🔬 セルフドライビングラボ — Joseph Krause, Radical AI

材料科学におけるAI活用は、生物学や創薬の分野と比べて本質的に困難な課題である。その理由は、材料の特性を決定する変数が圧倒的に多く、単一のモデルで「一発解決」できるような問題ではないからだ。例えば、生物学で用いられる分子はSMILES文字列やSELFIESといったテキスト表現で記述可能であり、元素と結合の情報さえあれば大部分の特性を予測できる。しかし、材料、特に構造用合金の場合、化学組成だけでなく、サプライチェーンコスト、微細構造、製造プロセス（鋳造か積層造形か）といった無数の変数が最終的な性能を左右する。これらを単一の文字列で表現することは不可能であり、したがって「iPhoneの中に入る新材料」や「Starshipに搭載される材料」を一発で設計できるモデルは存在しない。この根本的な複雑さこそが、材料科学におけるAI活用の最大の障壁であり、同時にRadical AIのような企業が「セルフドライビングラボ」というアプローチを採用する理由でもある。

Joseph KrauseがCEOを務めるRadical AIは、この困難な課題に対して「実験データこそが真のmoat（参入障壁）」であるという確固たる信念のもと、完全閉ループ型の自律実験システムを構築している。同社のセルフドライビングラボは、AIサイエンティストが仮説を生成し、自動化されたロボティクスが合成と特性評価を実行し、その結果をAIが学習して次の仮説に反映するというサイクルを、人間の科学者よりもはるかに高速かつ並列的に回すことを可能にした。その成果は具体的な数字として現れている。過去5〜6ヶ月で1,200種類の合金を生成・評価し、そのうち300種類は文献に存在しない全く新しい組成であり、10種類は実用化が期待される優れた特性を示している。これは、DARPAとGE Aerospaceが1年かけて500合金を目標としたMACHプログラムと比較して、約10倍の速度向上に相当する。Krauseはさらに、2025年夏までには1日あたり100合金の生産・評価が可能になると見込む。本稿では、このセルフドライビングラボの技術的詳細、材料科学特有の課題、競争環境、そしてAIエンジニアへの示唆を深掘りする。

0:00材料科学におけるAIの本質的困難：なぜ「一発解決」できないのか

Joseph Krauseは、材料科学と生物学におけるAI活用の決定的な違いを、分子表現の可否に求める。生物学や創薬で扱われる低分子は、SMILES文字列やSELFIESといったテキスト表現で記述できる。これは、元素と結合の情報が分子の大部分の特性を決定するからである。しかし、構造用合金の場合、化学組成（どの元素をどの比率で含むか）は出発点に過ぎない。実際の材料性能は、微細構造（結晶粒の大きさや分布、析出相の有無）、製造プロセス（鋳造、粉末冶金、積層造形のいずれか）、さらにはサプライチェーンコストや特定元素の地政学的リスクといった要因に大きく依存する。Krauseは「これらすべてを一つの文字列で捕捉する方法はない」と断言する。

この複雑さが、材料科学におけるAIモデルの限界を決定づける。Krauseは「材料におけるグラウンドトゥルースは材料そのものだ。それを実際に作り、テストし、特性評価しなければならない」と述べる。つまり、計算機上のシミュレーションや既存文献からの学習だけでは不十分であり、実際の実験データが不可欠なのである。この認識が、Radical AIのセルフドライビングラボというアプローチの根幹を成している。

さらにKrauseは、材料開発のタイムラインが15〜30年とされる理由を、業界の断片化に求める。アカデミアは初期発見を担当するが、その後のスケールアップや実用化には関与しない。中小企業は政府助成金で特定の材料を研究するが、大企業は既存材料の5〜10%の性能向上に注力し、革新的な新材料の探索には消極的である。この断片化により、発見から製造までのデータと知見が継承されず、結果として材料開発の長期化を招いている。Radical AIの使命は、この断片化されたプロセスを閉ループシステムで統合し、発見から実用化までのデータを一貫して捕捉することにある。

