TECHNOLOGY EXPLAINER
高スループット計算
― 多数の候補を、ワークフローで自動計算して絞り込む
「新しい材料の候補が、何万もある。全部を実験で試すことはできない」。そこで、コンピュータで、候補を片っ端から計算して、有望なものだけを実験に回す方法が生まれました。それが高スループット計算（HTS）で、Materials Project に代表されるデータベースは、この方法で作られています。この記事では、「計算を自動で大量に回す」しくみ（ワークフロー）と、候補を絞るスクリーニングの流れを、図と簡単な計算で説明します。そのうえで、計算のコスト、「有望」を何で判定するか（凸包）、計算の信頼性を、素材技術者の目線で整理します。DFT そのものの読み方は、本シリーズ「密度汎関数理論の基礎」編で扱うので、ここでは「大量に回す」ことに固有の内容に集中します。
- 3行でわかる／読む前に／シリーズの中での位置
- 高スループット計算とは
- スクリーニングの流れ
- 1件の計算を自動化するしくみ（ワークフロー）
- 計算コストの見積り
- 「有望」をどう判定するか ― 凸包
- 計算の信頼性
- データベースと、共有のしくみ
- スクリーニングの事例
- 素材技術者から見て
- 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・目標・草案・改訂中・策定中・見通しなど、確定していない事項
このほか、素材技術者向けの読み取りは「解説」として区別しています。推測は太字で示します。計算上の予測と、実験で確かめた結果は区別して書きます。
1. 3行でわかる／読む前に／シリーズの中での位置
- 高スループット計算は、「多数の候補の計算を、ワークフローで自動的に回し、結果をデータベースに貯めて、有望な候補を絞る」方法です。Materials Project は、この方法で、既知の無機材料の性質を計算して公開する計画として始まりました事実［参考資料1］。公開から10年以上たち、60万人を超える研究者が使っていると、同プロジェクトは述べています事実［参考資料2］
- 鍵は、「安い見積りで絞り、高価な計算は、残った候補にだけ使う」ことです。本稿の仮定の例（本稿の計算）では、10万件を絞り込みながら計算すると、全件に DFT を使う場合の約25分の1のコストでした本稿の計算。ただし、絞り込みで良い候補を落とす危険は、この数字に含まれていません
- 計算上「安定」でも、作れるとは限りません。計算の値も、条件で変わります。同じ構造を3つのデータベースで計算すると、生成エネルギーの差が最大 0.105 eV/原子ありました事実［参考資料3］。計算は「候補を出す」、実験は「本当にそうか確かめる」役です
本シリーズの共通のたとえでは、材料探索は「広大な地図の中から、宝のありかを探す」ことで、組合せは膨大で、すべては試せません。高スループット計算は、地図の広い範囲を、機械で自動的に調べて、宝がありそうな場所を絞る道具です。計算は「安く速く候補を出す」、実験は「本当にそうか確かめる」、AI は「探す場所を絞る」という3者の分担の中で、この記事は主に「計算」の担当を扱います。DFT 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。
「密度汎関数理論の基礎」編（DFT の読み方）、「材料データベースとFAIR原則」編（計算データの置き場所）の次に、この記事（大量に計算するしくみ）を読むと流れが分かります。AI で前段の絞り込みを速くする方法は「機械学習原子間ポテンシャル」「グラフニューラルネットワーク」編、計算の次の段階の実験を自動化する話は「高スループット実験とロボット合成」「自律実験室」編で扱います。
2. 高スループット計算とは
工場の検査ラインを思い浮かべてください。製品が次々に流れてきて、機械が同じ検査を自動で行い、合格したものだけが次の工程に進みます。高スループット計算は、「材料の候補」を、検査ラインに流すようなものです。候補1つにつき、「構造を決める → エネルギーを計算する → 性質を計算する」という同じ手順を、機械が自動でくり返します。
- 始まり：Materials Project は、材料ゲノムイニシアチブの中核のプログラムとして、高スループットの計算で、既知の無機材料の性質を明らかにするために始まりました事実［参考資料1］。同プロジェクトは2011年に正式に始まったと述べています事実［参考資料2］。
- 総説：Curtarolo らの総説は、高度な熱力学・電子構造の方法と、データマイニング、データベースの構築、スーパーコンピュータを組み合わせて、膨大なデータの蓄積を作り、探索に使う分野として、この方法を紹介しています事実［参考資料4］。
- 主な計算データベース：Materials Project、AFLOW（Curtarolo ら 2012）、OQMD（約30万件の DFT の全エネルギー計算を持つ。2015年の論文）、JARVIS-DFT（約4万の材料と約100万の計算された性質。2020年の論文）などがあります事実［参考資料5・6・7］。
工場の検査は、合否の基準（寸法など）が、はっきりしています。しかし、計算の「検査」は、DFT という近似を含む計算です。合格（安定、ギャップが適当など）と出ても、実験で確かめるまでは、仮説です。この点は、「信頼性」の章で詳しく扱います。
3. スクリーニングの流れ
高スループット計算の基本は、「安い順に、段階的に絞る」ことです。1件の DFT 計算は、安くありません（数時間から数日）。そこで、最初は、ルールや、安い見積りで、候補を大きく減らします。
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）。高スループット計算のスクリーニングの流れ。安い段階で候補を大きく減らし、高価な計算は、残った候補にだけ使う。
