1. 30秒でわかるマイクロソフトと、マテリアルインフォマティクスでの立ち位置

マテリアルインフォマティクス（MI）とは、材料のデータと計算・AIを使って、新しい材料を効率よく探す取り組みです。 流れは大きく「データ → 予測・設計 → 実験で確かめる」の3段階です。 Microsoftは、このうち「予測・設計」の段階のAIモデルを公開し、それを使える研究開発プラットフォーム（Microsoft Discovery）も提供しています。

2. ロゴと社名の表記について

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

図1のとおり、Microsoftは主に「基盤モデル・計算基盤」の類型で、従たる類型として「MIソフト・材料AI」にもまたがります。 MIの流れ（データ → 予測・設計 → 実験）のうち、公開データベースの結晶構造からAIを学習し、予測・生成を出すことが中心です。 MatterGenの学習データは、Materials ProjectとAlexandriaという公開データベース（どちらもCC BY 4.0）の安定な結晶約60.8万件です 事実。 実験で確かめる部分は、PNNL（米国の国立研究所）や中国科学院の研究チームとの共同で行われています。

4. 会社の規模（会社全体は簡潔に）

Microsoftは、クラウド・ソフトウェア・ゲームなどを手がける大企業です。会社全体の規模だけを示します 事実。 材料AIの事業の売上・人員・予算は開示されていません 未確定／将来。

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

金額や人数は非公表ですが、公式資料から確認できたこと・できなかったことを4つの観点で整理します。

主要なモデル・製品の状況

6. これまでの取り組み

7. 今後の計画

これらはすべて会社の計画・目標であり、達成された事実ではありません 未確定／将来。 NVIDIAとの統合は、2025年5月の発表で「計画している」とされました。確認日（2026年10月22日）に、公式資料で統合の完了を確認することはできませんでした。

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。

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. 提供している技術・製品・サービス

Microsoftが材料向けに提供しているのは、オープンなモデル（MatterGen、MatterSim、Skala）と、商用のクラウド・プラットフォーム（Microsoft Discovery）です。 ここでは、MatterGenの仕組み、数字の条件、実験での確認と批判、そしてPNNLとの電解質探索・冷却剤の例を順に説明します。

MatterGenの流れ（図解）

論文によれば、MatterGenは拡散モデルです。ノイズから絵を作る画像AIの考え方を結晶に応用し、原子の種類・位置・結晶の大きさ（格子）を少しずつ整えながら結晶構造を作ります。 作った後に、目的の性質（例：硬さ、化学組成、空間群）を指定して微調整する仕組みも持っています 事実。

数字の読み方：何を、どの条件で測った数字か

批判と再評価（中立に併記）

これらは評価の分かれる問題であり、本稿はどちらが正しいかを決めません。確認できる事実は次のとおりです。 (1) MatterGenの論文自身が、合成物は予測した構造の「乱れた版」と書いている。 (2) 独立の査読論文（2026年）が、その合成物は既知の化合物と同一と主張している。 (3) 確認日時点で、論文の訂正や公式な反論は見つからなかった。

製品としてのマイクロソフト Discoveryと、会社が紹介した事例

公式ブログによれば、Microsoft Discoveryは、AIモデルとHPCのシミュレーションを使い、非PFASの冷却剤（データセンターの浸漬冷却用）の試作を約200時間で見つけ、デジタルでの探索後に4か月以内に合成したと紹介されています。 会社は、主要な性質のいくつかを試験して、AIの予測と合っていたと書く一方、「このプロジェクトはひとつの実験にすぎない」とも書いています 事実。 これは会社の紹介であり、独立の検証は確認できませんでした。

