住友ゴムのMI戦略|ゴム材料設計・技能伝承・人材育成と事業貢献

住友ゴムのMI戦略:技能伝承と材料設計

住友ゴム工業のマテリアルズ・インフォマティクス(MI)は、ゴムの配合だけでなく、内部構造の画像、先端施設で得る分析データ、熟練者の知識を活用している点に特徴があります。材料の物性推定から候補探索へ、さらにタイヤの構造設計や技能伝承へと、データを用いる対象が広がっています。

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10回です。住友ゴムの取り組みを、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

  • 配合情報にゴム内部の構造情報を加えて、物性を推定する考え方
  • 材料解析、配合探索、文献調査、構造解析それぞれのAI活用
  • 熟練者の知識とデータサイエンスを結びつける組織運営
  • 全社DX教育と、材料開発に必要な専門能力を区別する視点
  • 製品への貢献と、先行実証での時間短縮を読み分ける方法

資料確認日:2026年10月30日。住友ゴムの公式発表を中心に構成しています。材料開発のMIと、周辺の設計DX・全社DXを分け、実用化事例、実証、今後の目標を区別しました。2026年資料における「DUNLOP」は、発表内で住友ゴム工業の名称として用いられている表記です。考察は本記事の解釈です。

1.住友ゴムのMIは、配合・内部構造・使用後の変化を扱う

タイヤ用ゴムは、ポリマー、補強剤、架橋剤、添加剤などからなる複合材料です。住友ゴムの2019年発表は、原材料情報に加え、ゴム内部の構造情報を使う「Tyre Leap AI Analysis」を説明しています。電子顕微鏡画像などから物性を推定し、使用前後の構造変化を捉える方向です。[1]

材料開発の観点で重要なのは、配合量がわかることと、実際にできた構造がわかることは異なる点です。本記事の考察として、同じ種類の原料を使っても、加工や使用の履歴が変われば、構造や性能を考える際に必要な情報も変わります。

住友ゴムの事例は、「何を混ぜたか」に加えて、「どのような状態になっているか」をデータにする取り組み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:分析・配合探索・構造設計でAIを使い分ける

2-1.画像と原材料情報から、ゴムの物性を推定する

Tyre Leap AI Analysisでは、電子顕微鏡画像へのAI解析と、原材料や他の構造情報を組み合わせる物性推定を示しています。画像解析技術は、北海道大学との共同研究によるものです。[1]

ここからの学びは、配合表だけで説明しにくい現象に対し、測定情報を増やす選択肢があることです。例えば、予測誤差が大きいときに、モデルを複雑にするだけでなく、分散状態などを表す情報が不足していないかを考えます。これは本記事の一般化した解釈です。

ただし、画像と物性の関係を学んだことだけで、因果関係の証明にはなりません。撮影条件、試料の採取方法、配合や使用履歴などを確認し、モデルが何を手掛かりにしているかを検証する必要があります。

2-2.先端計測の大量データを、解析できる状態へ整える

2022年、住友ゴムはトヨタの材料解析クラウド「WAVEBASE」を用い、先端研究施設で得るゴム材料データの解析時間を100分の1以下へ短縮したと発表しました。自社のゴム解析の知見を共有し、用途に合わせてプラットフォームを調整した事例です。[2]

この改善は、材料解析プロセスの所要時間に関するものです。タイヤの開発全体が100倍速くなったという意味ではありません。本記事の考察として、高度な測定が短時間に大量のデータを生むほど、解析や解釈が開発の制約になり得ます。

そのため、計測装置を導入することと、得られたデータを研究判断へ使うことを一緒に考える必要があります。データ処理が速くなれば、測定結果を見て次の条件を決めるまでの待ち時間を減らせる可能性があります。

2-3.疑似量子アニーリングで、配合候補を探索する

NECとの2025年の先行実証では、過去の実験データから材料特性との関係を抽出し、疑似量子アニーリングで素材の種類と配合量を探索しました。非熟練者が同等の配合案を作る場合に比べ、案を導く時間を約95%短縮したとしています。[3]

技術的には、性能を予測することと、多数の組み合わせから候補を探すことを結びつける取り組みです。本記事の考察として、予測モデルがあっても、制約を満たす配合を見つけるための探索は別の課題になります。

実務では、原料の使用範囲、配合量の制約、同時に満たしたい特性を明確にする必要があります。最適化の結果は、それらの条件と予測モデルに依存します。実験での再現性や加工性を含む確認も必要です。

2-4.AIエージェントによる材料探索と、構造解析の高速化

同じNECとの実証では、材料開発者の思考プロセスを取り入れたAIエージェントが文献を調べ、材料候補を絞り込む取り組みも示されています。当該探索の期間を人手の作業に比べ60〜70%減らしたとの報告です。これは文献を起点とする候補探索の成果であり、新材料の製品化を示すものではありません。[3]

