三菱ケミカルグループのMI戦略｜MI Bridge・人材育成・外部連携と事業貢献

化学・素材メーカーのMI活用を、技術と推進の仕組みから読み解く企業別シリーズ。第2回は、日本の化学・素材メーカーのMI活用事例11選の売上高順に従い、三菱ケミカルグループを取り上げます。

この記事で学べること

MI Bridgeが研究者とデータサイエンティストの協働をどう支えるか
計算化学と機械学習を組み合わせる技術、ポリマー・溶媒の相溶性予測
CoE、人材育成、社内交流を材料開発への展開と結び付ける考え方
統計数理研究所・NIMSとの連携と、企業間データ活用の違い
顧客提供可能なサンプル作成までの期間短縮を、事業貢献としてどう読むか

三菱ケミカルグループのMIは、材料の知識とデータ解析の専門性をつなぎ、顧客への提案を速める仕組みとして見ると理解しやすくなります。 研究者が日常的に使う環境、社外との基盤技術開発、企業をまたぐデータ活用を合わせて追うことで、推進の全体像が見えてきます。

本記事は2026年10月25日までに確認した公開資料に基づきます。三菱ケミカルグループ株式会社、三菱ケミカル株式会社、旧・三菱ケミカルホールディングスの発表を、その主体と時点に沿って紹介します。過去の組織名・施策を現在も同じ形で続く制度とは扱わず、企業公表の事実と編集部の考察を分けています。

1．三菱ケミカルグループのMIは、何を解決しようとしているのか

同グループは、MIの活用には材料・事業の知識とデータサイエンスの両方が必要であり、その全てを担う人を各現場に確保する難しさを課題として示しました。そこで2023年、研究者とデータサイエンティストの協働を支える「MCG Intelligence Bridge（MI Bridge）」の開発を発表しています。［1］

材料開発では、同じ数値でも測定条件や試料の作り方によって意味が変わります。研究者はその背景を解釈し、解析の専門家はモデルの構築や検証を支えます。双方が共通のデータと作業環境を使えれば、相談のたびに資料や処理を作り直す負担を減らし、次の実験へ進めやすくなります。

5つの観点で捉える三菱ケミカルグループのMI（編集部整理）
観点	中心となる取り組み	深掘りする問い
技術	MI Bridge、計算化学と機械学習の統合	予測を研究者の判断へどう渡すか
組織づくり	専門家の横断連携と現場との協働	共通化する仕事と材料固有の仕事をどう分担するか
人材育成	スマート人材、技術交流、専門家との協働	利用者と開発者に必要な能力をどう育てるか
外部連携	統数研、NIMS、企業間データ連携	基盤研究と具体的な材料開発をどう接続するか
事業への貢献	顧客提案、サンプル作成までの期間短縮	どの開発段階で価値を確認できるか

2．技術｜日常の材料設計と、基盤技術の開発を両輪で進める

2-1．MI Bridgeでデータ登録・検索・予測・逆解析をつなぐ

MI Bridgeでは、データサイエンティストがデータ処理や機械学習アルゴリズムを組み込み、研究者が実験データの登録・検索、推論、逆解析を行います。発表は、経験や暗黙知を共有し、材料設計と顧客提案を支える狙いを説明しています。［1］

推論は、入力した条件から性能などを予測する操作です。逆解析は、目標とする性能から、その達成に近い材料や条件の候補を探す操作です。例えばポリマーの配合設計なら、配合から物性を予測する仕事と、必要な物性を満たす配合を考える仕事が対応します。この説明は編集部の一般例であり、MI Bridgeの特定の導入案件を示すものではありません。

ここで重要なのは、入力と出力の間に材料の制約を組み込むことです。購入可能な原料、試作できる配合範囲、測定のばらつきを踏まえて候補を選べば、予測結果を具体的な実験計画へ移しやすくなります。MIの基本は、マテリアルズ・インフォマティクスとはでも解説しています。

2-2．ポリマーと溶媒の相溶性を、計算と実験から予測する

統計数理研究所との共同研究では、2023年、ポリマーと溶媒の相溶性を予測する技術を公表しています。相溶性は、混ざりやすさに関わる性質です。研究では相互作用を表すχ（カイ）パラメータを対象に、量子化学計算のデータと限られた実験データなどを、マルチタスク学習で統合しました。［6］

マルチタスク学習は、関連する複数の予測課題を一緒に学習する方法です。実験の数値を当てる課題に、計算結果や溶解性に関する補助的な課題を組み合わせることで、少ない実験データだけでは捉えにくい関係を学ぶ狙いがあります。

