積水化学工業のマテリアルズ・インフォマティクス(MI)は、材料の配合や分子構造から性能を予測する技術に加え、専門部署が蓄積したノウハウを研究開発者へ広げる仕組みに特徴があります。独自アプリ「RASIN」、利用者教育、専門家への相談支援を組み合わせ、専門家による開発支援と現場の自律的な活用を進めています。
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9回です。積水化学の取り組みを、技術・組織づくり・人材育成・外部連携・事業への貢献の5つの観点で整理します。掲載順は連載の基準に従うもので、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
- 複数物性の予測と、化学構造からの成分探索を使い分ける考え方
- 専門部署の支援と、研究開発者が自ら使うMIをつなぐ仕組み
- RASIN・教育・相談窓口を組み合わせた人材育成の特徴
- 日立・明治大学との協働と、データ基盤・実験自動化の位置づけ
- 「900倍速」「45倍速」「約20%短縮」を対象工程ごとに読む方法
資料確認日:2026年10月30日。企業のニュースリリース、統合報告書、経営説明会資料など、公開資料のみを用いて構成しています。公開事実と本記事の考察を区別し、個別事例の効果、試算、今後の目標を分けて記載しました。
1.積水化学のMIは、材料の配合と構造の両方を扱う
積水化学は、フィルム、接着剤、テープ、微粒子などの機能性材料へMIを展開しています。公開資料では、MIを計算科学、画像解析、情報活用、評価・分析と組み合わせ、素材データを統合して開発へ用いる方向を示しています。[2][3]
こうした材料開発では、複数の性能を同時に満たす必要があります。例えば、ある性能が高くても、加工や使用の条件に合わなければ製品へ適用できません。候補の評価では、一つの数値の最大化と、複数要求を満たす設計を区別する必要があります。
積水化学の事例は、配合・プロセスの組み合わせを扱う課題と、化学構造から新しい成分を探す課題を、それぞれデータで支えるものとして読むと理解しやすくなります。MIの基本は、マテリアルズ・インフォマティクスとはも参照してください。
2.技術:配合設計、構造からの予測、研究データの接続
2-1.13種類の物性を同時に予測し、配合を検討する
2024年の株主向け説明会では、フィルム製品の配合検討において、30万種以上の材料・プロセスの組み合わせを扱う事例が示されています。機械学習で13種類の物性を同時に予測し、配合設計に要する時間を5カ月から4時間へ短縮したと説明しています。[2]
本記事の考察として、この事例の要点は、予測する性能を一つに限定せず、要求を満たす候補を検討できることです。多くの候補を計算で評価できれば、実験へ進める候補を比較する余地が広がります。
ただし、予測上で要求を満たすことと、実物が要求を満たすことは別です。未知の配合や条件では、モデルが学習した範囲から外れる可能性があります。実験へ進める際は、予測の根拠や対象範囲を確認し、評価結果を次の検討に戻す必要があります。
2-2.化学構造から物性を予測し、新規成分を探す
同説明会では、電子材料用テープの接着材開発について、化学構造から直接物性を予測し、新規成分探索の時間を約1カ月から16時間へ短縮した例も紹介しています。[2]
配合比を調整する課題と比べると、こちらは候補となる成分自体を変える探索です。本記事の解釈として、既存原料の組み合わせでは届かない性能に対して、構造を変えた場合の見通しを得る方向と捉えられます。
このとき、物性の予測だけで候補を決めることはできません。入手や合成の可能性、安定性、他成分との相性、必要な評価項目を合わせて検討します。構造からの予測は、合成・評価へ進める候補を考えるための手段として位置づけるとよいでしょう。
2-3.専門部署の解析ノウハウを、内製アプリ「RASIN」へ
積水化学は2024年12月、独自MIアプリ「RASIN」の正式運用開始を発表しました。専門部署の解析ノウハウを集約した完全内製のノーコードアプリであり、研究開発者自身のMI活用を支えるものです。[1]
技術導入の観点では、解析手法を現場で繰り返し使える形にする取り組みです。コードを作成する負担が小さくなれば、材料開発者はデータや結果の検討に時間を使いやすくなります。一方、使いやすい画面があっても、目的変数や入力情報の選び方、評価方法の判断は必要です。
今回の資料では、RASINに実装されている全アルゴリズム、データベースとの接続仕様、利用者数、利用率までは確認できません。会社全体のMI事例を、そのまますべてRASINで実行した事例として扱うことも避けます。
2-4.データ基盤と実験の仕組みを、MIと並行して整える
2024年の統合報告書では、開発データベースの実装と、2023年度から開始したMIを活用する実験自動化への取り組みが紹介されています。共通のデータ基盤と、実験・評価を進めるサイクルの改善を重視する方向です。[4]
