三井化学のマテリアルズ・インフォマティクス(MI)は、候補分子を提案するAIに加え、計算科学とデータサイエンスを支える拠点、人材育成、企業をまたぐ製造データ活用へと展開しています。公開資料から見えてくる特徴は、専門技術を深める仕組みと、各部門がデータを使う仕組みを並行して整えていることです。
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7回です。三井化学の取り組みを、技術・組織づくり・人材育成・外部連携・事業への貢献の5つの観点から整理します。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
- 少量の実験データと外部データを使い、候補分子を提案する技術の考え方
- デジタルサイエンスラボで専門家と計算環境を集める狙い
- 全社のデータサイエンティスト育成と、MI専門家の人数の違い
- 日立・NEC・IBMなどとの連携を、目的別に読み解く視点
- 実験回数削減、開発期間短縮、製造工程改善を区別した成果の評価方法
資料確認日:2026年10月29日。三井化学の公式発表・説明会資料を中心に構成しています。MIそのものと、周辺の研究開発DX・営業DXを区別し、過去の検証、実用化、将来目標を分けて記載しました。考察は本記事の解釈であり、未公開の社内運用を示すものではありません。
1.三井化学のMIを理解する3つの軸
三井化学の取り組みは、研究段階の候補探索、専門技術・人材の基盤整備、事業や製造への接続という3つの軸で見ると理解しやすくなります。例えば、分子を提案するモデルが優れていても、実験で検証できなければ製品開発は進みません。計算設備が充実しても、課題を定める人や利用する部門との接点が必要です。
同社の公開事例では、日立との候補化合物生成技術、デジタルサイエンスラボの整備、再生プラスチックに関する4社協業が、それぞれ異なる役割を担っています。これらを単一のシステムとして捉えるのではなく、どの課題にどの基盤を使うかを見ていきます。[1][3][8]
なお、新規用途探索や文献調査のAIはMIと接点がありますが、材料物性の予測モデルそのものではありません。本記事では、研究テーマの入口や事業への出口を支える関連施策として位置づけます。MIの基本は、マテリアルズ・インフォマティクスとはを参照してください。
2.技術:候補分子生成、仮想探索、製造データの活用
2-1.少量の実験データから、候補化合物を生成する
三井化学と日立は2021年、日立が開発した深層学習技術を、新材料開発へ適用する実証試験の開始を発表しました。大規模な公開データで学んだAIと、実験データで学んだAIを組み合わせる「入れ子型」の構造により、候補化合物を提案する技術です。[1]
発表では、三井化学の過去の有機材料開発データを用いた検証で、従来のMIに比べ実験の試行回数を約4分の1に削減できることを確認したとしています。ここでの比較対象は従来のMIであり、実際の新材料開発での実証は、その後に開始する段階でした。[1]
技術的な要点は、既存候補の性能を予測するだけでなく、性能の良い候補を作る方向へ踏み込んでいることです。本記事の考察として、生成された分子は、合成可能性、安定性、コスト、必要な性能を確かめて初めて開発候補になります。候補生成と実験検証の間をどう設計するかが、実務で重要になります。
2-2.バーチャルスクリーニングを、合成・評価の絞り込みへ使う
2024年のESG説明会では、新規材料探索の期間を1〜2年から3カ月へ、酵素スクリーニングを0.5〜1年から3カ月へ短縮する比較例が示されています。前者は候補ごとの合成・評価期間、後者はランダム探索の候補数などに前提条件を置いた説明です。[2]
同資料には、現行品の開発期間5年に対し、構造・組成最適化を通じて1年とする例も掲載されています。ただし、個別材料の名称、実験データ、事業収益への寄与までを説明する資料ではありません。全社の材料開発が一律に5倍速くなったと扱うことはできません。[2]
これらの図から読み取れる考え方は、実験にかかる時間を見据えて、計算で候補を減らすことです。実験回数が減っても、合成が難しい候補ばかりであれば短縮効果は限られます。候補の性能とともに、検証までの時間や実行可能性を考慮する必要があります。
2-3.計算化学・MI・CAE・分析を組み合わせる基盤