12:52材料開発のボトルネック：認定プロセスとサプライチェーンの現実

材料開発の長期化要因として、Krauseは「認定（qualification）」プロセスを挙げる。航空宇宙用途の材料が実際に機体に採用されるまでには、FAA（米連邦航空局）やMIL-SPEC（米軍仕様）による厳格な認定が必要であり、これには通常10年を要する。このプロセスでは、複数のインゴット（鋳塊）を製造し、標準化された試験を繰り返し実施して、材料の信頼性を証明しなければならない。Krauseは「787に搭載されるジェットタービンに新材料を使う場合、そのハードルを下げるべきだと主張する人は誰もいない」と述べつつも、現在の認定プロセス自体は時代遅れであり、AIと自動化によって効率化できる可能性があると指摘する。

もう一つの重要なボトルネックはサプライチェーンである。Krauseは具体例として、ハフニウム（Hf）の価格が10〜15倍に高騰したことを挙げる。ハフニウムはC103という航空宇宙・宇宙用途の合金に約10重量%含まれる元素だが、その供給の大部分を中国が掌握している。このような地政学的リスクを背景に、顧客からは「ハフニウムを除去した同等性能の合金」の開発が求められている。Radical AIはこの課題にすでに取り組み、ハフニウムを含まない代替合金の開発に成功している。

Krauseは、材料開発における「コストvs性能」のトレードオフも重要な考慮点だと指摘する。宇宙産業では性能が最優先され、コストは二の次である。しかし、民生用電子機器や医療機器ではコスト感度がはるかに高い。理論上は優れた特性を持つ合金であっても、スマートフォンに搭載するには高価すぎるというケースが存在する。このように、材料開発は単なる科学的な課題ではなく、経済性、サプライチェーン、規制といった多層的な制約を同時に満たす必要がある点が、創薬など他の分野と異なる本質的な困難さである。

23:02セルフドライビングラボの実像：自動化された実験室と自律的研究の違い

Krauseは、単なる「自動化された実験室（automated lab）」と「セルフドライビングラボ（self-driving lab）」を明確に区別する。自動化された実験室は、人間の指示に従って所定の実験を高速に実行する。これは、ハンズフリー運転で車線維持や速度調整は自動で行えるが、左折が必要な場面では人間の介入が不可欠な状態に例えられる。一方、セルフドライビングラボは、Waymoの完全自動運転のように、人間が目的地を指定するだけで、経路選択や判断をすべて自律的に行い、研究キャンペーン全体を実行する。つまり、「実験を実行する」のではなく、「研究を実行する」のである。

このセルフドライビングラボを実現するために、Radical AIは三つの要素を統合している。第一に、実験機器を制御する「オペレーティングシステム」である。これはサンプルの追跡、品質チェック（不良サンプルの実験中止判断）、各機器への投入順序の最適化などを担う。第二に、ロボティクスによる機器間の物理的接続である。人間の科学者がサンプルを持って次の機器に移動するように、ロボットアームがサンプルを運搬する。第三に、各機器の自動化そのものである。

しかし、この自動化には想像以上の困難が伴う。Krauseは具体的な「戦争体験談」をいくつか語っている。例えば、合金の合成後、3,000〜4,000度の高温で溶解した材料がトレイに固着してしまう。人間の科学者なら「ノミで叩いて剥がす」という直感的な動作で対処できるが、ロボットにその動作をさせるにはカスタムアクチュエーターの設計が必要だった。また、実験機器ベンダーの中には、自社のソフトウェアによるデータ分析を付加価値として販売しているため、生データへのAPIアクセスを提供することに消極的だった。Krauseは「2年前は、お金を払ってもデータにアクセスさせてもらえなかった」と振り返る。しかし、AI for Scienceの機運の高まりとともに、この状況は改善しつつある。

32:07AIサイエンティストの学習ループ：少量データで新発見を生む仕組み

Radical AIのAIサイエンティストは、能動学習（active learning）のループを回している。具体的には、AIが仮説を生成し、それを実験キャンペーンとしてラボに送り、合成・特性評価を経て得られたデータを学習し、次の仮説に反映する。このループは実験ごとではなく、キャンペーン単位で更新される。Krauseによれば、現在は7〜10のキャンペーンが同時並行で稼働しており、結果は毎日または隔日でAIにフィードバックされている。