本記事の考察として、予測が速くなるほど、次の課題は検証用の試料作製や評価に移ることがあります。計算上の候補選択を速める施策と、実験データを効率よく得る施策は、開発の異なる工程に効きます。
ただし、実験自動化への着手と、すべての工程が自律的につながることは同義ではありません。公開資料からは、全設備の構成、対象テーマの範囲、全社の自律実験の導入率までは特定できませんでした。
| 取り組み | 主な対象 | 研究判断への接点 |
|---|---|---|
| 複数物性の予測 | 材料・プロセスを含む配合検討 | 複数の要求を満たす候補を比較する |
| 化学構造からの物性予測 | 接着材の新規成分探索 | 合成・評価へ進める候補を選ぶ |
| 内製アプリRASIN | 現場でのMI利用 | 専門部署の手法を研究開発者が使う |
| 開発データ基盤・実験自動化 | データの活用と検証サイクル | 予測と実験をつなぐ土台を整える |
3.組織づくり:専門部署の支援と現場の自律活用を組み合わせる
3-1.材料・計算・分析の知見を、課題に合わせてつなぐ
経営説明会資料では、機械学習・多変量解析を中心とするMIに、計算科学、評価・分析、画像解析、情報活用を組み合わせる全体像が示されています。[2]また、統合報告書には情報科学推進センターとMI推進グループの活動が登場します。[4]
ここから読み取れるのは、解析用の表だけで課題を解こうとするのではなく、必要な情報の取得や材料の理解も含めて考える方向です。例えば、性能を説明する情報が足りなければ、モデルを複雑にするより、測定や計算で補うことが有効な場合があります。
ただし、技術の全体像を示した図から、各機能の指揮命令系統や現在の全組織構成を確定することはできません。今回の記事では、公開資料で確認できる機能と役割に絞って整理しています。
3-2.専門家が直接支援し、共通化できる手法を現場へ広げる
RASINの発表では、専門部署が支援する材料開発と、専門部署以外の研究開発者が自らMIを使う取り組みの双方が説明されています。[1]これは、専門家にすべての解析を依頼する運営から、現場が取り組める範囲を広げる仕組みとして理解できます。
本記事の考察として、専門家が個別テーマで得た知見を共通の道具へ移すことで、同種の検討を別の開発者も行いやすくなります。その一方で、対象範囲を外れる課題や、結果の解釈が難しい課題には、専門家の支援が必要です。
利用者が増えるほど、相談の内容から新しい機能や教育の課題も見えてきます。アプリを配布するだけでなく、問い合わせや実務のつまずきを改善へ戻すことが、継続利用につながると考えられます。
3-3.部署を越えて、解析の知見を再利用する
2024年の統合報告書では、異なる部署でも似た領域の開発テーマを、共通の情報として扱い、より良い提案へ結びつける方向が語られています。[4]
MI推進への示唆は、製品が異なっても、解析する問いに共通点があり得ることです。ただし、データをそのまま混ぜればよいわけではありません。測定条件や目的の違いを確認したうえで、手法、特徴量、評価の考え方を再利用できるかを検討する必要があります。
4.人材育成:アプリ・教育・相談を一緒に設計する
4-1.プログラミング以外の学びに集中できるようにする
RASINの発表は、アプリを用いる教育により、プログラミング教育の時間を省き、MIの理論と実践を集中的に学ぶ設計を説明しています。また、専門家と解析結果や改善方法を議論できる相談窓口を含む支援体制も示しています。[1]
本記事の考察として、材料開発者が最初に身につけたいのは、「何を予測したいか」「どの情報が使えるか」「結果をどう確かめるか」を考える能力です。コードの作成を省けても、実験条件やデータの偏りを判断する仕事は残ります。
例えば、予測に必要な測定値が、実験を終えるまで得られない場合、そのモデルを実験前の候補選択には使えません。こうした問題に気づくには、材料の知識と、モデルの使う時点を合わせて考える必要があります。
4-2.実務の疑問を、相談と次の学習へ戻す
学習した直後と、自分のテーマで使い始めた後では、必要な支援が変わります。導入時にはデータを用意できるかが問題になり、モデルを作った後は評価や解釈、次の実験の選択が問題になります。
相談の場では、解析結果だけでなく、目的、データの由来、どの判断に使うかを共有すると議論しやすくなります。これは本記事の提案です。公開資料で確認できる相談支援の仕組みを、自社へ取り入れる際の一つの考え方として整理しています。
| 公開された仕組み | 狙い | 実務への示唆〈本記事の考察〉 |
|---|---|---|
| ノーコードの内製アプリ | 研究開発者が手法を使いやすくする | 操作と解析判断を分けて学ぶ |
| アプリと連動した教育 | MIの理論と実践を学ぶ | 結果を使う場面まで教材に含める |
| 専門家への相談 | 結果や改善方法を議論する | 実務のつまずきを次の学習へ戻す |
| より専門的な教育の提供方針 | 理解が進んだ利用者を支援する | 初級の利用と高度な実践をつなぐ |