一方、2026年には富士通との共同開発で、タイヤの接地時の変形を予測するAIサロゲートモデルの実証を発表しました。従来のFEM解析に対し、約45分から約5分へ短縮した例です。これはタイヤ構造の設計DXとして、本記事ではMIの周辺技術に位置づけます。[4]

材料の配合、文献の調査、タイヤ構造の解析は、入力も出力も異なります。「AIで速くなった」とまとめるより、どの判断を支える技術かを分けることが重要です。

住友ゴムの公開事例に見る、AI技術と対象工程
取り組み主な情報支える判断
ゴム物性の推定原材料、内部構造の画像・分析情報構造と性能の関係を考える
材料解析の効率化先端施設などの計測データ測定結果を次の検討へ戻す
配合候補の探索実験データ、目標特性、配合条件試作する候補を選ぶ
AIエージェントによる探索公開文献と材料開発の要件新しい材料候補を調べる
AIサロゲートモデルFEM解析結果と設計情報タイヤ構造の候補を比較する

3.組織づくり:熟練者・分析者・デジタル人材を結びつける

3-1.材料や設計の知識を、学習データに変える役割

2022年のNECとの発表では、住友ゴムの熟練設計者とNECのデータサイエンティストが協力し、テストドライバーの官能評価を項目化して、改良案と合わせて学習データへ整理しています。[5]

この事例は、AIを作る前に、現場で使われる言葉や判断を整理する仕事があることを示します。官能評価の表現を数値へ置き換えるだけでなく、どの現象を指し、どんな改良へ結びつくのかを共有する必要があります。

MIの材料データでも同様に、単位、測定方法、配合の記録方法を理解する役割が欠かせません。データの担当者と材料・設計の担当者が一緒に意味を確認することが、使えるモデルを作る前提になります。

3-2.2026年の組織改正を、過去の部署名と区別する

2026年1月付の組織改正では、AIなどの活用を推進する「デジタル共創推進室」の新設が発表されています。また、計算科学研究部と実験関連部門を再編し、「実験推進部」「性能実験部」「機能解析部」を新設する内容が示されています。[7]

これはデジタル活用と解析・実験機能を強化する組織施策です。ただし、MI専任組織の全容や、各部門がすべてのMIテーマをどう分担するかまでを示す資料ではありません。過去の発表にある部署名を、そのまま現在の体制として描くことは避けます。

3-3.個別の共同開発を、研究開発基盤の整備へ広げる

2025年7月のNECとの戦略的パートナーシップは、研究開発基盤の構築と、新たな事業機会の探索・創出を2つの目的に掲げています。材料探索・解析の高度化に加え、両社の技術や知財を組み合わせる方向です。[8]

本記事の考察として、個別テーマで技術を試す段階から、再利用できる研究の仕組みへ広げるには、対象課題の選定、現場との調整、成果の移管を担う役割が必要です。今回の資料から、社内の全審査ルールや予算配分、最新のMI専任人数までは特定できません。

4.人材育成:全社DX教育と、設計知識の継承を組み合わせる

4-1.リテラシーから専門領域へ、育成を段階化する

住友ゴムは、DXのビジネスコア、プロ、データエンジニアの3領域に対応する育成体系を説明しています。スタッフ系全従業員約3,500名が、2024年末までにDXリテラシー研修を受講したとしています。これは全社DXの基礎教育であり、MI専門家3,500名という意味ではありません。[6]

本記事の解釈として、材料開発者には課題設定や結果の妥当性を考える能力、分析を担う人にはモデルの構築・評価、基盤を担う人にはデータの接続・運用など、役割に応じた学習が必要です。全員が同じ高度な技術を習得することだけが育成ではありません。

4-2.実際の業務課題で、データ準備から成果物まで経験する

公式ページでは、PBL(課題解決型学習)により、業務課題をテーマとしてデータ準備、AIモデル開発、アプリ作成などを行うと説明しています。40件以上のPBL活動を進めたとしていますが、すべてがMIの材料開発テーマとは示されていません。[6]

実務の中で学ぶと、学習用の整ったデータでは見えなかった問題に向き合えます。必要な情報がない、データの意味がそろわない、結果を業務へ戻しにくいといった課題です。その経験を相談や追加学習へつなぐことが、継続して使う能力を育てると考えられます。

4-3.熟練者の思考過程を、若手が学べる情報にする

官能評価のAI化では、評価結果から改良案を導く熟練者の知識を整理し、若手への技能伝承につなげる狙いを示しています。2022年発表時点では、思考過程の可視化へグラフAIを活用する計画も説明されていました。[5]