特筆すべきは、このループが比較的少数のデータ（1,200合金、各合金あたり50〜150データポイント）で有効に機能している点である。Krauseは「MLエンジニアから『数百万のデータポイントが必要では？』とよく聞かれるが、我々はそうは思わない」と述べる。実際、300の新規合金と10の実用化候補を生み出したのは、この比較的小規模なデータセットからである。Krauseは「材料科学におけるボトルネックは計算資源ではなく、実験データの不足だ」と強調する。

AIサイエンティストのもう一つの強みは、人間の科学者が持つ無意識のバイアスから解放されている点である。Krauseは、高エントロピー合金（5〜7種類の元素をほぼ等原子比で含む合金）の探索において、AIが人間の科学者が「うまくいかないだろう」と考えて避けていた元素の組み合わせを積極的に探索し、実際に合成に成功した事例を紹介する。人間の科学者は「この元素は蒸発する」「微細構造が乱れる」といった過去の経験や直感に基づいて探索範囲を無意識に制限してしまう。しかし、AIはそのような制約を持たず、かつ高速な実験が可能であるため、未踏の元素ファミリーに進出できる。Krauseは「人間の科学者が50実験/年だったのに対し、AIは1日100実験を目指している。実験のコスト（1サンプルあたり60〜300ドル）が低いわけではないが、『とりあえず試してみる』という姿勢が重要だ」と語る。

45:03競争優位の源泉：実験データとオープンソース戦略

Radical AIの競争戦略は、一見すると矛盾しているように見える。同社は、自社開発のAIモデル（MATRIXシリーズ）やシミュレーションフレームワーク（TorchSim）をオープンソースとして公開している。Krauseはその理由を三つ挙げる。第一に、コミュニティ全体がセルフドライビングラボ方式の科学研究に移行することを促進するため。第二に、オープンソース化によってコミュニティからのフィードバックを得て、自社技術を改善するため（TorchSimは実際に非営利組織としてスピンアウトした）。第三に、そして最も重要な点として、同社は「モデルはmoatではない」と明確に位置づけているからである。

Krauseの主張は明確だ。「5年後には、ほとんどの科学モデルはオープンソースになるだろう。我々のmoatは実験データとセルフドライビングラボそのものだ。」つまり、誰でも使える汎用モデルを自社のパイプラインに組み込むことは、むしろ歓迎すべきことである。より良いモデルが登場すれば、それを即座に自社のAIサイエンティストに統合すればよい。競争優位は、そのモデルを動かすための高品質な実験データと、それを高速に生成するラボのインフラにある。この考え方は、モデル自体を製品として販売する多くのAIスタートアップとは一線を画す。

実際、Radical AIはMATRIX-PTというVision-Language Modelを公開している。これは、走査型電子顕微鏡（SEM）画像などの実験データから科学的知見を抽出するためにファインチューニングされたモデルである。注目すべきは、このモデルが材料科学の画像理解だけでなく、一般的な科学的推論能力においても5〜16%の改善を示し、さらに生物学領域にも転移可能であった点である。Krauseは「実験データを理解することで、AIはより良い科学者になる」と述べ、この「科学的直感の獲得」こそが、実験データをmoatとする戦略の本質であると説明する。

56:40なぜ今なのか：セルフドライビングラブを可能にした三つの潮流

Krauseは、セルフドライビングラボが現実のものとなった背景として、三つの要因を挙げる。第一に、機械学習力場（Machine Learned Interatomic Potentials）など、計算材料科学の進歩である。これにより、実験の前段階でのシミュレーションが高速化され、探索のファネルを絞り込むことが可能になった。第二に、ロボティクスの進歩である。ロボットアームの低価格化、カスタムグリッパーやアクチュエーターの入手容易性が、実験室の自動化を現実的なものにした。第三に、実験機器ベンダーの姿勢変化である。2年前はAPI提供に消極的だったベンダーが、現在ではソフトウェアインターフェースのサポートを積極的に行うようになった。