4-3.育成の成果は、受講人数と実務での利用を分ける
今回の資料では、MI専門家の最新人数、RASINの利用者数、教育修了者数や認定基準の全容は確認できません。人数を推定するのではなく、確認できる育成の設計を中心に扱います。
自社で評価するなら、受講者数に加え、テーマで使ったか、候補の選択に役立ったか、結果を説明できるか、継続利用できているかを追うとよいでしょう。利用者が増えることと、適切に利用されることを、一緒に確認するためです。
5.外部連携:予測技術と、知識・データの基盤を強化する
5-1.日立とは、3つの領域で協創を開始
積水化学と日立は2022年9月、CMOSアニーリング、材料開発統合ナレッジベース、実験デジタルツインの3領域で協創を開始しました。予測・探索だけでなく、研究知識の整理や実験データの収集・関連づけも対象としています。[5]
本記事の考察として、これらは材料開発で異なる課題に対応します。予測が難しいならモデルや探索手法を見直し、情報が見つからないなら知識の整理を進め、データがつながらないなら実験工程との関係を記録する。その課題に合った技術を選ぶ必要があります。
なお、実験デジタルツインは、実験工程やそこで生じるデータの関係をデジタル上で扱う取り組みです。発表時点で、すべての実験装置が自律制御される状態まで完成したと示すものではありません。
5-2.CMOSアニーリングを、予測モデルの構築へ適用
同年12月の日立の発表は、決定木を用いたモデルの構築にCMOSアニーリングを適用し、複数の条件の組み合わせを考慮して予測精度を改善する手法を説明しています。材料を作る条件の探索だけでなく、予測モデルを作る部分への適用である点が重要です。[6]
また、ここでいうCMOSアニーリングは組合せ最適化を扱う技術です。一般的な量子コンピューターを導入したという説明へ置き換えず、発表された用途と技術の範囲で理解する必要があります。
5-3.明治大学との協働は、新規材料探索へ接続
統合報告書2025では、明治大学金子研究室との協働として、エレクトロニクス分野向けの新規材料探索技術の構築、複数製品開発への展開、2025年2月の技術論文採用を紹介しています。[3]
今回確認した企業資料だけでは、論文のモデル構造や実験条件の全容、製品ごとの寄与までは評価できません。そのため、具体的なアルゴリズム名や製品名を推定して補わず、公開された連携の目的と展開範囲を整理します。
| 連携 | 取り組み | 対象課題 |
|---|---|---|
| 日立:アニーリング技術 | 最適化・予測モデル構築の高度化 | 複数条件を扱う計算 |
| 日立:統合ナレッジベース | 材料開発知識の整理・統合 | 必要な情報を集めて使う |
| 日立:実験デジタルツイン | 実験工程とデータの関連づけ | データ収集と再利用 |
| 明治大学金子研究室 | エレクトロニクス向け新規材料探索技術 | 新規材料の候補提案と開発への展開 |
6.事業への貢献:探索の成果と、開発全体の成果をつなぐ
6-1.「900倍速」「45倍速」は、工程を限定して読む
経営説明会資料が示す900倍速はフィルムの配合設計、45倍速は電子材料用テープの新規成分探索に対応します。これらは製品の認定や量産化までを含む全期間の倍率ではありません。[2]
探索が速くなれば、同じ期間に検討できる仮説を増やしたり、実験へ進める候補を早く選んだりできます。ただし、その先の合成・試作・評価・顧客確認にかかる時間もあるため、探索速度から製品化速度を直接計算することはできません。
6-2.「約20%短縮」の根拠は、過去データを使った試算
2022年12月の発表は、材料開発期間を約20%短縮できる見通しを示しています。注記によると、過去の100件の素材開発データで、実際に評価の高い10件を見つけるまでの候補数が24件から19件へ減ったことを基に、検証実験期間の低減を試算したものです。[6]
このため、すべての材料開発で期間を20%短縮した実績とは区別します。一方、予測の改善を、検証に必要な候補数へ結びつけて評価している点は参考になります。モデルの誤差だけでなく、研究判断にどう効くかを確認する考え方です。
6-3.実用化への接続と、全体目標を分ける
RASINの発表は、専門部署によるMI活用が市場へ展開された製品にも適用されていると説明しています。[1]また、統合報告書2025は機能性材料での開発効率2〜10倍を目指す方向を示しています。[3]製品への適用実績と、今後の効率向上目標は別の情報として扱う必要があります。
公開資料だけでは、MI単独の寄与売上や利益、投資回収期間を特定できません。事業貢献を評価するには、候補探索の改善が開発の進行や性能の実現へどうつながり、製品の提供へ至ったかを追うことが必要です。
| 数字 | 対象 | 適切な解釈 |
|---|---|---|
| 5カ月→4時間、900倍速 | フィルム製品の配合設計 | 個別の設計工程の比較 |
