TECHNOLOGY EXPLAINER
高分子インフォマティクス
― 鎖の「分布」と構造の書き方、データベース、逆設計を、素材技術者の目で読む
高分子は、金属や低分子と違って、1つの名前が1つの構造に対応しません。同じ「ポリエチレン」でも、鎖の長さの分布、枝分かれ、作り方で、中身が違います。このため、データの集め方も、構造の書き方も、AIの学ばせ方も、低分子とは別の工夫が要ります。 この記事では、NIMSの PoLyInfo などのデータベース、構造の記述（BigSMILES など）、予測モデル、そして逆設計で実際に合成して測った例を、一次情報で確かめます。ポリマーの基礎（分子量分布、結晶性など）は本シリーズ「ポリマーの基礎」編に任せ、ここではデータとAIの側から高分子を見ます。
- 3行でわかる／読む前に／シリーズの中での位置
- 高分子のデータは、低分子と何が違うのか
- 構造をどう書くか ― 繰り返し単位から、鎖の集団、試料まで
- データベース ― PoLyInfo ほか
- データの偏りと、分子量の影響 ― 本稿の計算
- 予測モデルの進展 ― 指紋、多目的学習、言語モデル、グラフ
- 逆設計の実例 ― 計算で候補を出し、合成して測る
- 予測と実験を区別する ― 確かめのはしご
- 素材技術者の視点
- 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・進行中・提案段階などで、確定していない事項
このほか、材料研究への読み取りは「解説」として区別しています。推測は太字で示します。企業・研究グループの主張は「主張」として扱います。
第2章・第5章の計算は、理論式や説明用の仮定による本稿の計算です。実在のポリマーの測定値ではありません。論文の数字は条件とともに紹介するもので、研究グループやモデルの優劣を決めるものではありません。 PoLyInfo の件数は、公式サイトの2026年9月30日時点の公開データです。この分野は変化が速く、データ量やモデルは更新されます。確認日は 2026年10月23日です。ISO規格は題名・適用範囲の確認にとどめ、本文は確認していません。
1. 3行でわかる／読む前に／シリーズの中での位置
- 高分子は、1つの名前に1つの構造が対応しません：鎖の長さには分布があり、並び方、分岐、末端、作り方も効きます。BigSMILES の論文は、高分子が「本質的に確率的な分子」だと述べています事実［参考資料2］
- データは偏っています：PoLyInfo のホモポリマー14,423件（2019年時点）のうち、ガラス転移温度のデータがあるのは約41%、融点は約22%、熱伝導率は28件（約0.19%）でした事実／本稿の計算［参考資料5］
- 逆設計は、合成して測るところまで行われています：熱伝導率の高いポリアミドの設計では、数千の候補から3つを合成し、0.18〜0.41 W/mK を実測しました。ただし、予測は学習データ28件にもとづく目安でした事実［参考資料5］
高分子の基礎（重合、分子量、ガラス転移など）が分かれば十分です。MIの知識は要りません。次の3点だけ、先に頭に置いてください。
- 材料探索＝「広大な地図の中から、宝のありかを探す」：高分子は、モノマーの選び方・組合せ・並び方・分子量で、候補が膨大です。MIは探す場所を絞る道具です
- 機械学習＝「過去のデータから傾向を学ぶ近似器」：学習した範囲の外（外挿）は苦手です。物理法則を理解しているわけではありません
- 順問題と逆問題：順問題は「構造から物性を予測する」、逆問題は「望む物性から構造を提案する」。高分子では、どちらも、データの少なさと構造の書き方が壁になります
この記事は、本シリーズ「マテリアルインフォマティクス（MI）」の応用編の1つです。重合、分子量・分子量分布（Mn・Mw・Đ）、結晶性、架橋は「ポリマーの基礎」編、記述子とデータの扱いは「材料データと記述子」編、データベースとFAIR原則は「材料データベースとFAIR原則」編、グラフニューラルネットワークは「グラフニューラルネットワーク」編、生成AIは「生成AIによる材料設計」編で扱います。この記事は単独でも読めるよう、必要な前提を本文で説明します。
2. 高分子のデータは、低分子と何が違うのか
(1) 難しさ①：1つの試料が、長さの違う鎖の集まり
エタノールの試料には、同じ構造の分子だけが入っています。だから「エタノール」という名前が、1つの構造と、1つの分子量を決めます。ところが、高分子の試料は、長さの違う鎖の集まり（分布）です。同じ試料でも、数平均分子量（Mn）と重量平均分子量（Mw）は違う値になり、その比（分散度 Đ）が分布の広さを表します（くわしくは「ポリマーの基礎」編。IUPACは、Mw/Mn に「分散度（dispersity）」という語を勧告［参考資料16］）。
図2は、逐次重合の最確分布（Floryが1936年に導いた式［参考資料22］）の例です。反応度が0.98なら、平均の鎖の長さ（数平均）は50ですが、重量平均は99で、長さが1桁違う鎖が混ざっています。本稿の計算。ここで重要なのは、データの記録の仕方です。「分子量 50,000」とだけ書かれていても、それが Mn なのか Mw なのか、どう測ったのか（SEC なら何を基準にして校正したのか）で、意味が変わります。
Mn は鎖の「本数」で、Mw は鎖の「質量」で平均します。長い鎖は、本数は少なくても質量が大きいので、Mw は長い鎖に引っ張られます。そのため、同じ試料で Mw は Mn より大きくなります（Đ ≧ 1）。物性の中には、短い鎖に敏感なもの（可塑化など）と、長い鎖に敏感なもの（溶融粘度、強度など）があります。どの平均が、どの物性に効くかが違うので、データには平均の種類が必要です（本記事による解説）。
(2) 難しさ②：同じ組成でも、並び方が違う
2種類のモノマーAとBから作る共重合体を考えます。AとBが1対1の組成でも、並び方は、交互、ランダム、ブロックなどがあります（図3）。
並び方は、長さ20の鎖で約105万通り、長さ50で約1.1×10¹⁵通りです（本稿の計算。理想化した数）。実際に合成で得られる並び方は、モノマーの反応性などで制限されます。それでも、「AとBが1対1」という組成の情報だけでは、構造は決まりません。さらに、分岐、末端、立体規則性（置換基の向きの並び）も、性質に効きます。
(3) 難しさ③：物性は、「作り方」にも依存する
同じ構造の高分子でも、物性は、分子量、結晶化度、成形条件、熱履歴、水分、添加物で変わります。Wu らの論文は、PoLyInfo の熱伝導率のデータが、同じ高分子でも値が大きくばらついたと述べ、その原因として、加工の違い、高次構造の違い、測定条件の違いの可能性を挙げています事実［参考資料5］。熱伝導率は、フィルムの成形や繊維の紡糸で分子が配向すると大きく変わることも、同じ論文が指摘し、そうした変動の多くは、データベースに記録されていない、と述べています［参考資料5］。
誤解：繰り返し単位の構造式が同じなら、どの試料でも同じ物性になる。
