JSRのMI戦略|半導体材料開発を支える技術・組織・人材育成と事業貢献

JSRのMI戦略:外挿予測と人材育成

JSRのマテリアルズ・インフォマティクス(MI)は、半導体材料の評価業務を改善する実務への適用と、材料予測そのものの限界に挑む基礎研究の両方に特徴があります。SEM画像からのデータ抽出、未知の材料領域を扱う機械学習、化学的に説明できる分子物性予測を、研究開発の変革につなげようとしています。

本記事は、日本の化学・素材メーカーのMI活用事例を売上高順に深掘りする連載の第11回です。JSRの取り組みを、技術・組織づくり・人材育成・外部連携・事業への貢献の5つの観点で整理します。掲載順は連載の基準に従い、MIの優劣を示すものではありません。

この記事で学べること

  • レジスト画像解析と材料物性予測では、解決する課題がどう異なるか
  • MIの専門組織を材料開発部門につなぐ体制
  • 共同研究と研究者の滞在・OJTを組み合わせる人材育成
  • 統計数理研究所、IBM、Enthought、東京大学との連携の役割
  • 実務での効果、論文での検証、将来構想を読み分ける視点

資料確認日:2026年10月30日。企業・共同研究当事者の公開資料を中心に構成しています。論文の内容は、本文中に示す企業発表で確認した範囲を扱います。研究成果と商用製品への採用を区別し、組織・人員の情報には資料の時点を付記しました。「考察」は編集部の解釈・提案です。

1.JSRのMIを理解する全体像

MIは、材料のデータと統計・機械学習などを使い、材料探索や開発の判断を支援する取り組みです。基礎はマテリアルズ・インフォマティクスとはで解説しています。JSRでは、実験から情報を取り出す工程と、その情報から材料の性質を予測する工程の双方に取り組んでいます。

JSRのMIを5つの観点で整理
観点公開資料で確認できる取り組み読み解くポイント
技術レジストSEM画像解析、外挿予測E2T、分子内距離情報を使う物性予測画像からの情報化と、予測モデルの研究を分ける
組織づくりRDテクノロジー・デジタル変革センター内にMI推進室などを配置専門技術を既存の材料開発へ適用する接点
人材育成統計数理研究所への滞在、育成プログラム、OJT研究課題を通じてデータ科学を学ぶ
外部連携統計数理研究所、IBM、Enthought、東京大学との協業理論、AI、開発環境、材料理解の役割を捉える
事業への貢献レジスト材料開発のスピード向上を説明。主要製品の強化と新規テーマ創出を目指す確認済みの効果と、将来の事業目標を区別する

出典:JSRの研究開発体制、センター紹介、共同研究発表を基に編集部整理。[1][2][3][4][5][6][7]

2.技術:評価データの取得から、未知領域の予測へ

2-1.半導体レジストのSEM画像を開発に使える情報に変える

JSRのセンター紹介には、半導体レジスト材料において、SEM画像からのデータ自動抽出、レジストパラメーターの計算の改善、それらを利用した材料開発スピードの向上を実現したと記載されています。一方、短縮率や対象製品名、全社への適用範囲は、この資料では示されていません。[2]

考察:この事例の要点は、AIで最終的な配合を予測する前に、実験結果を扱いやすくすることです。画像を人が読む工程に時間がかかれば、実験数を増やしても判断が追いつきません。画像から得る数値の定義、測定条件、元画像との対応を整えれば、比較や再解析の土台にもなります。ただし、JSRの具体的なデータ項目や運用手順までは公開資料から確認できません。

2-2.E2T:学習データから離れた材料をどう予測するか

JSRと統計数理研究所は2025年、外挿予測を学ぶ機械学習手法「E2T(extrapolative episodic training)」を発表しました。既存データから外挿関係にある課題を多数作り、その課題を通じて予測の学び方を学習させるメタ学習の手法です。高分子・無機材料の40件を超える物性予測課題で評価し、多くの課題で従来モデルより外挿精度が向上したと説明しています。[3]

