【SPReAD-1000 申請者向け】DGX Spark x Azure x GitHub Copilot ではじめる AI for Science Day3

我が家に NVIDIA DGX Spark がやってきた: Day 3

Day 3 は、GitHub Copilot CLI から自然言語で論文検索・調査・分析を回すための環境構築と実験です。

Day 2 記事はこちらです。[6]
Day 1 記事はこちらです。[1]

Day 2 の振り返り

Day 2 までに、次の土台を作りました。

• DGX Spark の初期設定
• VS Code / Remote-SSH
• Node.js と npm
• GitHub Copilot CLI
• Gemma 4 31B IT（llama.cpp / OpenAI 互換エンドポイント）
• NatureLM-8x7B（llama.cpp / OpenAI 互換エンドポイント）

ここまでで「ローカル LLM を利用できる」「Copilot CLI が使える」状態になっています。

Day 3 でやること

Day 3 の目的は、次の 2 つです。

• GitHub Copilot CLI から ToolUniverse MCP を使えるようにする
• Co-Scientist Agent を使って、自然言語ベースの論文探索と分析を実験する

AI is / To be — 研究プロセスの変容

As is（従来の方法）:

1. キーワード検索で論文を探し出し、ダウンロード
2. ダウンロードした論文を読む（AI に要約してもらったものを読む）
3. 内容を理解し、新たな知見を得て、仮説を立てる

To be（AI が論文管理する）:

AI に「○○に関連する論文を 30 本集めてきて、知識グラフを構築し、そこから得られる知見をファイルにまとめて」と自然言語で指示。AI が自動で PubMed、ChEMBL、その他科学 DB を横断検索し、クエリに基づく知識グラフを構築し、レポートを生成する。

AI エージェント時代の研究プロセス変容

この変化は単なる「効率化」ではなく、研究そのものの本質を変えます。

従来の課題:

• 論文検索に数時間〜数日を要する
• 英語で書かれた論文を一本一本読む必要がある
• 知見の抽出・整理・比較が研究者の手作業に依存
• 最新の関連研究を見落とすリスク

AI エージェント導入後:

• 自動収集: 自然言語クエリで数百本の関連論文を数分で横断検索
• 自動分析: AI が論文を読み込み、「材料組成」「プロセス条件」「性能指標」などを構造化データとして抽出
• 知識グラフ: 論文間の関連性、矛盾、引用ネットワークを自動可視化
• 知見の提示: 研究者は「これまで気づかなかった発見」「対照的な手法」「未踏領域」を AI から得られる

結果:

• 研究者は「100本の論文を一冊ずつ読む」のではなく、「AI が構造化した知識から、自分の仮説に最適な論文 5 本だけを精読」という高度な意思決定に集中できる
• 文献調査の時間が 80〜90% 削減される
• その分、実験デザイン・データ解析・新しい仮説生成に時間をかけられる

Day 3 では、この「研究プロセスの変容」を実際に体験してみます。

システム構築

1. ToolUniverse とは

ToolUniverse は、科学系データベースや API を横断して使える AI Scientist 向けツール基盤です。MCP サーバーとして動かすことで、エージェントから自然言語でツール呼び出しできます。[2]

2. ToolUniverse MCP サーバーの構築

まず、実験用ディレクトリを作成します。

mkdir -p ~/AI4S
cd ~/AI4S

このディレクトリ内で Python 環境を準備します。

sudo apt update
sudo apt install -y build-essential python3-dev

python3 -m venv .venv
source .venv/bin/activate
pip install -U pip
pip install tooluniverse

traits/ctraits.c: fatal error: Python.h のようなエラーが出る場合は、上記の python3-dev が未導入です。

次に、MCP 設定ファイルを作成します。以下のコマンドをコピー＆ペーストで実行してください。

cat > ~/AI4S/.mcp.json << 'EOF'
{
  "mcpServers": {
    "tooluniverse": {
      "command": "python",
      "args": ["-m", "tooluniverse.mcp_server"],
      "env": {},
      "description": "ToolUniverse MCP server for scientific database APIs",
      "url": "https://github.com/mims-harvard/ToolUniverse"
    }
  }
}
EOF