デジタルサイエンスラボの2025年紹介資料では、量子化学計算、分子動力学、MIに加え、CAE、先端分析、AI・画像解析が技術領域として示されています。分子の探索だけでなく、成形や樹脂・複合材料の評価に近い課題も視野に入れた基盤です。[4]
本記事の考察として、材料の構造から物性、加工、顧客製品の性能までを検討するには、異なる尺度の技術が必要です。一つの予測モデルで全体を説明しようとせず、どの段階を計算で扱い、どこを測定で確かめるかを決めることが、技術を組み合わせる出発点になります。
2-4.再生プラスチックの品質変動を扱う
2025年10月、三井化学・萩原工業・丸喜産業・NECは、再生プラスチックの粘度データをMI技術で分析し、品質安定化と工程効率化を進める協業を発表しました。原料品質が変動するなかで、計測と投入量の調整を結びつける取り組みです。[8]
この事例は、新しい分子を探すMIとは異なり、既存材料のばらつきに対応する課題です。発表ではMIと呼んでいますが、扱う対象には製造プロセスの制御・最適化も含まれます。材料と製造の境界でデータを使う事例として読むと、その狙いが明確になります。
| 技術・取り組み | 主な対象 | 確認できる範囲 |
|---|---|---|
| 候補化合物の生成AI | 少量データからの有機材料探索 | 過去データでの検証、2021年に実証開始を発表 |
| バーチャルスクリーニング | 実験候補の絞り込み | 2024年説明会の比較例と前提条件 |
| 計算化学・MI・CAE・分析 | 材料設計から加工・評価までの検討 | ラボの保有技術と設置目的 |
| 再生材の粘度データ分析 | 品質変動と工程改善 | 4社協業と実証・実用化に向けた目標 |
3.組織づくり:専門家の集約と、各部門への展開
3-1.専門家と計算設備を集めるデジタルサイエンスラボ
三井化学は2024年12月、袖ケ浦の研究開発拠点でデジタルサイエンスラボの竣工式を実施しました。計算科学・データサイエンス・HPCを融合し、研究開発部門と生産・技術部門の専門家を集める施設です。計算環境は倍精度理論最高値でPetaFLOPS級とされています。[3]
また、社内の共創拠点をつなぐ通信設備や交流空間も整備しています。ここで注目したいのは、設備投資と人材の交流を一緒に扱っていることです。専門家が異なる研究課題に触れることで、技術の応用先や、計算と実験の接点を見つけやすくする狙いと読めます。[3]
ただし、演算性能は材料開発の速さを直接示す指標ではありません。利用する計算手法、対象の規模、データの準備、結果の解釈によって実際の効果は変わります。また、施設の発表からMI専任者の人数や職種別構成までは特定できません。
3-2.全社のデータ人材は、研究・生産・事業などへ配置する
2026年3月の発表では、育成したデータサイエンティストが研究開発、生産、事業、間接部門などに配属されていると説明しています。特定の専門部署だけでデータ活用を担う構造ではなく、各部門の業務の中で使う人材も育てています。[6]
これとラボの専門家集約を合わせると、専門技術を深める拠点と、現場で課題を扱う人材の両方を整えていると解釈できます。ただし、相談受付、テーマ選定、予算配分、評価責任などの詳細な運営ルールは、今回の資料では確認できません。
3-3.開発と研究の役割を分け、成果の受け手を明確にする
資料確認時点の「R&D 使命/戦略」では、開発部は短中期の顧客・市場ニーズに沿う製品・ソリューション開発、研究所は中長期の技術探索や新事業・新製品創出を担うと説明しています。これはMI専用の制度ではなく、研究開発全体の役割分担です。[13]
MIへの示唆として、同じ技術でも、短期の銘柄改良と中長期の分子探索では、求める成果や判断の期限が異なります。専門家がどちらの課題を支援しているかを明確にすると、予測精度だけでなく、成果を受け取る部門に合った評価を設計しやすくなります。
4.人材育成:全社員の基礎から、実務を担う専門家へ
4-1.レベル0〜3で育成を段階化する
2022年、三井化学はNEC・アビームコンサルティングと、DX人材育成プランと独自教材を策定しました。レベル0〜3の4段階を定義し、化学業界や自社業務を想定した教材、分析演習、認定試験を組み合わせる設計です。[5]