ただし、未知領域を無条件に予測できるようになったわけではありません。同発表は、外挿領域を含む全データで学んだ理想的な比較モデルには届かないことや、現時点の証拠が特定の事例に限られることも説明しています。追加データによる適応は有望ですが、新しい材料系へ適用する際には、その材料系での検証が必要です。[3]

考察:新材料探索では、既存製品に近い候補だけでなく、組成や構造の異なる候補を評価したい場面があります。そのため、通常のランダム分割による精度だけでなく、どれほど離れた材料に予測が通用するかが重要です。E2Tは、こうした探索上の課題を研究対象にしている点で注目できます。

2-3.IBMとの研究:精度だけでなく、予測理由を化学で検証する

2026年9月、JSRはIBMとの共同研究がNature Computational Scienceに採択されたと発表しました。分子内の距離情報を利用して複雑な分子の特徴を捉え、色素分子の光学特性予測において代表的な既存手法を上回る性能を示したとしています。予測結果を分子軌道解析で検証し、化学的に解釈できることも確認したと説明しています。[4]

考察:開発担当者が次の合成候補を選ぶには、予測値に加え、どの構造の違いが効いていそうかという手掛かりが役立ちます。ただし、色素分子での研究成果を、そのままレジスト材料やすべての高分子に一般化することはできません。また、同発表は材料探索への今後の貢献を述べており、商用製品の採用実績を示す資料ではありません。

主な技術と、確認できる到達段階
技術対象と役割資料上の到達段階
SEM画像からの自動抽出半導体レジストの評価情報を取得・計算実際の適用例として開発スピード向上を説明。定量値は未提示[2]
E2T学習データから離れた領域の物性予測複数の材料予測課題で検証した研究成果[3]
分子内距離情報を使う予測複雑な色素分子の光学特性と予測理由の解釈共同研究の論文採択を発表[4]
材料基盤モデル・生成AIデータ活用基盤と複数の材料システムの統合2025年に共同研究の方針を発表。全体構想の完成とは区別[5]

3.組織づくり:MIの専門性を材料開発につなぐ

3-1.研究開発を変革するセンターの中にMIを置く

JSRの研究開発紹介では、RDテクノロジー・デジタル変革センターは、マテリアルズ・インフォマティクス推進室、イノベーティブマテリアル開発室、JSR・東京大学協創拠点CURIEで構成されています。主要製品群の競争力強化、電子材料の新規テーマ創出、研究開発パイプラインの充足を目指す体制です。[1]

同センターの紹介は、外部機関・企業との共同研究で得た知見を既存の研究開発へ応用・適用すると説明しています。専門技術の研究と、材料開発への展開の双方が業務として示されている点が特徴です。[2]

考察:この体制を運用するうえでは、MI側と材料側が、解くべき課題を共有することが鍵になります。「精度の高いモデルを作る」という目標だけでは、現場が次に何を決められるようになったのかが見えません。評価時間、候補選定、実験の優先順位など、具体的な判断と結びつけてテーマを設定することが有効でしょう。

3-2.組織・研究拠点・共同研究部門を混同しない

JSR BiRDは、先端半導体材料、MI、ライフサイエンスなどの研究活動を行う拠点として紹介されています。センター内のMI推進室と、研究拠点であるBiRD、外部との共同研究部門は、それぞれ異なる単位です。公開資料だけから、これらを一つの指揮命令系統として図示することは避けるべきでしょう。[1]

また、確認した資料では、現在のMI専門人材の総数や、各事業への配置人数、テーマ採択・予算配分の詳細は確認できません。過去の共同研究参加者数を、現在の全社MI人員として扱わないことが必要です。

