに評価できると説明 |
| 2 工程（装置の中） | ACE+、PhysicsNeMo | チャンバーの仮想の試作と、装置・レシピの最適化。ACE+のデータをリアルタイムのデジタルツインにして、条件を変えたときの結果をほぼ即座に見られると説明 |
| 3 工場 | Omniverse、デジタルツイン | 工場全体の装置配置・処理量・工程制御を、導入前に仮想で検討 |
| （工程データ） | AIx（ChamberAI、AppliedPRO） | 装置のセンサーとウェハーの計測データから、数千の工程変数のうち効く相関を見つけてレシピを最適化（2021年の説明） |
Applied Materialsの説明は、計算の結果を、実際の装置での成膜で確かめる順序で組み立てられています。 材料の候補をDFTで評価し、反応経路を探し、チャンバーを仮想で試作し、最後に実機（Endura などの統合装置）で作る、という流れです 事実。自社で材料開発にMIや計算を使うときも、 どの段階の問いに計算を使い、どこから実験で確かめるかを最初に決めておくと、計算の結果を過信せずに済みます。 また、AIxの考え方（装置とウェハーの計測データから、効く工程変数を絞る）は、半導体以外の成膜・塗工・重合の工程でも使える発想です。 ただし、Applied Materialsの資料には、計算の予測を実測と比べた精度の数字が載っていません。 自社に取り入れるときは、自社の既知のデータで予測が当たるかを、先に小さく確かめるのが近道です （本シリーズの技術解説「MIの結果の評価と再現性の読み方」を参照）。
11. この企業が抱えるリスク
| リスク | 内容 | 区分 |
|---|---|---|
| AIの利用に伴うリスク | 10-K・10-Qが、AIの利用が成果に結びつく保証はないこと、AIのアルゴリズムやデータに欠陥があり得ること、知的財産の流出や侵害の可能性を挙げる | 事実 |
| 外部のAI提供元への依存 | 10-K・10-Qが「外部のAI提供元を使っており、継続して使えることに依存する」と記載 | 事実 |
| 成果が外から確かめにくい | 速度の数字は会社（とNVIDIA）の発表で、計算の精度や、AIで見つけた材料の実績は確認できない | 未確定／将来 |
| EPICの完成と成果の実現 | 10-K・10-Qが「EPICセンターなどの大型インフラを予定どおり、予算内で完成し、期待した成果を得る」ことをリスク要因に挙げる。AIがどれだけ貢献するかは別の問題 | 事実 |
| 半導体市場の変動 | 10-Kが、半導体産業は歴史的に景気循環があり、顧客の需要が変動すると記載。研究開発投資の原資に関わる | 事実 |
| MIの範囲の曖昧さ | EPICの提携は材料・装置・プロセス全体の開発で、AI・MIに限らない。EPICの規模をAI・MIへの投資と読むと、実態を誤る | 推測 |
12. 用語集
- マテリアルインフォマティクス（MI）
- データと計算を使って、有望な材料の候補や条件を絞り込み、実験で確かめる手法。
- DFT（密度汎関数理論）
- 物質の電子状態を計算する標準的な方法。精度は高いが計算に時間がかかる。
- HfO₂（酸化ハフニウム）
- トランジスタのゲート絶縁膜に使われる高誘電率（high-k）材料。
- GAA（ゲート・オール・アラウンド）
- チャネルをゲートが全周から囲む、次世代のトランジスタ構造。
- 反応経路探索
- 原料分子が表面で反応して膜になる道筋を、計算で多数探して最も効率のよい経路を見つけること。
- 成膜・チャンバー
- 成膜はウェハーの上に薄い膜を作ること。チャンバーはその反応を行う真空の容器。
- デジタルツイン
- 実物の装置や工場を、計算機の中に再現した模型。条件を変えた結果を仮想で試せる。
- GPU／B200／cuEST
- GPUは並列計算が得意な計算機部品。B200はNVIDIAのGPUの型名。cuESTは電子状態の計算をGPUで行うNVIDIAのライブラリ。
- AIx
- Applied Materialsの工程データ解析プラットフォーム。Actionable Insight Acceleratorの略。
- EPICセンター
- Equipment and Process Innovation and Commercialization Center。同社が公開した共同開発の施設。
- RD&E
- Research, development and engineering。研究・開発・エンジニアリングの費用。
- Form 10-K／10-Q
- 米国SECに提出する年次報告書／四半期報告書。
13. 出典
- Applied Materials, Inc. Form 10-K for the fiscal year ended October 26, 2025（米国SEC提出、2025年12月12日）。事業の概要・売上・研究開発費・従業員数・AIの利用に関するリスク要因・EPICセンターへの言及。 https://www.sec.gov/Archives/edgar/data/6951/000162828025056742/amat-20251026.htm
- Applied Materials, Inc. Form 10-Q for the quarterly period ended July 26, 2026（米国SEC提出、2026年8月20日）。2026年度第3四半期と9か月の売上・研究開発費、AIの利用に関するリスク要因。 https://www.sec.gov/Archives/edgar/data/6951/000162828026058235/amat-20260726.htm