発表では、レベル0は2021年度に役員を含む1万人が受講を完了し、基礎教育を受けた社員から専門段階へ進む人材を選ぶと説明しています。ここでの1万人は基礎研修の受講者であり、データサイエンティストやMI専門家の人数ではありません。[5]
本記事の考察として、教育の段階化には、全員に必要な理解と、専門家に必要な実行能力を分ける意味があります。現場の担当者がデータの利用可能性を考え、専門家へ課題を伝えられるだけでも、解析の入口は改善します。高度なモデルを全員が実装する必要はありません。
4-2.「165名達成」と「177名実績」を時点で区別する
2026年3月30日のリリースは、2025年度末までの165名育成目標を同年3月に達成したと発表しています。一方、資料確認時点の公式非財務指標には、2025年度実績として177名が掲載されています。この記事では、前者を目標達成の発表、後者を年度実績として区別します。[6][7]
いずれも全社のデータサイエンティストに関する数字です。177名全員がMIを専任している、あるいはデジタルサイエンスラボに所属しているという意味ではありません。企業間で組織規模を比較する際にも、育成人数、在籍人数、専任人数をそろえる必要があります。
4-3.研修に加え、部門の課題で実践する
2026年の発表は、研修だけでなく、各事業部門と連携したテーマ設定と、日常業務を通じた実践を育成体系に含めていると説明しています。[6]
ここからの学びは、学習を成果物までつなげることです。例えば、予測モデルを作った後に、誰が、どの業務で、どの頻度で使うかを決める。利用時にデータが変われば、見直す担当者も必要になります。こうした運用を経験することが、継続して使える人材の育成につながると考えられます。
| 数字・指標 | 時点と意味 | 区別すべきこと |
|---|---|---|
| レベル0受講1万人 | 2021年度の基礎研修完了 | 専門家数ではない |
| 165名育成目標の達成 | 2026年3月の発表 | MI専任者数ではない |
| データサイエンティスト177名 | 公式非財務指標の2025年度実績 | 全社人材。ラボ所属人数とは異なる |
| AIによる業務効率化の定常運用 | 2026年度以降の非財務KPI | 育成人数から実務利用へ評価軸を広げる指標 |
5.外部連携:手法、教育、製造現場を目的に応じてつなぐ
三井化学の事例では、外部連携の目的が明確に分かれています。日立との取り組みは候補化合物生成の技術検証、NEC・アビームとの連携は人材育成、再生プラスチックの4社協業は設備と現場データと分析の組み合わせです。自社だけではそろいにくい要素を、課題ごとに組み合わせています。
| 連携先 | 取り組み | 位置づけ |
|---|---|---|
| 日立製作所 | 少量データでの候補化合物生成 | 材料探索技術の検証・実証 |
| NEC・アビームコンサルティング | 業務に合わせた教材と育成計画 | 全社DX人材の基盤整備 |
| 萩原工業・丸喜産業・NEC | 再生材の粘度データ分析と工程改善 | 設備・実データ・分析技術の連携 |
| 日本IBM | 外部情報を使った新規用途探索 | 営業DX。MIとの連動は別途示された方向性 |
とくに4社協業では、三井化学と萩原工業の粘度均一化装置、丸喜産業の工場データ、NECのMI技術を用います。分析技術だけではなく、計測し、材料投入へ反映する設備と実際の製造現場をつなぐ点が特徴です。[8]
なお、その基盤となる粘度均一化技術では、三井化学と萩原工業がライセンス契約を締結し、2025年10月から装置の製造・販売を開始すると発表しました。この装置技術の展開と、4社で進めるMIによる高度化の実証は段階が異なります。[9]
本記事の考察として、連携先を選ぶ際は、必要なアルゴリズムだけでなく、データを取得できる相手、結果を現場へ反映できる相手も重要です。データの分析で終わらず、工程の変更まで届く役割分担を設計する必要があります。
6.事業への貢献:探索効率、製造改善、市場への接続を分けて見る
6-1.開発の効率化は、比較対象と工程を確認する
実験回数約4分の1や、開発期間5年から1年という表現は、MIの可能性を示す一方、検証方法や対象範囲の異なる数字です。前者は過去データで従来MIと比較した検証、後者は説明会資料の個別例として読む必要があります。
自社の評価でも、試行回数、材料合成の時間、評価の時間、顧客認定を含む製品化期間を分けると、改善した箇所が明確になります。ある工程が短くなった後に、別の工程が開発全体の制約になることもあるためです。