11. この企業が抱えるリスク

12. 用語集

13. 出典

1. Microsoft　Form 10-K for the fiscal year ended June 30, 2026（米国SEC提出、2026年7月29日）。会社全体の売上・研究開発費・設備投資・従業員数・本社・上場。材料AI・MatterGen・Microsoft Discoveryの記載がないことの確認にも使用。 https://www.sec.gov/Archives/edgar/data/789019/000119312526323660/msft-20260630.htm
2. Nature　Zeni, C. et al. “A generative model for inorganic materials design”, Nature 639, 624–632（2025年1月16日、DOI 10.1038/s41586-025-08628-5、CC BY 4.0）。MatterGenの手法・評価条件・実験（TaCr2O6）・データの公開。 https://www.nature.com/articles/s41586-025-08628-5
3. Microsoft Research　MatterGen: A new paradigm of materials design with generative AI（公式ブログ、2025年1月16日）。MatterGenの概要、学習データ、MITライセンスでの公開、SIATとの合成。 https://www.microsoft.com/en-us/research/blog/mattergen-a-new-paradigm-of-materials-design-with-generative-ai/
4. Microsoft（GitHub）　microsoft/mattergen のREADME・MODEL_CARD・data-release。チェックポイントとデータの公開、MITライセンス、再学習版の注記、評価スクリプトの注意。 https://github.com/microsoft/mattergen
5. Microsoft（Hugging Face）　microsoft/mattergen のモデルページ。チェックポイントの公開とライセンス（MIT）。 https://huggingface.co/microsoft/mattergen
6. Microsoft（GitHub）　microsoft/mattersim のREADME。事前学習済みモデル（v1.0.0-1M・5M）、MITライセンス、限界の記載、より高度な版がAzure Quantum Elementsにあるとの記載。 https://github.com/microsoft/mattersim
7. arXiv　Yang, H. et al. “MatterSim: A Deep Learning Atomistic Model Across Elements, Temperatures and Pressures”（arXiv:2405.04967、2024年5月8日）。 https://arxiv.org/abs/2405.04967
8. arXiv　Chen, C. et al. “Accelerating computational materials discovery with artificial intelligence and cloud high-performance computing”（arXiv:2401.04070、2024年1月8日。査読前の論文）。固体電解質の探索。 https://arxiv.org/abs/2401.04070
9. Microsoft Azure Quantum Blog　Unlocking a new era for scientific discovery with AI: How Microsoft’s AI screened over 32 million candidates to find a better battery（公式ブログ、2024年1月9日）。PNNLとの電解質探索、Azure Quantum Elementsの発売時期の記述。 https://azure.microsoft.com/en-us/blog/quantum/2024/01/09/unlocking-a-new-era-for-scientific-discovery-with-ai-how-microsofts-ai-screened-over-32-million-candidates-to-find-a-better-battery/
10. Pacific Northwest National Laboratory　PNNL Kicks Off Multi-Year Energy Storage, Scientific Discovery Collaboration with Microsoft（PNNLのニュースリリース）。複数年の協力、9か月以内の検証。 https://www.pnnl.gov/news-media/pnnl-kicks-multi-year-energy-storage-scientific-discovery-collaboration-microsoft
11. Microsoft Azure Blog　Transforming R&D with agentic AI: Introducing Microsoft Discovery（公式ブログ、2025年5月19日）。Microsoft Discoveryの発表、非PFAS冷却剤の試作、NVIDIA ALCHEMI・Synopsysとの統合計画。 https://azure.microsoft.com/en-us/blog/transforming-rd-with-agentic-ai-introducing-microsoft-discovery/
12. Microsoft Azure Blog　Announcing Microsoft Discovery general availability and Microsoft Discovery app preview（公式ブログ、6月2日・Microsoft Build。本文に「昨年のBuildで限定プレビュー」とあり2026年と判断）。 https://azure.microsoft.com/en-us/blog/announcing-microsoft-discovery-general-availability-and-microsoft-discovery-app-preview/
13. Microsoft Learn　What is Microsoft Discovery?（製品ドキュメント）。製品の構成、物理ラボ・ロボットとの接続が「可能」とされる点。 https://learn.microsoft.com/en-us/azure/microsoft-discovery/overview-what-is-microsoft-discovery
14. arXiv　Luise, G. et al. “Accurate and scalable exchange-correlation with deep learning”（arXiv:2506.14665、2025年6月17日初版）。深層学習型の交換相関汎関数Skala、MITライセンスでの公開の記載。 https://arxiv.org/abs/2506.14665
15. Materials Horizons（RSC）／Humboldt大学リポジトリ　Juelsholt, M. “Continued challenges in high-throughput materials predictions: MatterGen predicts compounds from the training dataset”, Materials Horizons 13, 5672–5679（2026年4月20日、DOI 10.1039/d6mh00268d）。大学リポジトリ掲載の論文ページを参照。 https://edoc.hu-berlin.de/items/2081bca4-f044-43d3-a5f5-1d7c39f9e3e7/full
16. Microsoft　公式サイト（ロゴの取得元）。 https://www.microsoft.com/

14. 主張と出典の対応表

最終更新：2026年10月22日／Troy Technical
本稿の数値は、MicrosoftがSEC（米国証券取引委員会）に提出した10-K、Microsoft Researchの公式ブログ・GitHub、Nature等の論文、公的機関の公表資料に基づきます。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。「新材料」「新規」などの主張は会社・研究グループの主張として書いており、計算上の予測と実験での確認を区別しています。株価・評価額・投資判断には触れていません。