- 候補を作る：組成や結晶構造を、大量に用意します。既知の結晶構造の元素を置き換える方法などが使われます。
- ルールで絞る：たとえば、化合物の電荷が釣り合うか、使える元素かを調べます。Davies らは、先頭の103元素から作る4成分の化合物は10¹²通りを超えるが、原子価と電気陰性度の原理で、化学的にありえない組成を除くと、無機の4成分の空間は10¹⁰通りに減ると示しました事実［参考資料8］。
- 安い見積り：機械学習などで、さらに絞ります（Materials Project のデータなどで学習した機械学習のポテンシャルが、前段のふるいとして使えることが、Matbench Discovery で評価されています事実［参考資料9］）。
- DFT の計算：残った候補の、構造緩和とエネルギー計算を行います。
- 安定性の判定：凸包の上のエネルギーを見ます（後の章）。
- 目的の物性：バンドギャップ、イオンの動きやすさ、フォノンなどを計算します。
- 実験へ：少数の候補を合成して、確かめます。
「スループット」は、単位時間あたりに処理できる量のことです。高スループット計算は、「1つの計算を速くする」のではなく、「たくさんの計算を、止まらずに、自動で回す」ことに力点があります。ですから、計算そのものの精度より、計算を自動で回して、結果を整理して残す仕組みが主役になります（本記事による解説）。
4. 1件の計算を自動化するしくみ（ワークフロー）
数万件の計算を、人が1つずつ投入するのは不可能です。そこで、ワークフロー管理の道具が使われます。1件の計算（構造緩和 → 静的な計算 → 物性の計算）は、複数のジョブの連なりで、途中で失敗することもあります。
- FireWorks（Jain ら 2015）：スーパーコンピュータでの高スループットの計算のためのワークフローのソフトウェアで、国立のエネルギー研究科学計算センター（NERSC）で、5,000万 CPU 時間を超える計算に使われたと報告されています。同時実行（ジョブのまとめ）、失敗の検出と修正、来歴（どう作られたか）と報告、重複の自動検出、実行中のワークフローの変更に対応します事実［参考資料10］。
- atomate・pymatgen：atomate は、材料計算のワークフローを「生成・実行・解析」する高水準のインターフェースで、pymatgen は、材料の解析のための、堅牢なオープンソースの Python ライブラリです（題名による）事実［参考資料11・12］。
- AiiDA：自動化されたワークフローの管理と、データの来歴の記録のための、オープンソースの高スループットの基盤です。AiiDA 1.0 は、毎時数万のプロセスを扱え、全データの来歴を、問い合わせできるデータベースに保存します事実［参考資料13］。ワークフローのエンジンは、個人のノートパソコンから、スーパーコンピュータまで拡大でき、秒単位から週単位のジョブを、数千同時に管理できることを目指して設計されています事実［参考資料14］。
データベースの値を使うとき、一番困るのは、「その値が、どんな設定で作られたか分からない」ことです。ワークフローが、入力の構造、汎関数、U、擬ポテンシャル、ソフトの版を自動で記録していれば、あとから、同じ条件の値だけを選んで比べられます。自社で計算を回すときも、設定と版を、結果と一緒に残す仕組み（来歴）を、最初に整えてください。FAIR 原則（見つけやすく、アクセスでき、つなげられ、再利用できるデータ）の考え方と同じ方向です事実［参考資料15］。
5. 計算コストの見積り
「大量に計算する」と、コストは、どのくらいになるのでしょうか。実在の規模の目安として、FireWorks の論文は、5,000万 CPU 時間を超える計算を報告しています。1,000コアで休まず回すと、約5.7年分です本稿の計算（5,000万÷（1,000×8,760時間））。
- 次のような例で計算しました（すべて説明用の仮定）。10万件の候補を、ルール（1件0.001コア時間）で絞ると2万件、安い見積り（0.1コア時間）で2,000件、DFT（100コア時間）で200件、詳しい物性（1,000コア時間）で20件が実験に回ります本稿の計算。
- 合計は、約40.2万コア時間です。全10万件に DFT を使う場合（1,000万コア時間）の約25分の1です。1,000コアなら、約17日と約417日の差です本稿の計算。
- この計算に含まれていないこと：絞り込みで、本当に良い候補を落とす危険（見逃し）、計算の失敗とやり直しのコスト、人の時間です。
前段の絞り込みは、DFT の「代わり」ではなく、DFT を使う数を減らすものです。Bartel らは、生成エネルギーを機械学習でうまく予測できても、「安定かどうか」の判定は、組成だけを使うモデルでは悪いこと、化学的に疎な空間では、構造を使うモデルだけが、安定な材料を効率よく見つけたことを報告しています事実［参考資料16］。Matbench Discovery の著者らも、回帰の精度と、判定の指標のずれを指摘し、普遍的な原子間ポテンシャルは、前段のふるいとして有効になった、と述べています事実［参考資料9］。最後の判定は、DFT（さらに実験）で行うのが基本です。
6. 「有望」をどう判定するか ― 凸包
スクリーニングで、最初に使われる基準が安定性です。「作れそうか」の第一の目安として、計算では、凸包（コンベックスハル）を使います。
- 凸包：ある元素の組合せ（たとえば A と B）で、「どの組成で、どの化合物が、最も安定か」を、生成エネルギーから決めた、下側の線です。凸包の上にある化合物は、熱力学的に安定と予測されます。
- 凸包の上のエネルギー：凸包から、どれだけ上にあるかです。Materials Project の用語集は、これが、温度の軸を持たない、0 K の予測であること、凸包の上にある材料は安定、離れている材料は準安定または不安定と予測されること、200 meV/原子を超える値は非常に大きく、合成できない可能性を示すが、この上限は化学によって大きく違うことを説明しています事実［参考資料17］。