正しくは：繰り返し単位は、物性を決める要素の1つにすぎません。分子量（図6）、分布、並び方、結晶化度、成形・熱履歴が、同じ繰り返し単位でも物性を変えます。多くのデータベースやAIモデルは、繰り返し単位だけを入力にするため、これらの違いは、モデルには「ばらつき」として見えます（本記事による解説。著者らの説明は参考資料5・14）。
3. 構造をどう書くか ― 繰り返し単位から、鎖の集団、試料まで
AIに高分子を入力するには、構造を数字や文字列にしなければなりません。高分子では、書く対象が4つの階層に分かれます（図4）。
- 繰り返し単位の表現（②）：低分子用のSMILES（構造を文字列で書く方式）を、繰り返し単位に拡張した形が、多くのプラットフォームで使われます。Polymer Genome は、高分子の繰り返し単位をSMILESで入力して、物性を予測するウェブの platform です。公式サイトは「これはデータベースではなく、あらかじめ作った機械学習モデルで物性を予測する informatics platform だ」と明記しています事実［参考資料3・20］。
- 鎖の集団の表現（③）：BigSMILES は、SMILESを拡張して、「確率的な」部分を表す「stochastic object」を導入しました。1つの文字列が、構造の分布をもつ分子の集団を指す、という考え方です。論文は、ガラス転移温度の標準的なデータセット（Bicerano、2002）を、BigSMILES に変換した試験を報告しています事実［参考資料2］。Aldeghi と Coley は、高分子を「分子の集団」として扱うグラフ表現と、それに合うグラフニューラルネットワークを提案し、鎖の構造、モノマーの比率、重合度の違いを捉えられ、市販の化学情報学の手法より精度が高いと報告しています。この研究のために、4万超の高分子の電子親和力とイオン化ポテンシャルの計算値のデータセットが作られました事実［参考資料4］。
- 試料の表現（④）：CRIPT（Community Resource for Innovation in Polymer Technology）は、高分子の構造を定義する複雑さと、物性の測定のこまごまとした点に対応するためのデータモデルとして提案されました事実［参考資料7］。
- 平均の種類と測り方を書く：分子量は、Mn・Mw・Mzのどれか、測定法（SEC、光散乱など）、校正の基準を記録します。SECは、校正曲線をポリマー標準品で作る方法と、光散乱で絶対分子量を求める方法があります（ISO 16014-1:2019［参考資料17］は、この2通りを規定している）。
- 鎖の構造を書く：共重合体なら、組成だけでなく、連鎖（交互・ランダム・ブロック）、重合法、末端、分岐の有無、立体規則性を記録します
- 試料の履歴を書く：成形法、成形温度、冷却速度、アニール、水分、添加物、試験片の形。ガラス転移温度は、DSC（示差走査熱量測定）の測り方（昇温速度、2回目の昇温かなど）で値が変わります。ISO 11357-2:2020［参考資料18］は、その測定を規定する国際規格です
- 同じ条件で、基準の試料を測る：新しい高分子を評価するときは、基準のポリマー（既知の試料）を同じ装置・同じ条件で測り、値を比べます
4. データベース ― PoLyInfo ほか
(1) PoLyInfo：文献から集めた、実験データの集積
PoLyInfo は、物質・材料研究機構（NIMS）の高分子データベースです。公式サイトによると、高分子材料の設計に必要なデータを学術文献から集めて整理したもので、物性、化学構造、名称（IUPAC準拠名を含む）、測定サンプルの成形方法、測定条件、原料モノマー、重合方法を、互いに関連づけて収録しています。熱的・電気的・機械的な物性など、約100種類の物性項目を対象とし、ホモポリマー、コポリマー、ポリマーブレンド、コンポジット、コンパウンドを公開しています事実［参考資料1］。
| 項目（2026年9月30日時点の公開データ） | 件数 |
|---|---|
| ホモポリマー | 16,064 |
| コポリマー | 5,638 |
| ポリマーブレンド | 1,978 |
| コンポジット | 2,153 |
| ポリマーサンプル | 112,771 |
| 物性ポイント | 357,812 |
| 文献 | 15,365 |
出典：PoLyInfo 公式サイト（確認日 2026年10月23日）。事実。
利用にあたっての注意も、公式サイトに書かれています。利用には、DICEアカウントのユーザ登録、メールアドレスのドメイン登録、サービスの利用申請が必要です。データの大量ダウンロード、ウェブスクレイピング（自動的な取得）は、手動・機械的を問わず、MatNaviサービス利用約款で禁止されています。未公開データを含むデータセット形式での提供は、有償です［参考資料1］。自社でAIの学習に使う前に、利用約款を確認してください（本稿では約款の本文は確認していません）。
(2) 他の資源：データベース、生成データ、計算データ
| 名前 | 中身（論文・公式サイトの記載） | 注意 |
|---|---|---|
| PI1M（2020） | PoLyInfo から手で集めた約1.2万の高分子で生成モデルを学習し、約100万の高分子を生成したベンチマークのデータベース。密度、ガラス転移温度、融点、誘電率の回帰課題で評価。PoLyInfo と似た化学空間を覆い、PoLyInfo が疎な領域を埋めると報告［9］ | 生成した「仮想の」高分子で、実在・合成可能とは限らない |
| RadonPy（2022） | 全原子の古典分子動力学の計算を自動化するオープンソースのライブラリ。1,000超の非晶質高分子で15種の物性を計算。計算値を実験データと比べて条件を検証し、機械学習で偏りとばらつきを補正。熱伝導率が非常に高い（0.4 W/mK超）8つの非晶質高分子を見いだした［10］ | 物性は計算値。補正は文献の実験値との比較にもとづく |
| Open Macromolecular Genome（OMG、2023） | 既知の重合反応と、入手できる反応物に合う、合成可能な高分子の化学の大きなデータベース。合成を意識した生成モデルで、目標のオクタノール／水の溶解度をもつ繰り返し単位、反応物、反応経路を提案（概念実証）［8］ | 提案された反応条件は「仮想」（Reaxysの重合データとの統合） |
| CRIPT（2023） | 高分子の構造の定義と、物性の測定のこまごまとした点に対応する、スケーラブルなデータ構造［7］ | データ構造の提案。データ量や普及の度合いは本稿では確認していない |
| Polymer Genome | データベースではなく、機械学習で物性を予測するウェブのプラットフォーム。繰り返し単位のSMILESを入力。利用にはログインが必要［3・20］ | 予測の精度は、モデルごとに確認する |
各件数・性能は各論文の要旨・本文の報告値。事実。優劣を決めるものではありません。