さらに、政策的な追い風も大きい。Krause自身、起業前にワシントンD.C.で活動し、議会やエネルギー省、国防総省に対して「セルフドライビングラボは国家インフラである」と働きかけてきた。その結果、DOEのGenesis Mission（数億ドル規模の投資）、国立研究所（バークレー、アルゴンヌ、リバモア、オークリッジなど）でのセルフドライビングラボ構築が進んでいる。Krauseは「AI for Scienceは今、信じられないほどの瞬間を迎えている」と語る。

しかし、Krauseは中国との競争についても現実的な認識を示す。中国は、材料開発から製造までの一貫したイノベーションハブを国家主導で立ち上げる能力を持つ。これは、所有と統制の集中を前提としたモデルであり、米国が模倣すべきではないとKrauseは言う。米国が取るべき戦略は、科学研究の労働力の変革（一人の科学者が10倍の研究アウトプットを出せるようにすること）、国立研究所へのセルフドライビングラボ投資、そして官民パートナーシップの強化である。特に、国立研究所が持つHPC（高性能計算）リソース、世界最高の研究者、そして膨大な実験データを、民間企業の閉ループシステム構築能力と組み合わせることで、中国に対抗できるとKrauseは主張する。

1:09:21AIエンジニアへの呼びかけ：専門性を活かせ、科学者になろうとするな

Krauseは、AIエンジニアに対して明確なメッセージを送る。「MLエンジニアが材料科学者になろうとする必要はない。我々が必要としているのは、MLエンジニアとしての専門性を活かして科学の問題を解決してくれる人材だ。」Radical AIのAIスタックは、マルチエージェントアプローチを採用している。オーケストレーターエージェントが仮説生成を担当し、文献レビューエージェントが関連論文から情報を抽出し、MATRIXのようなカスタムVLMが実験画像から知見を引き出す。これら複数の専門エージェントが協調することで、一人の人間の科学者を超える「AIサイエンティスト」を構成している。

Krauseは、MLエンジニアが材料科学にもたらす価値として「第一原理的な視点」を挙げる。材料科学者は「デンドライト形成」「粒界」といったドメイン固有の概念に囚われがちだが、MLエンジニアは「なぜセグメンテーションモデルを使わないのか？」という純粋な問題解決の視点からアプローチできる。この異分野の視点が、科学研究の方法そのものを変革する可能性を秘めている。

また、KrauseはAIエンジニアに対して、Radical AIが公開しているリソースを活用するよう呼びかける。MATRIXデータセットとモデルはHugging Faceで公開されており、TorchSimは非営利組織として独立している。これらのツールは、材料科学に特化したものだが、その設計思想やアーキテクチャは、他の科学分野におけるAI活用にも応用可能である。Krauseは「我々はモデルを売っているわけではない。実験データこそがmoatだ」と繰り返し強調する。この考え方は、AIエンジニアが科学分野に参入する際のマインドセットとしても示唆に富む。

結びに

本エピソードの核心は、材料科学におけるAI活用の本質的な困難さを直視しつつ、その困難を乗り越えるための具体的なシステム（セルフドライビングラボ）を、実際の成果（1,200合金の合成、300の新規組成、10の実用化候補）とともに提示した点にある。Joseph Krauseの議論は、AI for Scienceに対する過度な楽観論でも悲観論でもなく、実験データと自動化インフラへの徹底した投資という、地に足のついた戦略に基づいている。特に印象的なのは、「モデルはmoatではない」という明確な立場と、その信念に基づくオープンソース戦略である。これは、モデル中心主義が支配的な現在のAI業界において、一石を投じる視点と言える。また、材料開発の長期化要因を、単なる科学技術の問題としてではなく、規制、サプライチェーン、業界の断片化といった多層的な構造問題として捉え、その解決には官民連携によるシステム変革が必要だとする洞察は、政策担当者や経営者にとっても示唆に富む。AIエンジニアにとっては、自らの専門性を科学分野に適用する際のロールモデルとして、Radical AIのアプローチは貴重な参考事例となるだろう。