- 準安定でも作れることがある：Sun らは、Materials Project の29,902の既知の結晶相について、準安定の熱力学的な範囲を調べ、低エネルギーの準安定な化合物でも、すべてが合成できるとは限らないこと、観測される準安定相は、かつて最も安定だった条件の「名残」であることが多いと論じました事実［参考資料18］。
実際の相図は、温度と圧力で変わります。凸包は、0 K で、DFT の全エネルギーだけから作った図です。エントロピー（高温で効く）、振動、欠陥、表面の効果は含みません。ですから、凸包の上の値が小さくても、高温や、合成条件によって、実際の相は変わります（本記事による解説）。
7. 計算の信頼性
絞り込みの結果を信じてよいのは、計算の誤差が、判断の幅より小さいときだけです。公表された誤差を、同じ物差し（meV/原子）に置いてみます。
- DFT と実験の差：OQMD の検証では、1,670件の実験の生成エネルギーとの平均絶対誤差が 0.096 eV/原子、実験どうしの食い違いも 0.082 eV/原子でした事実［参考資料5］。
- データベース間の差：Hegde らは、AFLOW、Materials Project、OQMD の間で、生成エネルギーの差が最大 0.105 eV/原子（中央値で約6％）、バンドギャップが最大 0.21 eV（約9％）、金属かの判定が最大7％、磁性の判定が最大15％で食い違うことを示しました。差の大きさは、DFT と実験の差と同程度で、原因は、擬ポテンシャル、DFT+U、元素の基準状態の選び方でした事実［参考資料3］。
- 異なる汎関数の混在：Materials Project は、PBE（GGA）、DFT+U、r²SCAN の計算を、エネルギーの補正で混ぜて、1つの相図に載せます事実［参考資料19］。Kingsbury らは、「高い精度の、少ない件数の計算」を「低い精度の、多くの件数の計算」と、頑健に組み合わせる方法を示しました事実［参考資料20］。
- コード間の一致：Lejaeghere らは、新しいコードと擬ポテンシャルが、71の単体結晶で、よく一致することを示しました事実［参考資料21］。
計算の誤差が約0.1 eV/原子（100 meV/原子）あるなら、凸包の上のエネルギーが、数十 meV/原子の違いで、「安定」「不安定」を決めるのは危険です。「凸包のごく近く」の候補は、①別の汎関数（r²SCAN など）で、同じ判定になるか、②複数のデータベースで同じか、③実験で、その相ができているかを確かめます。判定の閾値は、「安定／不安定」の線でなく、「実験で確かめる優先度」の目安として使うのが現実的です（本記事による解説）。
8. データベースと、共有のしくみ
計算結果は、データベースに貯めて、共有します。主なものを、確認できた範囲で整理します。
| データベース・基盤 | 確認できた規模・特徴 | 読み方の注意 |
|---|---|---|
| Materials Project | 2011年に正式に開始。60万人を超える研究者が利用（2025年の総説）。最新の版 v2026.09.28（2026年10月19日公開）事実［参考資料2・22］ | 通常は PBE（GGA）。r²SCAN の再計算が進行中。版で値が変わる |
| OQMD | 約30万件の DFT の全エネルギー計算（2015年の論文）。データは制限なく公開（論文の記載）事実［参考資料5］ | 規模は論文の時点。現在の件数は確認していない |
| JARVIS-DFT | 約4万の材料、約100万の計算された性質（2020年の論文）。計算データを、実験や高精度の計算と比べて、誤差を評価事実［参考資料6］ | 規模は論文の時点 |
| AFLOW | 高スループットの材料探索のための自動化の枠組み（Curtarolo ら 2012）事実［参考資料7］ | 現在の規模は確認していない |
| GNoME のデータ | 約381,000の、更新した凸包上の結晶（計算上）。Materials Project に、r²SCAN で計算した GNoME 由来の材料74,052件が追加され、計11.7万件（2026年4月版の記載）事実［参考資料23・22］ | 計算上の予測。合成可能性は別の問題 |
表の整理は本稿の計算（整理）。各データベースのライセンス・利用条件は、公式ページで確認してください（本稿では、一部の論文の記載を除き、確認していません）。確認日 2026年10月23日。
データベースごとに、問い合わせの方法が違うと、横断して探すのが大変です。OPTIMADEコンソーシアムは、材料データベースを、相互に使えるようにする共通の API を設計し、その仕様 v1.0 は、主要なデータベースと、複数のソフトウェアが対応していると報告しています事実［参考資料24］。ただし、共通の入口は、データを「探しやすく」するもので、データベースごとの計算条件の違いをなくすものではありません。
9. スクリーニングの事例
計算で絞り、実験で確かめた例と、計算上の予測の例を、区別して並べます。どれも、研究グループの報告（主張）です。
| 研究 | 対象と手法 | 報告された内容 | 読む時の注意 |
|---|---|---|---|
| Greeley ら（2006） | 水素発生反応の電極触媒。DFT の高スループットのスクリーニング | 700を超える二元の表面合金の活性を計算し、各合金の電気化学環境での安定性も見積もった。BiPt が Pt と同等以上の活性と予測され、合成して試験すると、Pt より水素発生性能が高く、計算と一致した事実［参考資料25］ | 計算で絞り、実験で確かめた例。確かめたのは、絞った中の1つの合金 |