高分子のデータには、3種類があります。実験データ（PoLyInfo のように、文献の実測値）、計算データ（RadonPy の分子動力学、Aldeghi らのシミュレーションなど）、生成データ（PI1M のように、AIが作った仮想の高分子）です。計算データは「安く大量に」作れますが、実測とずれることがあります（RadonPy の論文は、計算値を実験と比べて条件を検証し、偏りを補正したと述べています［10］）。生成データは、実在しない高分子を含みます。どのデータで学んだモデルかで、予測の意味が変わります（本記事による解説）。
5. データの偏りと、分子量の影響 ― 本稿の計算
(1) 物性ごとに、データ量が桁違い
Wu らの論文（2019年）は、PoLyInfo のユニークなホモポリマー14,423件を対象に、物性ごとのデータ量を示しています。ガラス転移温度（Tg）は5,917件、融点（Tm）は3,234件ですが、室温付近の熱伝導率は、わずか28件のホモポリマー（322の測定値）でした事実［参考資料5］。本稿の計算では、14,423件に対して、Tgは約41%、Tmは約22%、熱伝導率は約0.19%です（本稿の計算）。
この偏りは、モデルの作り方を左右します。Wu らは、データが少ない熱伝導率について、Tg・Tm・密度（PoLyInfo）と比熱（QM9）のモデルで事前学習し、少ない熱伝導率のデータで微調整する転移学習を使いました。最良の転移モデルの平均絶対誤差は 0.0204 W/mK で、28件で直接学習したランダムフォレストの 0.0327 W/mK より小さかったと報告しています事実［参考資料5］。同時に、論文は、検証が28件の化合物がつくる小さな領域だけで行われており、より広い材料空間での一般化の能力には不確かさが残ると述べています［参考資料5］。
(2) 繰り返し単位が同じでも、分子量で物性が変わる
分子量の影響を、教科書にある Flory–Fox の式（Tg = Tg∞ − K／Mn）で見てみましょう［参考資料15］。Fox と Flory は、1950年に、ポリスチレンのガラス転移温度が分子量で変わることを報告しています（題名の範囲で確認）。ここでは、説明用の仮定（Tg∞ = 373 K、K = 1.0×10⁵ K·g/mol）で計算します（図6）。
この仮定では、Mnが5,000のとき 353 K、10,000のとき 363 K、50,000のとき 371 K、100,000のとき 372 Kです（本稿の計算）。分子量が小さい領域で、Tgは大きく変わり、大きくなると頭打ちになります。繰り返し単位だけを入力にしたモデルは、同じ繰り返し単位で Mn が5,000と100,000の試料を、同じものとして扱うため、この約20 Kの差は「ばらつき」として残ります。これは、データに分子量を一緒に記録する（または、分子量が十分大きい領域のデータだけを使う）理由の1つです。
鎖の端（末端）は、鎖の途中より動きやすい部分です。分子量が小さいと、鎖の本数あたりの末端が多く、全体として動きやすくなります（Tgが下がる）。分子量が大きくなると、末端の割合が小さくなり、影響が薄れて、Tgは頭打ちになります（本記事による解説）。この式は、鎖の末端の影響を表す、最も単純な経験式で、すべての高分子に当てはまるとは限りません。
6. 予測モデルの進展 ― 指紋、多目的学習、言語モデル、グラフ
繰り返し単位から物性を当てるモデルは、数年で大きく進みました。ここでは、論文の要旨にもとづいて、主な方向を並べます（数字は各論文の報告値で、条件が違うため、比べて優劣を決めることはできません）。
- 多目的学習（Kuenneth ら、2021）：1万3千超の高分子の、36種類の物性のデータを、深層学習の多目的（multi-task）構造に与えました。物性どうしの相関を使えるため、1つの物性ごとに学習する従来の方法に比べ、正確・効率的・拡張しやすいと報告しています。解釈もでき、特徴が物性の傾向をどう決めるかの化学的な規則が見えると述べています事実［参考資料11］。
- グラフニューラルネットワーク（Gurnani ら、2023）：繰り返し単位から、重要な特徴を手作業で作る代わりに、モデルが自分で学ぶ方法を示し、特徴の抽出を従来の手作りの方法に比べて1〜2桁速くしながら、精度は損なわなかったと報告しています事実［参考資料13］。
- 化学言語モデル polyBERT（Kuenneth と Ramprasad、2023）：高分子の構造を「化学の言語」として扱い、手作りの指紋を使う最良の方法より、速度で2桁速く、精度を保つと報告しています。学習には、既知の13,766高分子を分解して組み替えた1億の仮想のPSMILESのうち8,000万を使いました事実［参考資料12］。
- 分子の集団のグラフ（Aldeghi と Coley、2022）：前の章で見た、鎖の構造・モノマーの比率・重合度を捉える方法［参考資料4］。
誤解：polyBERT やグラフニューラルネットワークで、高分子の物性予測が、より正確になった。
正しくは：これらの論文が主張しているのは、主に速さ（手作りの特徴量に比べて1〜2桁）で、精度は「保つ」「損なわない」です［参考資料12・13］。精度は、どのデータで、どう分けて評価したかで決まります（本シリーズ「ベンチマークと評価の読み方」編）。また、データの偏り（第5章）と、分子量・分布・作り方の影響（第2章）という、モデルの外にある問題は、モデルの改良では解決しません（本記事による解説）。
- 学習データの出どころを確認する：実験の文献値か、計算か、混在か。Aldeghi らの4万件は計算値で、実測ではありません［参考資料4］
- 評価の分け方を確認する：ランダム分割か、高分子の系統（ポリアミド、ポリイミドなど）ごとの分割か。新しい系統を探すなら、系統ごとに分けた評価が必要です（本シリーズ「不確かさと適用範囲」編）
- 自社の系統が、学習データの範囲にあるか：範囲の外は、外挿で、当たりにくい
- 測り方の一致：モデルが学習した物性が、自社の測り方（DSCの条件、試験片）と同じか
7. 逆設計の実例 ― 計算で候補を出し、合成して測る
逆設計は、「望む物性」から「構造」を提案する逆向きの問題です。高分子では、提案された構造が合成できるかが、特に重要です。ここでは、合成して測るところまで行った2つの例と、計算・生成の例を並べます。
(1) 熱伝導率の高いポリマー（Wu ら、2019）
Wu らは、PoLyInfo のTgとTmのデータで順方向のモデルを作り、それを逆向きにして、望むTg・Tmの領域をもつ仮想の高分子の構造を生成しました。熱伝導率のモデルは、転移学習で作り、生成した候補の絞り込みに使いました。要旨によると、数千の有望な仮想の高分子を見いだし、そのうち3つを、合成のしやすさと加工のしやすさから選んで、モノマーの合成と重合を行いました。合成した高分子は、0.18〜0.41 W/mKの熱伝導率に達し、非複合の熱可塑性樹脂の最先端の高分子と同程度だと報告しています事実［参考資料5］。
- 本文の流れは、1,000の設計候補から、液晶高分子（LCP）に似た構造、合成のしやすさ（SAスコア）、加工のしやすさ（Tgが300以下。単位は本稿では確認していない）で24に絞り、そのうち3種類のポリアミド（全芳香族ポリアミド、芳香族ポリヒドラジド、脂肪族–芳香族ポリアミド）の合成経路が見つかり、合成に成功した、というものです［参考資料5］。