| 約1カ月→16時間、45倍速 | テープの新規成分探索 | 個別の探索工程の比較 |
| 約20%短縮の見通し | 従来MIとの比較検証 | 過去データの候補数から検証実験期間を試算 |
| 開発効率2〜10倍 | 2025年資料の機能性材料開発への展開 | 目指す方向であり、全社平均実績ではない |
6-4.2026年の経営計画でも、MIを研究革新に位置づける
2026年5月発表の中期経営計画「Accelerate 2028」は、R&D強化戦略として、技術プラットフォームを基軸とする新製品開発と、MIを駆使した研究革新への挑戦を掲げています。[7]
これはMIが研究基盤の強化に位置づけられていることを示します。ただし、経営計画全体の売上・利益目標をMIの寄与として扱うことはできません。MIの効果を見る際は、個別テーマの成果と、組織全体の利用・開発指標をつなぐ必要があります。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。積水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 専門家の成功手法を、現場が繰り返し使える形へ変える
解析の成果を個別テーマの中に留めず、共通化できる手順や道具を整理します。同時に、どの条件なら使えるか、どこから専門家へ相談すべきかを示すと、利用者が判断しやすくなります。
② ツール導入に、教育と相談の機会を組み合わせる
操作説明に加え、データの選び方、評価方法、結果から次の実験を考える練習を用意します。実務で出た質問を機能や教材の改善へ戻せば、利用環境と利用者の能力を一緒に高められます。
③ 探索が速くなった後の工程を確認する
候補の選択が速くなったら、試料作製、測定、データ整理、顧客評価のどこに時間が残るかを確認します。必要に応じてデータ基盤や実験自動化へ投資することで、モデルの改善を開発サイクル全体へつなげていきます。
8.積水化学のMIに関するよくある質問
Q1.RASINは外部に販売されているサービスですか?
今回確認した発表は、積水化学グループ内の研究開発者へ展開する内製アプリとして説明しています。外部販売サービスとしての提供は確認できませんでした。[1]
Q2.RASINがあれば、専門家への相談は不要ですか?
会社発表は、アプリに教育と専門家への相談支援を組み合わせています。操作ができることと、解析結果を材料開発へ適用できるか判断することは分けて考える必要があります。[1]
Q3.MIで製品開発全体が900倍速くなったのですか?
900倍速は、公開資料にあるフィルム製品の配合設計工程の比較です。製品化までの全期間や、全社の平均短縮率を示すものではありません。[2]
Q4.現在のMI専門家数や組織構成はわかりますか?
今回確認した資料からは、最新の専任人数や組織構成の全容を特定できません。公開された推進機能、RASINの展開、教育・支援の設計を中心に整理しています。
9.専門家の力を、研究開発者が使う仕組みへ広げる
積水化学の公開事例は、配合設計や化学構造からの予測を進めながら、専門部署の手法をRASINとして展開し、教育と相談支援を組み合わせる取り組みを示しています。データ基盤や実験自動化への活動も、予測と検証をつなぐ方向にあります。
自社へ取り入れるなら、まず改善したい研究判断を定め、専門家が担う部分と現場で繰り返し使う部分を考えます。そのうえで、データ、ツール、教育、支援をそろえ、探索の改善が開発の進行や製品への適用に届いたかを追って評価します。
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。次回は売上高順で住友ゴム工業を取り上げます。
参考資料
- 積水化学「材料開発でのMI活用推進に向け、独自アプリ『RASIN』の正式運用を開始」。2024年12月20日。企業発表のPDF転載。ノーコード、利用者教育、相談支援の説明。
- 積水化学「株主様向け経営説明会」。2024年12月7日、資料表示p.17(PDF18枚目)。MIの構成と、配合設計・新規成分探索の比較例。
- 積水化学「統合報告書2025」。p.57(分冊PDF39枚目)。デジタルサイエンス、RASIN、明治大学・日立との協働。
- 積水化学「統合報告書2024」。p.43(分冊PDF23枚目)。MI推進、開発データベース、2023年度開始の実験自動化への取り組み。
- 積水化学・日立「材料開発におけるMI推進に向け、先進デジタル技術を用いた協創を開始」。2022年9月20日。アニーリング、材料開発統合ナレッジベース、実験デジタルツインの3領域。
- 日立「疑似量子の活用で従来のMIによる材料開発期間をさらに20%短縮できることを実証」。2022年12月16日。本文とp.4注3を参照。約20%は過去データを使った検証実験期間の試算。
- 積水化学「中期経営計画『Accelerate 2028』の策定について」。2026年5月21日、p.2。2026〜2028年度のR&D強化戦略におけるMIの位置づけ。