- Applied Materials, Inc. “Applied Materials AI(x) Platform Harnesses the Power of Big Data and AI to Accelerate Semiconductor Technology Breakthroughs from Lab to Fab”（ニュースリリース、2021年4月5日）。AIxの構成・目標。 https://ir.appliedmaterials.com/news-releases/news-release-details/applied-materials-aix-platform-harnesses-power-big-data-and-ai
- Applied Materials, Inc. “Applied Materials Collaborates With NVIDIA to Accelerate End-to-End Chip Manufacturing”（公式ブログ、2026年2月18日）。Ginestra・ACE+・デジタルツインでのNVIDIA基盤の利用と高速化の主張。 https://www.appliedmaterials.com/us/en/newsroom/blogs/applied-materials-accelerates-end-to-end-chip-manufacturing-with-nvidia-ai.html
- Applied Materials, Inc. “Applied Materials Accelerates Materials Simulation for the AI Era in Collaboration with NVIDIA”（公式ブログ、2026年3月16日）。DFT計算の高速化（cuEST）、HfO₂の例、計算時間の比較。 https://www.appliedmaterials.com/us/en/newsroom/blogs/applied-materials-collaborates-nvidia-ai-era.html
- Applied Materials, Inc. “Applied Materials Unveils $5 Billion EPIC Center in Silicon Valley to Accelerate Semiconductor Innovation for the AI Era”（ニュースリリース、2026年10月12日）。EPICセンターの規模・投資額・パートナー・運営の考え方。 https://www.appliedmaterials.com/us/en/newsroom/press-releases/101226-applied-unveils-5b-epic-center-silicon-valley-accelerate-innovation-ai-era.html
- CuspAI 公式サイト（cusp.ai）「Announcing the AI Materials Foundry」の節。創設メンバーとしてのApplied Materialsと、同社のChief AI Officerの発言の掲載（確認日 2026年10月22日。ページに発表日の明記なし）。 https://cusp.ai/
14. 主張と出典の対応表
| 本文の主張 | 区分 | 出典 |
|---|---|---|
| 正式名称、本社所在地（米国カリフォルニア州サンタクララ）、デラウェア州法人（1967年設立）、Nasdaq上場 | 事実 | 出典1 https://www.sec.gov/Archives/edgar/data/6951/000162828025056742/amat-20251026.htm |
| 2025年度（2025年10月26日終了）の売上 US$28,368百万（前年 27,176）、営業利益 8,289（同 7,867）、研究開発費（RD&E）3,570（同 3,233） | 事実 | 出典1 https://www.sec.gov/Archives/edgar/data/6951/000162828025056742/amat-20251026.htm |
| 従業員 約36,500名（2025年10月26日、25か国）、製品開発・エンジニアリングは主に米国・インド・イスラエル | 事実 | 出典1 https://www.sec.gov/Archives/edgar/data/6951/000162828025056742/amat-20251026.htm |
| 2026年度の売上 24,037百万（9か月、前年同期 21,568）、RD&E 3,055（同 2,653） | 事実 | 出典2 https://www.sec.gov/Archives/edgar/data/6951/000162828026058235/amat-20260726.htm |
| RD&Eが売上に占める割合 約12.6%（2025年度） | 本稿の計算 | 本稿による割り算（3,570÷28,368）。 |
| 10-K・10-Q：AI機能を技術開発・事業運営・製品に組み込みつつあること、AIのアルゴリズムやデータの欠陥、外部のAI提供元への依存などのリスク | 事実 | 出典1・2 https://www.sec.gov/Archives/edgar/data/6951/000162828025056742/amat-20251026.htm https://www.sec.gov/Archives/edgar/data/6951/000162828026058235/amat-20260726.htm |
| AIx（2021年4月5日）：ChamberAI・インライン計測・AppliedPRO・デジタルツイン・計算基盤で構成。開発期間を半分にし、プロセスウィンドウを3分の1改善することが目標 | 事実 | 出典3 https://ir.appliedmaterials.com/news-releases/news-release-details/applied-materials-aix-platform-harnesses-power-big-data-and-ai |