- 著者らは、選んだ3つの熱伝導率の予測値は、特に高くなかったと述べています。合成のしやすさと加工のしやすさを重視したためです［参考資料5］。
- 著者らは、このワークフローを、「予測された物性は現実とずれる」という前提で作り、計算で設計した候補を、化学者の判断の目安として使ったと述べています［参考資料5］。
(2) 高温で使える誘電体（Gurnani ら、2024）
Gurnani らは、AI、既存の高分子化学、分子工学を組み合わせて、ポリノルボルネンとポリイミドの系統の誘電体を探索しました。静電キャパシタの誘電体で、高いエネルギー密度と高い熱安定性を両立するものが求められています。その結果、見いだした誘電体の多くが、広い温度範囲で、高い熱安定性と高いエネルギー密度を示し、1つは200 ℃で 8.3 J/ccのエネルギー密度を示して、市販の高分子誘電体の同温度での値の11倍だと報告しています事実［参考資料6］。本文によると、ROMP（開環メタセシス重合）で作れる26,858の高分子の構造を生成し、機械学習で予測した Tg、誘電率、バンドギャップで絞り、上位12の候補のうち5つを、原料のコストと専門家による合成のしやすさの評価で、合成の目標に選びました。5つのうち、4つは高分子量の試料を作ってフィルムにして評価でき、1つは重合に失敗しました事実［参考資料6］。ポリイミド系については、本文は、実験での評価を研究コミュニティに期待する、計算上の提案として示しています［参考資料6］。
(3) 計算・生成の例：RadonPy と OMG
RadonPy は、分子動力学の計算で、1,000超の非晶質高分子から、熱伝導率が0.4 W/mKを超える8つを見いだしました［参考資料10］。ただし、これは計算値です。OMG は、合成可能な化学に限った高分子の生成を提案しましたが、概念実証（目標の溶解度の設計）にとどまり、合成と測定は含みません［参考資料8］。
8. 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」で並べます。高分子では、次の5段に分けると整理できます（本記事による整理）。
- 計算上の予測・候補：モデルや計算で、物性や候補を出す
- 重合して構造を確認：実際に合成し、分子量・構造を確認する
- 物性を実測：同じ条件で、熱伝導率などを測る
- 部材・実使用の条件：成形、長期の耐久、実部品での評価
- 独立した検証・量産：他のグループの追試、量産での再現
図9のとおり、PI1M と OMG は第1段（候補・予測）、RadonPy は第1段に加えて、文献の実験値との比較を行っています。Wu らと Gurnani らは、第1〜3段（合成して実測）まで進みました。第4段（部材・実使用の条件）と第5段（独立した検証・量産）まで確認できた報告は、この記事で扱った中にありませんでした。高分子では、実部品にするときの成形性、長期の劣化、コストが、材料の物性とは別に問われるため、第3段と第4段のあいだには大きな壁があります（本記事による解説）。
- 合成できるか：モノマーが入手できるか、重合の反応が既知か（OMGの考え方［参考資料8］）。Wu らも、合成のしやすさを、選択の基準にしています［参考資料5］
- 大きな分子量が得られるか：Flory–Fox の例（図6）のように、分子量が低いと物性が変わります。目標の分子量を得られる重合かを確認します
- 成形できるか：溶融するか、溶けるか、分解しないか。Wu らは、加工のしやすさ（Tg）も条件にしています［参考資料5］
- 同じ条件で測られたか：予測のもとになったデータと、自社の評価の条件（試験片、熱履歴）が一致するか
- 基準の材料と比べたか：既知の高分子（市販品）を、同じ条件で測っているか
- 独立した検証があるか：1つのグループの結果か、他のグループの追試があるか
9. 素材技術者の視点
逆設計で出てくるのは、繰り返し単位（構造式）です。ところが、材料として使うには、その先に、重合法の確立、目標の分子量と分布の制御、残留モノマーや触媒の除去、成形性、添加剤、長期の耐久、コストが続きます（本記事による解説）。Gurnani らの例でも、5つの候補のうち1つは重合に失敗しています［参考資料6］。Wu らの例も、3つの合成経路が見つかるまでに、1,000の設計候補が24に絞られています［参考資料5］。
したがって、逆設計の成果は、「合成を試す価値のある候補」を出すことであり、「そのまま使える材料」を出すことではありません。企業での評価では、候補の合成のコスト（原料の入手、工程数）を早い段階で見積もることが、候補を選ぶ基準になります。Gurnani らも、候補の選択基準に、原料のコストと合成のしやすさを使っています［参考資料6］。
AIに任せやすい部分と、専門家の判断が要る部分
| 場面 | AIに任せやすい | 専門家の判断が要る |
|---|---|---|
| 候補の前選別 | 数千〜数万の仮想の高分子を、予測した物性（Tg、誘電率など）で絞る | 目標の物性の決め方、合成のしやすさ・原料コスト・加工性の評価 |
| 合成 | （反応条件の候補の提示。OMGのように、仮想の反応条件を提案［8］） | 重合法の選択、分子量と分布の制御、失敗の原因の見立て |
| 物性の測定 | 決まった手順の測定、データの記録 | 試料の作り方（成形、熱履歴）の影響の読み分け、測定の妥当性 |
| 実部品への展開 | — | 成形性、長期の耐久、安全、コスト、量産の見通し |
表は本記事による整理（解説）です。
10. 限界と、確認できなかったこと／まとめ
(1) 要旨・題名の範囲で引用した論文
Kuenneth ら（2021）、Gurnani ら（2023）、Hayashi ら（RadonPy）、Walsh ら（CRIPT）、Kim ら（OMG）、Ma と Luo（PI1M）、Chen ら（総説）は、要旨を中心に確認しました。Fox と Flory（1950年）、Flory（1936年）、Stepto（IUPAC 2009年勧告）は、題名・書誌の範囲で確認しました。Wu ら（2019）、Kuenneth と Ramprasad（polyBERT）、Gurnani ら（2024）は、要旨と本文の一部を確認しました。
(2) データベースの利用条件
PoLyInfo は、利用登録が必要で、大量のダウンロードとスクレイピングが禁止、データセット形式は有償と、公式サイトに書かれています。利用約款の本文は確認していません。PI1M、RadonPy、OMG、CRIPT、Polymer Genome のデータやモデルのライセンス（商用利用の可否など）は、本稿では確認していません。
(3) 物性ごとの現在のデータ量
図5の物性ごとの件数は、Wu らの論文（2019年）の記載で、現在のPoLyInfoの内訳は、本稿では確認していません。公式サイトで確認できたのは、全体の件数（2026年9月30日時点）だけです。
(4) 扱っていないこと