4.人材育成:研究者が外部に入り、課題を通じて学ぶ

4-1.統計数理研究所への滞在とOJT

2020年10月の共同研究部門設置発表では、JSRからMI、計算・理論化学、高分子・有機化学を専門とする3人の研究者が参画するとしています。統計数理研究所側は5人で、JSRの参画者が同研究所に滞在し、人材育成プログラムとOJTを活用してデータサイエンス人材を育てる計画でした。これらは設置発表時の数字と方針です。[6]

考察:材料研究者がデータ科学の専門家と同じ課題に取り組むことで、アルゴリズムの使い方に加え、問いの立て方や検証方法まで学べる可能性があります。逆に、データ科学側には測定の制約や化学的に実現可能な条件が伝わります。単発の講習と比べ、共同研究は双方の専門知識をすり合わせる機会を継続して持てる点に意味があります。

4-2.育成の成果を「事業の判断を変える力」で見る

JSRのMI・Enthoughtに関する紹介では、組織横断でMIを進め、データ管理システムやシミュレーション技術を協業で開発すること、ビジネス視点を持つデータサイエンスの育成を進めることが説明されています。公開ページには、研修修了人数やMI人材の認定基準は示されていません。[7]

考察:育成では、コードを書けることに加え、実験条件を理解し、検証の誤りを見抜き、結果を開発担当者へ説明する力が求められます。JSRの研修制度の事実として断定せず、材料メーカーが人材育成を設計する際の観点として、次のように整理できます。

  • 材料研究者:測定条件とデータの意味を説明し、予測に必要な情報を定義する
  • MI専門家:未知材料での検証、誤差、適用範囲を説明する
  • 開発リーダー:モデルの結果から、次の実験や投資判断につなげる
  • 運用担当者:他の研究者が再利用できるよう、データと計算条件を残す

5.外部連携:相手ごとに異なる専門性を取り込む

JSRの外部連携は、統計モデルの研究だけではありません。データを扱う環境の整備、化学・材料の理論理解、材料基盤モデルの研究へと広がっています。各連携を同じ「AI導入」としてまとめるより、社内に取り込む能力で比較すると理解しやすくなります。

連携先と公開資料で確認できる役割
連携先取り組み資料の時点・注意点
統計数理研究所MI基盤技術の共同研究、研究者の滞在・OJT、E2T研究2020年設置発表と2025年研究発表を区別[3][6]
IBM材料基盤モデル・生成AI等の共同研究、分子物性予測2025年の構想と2026年の個別成果を区別[4][5]
Enthoughtデータ管理システム、各種シミュレーション技術の開発公式紹介で協業内容を確認。現在の契約範囲までは不明[7]
東京大学・CURIE製品開発の理論理解の探索、共同研究の知見の応用研究開発体制・センター紹介に記載[1][2]

IBMとは2025年11月に、化学産業に特化したAIの共同研究契約を発表しています。材料開発向け基盤モデルの拡張、生成AIなどを利用したデータ活用基盤、複数の材料システムを統合的に扱うプラットフォームの構築を共同研究の方針として挙げています。これは取り組みの方向性であり、全機能の運用開始や全社展開が完了したことを意味しません。[5]

考察:外部連携から継続的な価値を得るには、成果物を受け取るだけでなく、社内で検証し使い続けられる人材と環境が必要です。JSRの事例からは、研究、人材育成、データ・計算環境を併せて考える重要性が読み取れます。一方、契約条件、知的財産の配分、社内データの共有範囲などは、確認した資料では分かりません。

6.事業への貢献:実務効果と将来の競争力を分けて評価する

6-1.現時点で確認できるのは、開発業務への適用と研究成果

事業貢献の入口として確認できるのは、レジスト画像解析による開発スピード向上です。一方、E2TやIBMとの分子予測研究について、公開した研究成果がどの商用製品に採用され、いくらの売上・利益を生んだかは、今回確認した資料では示されていません。研究成果の存在と、事業成果の金額は分けて扱う必要があります。[2][3][4]