公表資料は、量子化学計算に基づく従来法と比較し、χパラメータの計算が約40倍速かったと報告しています。これは当該モデル・比較条件での計算速度であり、材料開発全体が40倍速くなったという意味ではありません。ソースコードとデータの一部の公開も報告されました。原著論文はMacromolecules誌に掲載されています。［6］［7］

実務上は、溶媒候補を選ぶ場面で予測を使い、試料調製や安全性、回収のしやすさなどを実験で確かめる使い方が考えられます。適切な溶媒選定は合成、精製、塗装、分離などへ関わるため、同じ基盤技術を複数の開発課題へ展開する余地があります。これは研究成果を踏まえた編集部の考察です。

2-3．材料の構造情報も予測へ生かす

2021年には、NIMSと三菱ケミカルを含む化学4社が、材料の構造情報を活用し、少ない実験で物性予測の誤差を小さくするAI技術を発表しました。組成・加工条件に加えて、X線回折や示差走査熱量測定などで得る情報を活用する考え方です。これは水平連携による共同成果です。［10］

この事例が示す論点は、研究者が設定できる条件と、試作・測定を経て得られる情報の違いです。新しい材料の提案時点で何が分かっているかを整理すれば、利用可能な情報に合った予測の流れを設計できます。特徴量の詳しい整理は、材料開発の特徴量設計を参照してください。

3．組織づくり｜共通の専門機能と材料現場を結び付ける

3-1．専門知識を集約するCoEという仕組み

旧・三菱ケミカルホールディングスの2021年の発表では、画像解析CoEに先行して、テキストマイニング、MI、数理最適化のCoEがあったことが確認できます。同発表はCoEを、人材育成や事業創出の核となる専門集団・拠点と説明しています。［3］

CoE（Center of Excellence）は、特定分野の知識を集め、複数の現場が利用できるようにする考え方です。MIでいえば、似たデータ処理を各部署が繰り返し実装するより、専門家が共通部分を整え、材料ごとの目的や制約は現場と一緒に決める形が考えられます。

MI Bridgeの役割分担をこの観点で読むと、専門家が整えた解析機能と、研究者が持つ材料知識の接点を作る取り組みとして捉えられます。ただし、今回の資料からCoEとMI Bridgeの現在の管理・指揮系統までは確認できません。組織の設計思想と、実際の組織図を分けて理解することが大切です。

3-2．デジタル部門の役割を、価値創出と結び付ける

『KAITEKI REPORT 2023』は、2023年4月のデジタル部門の組織改編や、役割に即したKPIの設定を説明しています。デジタル部門を、他部門と共に価値を生む機能として位置付けた内容です。MIだけに限定した組織方針・指標ではなく、当時のデジタル戦略として読みます。［4］

編集部の考察として、MI推進でも「解析の実施件数」に加え、案件が次の段階へ進んだかを見られると有益です。候補を提示した後に実験で検証されたか、顧客へ試料を提供できたか、他の研究者が同じ手順を利用できたか。こうした進捗を材料側と専門家側で共有すれば、支援の目的が明確になります。

現場と専門家の分担を考えるための例（編集部整理）
仕事	材料・事業側が持つ情報	解析・基盤側が支えること
目標の定義	顧客要求、必要物性、製造可能な条件	予測対象と検証方法の具体化
データの整備	材料の履歴、測定条件、データの意味	入力規則、検索・処理の再利用
候補の提案	試作可能性、原料と工程の制約	モデル評価、制約を踏まえた探索
検証と展開	実測値、顧客評価、次の要望	誤差の分析、更新、共通機能への反映

4．人材育成｜使う力・作る力・議論する力を育てる

4-1．スマート人材の育成と、MI専門性を区別する

同グループのデジタル戦略は、従業員がデジタルを活用して働く「スマート人材」となる方向を示しています。2023年の報告書には、入社時のデジタル基礎、全従業員向けのデータ分析・可視化など、マネジメント向けのDX研修が示されています。これはMI専用研修に限らない全社DXの教育です。［2］［4］

MIに取り組む人材については、全員が同じレベルのモデル開発能力を持つ必要はありません。利用者は、目的変数、測定条件、予測誤差を理解し、結果を実験へつなぐ。解析の専門家は、データ処理と検証を設計し、モデルの妥当性を説明する。このように担当する判断から学習内容を定める方法が考えられます。これはMI Bridgeの役割分担を踏まえた編集部の整理です。

4-2．技術交流を、知識の再利用へ結び付ける

三菱ケミカルの採用サイトでは、テクノロジー・ウィークやポスターセッションによる技術共有・人材交流を紹介しています。研究所・事業所などをまたいで発表・議論する機会です。こうした交流は技術者全般を対象とする仕組みであり、MI人材だけの制度ではありません。［11］