高分子のリサイクル・分解性の設計、ブレンド・複合材料のデータの扱い、大規模言語モデルによる文献からのデータ抽出、企業の高分子設計の事例は扱っていません。
(5) 日本国内の動向
NIMS のデータ基盤の全体像（MDR など）、国内の研究機関・企業の取り組みは、この記事では詳しく調べていません。
- 高分子は、1つの名前に1つの構造が対応しません。鎖の長さの分布、並び方（並び方の数は長さ20で約105万通り）、分岐、末端、作り方が効きます事実／本稿の計算
- 構造の書き方は、4つの階層で考えます。モノマー、繰り返し単位、鎖の集団（BigSMILES など）、試料（CRIPT など）。多くのモデルは繰り返し単位までしか見ていません事実
- PoLyInfo は、文献の実験データの集積です。2026年9月30日時点で、ホモポリマー16,064、物性ポイント357,812。利用は登録制で、大量取得は禁止事実
- データは偏っています。熱伝導率は28件（約0.19%）。分子量の影響も大きく、仮定の計算では、Mn 5,000と100,000でTgが約20 K違います事実／本稿の計算
- 予測モデルは、速さが大きく進みました。精度は、評価の方法で決まります。モデルの外にある問題（データの偏り、分子量・分布）は残ります事実
- 逆設計は、合成して測るところまで行われています。Wu らは3つのポリアミドで0.18〜0.41 W/mK、Gurnani らは200 ℃で8.3 J/cc（市販の11倍）。5候補のうち1つは重合に失敗。第4段（実部品）と第5段（独立検証）まで確認できた報告はありませんでした事実
11. 評価・標準の読み方
高分子のMIの「良し悪し」は、何を正解とするか（実験の文献値か、計算値か）、測り方が揃っているか（分子量の平均、DSCの条件）、評価データの分け方（系統ごとの分割か）、どの段まで確かめたか（第8章）で決まります。高分子の測定には国際規格がありますが、高分子のMI（予測モデルや逆設計）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23日）。
| 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・IUPAC など） | 読み方の注意 |
|---|---|---|---|
| 物性予測の精度 | PI1M：密度、ガラス転移温度、融点、誘電率の回帰課題［9］。RadonPy：計算値を実験データと比べて条件を検証［10］事実 | 確認できなかった | 共通の評価データと分割は、確認できなかった。評価の方法は、論文ごとに違う |
| 構造の記述 | BigSMILES（Lin ら、2019）：確率的な構造を表す記法の提案。Bicerano のTgデータセットで試験［2］事実 | （BigSMILES は研究コミュニティの提案で、ISO などの規格ではない）。分散度の用語は IUPAC 2009 年勧告［16］ | 記法が標準として定着しているかは、本稿では確認していない |
| 分子量・分子量分布の測定 | — | ISO 16014-1:2019 "Plastics — Determination of average molecular weight and molecular weight distribution of polymers using size-exclusion chromatography — Part 1: General principles"（第3版、2019年5月発行。2024年に見直し・確認。ポリマー標準品の校正曲線、または光散乱の絶対分子量）［17］事実 | SECの値は、校正の基準で変わる。データには、測定法と校正を記録 |
| ガラス転移温度の測定 | — | ISO 11357-2:2020 "Plastics — Differential scanning calorimetry (DSC) — Part 2: Determination of glass transition temperature and step height"（第3版、2020年3月発行。2025年に見直し・確認）［18］事実 | 測り方が違うと値が違う。モデルの学習データと自社の測り方を揃える |
| 比較できる物性データの取得・提示 | — | ISO 10350-1:2025 "Plastics — Acquisition and presentation of comparable single-point data — Part 1: Moulding materials"（第4版、2025年1月発行。射出・圧縮成形できる熱可塑性・熱硬化性材料の比較可能なデータの試験手順）［19］事実 | データシートの値の比較に使う規格。AIの評価基準ではない。本文（試験条件）は未確認 |
| データ共有 | PoLyInfo（公式サイト）［1］。CRIPT のデータ構造［7］。FAIR原則［21］事実 | （FAIRは原則であり、ISOなどの規格ではない） | 原則は推奨で、要求ではない。PoLyInfoは大量取得を禁止［1］ |
| 逆設計の検証 | 合成と実測：Wu ら（3つのポリアミド、0.18〜0.41 W/mK）［5］、Gurnani ら（200 ℃で8.3 J/cc）［6］事実 | 確認できなかった | 第4段（実部品）・第5段（独立検証）まで確認できた報告は、この記事の範囲にはなかった |
表の整理は本稿の計算（整理）。ISOの番号・題名・版・状態はISOの公式ページで確認（確認日 2026年10月23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、自社の高分子での実力は別です：論文の精度は、その学習データの範囲での値です。自社の系統（ポリアミド、エラストマーなど）で、自社の測り方で、測り直してください
- 予測と実験検証を区別します：第8章のはしごのどの段かを確認します。「AIが設計した」は、第1段の話のことが多い
- 測り方を揃えます：分子量（平均の種類と校正）とTg（DSCの条件）は、測り方で値が変わります。規格（ISO 16014-1、ISO 11357-2）は、その手順を定めますが、AIの評価基準ではありません
- 標準・原則の強さ：FAIR原則やBigSMILESは推奨・提案で、ISO規格は多くが任意の採用です（後者は本記事による解説）。データベースの利用約款は、守るべき条件です
12. 用語集
- 繰り返し単位
- 高分子の鎖の中で、くり返し現れる構造の単位。
- 数平均分子量 Mn／重量平均分子量 Mw
- 鎖の本数で平均／質量で平均した分子量。
- 分散度 Đ
- Mw／Mn。分布の広さ。IUPACが勧告した用語。
- 最確分布
- 逐次重合で現れる、鎖の長さの理論的な分布（Floryの式）。
- 共重合体（交互・ランダム・ブロック）
- 2種以上のモノマーからなる高分子。並び方の違いで呼び分ける。
- 立体規則性
- 鎖に付く置換基の向きの並び方。
- SMILES／PSMILES
- 構造を文字列で書く方式／繰り返し単位を書くように拡張した形。