6-2.再生材では、品質と製造時間の改善を狙う
4社協業の発表では、タンブリング工程を不要にすることで、製造全体の所要時間を従来比25%削減することを目指すとしています。発表時点では目標であり、達成済みの削減実績ではありません。[8]
事業への貢献を評価するなら、粘度の安定性だけでなく、規格外率、処理量、追加樹脂の使用量、工程時間などを合わせて確認するとよいでしょう。これは本記事の評価案です。品質が改善してもコストや処理能力に問題が残れば、事業上の効果は変わるためです。
6-3.用途探索は、材料技術と市場を結びつける入口
三井化学は2022年、IBM Watsonによる新規用途探索の全社実用開始を発表しました。材料の機能用語と、ニュース・SNS・特許などから得られるニーズを結びつける営業DXです。[10]
2023年には、20以上の事業部門での利用、100以上の新規用途の発見を報告し、生成AIと組み合わせる実用検証も開始しました。ただし、用途の発見数は売上化件数ではありません。また、MIやロボティクスとの連動は、同発表で示された今後の方向性として区別します。[11]
MIへの示唆は、何の性能を高めるべきかを、市場側の情報から考えられることです。必要な性能を定める前段階と、材料を設計する段階を結びつければ、探索の目的をより具体化できます。一方で、用途候補は顧客の要求、適合性、採算を確認して初めて事業機会になります。
6-4.文献調査のAIは、MIの前工程を支える関連施策
2026年3月には、化学構造式の画像と文章を使い、化合物や関連情報を調査・整理する生成AIエージェントの開発も発表しています。初期検証で文献調査時間を80%以上削減し、社内実証を経て2026年度の本格運用を目指すとの内容でした。[12]
これは材料性能の予測精度を示す成果ではなく、調査業務の改善です。本記事では、研究者が候補や既存知見を調べる段階を支える技術と位置づけます。取得情報をMI用データとして利用する場合には、出典、実験条件、単位、構造の対応を確認する必要があります。
| 公開された数字 | 何を示すか | 記事での扱い |
|---|---|---|
| 実験試行回数約1/4 | 過去データでの従来MIとの比較検証 | 全社の実験回数削減率ではない |
| 開発期間5年→1年 | 2024年資料の構造・組成最適化の例 | 全製品平均や収益実績ではない |
| 製造時間25%削減 | 再生プラスチックの工程改善目標 | 達成実績とは区別 |
| 100以上の新規用途発見 | 2023年発表の用途探索成果 | MIの材料開発件数や売上化件数ではない |
| 文献調査時間80%以上削減 | 2026年発表の初期検証 | 研究開発全体の短縮率ではない |
今回の資料からは、MI単独の寄与売上や利益額、投資回収期間までは確認できません。事業効果を考える際は、探索の改善、研究成果の移管、製品化、収益への寄与を段階的に追うことが必要です。詳しくは、MIの事業価値を考える記事も参照してください。
7.自社のMI推進に取り入れたい3つの視点
以下は公開事例をもとにした本記事の考察です。三井化学の未公開の制度や運営方法を示すものではありません。
① 専門家が深める仕事と、現場が使う仕事をつなぐ
高度なモデルや計算基盤の整備に加え、現場が課題を伝え、結果を判断できる能力を育てます。相談時には、目的、利用できるデータ、判断期限、成果を受け取る担当者をそろえると、技術と業務の接点を具体化できます。
② 人材育成の次に、定常利用を追う
三井化学の非財務指標は、2026年度以降、AIを使う業務効率化プロセスの定常運用へ軸を移しています。これは全社DXのKPIですが、MIでも参考になる方向です。受講者や試作モデルの数とともに、実験候補の選択に使われたか、継続利用されているかを追うとよいでしょう。[7]
③ 企業をまたぐ課題では、計測と現場への反映まで設計する
品質変動に対応するには、データを集めるだけでなく、どの指標を測り、分析結果を誰がどの条件へ反映するかを決めます。製造現場と分析担当が、使用条件や結果の評価を共有することが重要です。モデルの改善と工程の改善を一緒に進められる体制を考えます。
8.三井化学のMIに関するよくある質問
Q1.MI専門家は177名いるのですか?