| Hautier ら（2010） | 三元酸化物の、未知の化合物。実験の結晶構造のデータで作った確率モデルと、DFT | 確率モデルで、化合物になりやすい組成と構造を選び、DFT で安定性を確かめて、限られた計算量で209の新しい化合物を見つけた事実［参考資料26］ | 計算上の予測（論文の表現は「発見」）。合成した結果ではない |
| Davies ら（2016） | 全化学量論の無機材料。原子価と電気陰性度のルール | 4成分で10¹²を超える組合せを、10¹⁰に減らし、ペロブスカイトなどの探索に使った。簡単な方法なので、大規模な探索が、1台のワークステーションで可能とした事実［参考資料8］ | 組成だけを使う、粗いふるい |
| Merchant ら（2023） | GNN と DFT の能動学習（GNoME） | 約220万の構造が、以前のデータに対して安定と計算され、約381,000が更新した凸包の上。736件が、既存の実験報告と一致事実［参考資料23］ | 計算上の予測と、既存の実験報告との一致。詳しくは「グラフニューラルネットワーク」編 |
各行の数字は、それぞれの論文の条件での値です。表の整理は本稿の計算（整理）。確認日 2026年10月23日。
10. 素材技術者から見て
高スループット計算に何を出すかは、技術者が決めます。①合格の条件を、数字にする（たとえば、凸包の上 50 meV/原子以下、ギャップ 1.5〜2.5 eV、毒性元素を含まない）、②譲れない制約を先に入れる（資源・コスト・毒性・入手しやすさ）、③物性の優先順位を決める（複数の物性の重み）、④計算に向かない条件（組織・プロセスに依存する性能）は、実験側の判断に回す、という順で整理します。計算の「合格」の線は、計算の誤差（約0.1 eV/原子）を踏まえた、ゆるめの線にして、候補の取りこぼしを減らします（本記事による解説）。
計算で上位に出た候補だけを実験すると、「計算が当たったか」が分かりません。①上位の候補に加えて、②計算で下位だった候補と、既知の材料（対照）を、同じ条件で合成・測定します。③目的の相ができたか（粉末X線回折などで、既知の化合物や固溶体と区別）、④再現するか（別のロット）、⑤不純物・乱れの影響を、順に確かめます。結果は、「計算の予測」と「実測」の対応表として残すと、次のスクリーニングの閾値を決める材料になります（本記事による解説）。
11. 限界と、確認できなかったこと／まとめ
(1) 確認できなかったこと
- OQMD・AFLOW・JARVIS-DFT の現在の規模と、ライセンスは、確認していません（規模は論文の時点）。
- Hautier らの209の化合物のその後の合成結果は、確認していません。
- Davies らの絞り込みで実際に見つかった候補の、実験での確認は、確認していません。
- 本稿のコストの見積りは、仮定にもとづく例で、実在の研究のコストや、見逃しの割合は含みません。
- 高スループット計算に特化した国際標準（ISO/IEC など）は確認できませんでした。
- 高スループット計算は、ワークフローで、計算を自動で大量に回し、結果をデータベースに残して、有望な候補を絞る方法です。ワークフローの道具は、失敗の検出と再投入、来歴の記録を担います事実
- 鍵は、安い順に絞ることです。本稿の例では、全件に DFT を使う場合の約25分の1のコストでした。見逃しの危険は含みません本稿の計算
- 安定性は、凸包の上のエネルギーで見ます。これは0 K の予測で、準安定でも作れることがあり、安定でも作れないことがあります事実
- 計算の誤差（約0.1 eV/原子）は、判断の幅に近いことがあります。データベースの間でも、ギャップや磁性は食い違います事実
- 計算は候補を出し、実験が確かめます。上位だけでなく対照も測り、計算と実測の対応を残します事実
12. 評価・標準の読み方
高スループット計算の「ものさし」は、まず絞り込みの成績（ヒット率：予測した候補のうち、実際に安定だった割合）です。次に、計算の信頼性（誤差、データベース間の一致）、再現と共有（設定と来歴が残っているか、データが探しやすいか）です。ヒット率が高くても、それは「計算上の安定」のヒット率で、実験の成功率ではありません。確認日は2026年10月23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・NIST など） | 読み方の注意 |
|---|---|---|---|
| 絞り込みの成績（ヒット率） | GNoME：能動学習の6ラウンドで、安定な構造を当てる割合が、構造モデルで6％未満から80％超へ、組成モデルで3％未満から33％へ（Merchant ら）［参考資料23］事実 Matbench Discovery：機械学習のエネルギーモデルを、前段のふるいとして評価（Riebesell ら 2025）［参考資料9］事実 | 確認できなかった（高スループットのスクリーニングの評価を定める国際標準は確認していない） | 「安定」は DFT（PBE）・0 K の判定。実験の成功率ではない |
| 安定性の判定 | 凸包の上のエネルギー（Materials Project の用語集）［参考資料17］事実。生成エネルギーの精度と、安定性判定の精度は別（Bartel ら 2020）［参考資料16］事実 | 確認できなかった | 閾値は化学で違う。誤差（約0.1 eV/原子）を考える |
| 計算の信頼性 | データベース間の比較（Hegde ら 2023）［参考資料3］。OQMD の実験との比較（Kirklin ら）［参考資料5］。コード間の一致（Lejaeghere ら 2016）［参考資料21］事実 | 確認できなかった | ギャップ・磁性は食い違いやすい |
| 再現・共有 | FAIR 原則（Wilkinson ら 2016）［参考資料15］。ワークフローの来歴の記録（AiiDA）［参考資料13］。データベースの共通 API（OPTIMADE v1.0）［参考資料24］事実 | FAIR 原則は推奨される原則（法的な拘束力はない）。OPTIMADE はコンソーシアムの仕様で、国際標準（ISO など）としては確認していない | 探しやすさと、値を同じ条件に直すことは別 |