- BigSMILES
- 確率的な構造（分布をもつ鎖）を表せるようにSMILESを拡張した記法。
- PoLyInfo
- NIMSの高分子データベース。文献の実験データを集めたもの。
- ガラス転移温度 Tg／融点 Tm
- 非晶質が固いガラス状から柔らかいゴム状に変わる温度／結晶が融ける温度。
- DSC／SEC
- 示差走査熱量測定／サイズ排除クロマトグラフィー（分子量の測定）。
- Flory–Foxの式
- Tgが分子量で変わる関係を表す経験式。Tg = Tg∞ − K／Mn。
- 順問題／逆問題（逆設計）
- 構造から物性を予測する／望む物性から構造を提案する。
- 転移学習
- 別の大量データで先に学習し、少ないデータの課題に合わせて調整する方法。
- 多目的学習
- 複数の物性を同時に学習させ、物性間の相関を使う方法。
- 指紋（フィンガープリント）
- 構造を数字のベクトルにしたもの。「名刺」にあたる。
- 合成のしやすさ（SAスコア）
- 構造の複雑さなどから、作りやすさを点数にしたもの。
- RadonPy
- 全原子の分子動力学の計算を自動化する、オープンソースのライブラリ。
- LOCO／系統ごとの分割
- 似たものを丸ごと除いて評価する方法。新しい系統への力を測る。
- 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。
- MI（マテリアルインフォマティクス）
- データと計算、機械学習を使って材料の研究を効率化する方法。
13. 参考資料（一次情報）
- 物質・材料研究機構（NIMS） "Polymer Database (PoLyInfo)"（公式サイト。件数は2026年9月30日時点、確認日 2026年10月23日） — polymer.nims.go.jp/en/
- Lin T.-S. ほか "BigSMILES: A Structurally-Based Line Notation for Describing Macromolecules", ACS Cent. Sci. 5, 1523–1531 (2019), DOI 10.1021/acscentsci.9b00476（オープンアクセス） — doi.org/10.1021/acscentsci.9b00476
- Kim C. ほか "Polymer Genome: A Data-Powered Polymer Informatics Platform for Property Predictions", J. Phys. Chem. C 122, 17575–17585 (2018), DOI 10.1021/acs.jpcc.8b02913（題名と書誌の範囲で確認） — doi.org/10.1021/acs.jpcc.8b02913
- Aldeghi M., Coley C. W. "A graph representation of molecular ensembles for polymer property prediction", Chem. Sci. 13, 10486–10498 (2022), DOI 10.1039/d2sc02839e（オープンアクセス） — doi.org/10.1039/d2sc02839e
- Wu S. ほか "Machine-learning-assisted discovery of polymers with high thermal conductivity using a molecular design algorithm", npj Comput. Mater. 5, 66 (2019), DOI 10.1038/s41524-019-0203-2（オープンアクセス） — nature.com/articles/s41524-019-0203-2
- Gurnani R. ほか "AI-assisted discovery of high-temperature dielectrics for energy storage", Nat. Commun. 15, 6107 (2024), DOI 10.1038/s41467-024-50413-x（オープンアクセス。2024年8月に著者の所属の訂正あり） — nature.com/articles/s41467-024-50413-x
- Walsh D. J. ほか "Community Resource for Innovation in Polymer Technology (CRIPT): A Scalable Polymer Material Data Structure", ACS Cent. Sci. 9, 330–338 (2023), DOI 10.1021/acscentsci.3c00011 — doi.org/10.1021/acscentsci.3c00011
- Kim S. ほか "Open Macromolecular Genome: Generative Design of Synthetically Accessible Polymers", ACS Polym. Au 3, 318–330 (2023), DOI 10.1021/acspolymersau.3c00003 — doi.org/10.1021/acspolymersau.3c00003
- Ma R., Luo T. "PI1M: A Benchmark Database for Polymer Informatics", J. Chem. Inf. Model. 60, 4684–4690 (2020), DOI 10.1021/acs.jcim.0c00726 — doi.org/10.1021/acs.jcim.0c00726
- Hayashi Y. ほか "RadonPy: automated physical property calculation using all-atom classical molecular dynamics simulations for polymer informatics", npj Comput. Mater. 8, 222 (2022), DOI 10.1038/s41524-022-00906-4（オープンアクセス） — nature.com/articles/s41524-022-00906-4
- Kuenneth C. ほか "Polymer informatics with multi-task learning", Patterns 2, 100238 (2021), DOI 10.1016/j.patter.2021.100238 — doi.org/10.1016/j.patter.2021.100238
- Kuenneth C., Ramprasad R. "polyBERT: a chemical language model to enable fully machine-driven ultrafast polymer informatics", Nat. Commun. 14, 4099 (2023), DOI 10.1038/s41467-023-39868-6（オープンアクセス） — nature.com/articles/s41467-023-39868-6