この活動は、材料の物性予測そのものとは役割が異なります。一方、経験を使って何を判断しているのかを整理する方法は、材料開発のMIにも参考になります。答えだけを表示するのではなく、どの情報を基に候補を選んだかを学べる形にすることが重要です。

人材育成の公開施策と、MI推進への示唆
公開施策確認できる内容本記事の考察
DXリテラシー教育2024年末までに約3,500名が受講データ活用の共通理解を広げる
役割別の育成ビジネスコア・プロ・データエンジニア現場の判断と専門実務をつなぐ
PBL実際の業務課題で成果物を作る学習から利用までの課題を経験する
匠のノウハウの体系化官能評価と改良案を学習データへ整理答えに加え、判断過程を学べるようにする

5.外部連携:材料の知見と、相手の専門技術を合わせる

住友ゴムの事例では、共同研究の相手によって役割が異なります。北海道大学との画像解析、トヨタとの材料解析基盤、NECとの知識・探索技術、富士通との構造解析です。異なる課題を一つのAIで解こうとするのではなく、必要な技術を組み合わせています。

主な連携先と、公開資料で確認できる対象
連携先対象位置づけ
北海道大学画像によるゴム解析材料の構造情報と物性の関係を扱う
トヨタ自動車WAVEBASEのカスタマイズ・実証材料解析データの処理を効率化する
NEC技能伝承、配合予測、材料探索設計・材料の知識とAIを組み合わせる
富士通AIサロゲートモデルの共同開発タイヤ構造解析を高速化する

特にWAVEBASEの事例は、住友ゴムのゴム解析に関する知見を相手に伝え、用途に合った環境へ調整したものです。[2]本記事の考察として、外部技術の活用には、利用側が自社の測定や判断の仕方を説明できることも重要になります。

また、熟練者の知識や研究の暗黙知をAIで扱うには、専門家が何を重視しているのかを整理する必要があります。技術を受け取るだけでなく、目的、データの意味、検証方法を共同で定めることが、現場へ届く連携の一つの条件と考えられます。

6.事業への貢献:製品適用と、実証段階の成果を分ける

6-1.性能持続技術を、商品へ結びつけた事例

2019年発表の「エナセーブ NEXTⅢ」では、Tyre Leap AI AnalysisとADVANCED 4D NANO DESIGNを用いて性能低下のメカニズムを解析し、水素添加ポリマーの採用につなげたと説明しています。AIの研究だけでなく、商品に搭載する材料選択へ接続した事例です。[9]

同発表のウエットグリップ性能低下の半減は、従来品との比較による商品性能の説明です。AIだけが生んだ改善率ではありません。材料、配合、設計、評価などを組み合わせた製品の成果として捉える必要があります。

6-2.配合案導出の時間短縮は、研究工程の改善

2025年のNECとの実証では、目標とする特性項目の90%以上を満たす配合案を得たとしています。この90%は「特性項目を満たした割合」であり、モデルの予測精度90%という意味ではありません。[3]

また、約95%の時間短縮の比較対象は、非熟練者が同等の配合案を導く作業です。試作、実測、タイヤへの適用、顧客認定まで含む全期間とは区別します。新しい配合を選ぶ判断が改善した後に、実験でどこまで確認できたかを追う必要があります。

6-3.構造解析は、実運用の予定も確認する

2026年の富士通との実証は、約60万要素規模のタイヤ構造解析で、接地時の変形を高速に近似するものです。発表では2027年4月の実運用開始を目指しており、記事の資料確認日時点で、本発表から実用開始済みとは判断できません。[4]

解析時間の短縮は、設計候補を早く比較できる可能性を示します。ただし、学習した範囲の外でも使えるか、精密解析をどの段階で残すか、実測で確認すべき項目は何かを定めて利用する必要があります。

主な成果の数字と、その対象範囲
公開された数字対象記事での扱い
解析時間1/100以下2022年の材料解析プロセス製品開発全体の短縮率ではない
配合案導出の時間を約95%短縮2025年の先行実証非熟練者による同等案の導出との比較
目標特性項目の90%以上を充足同じ配合予測の実証予測精度90%とは異なる
探索期間60〜70%削減AIエージェントによる材料候補探索合成・評価・製品化の全期間ではない
約45分→約5分2026年の構造解析実証解析工程の成果。実運用開始は2027年の目標

6-4.事業価値は、研究の改善から製品への接続を追う

住友ゴムの経営方針は、データドリブン経営、デジタル技術による業務高度化、ソリューションサービスをDXの3つの戦略として説明しています。[10]MIの成果も、個別の解析改善だけでなく、製品や事業へつながったかを追うことが重要になります。