交流の場をMIへ生かすなら、手法名だけでなく、データの条件、うまくいった判断、実験と合わなかった点まで共有すると、他テーマへ使うための情報になります。説明用の事例と、現場で再利用できる処理・入力例を合わせて残せば、発表が日常の利用へつながります。

公開資料からは、教育の方向性や交流機会を確認できます。一方、MI専門研修の修了者数、独力で解析できる人の割合、教育による事業効果については、本記事の参照資料だけで数値評価できません。今後の開示で注目したいのは、受講数に加えて、実務利用や検証済み成果へ進んだ状況です。

5．外部連携｜基盤研究と企業間開発を使い分ける

5-1．統計数理研究所と材料探索の方法を開発する

2019年、統計数理研究所と三菱ケミカルは、同年10月からの共同研究部門設置で合意しました。データ科学と計算化学を融合した材料探索が目的で、高分子、触媒、無機材料などへの適用を掲げています。当時の親会社のデータサイエンティストも参加する計画が示されました。［5］

2024年には、統計数理研究所のバーチャルラボ事業で「ISM-MCCフロンティア材料設計拠点」が紹介されました。計算機実験と統計的機械学習を統合する材料探索基盤を開発し、複合プラスチックのマテリアルリサイクルに資する新材料を探索する方針です。既往成果として相溶性予測や計算・実験データの統合技術を挙げています。［8］

5-2．NIMSとの水平連携で共通課題に取り組む

NIMSと三菱ケミカル、住友化学、旭化成、三井化学は2017年、Materials Open Platformの運用に関する覚書へ調印しました。各社に共通する中長期課題を対象とし、高分子材料のデータ集積やMI手法の適用・評価を協働する枠組みです。［9］

ここから学べるのは、外部連携の目的を分けることです。複数企業が共有できる測定・予測の基礎課題と、特定の顧客向け材料の配合や製造条件では、共同研究の設計が変わります。共通の方法論は広く検討し、具体的な製品開発では必要な相手と範囲を絞る。公開と機密の扱いも含めた役割分担が重要になります。

5-3．秘密計算を使い、企業をまたいでデータを活用する

2025年7月、三菱ケミカル、大塚化学、三井物産ケミカル、EAGLYSは、秘密計算を活用する「EAGLYS ALCHEMISTA」による共同開発成果を発表しました。2024年7月から企業間データを連携し、通常早くても2〜3年を要するとされる開発を1年未満で進め、顧客提供可能なサンプルを作成したと報告しています。［12］

秘密計算は、暗号化したデータを扱う計算技術です。この事例の意味は、材料の評価に必要な情報を、企業間で利用できるようにする接点にあります。基盤技術の開発、社内利用環境の整備に加え、開発相手とのデータ活用まで検討している点に注目できます。

なお、MI BridgeとALCHEMISTAが直接接続されているかは、今回の資料では確認できません。両者は同グループのMI活用の異なる事例として紹介しています。実務で採用する場合は、入力データ、解析結果、モデルの利用範囲や権限を、連携相手と具体的に定める必要があります。

外部連携の目的と成果の読み方
連携	主な目的	確認できる情報
統数研との共同研究	計算化学とデータ科学の融合	共同研究部門設置、相溶性予測などの成果［5］［6］
統数研のバーチャルラボ	探索基盤の高度化とリサイクル材料探索	2024年時点の研究方針［8］
NIMS・化学4社	各社共通の中長期的な基盤課題	2017年の枠組みと2021年の共同成果［9］［10］
大塚化学・三井物産ケミカル・EAGLYS	企業間データを用いた具体的な材料開発	1年未満で顧客提供可能なサンプル作成との報告［12］

6．事業への貢献｜顧客提案までの時間をどう変えたか

6-1．計算速度、開発期間、収益を別々に評価する

MIの効果を読むときは、何に要した時間が変わったかを確認します。相溶性の予測計算、試作を繰り返す材料開発、顧客評価を経た量産採用は、それぞれ異なる工程です。計算の高速化は探索の幅を広げますが、製品開発の期間への効果を知るには、試作・評価・顧客対応も含めて見る必要があります。

ALCHEMISTAの事例は、計算単独の速度に加え、顧客へ提供できる試料を作る開発段階までの期間を扱う点で参考になります。発表者による従来期間との比較であり、全ての材料や案件に同じ短縮率が適用されるわけではありません。商用量産や顧客採用、継続売上の確定とも段階を分けて捉えます。

6-2．データを使った議論が、改良の方向を具体化する

同共同発表では、定性的な情報交換に加え、解析データや目標との乖離を基に議論できたことが紹介されています。何が不足し、どの方向へ改良するかを双方で共有しやすくなった点が、開発の進め方に関わる成果です。［12］