- Gurnani R. ほか "Polymer Informatics at Scale with Multitask Graph Neural Networks", Chem. Mater. 35, 1560–1567 (2023), DOI 10.1021/acs.chemmater.2c02991 — doi.org/10.1021/acs.chemmater.2c02991
- Chen L. ほか "Polymer informatics: Current status and critical next steps", Mater. Sci. Eng. R 144, 100595 (2021), DOI 10.1016/j.mser.2020.100595（要旨を arXiv:2011.00508 で確認） — arxiv.org/abs/2011.00508
- Fox T. G., Flory P. J. "Second-Order Transition Temperatures and Related Properties of Polystyrene. I. Influence of Molecular Weight", J. Appl. Phys. 21, 581–591 (1950), DOI 10.1063/1.1699711（題名と書誌の範囲で確認） — doi.org/10.1063/1.1699711
- Stepto R. F. T. "Dispersity in polymer science (IUPAC Recommendations 2009)", Pure Appl. Chem. 81, 351–353 (2009), DOI 10.1351/PAC-REC-08-05-02 — doi.org/10.1351/PAC-REC-08-05-02
- ISO "ISO 16014-1:2019 Plastics — Determination of average molecular weight and molecular weight distribution of polymers using size-exclusion chromatography — Part 1: General principles"（ISO のページ） — iso.org/standard/74995.html
- ISO "ISO 11357-2:2020 Plastics — Differential scanning calorimetry (DSC) — Part 2: Determination of glass transition temperature and step height"（ISO のページ） — iso.org/standard/77310.html
- ISO "ISO 10350-1:2025 Plastics — Acquisition and presentation of comparable single-point data — Part 1: Moulding materials"（ISO のページ） — iso.org/standard/85826.html
- Ramprasad Research Group "Polymer Genome"（公式サイト。「データベースではなく、予測のプラットフォーム」との記載を確認） — polymergenome.org
- 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
- Flory P. J. "Molecular size distribution in linear condensation polymers", J. Am. Chem. Soc. 58, 1877–1885 (1936), DOI 10.1021/ja01301a016（題名と書誌の範囲で確認） — doi.org/10.1021/ja01301a016
14. 主張と出典の対応表（監査）
| 本文の主張 | 根拠 | 区分 |
|---|---|---|
| PoLyInfo：学術文献から収集、約100種の物性、ホモポリマー・コポリマー・ブレンド・コンポジット等、2026年9月30日の件数（ホモポリマー16,064、コポリマー5,638、ブレンド1,978、コンポジット2,153、サンプル112,771、物性ポイント357,812、文献15,365）。利用登録が必要、大量ダウンロードとスクレイピングは禁止、データセット形式は有償 | PoLyInfo 公式サイト（確認日 2026年10月23日） 出典1 https://polymer.nims.go.jp/en/ | 事実 |
| BigSMILES：高分子は本質的に確率的な分子で、各化学種が1つの構造に対応する前提が成り立たない。stochastic object の導入。Bicerano のTgデータセットでの試験 | Lin ら（2019）の要旨・本文 出典2 https://doi.org/10.1021/acscentsci.9b00476 | 事実 |
| Polymer Genome：繰り返し単位のSMILESで物性を予測するウェブのプラットフォーム。公式サイトは、データベースではなく予測のプラットフォームと記載。利用にはログインが必要 | Kim ら（2018）の題名・書誌、公式サイト 出典3 https://doi.org/10.1021/acs.jpcc.8b02913 出典20 https://polymergenome.org/ | 事実 |
| 分子の集団のグラフ表現とグラフニューラルネットワーク。鎖の構造・モノマー比・重合度を捉え、市販の化学情報学の手法より高精度。4万超の高分子の電子親和力・イオン化ポテンシャルの計算値のデータセット | Aldeghi と Coley（2022）の要旨 出典4 https://doi.org/10.1039/d2sc02839e | 事実 |
| Wu ら：PoLyInfoのユニークなホモポリマー14,423件、Tg 5,917件・Tm 3,234件、熱伝導率は28件のホモポリマー（322の測定値）、同じ高分子でも値がばらつく、加工による変動が記録されていない、転移学習（MAE 0.0204 と 0.0327 W/mK）、検証は28件の領域のみ、数千の仮想ポリマー、1,000設計候補→24→3種のポリアミドを合成、0.18〜0.41 W/mK、選んだ3つの予測値は特に高くなかった、予測が現実とずれる前提 | Wu ら（2019）の要旨・本文 出典5 https://www.nature.com/articles/s41524-019-0203-2 | 事実 |
