Matlantis岡野原氏が挑む“AI×科学”の新たな主戦場「マイクロフィジカルAI」とは?

 フィジカルAIと聞けば、多くの人は人型ロボットを思い浮かべるだろう。だが、原子という目に見えない世界で、もう1つのフィジカルAIがすでに実用段階に入っている。Matlantisの岡野原大輔社長が「マイクロフィジカルAI」と呼ぶ技術だ。AIが研究の実行を担う時代、日本の研究開発と経営の意思決定はどう変わるのか。

Matlantis 代表取締役社長/Preferred Networks 共同創業者・代表取締役社長 岡野原大輔氏

 月に6兆個。材料開発向けのクラウドサービス「Matlantis」で、ユーザーがいま計算している原子の数だ。天の川銀河の恒星の数の60倍にあたる。

 この数字の背景には、AIを科学研究に生かす「AIフォーサイエンス(AI for Science)」の広がりがある。国も動き出した。文部科学省は2026年3月に「AI for Scienceの推進に向けた基本的な戦略方針」を策定し、材料分野では新素材の開発速度を10倍に高めうるAI駆動の研究システムを目標に据えた。

 では、企業の研究現場はAIをどう使い始めているのか。Matlantisが2026年9月に開いた「Matlantis User Conference 2026」では、ENEOSホールディングス、本田技術研究所、キオクシアなどのユーザー企業が講演し、パネルディスカッションにはAGC、レゾナック、トヨタ自動車、住友電気工業から登壇者が加わった。

 キーノートに登壇した岡野原大輔氏(Matlantis 代表取締役社長/Preferred Networks 共同創業者・代表取締役社長)は、AIで研究が速くなるほど、人の判断こそが研究の成否を分けるようになると強調した。

マイクロフィジカルAIとは?ロボットではない「もう1つのフィジカルAI」

 岡野原氏はまず、研究を支えるAIを2つの層に整理してみせた(図1)。

図1 AIフォーサイエンスを支えるAIエージェントとフィジカルAI。原子の世界を扱う「マイクロフィジカルAI」が実用化で先行する(出典:Matlantis)

 上の層はAIエージェント。研究課題を渡されると、人の代わりに「観測→評価→選択→実行」を自律的に回す。実行の段になるとフィジカルAIに実験を指示し、戻ってきた結果を見て次の一手を考える。

 下の層がフィジカルAIだ。ただし、ここでいうフィジカルAIはロボットだけを指すわけではない。目に見えないほど小さな世界を扱うAIもまた「立派なフィジカルAI」だと岡野原氏は言う。量子力学の法則を学び、原子のふるまいを予測して示唆を出すAIのことだ。同氏はこれを「マイクロフィジカルAI」と名付け、Matlantisの中核技術「Matlantis PFP」をその代表例に挙げた。

 たとえるなら、試薬を混ぜて測定するロボットが研究の「手」だとすれば、マイクロフィジカルAIは原子の世界をのぞく「目」にあたるだろう。手にあたるラボ(実験室)規模のフィジカルAIは、まだ発展の途上にある。これに対し、マイクロフィジカルAIは実用化で一歩先を行く、というのが岡野原氏の認識だ。

PFNとENEOSの合弁から5年、原子シミュレーションが「研究開発の選択肢」に

 そのマイクロフィジカルAIを、日本企業はどう育ててきたのか。出発点は2019年、AI開発のPreferred Networks(PFN)とエネルギー大手ENEOSが始めた協業にさかのぼる。ENEOSには、触媒の開発で材料の表面や化学反応を原子レベルで捉えたいという課題があった。

 2021年6月、両社は合弁会社Preferred Computational Chemistry(PFCC)を設立する。PFNの深層学習技術とスーパーコンピュータに、ENEOSが培った化学の知見を掛け合わせた。翌7月にはブラウザから使えるクラウドサービス「Matlantis」の提供を開始。2024年には三菱商事も出資し、海外展開を強め、2025年7月に社名をMatlantisへ改めた。

 PFPが担うのは、原子と原子の間に働く力の予測だ。こうしたAIモデルを汎用MLIP(機械学習原子間ポテンシャル)と呼ぶ。高性能なコンピュータで数時間から数カ月かかっていた精密な計算が、秒単位で終わるようになった。