事業貢献を読むための整理
段階確認できる内容追加で確かめたい点
業務への適用レジストの画像情報抽出と開発スピード向上[2]対象工程、時間短縮率、適用件数
予測能力の向上E2T・分子物性予測の研究成果[3][4]社内材料での再現性、実験での検証結果
開発基盤の強化材料基盤モデルなどの共同研究方針[5]実運用の範囲、開発者の利用状況
製品・収益への波及主要製品の強化、新規テーマ創出を組織の目的として説明[1]製品採用、顧客評価、売上・利益への寄与

6-2.材料メーカーが参考にできる評価指標

考察:事業との接続を確認するには、「モデルの精度」から「研究者の判断」、さらに「製品開発」へと段階を追うと整理しやすくなります。たとえば画像解析なら、解析時間だけでなく再評価のしやすさを、候補探索なら予測精度だけでなく有望候補を得るまでの実験回数を測ります。これらは本記事の提案であり、JSRが採用しているKPIの開示ではありません。

  • 評価工程:画像1件当たりの解析時間、手作業の修正率、再現性
  • 探索工程:目標物性に届くまでの実験回数、予測と実測の差
  • 組織への定着:継続利用する開発者、再利用できるデータや解析手順
  • 事業への接続:顧客評価に進んだ候補、製品採用、研究開発期間

MIの事業価値を整理する基本的な考え方は、MIは事業価値にどうつながるのかも参照してください。

7.JSRの事例から、MI推進で何を学べるか

JSRの事例は、足元の評価業務と、将来に向けた予測技術の研究を並行して進める姿を示しています。画像解析は実験結果を扱う工程を改善し、外挿予測や分子記述子の研究は、候補材料を評価できる範囲や解釈を広げようとするものです。それぞれの成果を同じ指標だけで評価することは難しいでしょう。

考察:自社のMIを設計する際には、まず現場の具体的な負担を一つ定め、使えるデータと評価方法を整えることが出発点になります。そのうえで、自社だけでは扱いにくい研究課題を外部の専門家と進め、共同研究に参加する人材が社内への展開も担えるようにする。この往復を設計することが、JSRの公開事例から得られる示唆です。

ただし、現在のMI人員規模、全社の利用率、投資額、MI単独の収益貢献額は、今回の資料では確認できません。JSRの強みを評価する際にも、公開された事実と、組織の目的、今後に期待される効果を区別することが必要です。

参考資料

  1. JSR「研究開発」(確認日:2026年10月30日)。研究開発体制・各組織の紹介
  2. JSR 第二新卒採用サイト「RDテクノロジー・デジタル変革センター」(確認日:2026年10月30日)。センターの役割とデータサイエンスの適用例
  3. JSR/統計数理研究所「AI That Masters Predictions Beyond Existing Data —Transforming Data-Driven Materials Science—」(ページ表示日:2025年2月28日)。E2Tの研究発表。掲載論文:Noda et al., Communications Materials, DOI: 10.1038/s43246-025-00754-x。論文内容の説明は本発表で確認した範囲。
  4. JSR「JSR、IBMとの共同研究成果がNature Computational Scienceに採択」(2026年9月18日)。分子物性予測の共同研究発表。論文名:Revisiting Molecular Descriptors with TDiMS for Interpretable Intramolecular Interactions Based on Substructure Pairs。論文内容の説明は本発表で確認した範囲。
  5. JSR「JSR、IBMとAIを活用して半導体材料の開発を強化」(2025年11月4日)。共同研究契約と研究方針
  6. JSR「統計数理研究所とJSR、共同研究部門を設置」(2020年10月1日)。JSR-ISMスマートケミストリーラボと人材育成
  7. JSR「先端技術への挑戦」(確認日:2026年10月30日)。MI・Enthought、シミュレーションと人材育成の紹介

コメントする

メールアドレスが公開されることはありません。 ※ が付いている欄は必須項目です

CAPTCHA


上部へスクロール