| Gurnani ら（2024）：ポリノルボルネン・ポリイミド系、200 ℃で8.3 J/cc（市販の11倍）、ROMPで26,858構造を生成、予測Tg・誘電率・バンドギャップで絞る、上位12のうち5つを選び、4つは試料を作ってフィルム化、1つは重合に失敗。ポリイミド系は計算上の提案 | Gurnani ら（2024）の要旨・本文 出典6 https://www.nature.com/articles/s41467-024-50413-x | 事実 |
| CRIPT：高分子の構造の定義の複雑さと物性の測定のこまごまとした点に対応するデータモデル | Walsh ら（2023）の要旨 出典7 https://doi.org/10.1021/acscentsci.3c00011 | 事実 |
| OMG：既知の重合反応と入手できる反応物に合う、合成可能な高分子のデータベース。合成を意識した生成モデル。目標のオクタノール／水溶解度の設計（概念実証）。提案された反応条件はReaxysの重合データとの統合による仮想のもの | Kim ら（2023）の要旨 出典8 https://doi.org/10.1021/acspolymersau.3c00003 | 事実 |
| PI1M：PoLyInfoの約1.2万の高分子で生成モデルを学習し約100万の高分子を生成。密度・Tg・Tm・誘電率の回帰課題。PoLyInfoの疎な領域を埋める | Ma と Luo（2020）の要旨 出典9 https://doi.org/10.1021/acs.jcim.0c00726 | 事実 |
| RadonPy：全原子の古典分子動力学の自動化。1,000超の非晶質高分子で15種の物性。実験データとの比較、機械学習による補正。熱伝導率0.4 W/mK超の8つ（計算値） | Hayashi ら（2022）の要旨 出典10 https://www.nature.com/articles/s41524-022-00906-4 | 事実 |
| 多目的学習：1万3千超の高分子、36種の物性。従来の単一目的より正確・効率的・拡張しやすく、解釈できる | Kuenneth ら（2021）の要旨 出典11 https://doi.org/10.1016/j.patter.2021.100238 | 事実 |
| polyBERT：化学言語モデル、手作りの指紋より速度で2桁速く精度を保つ。既知の13,766高分子の断片から作った1億の仮想PSMILES、8,000万で学習 | Kuenneth と Ramprasad（2023）の要旨・本文 出典12 https://www.nature.com/articles/s41467-023-39868-6 | 事実 |
| グラフニューラルネットワークと多目的学習で、特徴の抽出が手作りの方法より1〜2桁速く、精度を損なわない | Gurnani ら（2023）の要旨 出典13 https://doi.org/10.1021/acs.chemmater.2c02991 | 事実 |
| 高分子のMIの課題：整理されたデータの不足、構造と合成・加工条件を表す機械可読な表現、合成可能性、逆問題 | Chen ら（2021）の要旨 出典14 https://arxiv.org/abs/2011.00508 | 事実 |
| ポリスチレンのガラス転移温度が分子量で変わる（Fox と Flory、1950年。題名・書誌） | 書誌 出典15 https://doi.org/10.1063/1.1699711 | 事実 |
| IUPACが Mw/Mn に「分散度」の語を勧告（2009年） | Stepto（IUPAC勧告） 出典16 https://doi.org/10.1351/PAC-REC-08-05-02 | 事実 |
| ISO 16014-1:2019（第3版、2019年5月、2024年に確認。ポリマー標準品の校正曲線または光散乱）、ISO 11357-2:2020（第3版、2020年3月、2025年に確認）、ISO 10350-1:2025（第4版、2025年1月）の番号・題名・状態 | ISO のページ 出典17 https://www.iso.org/standard/74995.html 出典18 https://www.iso.org/standard/77310.html 出典19 https://www.iso.org/standard/85826.html | 事実 |
| FAIR原則（Wilkinson ら、2016）の題名・書誌 | 論文の書誌 出典21 https://doi.org/10.1038/sdata.2016.18 | 事実 |
| 逐次重合の最確分布（反応度0.98で Xn = 50、Xw = 99、Mw/Mn = 1.98）の起源 | Flory（1936年）の題名・書誌 出典22 https://doi.org/10.1021/ja01301a016 | 事実 |
| 最確分布の数値（p=0.98）、並び方の数（2²⁰=1,048,576、C(20,10)=184,756、2⁵⁰≒1.1×10¹⁵、C(50,25)≒1.3×10¹⁴）、物性ごとのデータの割合（Tg 41%、Tm 22%、熱伝導率 0.19%）、Flory–Foxの式による計算（Tg∞=373 K、K=1.0×10⁵ K·g/mol。Mn 5,000で353 K、10,000で363 K、50,000で371 K、100,000で372 K） | 本稿の計算（理論式と説明用の仮定）。実在のポリマーの測定値ではない | 本稿の計算 |
| 高分子のMIに特化した国際標準、物性ごとの現在のPoLyInfoの件数、各データ・モデルのライセンス、PoLyInfo利用約款の本文、第4段（実部品）・第5段（独立検証）まで確認できた報告 | 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 |
| 「同じ繰り返し単位でも分子量や作り方で物性が変わるため、繰り返し単位だけのモデルにはばらつきに見える」「高分子の平均の種類が大事」「速さの進歩は精度の進歩ではない」「逆設計は合成を試す価値のある候補を出す」という読み取りと、AIに任せやすい／専門家が判断する場面の整理 | 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7・図9が実データの観察ではなく説明のための作図であること。図1と図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 |
最終更新：2026年10月23日／出典は一次情報（査読論文、PoLyInfo と Polymer Genome の公式サイト、ISO の公式ページ）に限定しています。ISO規格の本文は有料のため確認できていません。 計算例は本稿が理論式や説明用の仮定で作った例で、実在のポリマーの測定値ではありません。 高分子のMIに特化した国際標準、物性ごとの現在のPoLyInfoの件数、各データ・モデルのライセンス、PoLyInfo利用約款の本文、実部品・独立検証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。