 それから5年。PFPを引用した論文は初年の20本ほどから、2026年は250本規模に届く見込みだ。計算された原子の数は、2026年4月までの累計で125兆個に達した(図2)。

図2 サービス開始から5年。PFP関連の論文数と累計計算原子数の推移(出典:Matlantis)

 「これは何だ」――。汎用MLIPは当初、そう聞き返される言葉だったと岡野原氏は明かす。それがいまや、材料分野の研究開発で一般的な選択肢の1つになった。

AIが研究を速くするほど、律速は「人の仕事」に移る

 研究はなぜ速くなり、次にどこで詰まるのか。岡野原氏は研究のプロセスを、3つの工程が回り続ける三角形で描いた(図3)。何を解くべきかを見定める「課題特定/モデル化」。計算や実験の環境を整えて実際に試す「環境構築/実行」。結果を確かめ、意味を読み取る「検証/解釈」。このループが回るたびに知見が積み上がり、新製品へとつながっていく。

図3 AIフォーサイエンス時代の研究サイクル。実行の高速化で、人の仕事が律速になりつつある(出典:Matlantis)

 長年の足かせは環境構築/実行だった。計算条件の調整、プログラムの作成、実験機器の準備。手作業と待ち時間ばかりがかさみ、ループはなかなか回らない。

 そこへAIが入った。実行のコストは大きく下がり、ループの回転数は一気に増えた。すると今度は、課題特定/モデル化と検証/解釈、つまり人が担う工程が律速になり始める。

「AIが全ての研究を自動化するとは考えていない。必ず人がプロセスの中に関わり、研究を前進させていく」(岡野原氏)

データセンターの発熱を「原子の問い」に――経営課題と研究をつなぐモデル化

 人に残る仕事の1つ目、課題特定/モデル化とは何か。岡野原氏が例に挙げたのは、経営層にもなじみ深いテーマだった。AIによる電力需要の急増である。

 国際エネルギー機関(IEA)によれば、世界のデータセンターの電力消費は2025年の485TWhから、2030年には950TWhへとほぼ倍増する見込みだ。AIサーバの電力密度も2020年からの5年で11倍になった。投入した電力は、最終的にほぼ全て熱に変わる。チップをどう冷やすか――。液冷方式や冷却板(コールドプレート)の導入が進み、それを支える材料が求められている。

 とはいえ、「データセンターを冷やしたい」という願いのままでは計算機は動かない。何層にも重なったAIチップの構造から、熱が逃げにくいボトルネックを探し当てる。例えば、チップと冷却部品の間に挟む熱伝導材料(TIM)の中で、金属の粒子と樹脂が接する界面に狙いを定め、原子のモデルとして組み立てる。そこまで落とし込んで初めて、社会の課題は原子スケールのシミュレーションで前に進められる問題になる。

 厄介なのは、この作業が1つの組織で完結しないことだ(図4)。データセンター事業者は、冷却水をなるべく外気で冷やせる温度のまま使いたい。チップメーカーは、熱を伝えやすいTIMがほしい。TIMメーカーの研究者は「樹脂と充填材の界面が効いていそうだ」とにらみ、計算化学者はそれを確かめるモデルを組む。

図4 モデル化は組織と専門性をまたぐ合意形成でもある(出典:Matlantis)

 立場が違えば前提もずれる。組織と専門性をまたぐ合意形成は欠かせず、ここはAIフォーサイエンスの時代にも研究者の代表的な仕事として残る、と岡野原氏はみる。Matlantisはこの工程にも手を打ち、ドメイン知識を持つカスタマーサクセスの担当者がユーザーに伴走するほか、集合研修も定期的に開くようになった。

AIエージェントで実行は自律化へ、PARCが描く「研究の自走」

 一方で、AIが得意とする実行の工程にも伸びしろは残る。Matlantisは、AIモデルから計算の高速化基盤、GPUやPFN独自のAIプロセッサ「MN-Core」までを一体で提供する。PFPは、MLIPの性能を競う公開ベンチマーク「MLIP Arena」で1位を獲得した。次に目指すのは、実験値を再現できる精度だ。