編集部の考察として、これはMIの価値を「予測の精度」から「意思決定の速度と質」へ広げる例です。顧客や共同開発先との認識のずれが小さくなれば、次に試す材料を決める議論が具体化します。その変化を測るには、試作回数とともに、評価結果を受け取ってから次の条件を決めるまでの期間も記録するとよいでしょう。

事業貢献の段階別整理（公開情報と編集部の評価観点）
対象	公表された内容	評価する際の境界
相溶性予測	従来の量子化学計算に基づく方法より約40倍高速［6］	当該計算の比較。開発全体の倍率とは異なる
MI Bridge	研究者と専門家の共創、データ活用機能の構築［1］	全社の利用人数や期間短縮の実績値は参照資料で未確認
企業間共同開発	通常2〜3年とされる開発を1年未満でサンプル作成へ［12］	当該案件での報告。量産採用とは別段階
収益への効果	本記事の参照資料ではMI単独の寄与を特定できない	売上・利益への金額効果は推定しない

どの成果も、次に確認する指標を添えると事業とのつながりが明確になります。サンプルの段階なら顧客評価への進捗、量産検討なら品質とコスト、継続利用なら他テーマへの展開です。成果の読み方は、MIの事業貢献を扱う記事でも整理しています。

7．自社のMI推進に取り入れる3つの着眼点

以下は公開事例を踏まえた編集部の考察です。大規模な基盤を一度に整える前に、自社で変えたい判断へ置き換えると、着手点を考えやすくなります。

7-1．研究者が繰り返し使う作業を選ぶ

候補の比較、過去データの検索、次の配合の検討など、繰り返し発生する仕事を選びます。まず一つの材料系で、入力するデータと得たい出力をそろえる。その流れを専門家と検証してから、共通部分を他テーマへ広げれば、基盤の機能を実際の需要に合わせられます。

7-2．データの違いを、統合の前に記録する

実験と計算では、同じ物性名でも条件や値の性質が異なる場合があります。温度、組成、測定方法、計算手法、データの出所を残し、何を同じ予測課題として扱えるかを確認します。統合する目的を定めれば、マルチタスク学習や転移学習を検討する際も、補助データが何を支えるかを説明できます。

7-3．顧客へ渡す成果物から逆算する

最初に「どの評価条件を満たした試料を、いつまでに用意するか」を共有します。そこから必要な実験、モデル、データ、役割を逆算すると、MIの目的と顧客提案がつながります。人材育成でも、その流れを説明し、適切な相談相手と検証を進められるかを学習目標にできます。

8．よくある質問

MI Bridgeは、誰でも利用できる外販サービスですか？

2023年の発表はグループ内での展開と機能強化を説明しています。本記事で確認した資料から、一般向けの販売条件や公開利用手順は確認できません。研究者と解析の専門家をつなぐ仕組みとして、その役割分担を参考にするとよいでしょう。

MI Bridgeがあれば、解析の専門家は必要なくなりますか？

公表された仕組みでは、専門家がデータ処理やアルゴリズムを組み込む役割を持っています。現場での利用を広げるほど、モデルの検証、利用範囲の説明、更新を支える仕事も重要になります。

秘密計算を導入すれば、企業間データ連携はすぐ実現できますか？

計算技術に加えて、単位・評価条件・データの意味をそろえる準備が必要です。どの出力を共有し、何を次の実験に使うかを決めることが、共同開発を進める土台になります。

開発期間の短縮は、量産採用まで実現したという意味ですか？

今回の共同発表で確認できるのは、顧客へ提供可能なサンプルの作成です。量産への採用、販売数量、利益効果は、その後の情報として別途確認する必要があります。

9．専門性の接点を整え、顧客提案へつなげる

三菱ケミカルグループのMIでは、研究者が使うMI Bridge、計算化学と機械学習を組み合わせる共同研究、企業間データを用いた材料開発が確認できます。人と人、計算と実験、企業と企業をつなぐ仕組みとして見ることで、技術開発が現場の判断へ届く過程を理解できます。

自社で取り入れる際は、次に試作する条件を選ぶ場面から始め、必要なデータ、専門家との分担、実験での検証をそろえます。その結果を顧客へ渡す成果物と結び付ければ、MIの価値を開発工程の変化として説明しやすくなります。

シリーズ第1回はENEOSのMI戦略です。企業一覧は化学・素材メーカー11社のMI活用事例をご覧ください。売上高順の次回対象は旭化成です。

参考文献・公式資料

資料確認日：2026年10月25日。組織・制度・成果は各資料の発表時点の情報を含みます。本記事は公開資料に基づく編集部の分析であり、各社の公式見解を代弁するものではありません。