今回の資料から、MI単独の寄与売上、利益、投資回収期間までは特定できませんでした。商品への接続を示す事例と、将来の開発力を高める実証を、それぞれの段階で評価する必要があります。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。住友ゴム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 配合情報だけで足りないときは、材料の状態を考える

予測の入力を増やす前に、何を説明できていないかを検討します。配合、加工、内部構造、使用履歴のどこが性能に関係するのかを考え、測定や計算で得られる情報を選びます。モデルの複雑化だけで対応しない視点が重要です。

② 熟練者の知識を、データの項目と判断の関係へ整理する

経験者が注目する現象、比較する情報、候補を除外する理由を、具体例とともに整理します。そうした情報は、学習データの設計にも、若手が結果を理解する教材にも役立ちます。

③ AIの効果は、使った工程と比較対象を添えて記録する

解析、候補探索、配合案の作成、設計の比較では、効果の測り方が異なります。誰のどんな作業と比べたか、実験や製品評価を含むかを明記すると、次に改善すべき課題も見えやすくなります。

8.住友ゴムのMIに関するよくある質問

Q1.タイヤ構造解析のAIも、材料開発のMIですか?

本記事では、ゴム物性や配合の探索と、タイヤ構造の設計DXを区別しています。両者は製品開発でつながりますが、対象の尺度や予測する内容は異なります。

Q2.DX教育を受けた約3,500名がMI専門家なのですか?

約3,500名は、2024年末までのスタッフ系従業員のDXリテラシー研修実績です。MI専門家数や材料開発の専任人数ではありません。[6]

Q3.配合開発全体を95%短縮したのですか?

公表されたのは、先行実証における配合案の導出時間です。非熟練者が同等の案を作る作業との比較であり、試作・性能評価を含む開発全体の短縮率ではありません。[3]

Q4.MIの最新の組織人数はわかりますか?

今回の資料では、MI専任者の全体人数や職種別構成は特定できません。組織改正で確認できる役割と、共同開発・教育の仕組みを中心に整理しています。

9.ゴムの理解と、設計者の判断をデータでつなぐ

住友ゴムの公開事例には、ゴムの構造を捉える分析、配合候補を探す最適化、材料知識を集めるAI、熟練者の判断を共有する仕組みがあります。商品適用の実績と、次の研究基盤を作る実証の両方が見られます。

自社へ取り入れる際は、材料を理解する情報と、開発者が次の行動を選ぶための情報をつなげて考えます。研究のどの判断が改善し、実験や設計、製品への適用がどう変わったかを追うことで、MIの事業への貢献を具体化できます。

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JSRを取り上げます。

参考資料

  1. 住友ゴム「タイヤの性能持続技術開発を加速させるAI技術『Tyre Leap AI Analysis』を確立」。2019年10月18日。原材料・構造情報による物性推定、北海道大学との共同研究。
  2. 住友ゴム「ゴム材料開発における解析時間を100分の1以下に短縮」。2022年4月12日。トヨタのWAVEBASEによる材料解析プロセスの効率化。
  3. 住友ゴム・NEC「世界で競争力のある研究開発基盤の構築に向け、戦略的パートナーシップ活動を加速」。2025年11月26日。配合予測と新材料探索の先行実証。
  4. 住友ゴム「DUNLOPと富士通、AIを活用したタイヤ構造解析の実証実験において所要時間を約90%短縮」。2026年6月3日。AIサロゲートモデルの実証、2027年4月の実運用開始目標。
  5. 住友ゴム・NEC「タイヤ開発における体系化が困難な匠のノウハウをAI化」。2022年11月15日。官能評価の解釈、改良案、技能伝承。
  6. 住友ゴム「継続的成長を支える人材の育成」。2026年10月30日確認。DX育成体系、2024年末のリテラシー研修実績、PBL。
  7. 住友ゴム「2026年1月1日付組織改正および人事異動」。2025年12月8日発表、p.1。デジタル共創推進室の新設と解析・実験関連部門の再編。
  8. 住友ゴム・NEC「世界で競争力のある研究開発基盤の構築と、新たな事業機会の探索・創出に向け、戦略的パートナーシップを締結」。2025年7月14日。研究開発基盤と新事業機会の2つの目的。
  9. 住友ゴム「ウエットグリップ性能の低下を半減〜『エナセーブ NEXTⅢ』を新発売〜」。2019年10月24日。AI・解析技術と水素添加ポリマー採用の関係。
  10. 住友ゴム「経営方針」。2026年10月30日確認。データドリブン経営、業務高度化、ソリューションサービスの3戦略。

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