表の整理は本稿の計算（整理）。論文・公式ページで確認（確認日 2026年10月23日）。高スループット計算に特化した国際標準は確認できなかったため、標準の欄は「確認できなかった」としています。
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：ヒット率は、その研究のデータ・基準・計算条件での値です。自社の材料系で、同じ成績になるとは限りません［参考資料23］
- 予測と実験の確認を区別してください：「安定な結晶が○○万個見つかった」は、計算上の予測の件数です。実験で確かめた数は、別に確認します［参考資料23］
- 原則・仕様は、推奨や合意です：FAIR 原則や OPTIMADE は、法的な拘束力を持つ標準ではありません。法令や契約で引用されて初めて拘束力を持つのが一般的です（本記事による解説）［参考資料15・24］
13. 用語集
- 高スループット計算（HTS）
- 多数の候補の計算を、自動で大量に回して、有望なものを絞る方法。
- スループット
- 単位時間あたりに処理できる量。
- ワークフロー
- 計算ジョブの連なり（緩和→静的→物性）と、その自動の管理。
- ワークフロー管理ソフト
- ジョブの投入・監視・再投入・記録を自動でするソフト（FireWorks、AiiDA など）。
- 来歴（プロベナンス）
- 結果が、どんな入力・設定・ソフトの版で作られたかの記録。
- スクリーニング
- 候補を、段階的に絞り込むこと。
- CPU 時間／コア時間
- 計算に使った、コア（計算の単位）の数×時間。
- 構造緩和
- 原子の位置とセルを、エネルギーが最小になるように最適化する計算。
- 生成エネルギー
- 元素の単体から化合物ができるときのエネルギー変化。
- 凸包（ハル）
- ある元素の組合せで、最も安定な化合物を結んだ下側の線。
- 凸包の上のエネルギー
- 凸包からの高さ。0 に近いほど、安定と計算された。0 K の値。
- 準安定
- 最も安定ではないが、長い時間、保たれうる状態。
- ヒット率
- 予測した候補のうち、検証で実際に条件を満たした割合。
- 能動学習
- 次に計算する候補を、モデルが選びながら学ぶやり方。
- 擬ポテンシャル
- 内殻の電子を、計算しやすい形に置きかえる近似。
- DFT+U
- d・f 電子に、Hubbard の U を足して、誤差を補う方法。
- r²SCAN
- meta-GGA の汎関数。PBE より高い精度を目指す。
- OPTIMADE
- 材料データベースの共通の API の仕様。
- API
- ソフトどうしが、決まった書き方でやり取りする窓口。
- FAIR 原則
- データを、見つけやすく、アクセスでき、つなげられ、再利用できるようにする指針。
- 材料ゲノムイニシアチブ（MGI）
- 材料の開発を速めるための、米国の取り組み。Materials Project はその中核のプログラム。
14. 参考資料（一次情報）
- 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
- Horton M. K. ほか "Accelerated data-driven materials science with the Materials Project", Nat. Mater. 24, 1522–1532 (2025), DOI 10.1038/s41563-025-02272-0 — doi.org/10.1038/s41563-025-02272-0
- Hegde V. I. ほか "Quantifying uncertainty in high-throughput density functional theory: a comparison of AFLOW, Materials Project, and OQMD", Phys. Rev. Mater. 7, 053805 (2023), DOI 10.1103/PhysRevMaterials.7.053805 — doi.org/10.1103/PhysRevMaterials.7.053805
- Curtarolo S. ほか "The high-throughput highway to computational materials design", Nat. Mater. 12, 191–201 (2013), DOI 10.1038/nmat3568 — doi.org/10.1038/nmat3568
- Kirklin S. ほか "The Open Quantum Materials Database (OQMD): assessing the accuracy of DFT formation energies", npj Comput. Mater. 1, 15010 (2015), DOI 10.1038/npjcompumats.2015.10 — doi.org/10.1038/npjcompumats.2015.10
- Choudhary K. ほか "The joint automated repository for various integrated simulations (JARVIS) for data-driven materials design", npj Comput. Mater. 6, 173 (2020), DOI 10.1038/s41524-020-00440-1 — doi.org/10.1038/s41524-020-00440-1