| Ginestra：原子レベルの材料挙動のシミュレーション。NVIDIA基盤とcuDSSで、CPUのみの実行より最大10倍速い（会社の主張） | 事実 | 出典4 https://www.appliedmaterials.com/us/en/newsroom/blogs/applied-materials-accelerates-end-to-end-chip-manufacturing-with-nvidia-ai.html |
| ACE+：流体・熱・プラズマ・電磁界の多物理シミュレーション。NVIDIA基盤で地形（トポグラフィー）シミュレーションが最大35倍速い（会社の主張） | 事実 | 出典4 https://www.appliedmaterials.com/us/en/newsroom/blogs/applied-materials-accelerates-end-to-end-chip-manufacturing-with-nvidia-ai.html |
| PhysicsNeMoでACE+のデータをデジタルツイン化、Omniverseで工場のデジタルツインを作る | 事実 | 出典4 https://www.appliedmaterials.com/us/en/newsroom/blogs/applied-materials-accelerates-end-to-end-chip-manufacturing-with-nvidia-ai.html |
| DFT計算：cuESTの利用で、材料候補の評価が64CPUコアで5日から1基のB200 GPUで2時間へ、反応経路探索（約15,000回）が400CPUコアで1.5週間から5時間へ（会社は「55倍」と表記） | 事実 | 出典5 https://www.appliedmaterials.com/us/en/newsroom/blogs/applied-materials-collaborates-nvidia-ai-era.html |
| HfO₂を例に、候補の誘電体・界面・材料代替を、研究開発で材料シミュレーションにより評価していること | 事実 | 出典5 https://www.appliedmaterials.com/us/en/newsroom/blogs/applied-materials-collaborates-nvidia-ai-era.html |
| 5日→2時間は約60倍、1.5週間→5時間は約50倍 | 本稿の計算 | 本稿の計算。1.5週間は252時間として換算。会社の表記は「55倍」。 |
| EPICセンター：総額約50億ドルの設備投資（顧客のプロジェクト開始に応じて拡大）、約600,000平方フィートの建屋、創設パートナーは TSMC・Intel・SK hynix・Micron・Samsung、研究パートナーは5大学 | 事実 | 出典6 https://www.appliedmaterials.com/us/en/newsroom/press-releases/101226-applied-unveils-5b-epic-center-silicon-valley-accelerate-innovation-ai-era.html |
| EPICの運営の考え方：材料・装置・プロセスを並行して開発し、受け渡しをなくす | 事実 | 出典6 https://www.appliedmaterials.com/us/en/newsroom/press-releases/101226-applied-unveils-5b-epic-center-silicon-valley-accelerate-innovation-ai-era.html |
| AI Materials Foundry（CuspAI）の創設メンバーとして掲載されていること、およびChief AI Officerの発言 | 事実 | 出典7 https://cusp.ai/ |
| Foundry加入に関する発表日 | 未確定／将来 | CuspAIのページに明記なし。本稿では日付を推定しない。 |
| AIx・Ginestra・ACE+の第三者による検証、計算精度と実測値の比較、AIで材料を発見したとする実績 | 未確定／将来 | 確認した資料に記載なし。本稿では推計もしない。 |
| 材料AI・MIに専任する人員数・投資額、MI関連の出資・買収・合弁 | 未確定／将来 | 確認した資料に記載なし。本稿では存在しないとも断定しない。 |
| 機械学習原子間ポテンシャルを使っているか | 未確定／将来 | 確認した資料に記載なし。本稿では、ブログの説明が第一原理（DFT）などの物理に基づく計算が中心であることのみ記載。 |
| 類型の区分（応用する側） | 本稿の計算 | 本稿による整理。 |
| 会社の狙いに関する読み（第8章の4点） | 推測 | 公式資料の記述からの本稿の解釈。 |
| リスクの整理のうち、書類に直接の記載がない項目 | 推測 | 10-K・10-Qのリスク要因と公式ブログの記述からの本稿の解釈。 |
最終更新：2026年10月22日／Troy Technical
本稿の数値はすべて、米国証券取引委員会（SEC）への提出書類と、Applied Materials・CuspAIの公式の発信に基づきます。調査会社の推計値・報道ベースの数値は使用していません。「推測」と記した箇所は、一次情報から本稿が読み取った解釈であり、会社の公表内容ではありません。計算の高速化の数字は会社（およびNVIDIA）の主張で、独立した検証は確認できていません。