 AIエージェントと組み合わせると、何ができるのか。先のTIMの例では、AIと数十回やりとりするだけで、金属と樹脂の界面を含む3500原子規模の計算と解析を数週間でやり遂げた(図5)。従来の精密な計算手法では手が届かない規模だという。

図5 AIエージェントとの対話で、3500原子規模の界面計算と解析を数週間で実行した(出典:Matlantis)

 その先に見据えるのが、PFNが開発中の自律研究システム「PARC」だ。研究のコツを組み込み、結果を見ながら次に何をするかを自ら決める。長期間にわたって研究を自走させ、結果から次の問いを立てるところまで支える構想である。製品としての提供は、まだ先になる。

研究の「工業化」で問われる、研究者の「見抜く力」

 人に残るもう1つの仕事が、検証/解釈だ。現実の一部を切り出して計算する以上、結果と現実をつなぐ確認は避けて通れない。手法は物理的に妥当か。構造に矛盾はないか。結果は信用できるか。仮説を実験の現場に戻せるか。AIは、妥当性を欠いた手法のまま計算を進めてしまうこともある。だからこそ、この確認は自動化できないと岡野原氏は強調する。

 その先の研究の姿を、同氏は「工業化」という言葉で言い表した。

「工業化というと手作り感がなくなるように聞こえるが、ここでいう工業化とは、高品質な成果を大量に生み出せるようにすることだ」(岡野原氏)

 工場のラインから、研究成果の種が次々と流れてくる。そのとき研究者に問われるのは、何を受け取り、どう次につなげるかを「見抜く力」だという(図6)。結果の品質を確かめ、それを使って意思決定する責任を負う。どこまで実験を続けるかを決める。量産される結果の中から、思いがけない発見を拾い上げる。いずれも、AIには任せきれない判断だ。

図6 計算や実験は「工業化」し、研究者には検証/解釈の仕事が残る(出典:Matlantis)

 Matlantisはカンファレンスに合わせて、AIと対話しながら使える実践的な事例集「Matlantis Case Studio」を発表した。自然言語の指示でシミュレーション用のコードを作成・編集できる「AIエージェント連携機能」も、すでに搭載している。

日本発のマイクロフィジカルAIが「意思決定」を動かす

 文部科学省の戦略方針は、日本の強みとして、スーパーコンピュータ「富岳」に代表される計算基盤、マテリアル分野の再現性の高い実験データ、精密な製造・計測技術を挙げる。素材の現場と、日本発のAI企業が生んだマイクロフィジカルAI。この2つがどう結び付いていくのか。国内の大手製造業が相次いで活用事例を語った今回のカンファレンスは、その手掛かりの1つになりそうだ。

 原子レベルの洞察は、データセンターの発熱のように、社会を大きく動かす問題にもつながっている。だからこそ、研究者に限らず、さまざまな立場の人の意思決定を支えたい――。岡野原氏は「原子レベルの洞察で、意思決定を動かす」というビジョンをそう説明し、講演を締めくくった。

印刷する
SNSでシェア

この記事の著者

関連記事

ITmedia エグゼクティブのご案内

「ITmedia エグゼクティブは、上場企業および上場相当企業の課長職以上を対象とした無料の会員制サービスを中心に、経営者やリーダー層向けにさまざまな情報を発信しています。入会いただくとメールマガジンの購読、経営に役立つ旬なテーマで開催しているセミナー、勉強会にも参加いただけます。 勉強会のスケジュールはこちら

ぜひこの機会にお申し込みください。

入会希望の方は必要事項を記入して申請ください。審査のうえ登録させていただきます。

入会条件:
上場企業および上場相当企業の課長職以上

※入会は無料です

エグゼクティブコンテンツ

アクセスランキング

  1. 1
  2. 2
  3. 3
  4. 4
  5. 5
  6. 6
  7. 7
  8. 8
  9. 9
  10. 10

ITmedia エグゼクティブ SNS

X @itm_executiveをフォロー

インフォメーション

注目情報をチェック

ITmediaエグゼクティブをフォロー