- Curtarolo S. ほか "AFLOW: an automatic framework for high-throughput materials discovery", Comput. Mater. Sci. 58, 218–226 (2012), DOI 10.1016/j.commatsci.2012.02.005 — doi.org/10.1016/j.commatsci.2012.02.005
- Davies D. W. ほか "Computational screening of all stoichiometric inorganic materials", Chem 1, 617–627 (2016), DOI 10.1016/j.chempr.2016.09.010 — doi.org/10.1016/j.chempr.2016.09.010
- 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 — doi.org/10.1038/s42256-025-01055-1
- Jain A. ほか "FireWorks: a dynamic workflow system designed for high-throughput applications", Concurr. Comput.: Pract. Exp. 27, 5037–5059 (2015), DOI 10.1002/cpe.3505 — doi.org/10.1002/cpe.3505
- Mathew K. ほか "Atomate: a high-level interface to generate, execute, and analyze computational materials science workflows", Comput. Mater. Sci. 139, 140–152 (2017), DOI 10.1016/j.commatsci.2017.07.030 — doi.org/10.1016/j.commatsci.2017.07.030
- Ong S. P. ほか "Python Materials Genomics (pymatgen): a robust, open-source python library for materials analysis", Comput. Mater. Sci. 68, 314–319 (2013), DOI 10.1016/j.commatsci.2012.10.028 — doi.org/10.1016/j.commatsci.2012.10.028
- Huber S. P. ほか "AiiDA 1.0, a scalable computational infrastructure for automated reproducible workflows and data provenance", Sci. Data 7, 300 (2020), DOI 10.1038/s41597-020-00638-4 — doi.org/10.1038/s41597-020-00638-4
- Uhrin M. ほか "Workflows in AiiDA: engineering a high-throughput, event-based engine for robust and modular computational workflows", Comput. Mater. Sci. 187, 110086 (2021), DOI 10.1016/j.commatsci.2020.110086 — doi.org/10.1016/j.commatsci.2020.110086
- 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
- Bartel C. J. ほか "A critical examination of compound stability predictions from machine-learned formation energies", npj Comput. Mater. 6, 97 (2020), DOI 10.1038/s41524-020-00362-y — doi.org/10.1038/s41524-020-00362-y
- Materials Project "Documentation: Glossary of terms (energy above hull)", (Materials Project documentation) — docs.materialsproject.org/frequently-asked-questions/glossary-of-terms
- Sun W. ほか "The thermodynamic scale of inorganic crystalline metastability", Sci. Adv. 2, e1600225 (2016), DOI 10.1126/sciadv.1600225 — doi.org/10.1126/sciadv.1600225
- Materials Project "Documentation: GGA/GGA+U/r2SCAN mixing (energy corrections)", (Materials Project documentation) — docs.materialsproject.org/methodology/materials-methodology/thermodynamic-stability/thermodynamic-stability/gga-gga+u-r2scan-mixing