177名は公式非財務指標に掲載された2025年度の全社データサイエンティスト数です。MI専任者やデジタルサイエンスラボ所属者の人数ではありません。[7]
Q2.実験回数4分の1は、実際の開発で達成した数字ですか?
2021年発表では、過去の材料開発データで、従来MIと比べた検証結果として説明されています。同時に、実際の新材料開発に適用する実証試験の開始を発表した段階です。[1]
Q3.再生プラスチックの製造時間は25%減ったのですか?
2025年10月の4社協業発表では、25%削減を目指すとしています。基盤となる粘度均一化装置の製造・販売開始の発表と、MIで高度化する実証の目標は分けて読む必要があります。[8][9]
Q4.新規用途探索や文献調査AIもMIですか?
本記事では、営業DXや研究開発DXの関連施策として扱っています。材料の探索目標づくりや知見の調査に役立つ一方、材料物性の予測や実験検証そのものとは役割が異なります。
9.材料探索を、組織と事業の仕事へつなげる
三井化学の事例からは、候補分子を生成・評価する技術、専門家と計算環境の集約、全社のデータ人材育成を並行して進める姿が見えてきます。再生プラスチックの協業では、現場データと設備を通じて製造工程の改善にも接続しています。
自社へ取り入れるなら、まず材料探索や製造のどの判断を改善したいかを定めます。そのうえで、専門技術、現場の知識、育成、外部連携をそろえ、成果が継続して使われるかを確認する。こうした設計が、MIを研究・開発・事業の中で活用するための足場になります。
連載全体は化学・素材メーカーのMI活用事例一覧をご覧ください。次回は売上高順でレゾナック・ホールディングスを取り上げます。
参考資料
- 三井化学「三井化学と日立が材料開発を高速化するMI技術の実用化に向けた実証試験を開始」。2021年6月28日。過去データによる検証と、その後の実証試験開始を区別。
- 三井化学「VISION 2030 ESG説明会」。2024年7月9日。資料表示p.17〜18(PDF17〜18枚目):探索の比較例、開発期間短縮、計算基盤・教育。
- 三井化学「研究開発DXを加速する「デジタルサイエンスラボ®」竣工式を開催」。2024年12月17日。専門家集約、HPC環境、共創設備。
- 三井化学「デジタルサイエンスラボ®の紹介」。2025年5月21日、1ページ。CAE、計算化学・MI、先端分析の技術領域。
- 三井化学「NEC・アビームコンサルティングと共に企業変革に向けたDX人材育成プラン及び研修コンテンツを策定」。2022年3月24日。レベル0〜3の育成計画と教材・認定試験。
- 三井化学「DX人材基盤を起点とした全社変革を次のステージへ」。2026年3月30日。データサイエンティスト165名育成目標の達成と部門配置。
- 三井化学「非財務指標」。2026年10月29日確認。2025年度実績177名、2026年度以降のAI定常運用KPI。
- 三井化学「三井化学・萩原工業・丸喜産業・NEC、MI技術を活用し再生プラスチックの品質安定化と製造工程の効率化に向けて協業を開始」。2025年10月7日。4社の役割と製造時間25%削減の目標。
- 三井化学「三井化学と萩原工業、リサイクルプラスチックの粘度を均一化する技術のライセンス契約を締結」。2025年10月3日。装置技術のライセンスと製造・販売開始の発表。
- 三井化学「IBM Watsonによる新規用途探索の全社実用をスタート」。2022年6月22日。営業DXの取り組みと、MIとの将来連携。
- 三井化学「生成AIとIBM Watsonの融合による新規用途探索の高精度化と高速化の実用検証スタート」。2023年4月12日。20以上の事業部門、100以上の用途発見。
- 三井化学「研究開発の文献調査を革新する生成AIエージェントを開発」。2026年3月2日。初期検証の調査時間削減、社内実証、本格運用の目標。
- 三井化学「R&D 使命/戦略」。2026年10月29日確認。開発部と研究所の役割、内製技術と外部連携の考え方。