- Kingsbury R. S. ほか "A flexible and scalable scheme for mixing computed formation energies from different levels of theory", npj Comput. Mater. 8, 195 (2022), DOI 10.1038/s41524-022-00881-w — doi.org/10.1038/s41524-022-00881-w
- Lejaeghere K. ほか "Reproducibility in density functional theory calculations of solids", Science 351, aad3000 (2016), DOI 10.1126/science.aad3000 — doi.org/10.1126/science.aad3000
- Materials Project "Documentation: Database versions (v2026.09.28 and v2026.04.13 entries; page read on 23 October 2026)", (Materials Project documentation) — docs.materialsproject.org/changes/database-versions
- Merchant A. ほか "Scaling deep learning for materials discovery", Nature 624, 80–85 (2023), DOI 10.1038/s41586-023-06735-9 — doi.org/10.1038/s41586-023-06735-9
- Andersen C. W. ほか "OPTIMADE, an API for exchanging materials data", Sci. Data 8, 217 (2021), DOI 10.1038/s41597-021-00974-z — doi.org/10.1038/s41597-021-00974-z
- Greeley J. ほか "Computational high-throughput screening of electrocatalytic materials for hydrogen evolution", Nat. Mater. 5, 909–913 (2006), DOI 10.1038/nmat1752 — doi.org/10.1038/nmat1752
- Hautier G. ほか "Finding nature's missing ternary oxide compounds using machine learning and density functional theory", Chem. Mater. 22, 3762–3767 (2010), DOI 10.1021/cm100795d — doi.org/10.1021/cm100795d
15. 主張と出典の対応表（監査）
| 本文の主張 | 根拠 | 区分 |
|---|---|---|
| Materials Project が材料ゲノムイニシアチブの中核のプログラムとして、高スループットの計算で既知の無機材料の性質を明らかにするために始まったこと。2011年に正式に開始、60万人を超える研究者が利用（2025年の総説）。高スループット計算の総説（Curtarolo ら） | 出典1 https://doi.org/10.1063/1.4812323 出典2 https://doi.org/10.1038/s41563-025-02272-0 出典4 https://doi.org/10.1038/nmat3568 | 事実 |
| OQMD：約30万件の DFT 全エネルギー計算、データの制限なき公開（論文の記載）、1,670件の実験の生成エネルギーとの MAE 0.096 eV/原子、実験どうしの食い違い 0.082 eV/原子。JARVIS-DFT：約4万の材料・約100万の計算された性質（2020年）。AFLOW の枠組み | 出典5 https://doi.org/10.1038/npjcompumats.2015.10 出典6 https://doi.org/10.1038/s41524-020-00440-1 出典7 https://doi.org/10.1016/j.commatsci.2012.02.005 | 事実 |
| Davies ら：先頭の103元素から作る4成分の化合物は10¹²通りを超え、原子価・電気陰性度で10¹⁰通りに減る、簡単な方法で大規模な探索が1台のワークステーションで可能。Matbench Discovery：機械学習のエネルギーモデルを前段のふるいとして評価、回帰と判定の指標のずれ、普遍的な原子間ポテンシャルが前段のふるいとして有効。Bartel ら：生成エネルギーの予測精度と安定性判定の違い | 出典8 https://doi.org/10.1016/j.chempr.2016.09.010 出典9 https://doi.org/10.1038/s42256-025-01055-1 出典16 https://doi.org/10.1038/s41524-020-00362-y | 事実 |
| FireWorks：5,000万 CPU 時間を超える計算、同時実行・失敗の検出と修正・来歴と報告・重複の検出・動的なワークフロー。atomate と pymatgen の題名。AiiDA 1.0：毎時数万のプロセス、全来歴の保存、エラー処理。AiiDA のワークフローエンジン：ノートパソコンからスーパーコンピュータまで、秒から週のジョブ、数千の同時ジョブ。FAIR 原則 | 出典10 https://doi.org/10.1002/cpe.3505 出典11 https://doi.org/10.1016/j.commatsci.2017.07.030 出典12 https://doi.org/10.1016/j.commatsci.2012.10.028 出典13 https://doi.org/10.1038/s41597-020-00638-4 出典14 https://doi.org/10.1016/j.commatsci.2020.110086 出典15 https://doi.org/10.1038/sdata.2016.18 | 事実 |
| 凸包の上のエネルギー（0 K の予測、安定／準安定／不安定、200 meV/原子超は非常に大きいが化学で異なる）。Sun ら：29,902の既知の結晶相の準安定性の熱力学的な範囲、低エネルギーの準安定化合物がすべて合成できるとは限らない、準安定相は名残であることが多い | 出典17 https://docs.materialsproject.org/frequently-asked-questions/glossary-of-terms 出典18 https://doi.org/10.1126/sciadv.1600225 | 事実 |
| Hegde ら：AFLOW・MP・OQMD の比較（生成エネルギー最大 0.105 eV/原子・中央値6％、バンドギャップ最大 0.21 eV・9％、金属判定の食い違い最大7％、磁性の食い違い最大15％、原因は擬ポテンシャル・DFT+U・基準状態）。異なる汎関数の混合（Materials Project の補正、Kingsbury ら）。コード間の一致（Lejaeghere ら） | 出典3 https://doi.org/10.1103/PhysRevMaterials.7.053805 出典19 https://docs.materialsproject.org/methodology/materials-methodology/thermodynamic-stability/thermodynamic-stability/gga-gga+u-r2scan-mixing 出典20 https://doi.org/10.1038/s41524-022-00881-w 出典21 https://doi.org/10.1126/science.aad3000 | 事実 |
| Materials Project のデータベース版 v2026.09.28（2026年10月19日公開）、GNoME 由来の材料74,052件を r²SCAN で追加し計11.7万件（2026年4月版）。OPTIMADE（共通 API、仕様 v1.0） | 出典22 https://docs.materialsproject.org/changes/database-versions 出典24 https://doi.org/10.1038/s41597-021-00974-z | 事実 |
| Greeley ら：700を超える二元の表面合金の活性を計算、電気化学環境での安定性も見積もり、BiPt が Pt と同等以上と予測、合成・試験で Pt より水素発生性能が高く計算と一致。Hautier ら：確率モデルと DFT、限られた計算量で209の新しい化合物（計算上の予測）。GNoME：約220万、約381,000、736件、ヒット率（構造 6％未満→80％超、組成 3％未満→33％） | 出典25 https://doi.org/10.1038/nmat1752 出典26 https://doi.org/10.1021/cm100795d 出典23 https://doi.org/10.1038/s41586-023-06735-9 | 事実 |
| 絞り込みのコストの見積り（10万件→2万→2,000→200→20、1件のコスト 0.001／0.1／100／1,000 コア時間、合計 402,100 コア時間、全件 DFT は 10,000,000 コア時間で約25倍、1,000コアで約17日と約417日、5,000万コア時間は1,000コアで約5.7年）。凸包の例示の数値 | 本稿の計算（仮定は本文に明記。実在の研究の値ではない） | 本稿の計算 |
| OQMD・AFLOW・JARVIS-DFT の現在の規模とライセンス、Hautier らの化合物のその後の合成結果、Davies らの候補の実験での確認、見逃しの割合を含むコストの見積り、高スループット計算に特化した国際標準 | 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ため記載していない（解説） | 解説 |
| 「検査ラインのたとえ」「安い順に絞る」「ハイスループットの意味」「来歴は計算値を読む記録」「凸包の簡易版としての注意」「凸包の上 数十 meV は決め手にならない」「自社の問いをスクリーニング条件に直す」「実験で確かめる設計」の読み取り | 公表内容にもとづく本記事の整理・解説。各研究グループが表明した見解ではない | 解説 |
| 図の種類の注記：図4・図6が本稿の計算を含む作図、図2・図3・図5・図7が概念図（ベクター作図）、図1・図8がImageGen生成の概念画像であること | 本記事による注記（解説） | 解説 |
最終更新：2026年10月23日／出典は一次情報（査読論文、arXiv の論文、Materials Project の公式文書、ISO・NIST の公式ページ）に限定しています。コストの見積り（件数・通過の割合・1件のコストの例、約25分の1、5.7年）は本稿の計算で、実在の研究の値ではありません。凸包の図の数値は、考え方を見せるための例示です。OQMD・AFLOW・JARVIS-DFT の現在の規模とライセンス、Hautier らの化合物のその後の合成結果、Davies らの候補の実験での確認、見逃しの割合を含むコストの見積り、高スループット計算に特化した国際標準については、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、図の枠（AI生成イメージ）は、後で画像を入れるための場所です。