確認:

cat ~/AI4S/.mcp.json

この設定は Co-Scientist 側でも採用されている構成です。[3]

3. Co-Scientist のインストール

今回は、筆者が使っている Co-Scientist を利用します。[4]

git clone https://github.com/nahisaho/coreclaw-marketplace.git

以下を実験用ディレクトリへコピーします。

cd ~/AI4S
mkdir -p .github

cp ~/coreclaw-marketplace/coreclaw-skills-hub/skills/co-scientist/AGENTS.md .github/AGENTS.md
cp ~/coreclaw-marketplace/coreclaw-skills-hub/skills/co-scientist/copilot-instructions.md .github/copilot-instructions.md
cp -r ~/coreclaw-marketplace/coreclaw-skills-hub/skills/co-scientist/agents .github/agents
cp -r ~/coreclaw-marketplace/coreclaw-skills-hub/skills/co-scientist/skills .github/skills

4. GitHub Copilot CLI から ToolUniverse MCP を使う設定

GitHub Copilot CLI は MCP 拡張に対応しています。[5]

実験用ディレクトリで Copilot CLI を起動します。

cd ~/AI4S
source .venv/bin/activate
copilot

ポイント:

• .mcp.json がある実験ディレクトリで起動する
• Co-Scientist の .github/ 構成を同ディレクトリに配置しておく
• ToolUniverse サーバー起動に必要な Python 環境を事前に有効化しておく

実験

テーマ

ZnO 薄膜の新素材開発のための情報収集と分析。

狙い:

• レアメタルをあまり使わない ZnO 薄膜設計の知見を得る
• 先行研究の材料系、成膜条件、特性評価を比較する

実験プロンプト（Copilot CLI）

まず、探索条件を明示して実行します。

ZnO薄膜について、レアメタル使用量を抑えた材料設計に関連する論文を近年中心に収集してください。
以下を表形式で整理してください。
1) 論文タイトル
2) 年
3) 材料組成（ドーパント含む）
4) 成膜方法
5) 評価指標（導電率、透過率、移動度など）
6) レアメタル依存度
7) DOI/URL
最後に、低レアメタル化に有効な設計パターンを3つ提案してください。

この直後に、作業用ディレクトリ作成コマンドの実行確認が表示される場合があります。

Create workspace directories
mkdir -p /home/nahisaho/AI4S/workspace/{results,figures,data,logs}

Do you want to run this command?
1. Yes
2. Yes, and don't ask again for `mkdir` in this directory (~/AI4S)
3. No, and tell Copilot what to do differently

今回は 1. Yes を選択して進めます。

その後も実行確認が表示される場合がありますので、内容を確認して Yes を押してください。

確認プロンプトを毎回出したくない場合は、Copilot CLI 上で /allow-all on を実行すると連続実行しやすくなります。
ただし、意図しないコマンド実行を避けるため、信頼できるプロンプトでのみ有効化してください。

出力例（実行時のイメージ）:

レポートを workspace/report.md に保存しました。以下が要約です。

-------------------------------------------------------------------------------------------------------------------

調査結果サマリ

12件の論文（2022–2024）を収集し、ZnO薄膜のレアメタル低減設計を整理しました。全論文とも In/Ga フリー で、Al・B・F・Mg
等の地殻豊富元素をドーパントとして使用しています。

性能ハイライト

┌──────────────────┬───────────────┬──────────┐
│ ドーパント        │ 最良抵抗率     │ 透過率   │
├──────────────────┼───────────────┼──────────┤
│ Al (AZO)         │ 6.0×10⁻⁴ Ω·cm │ ~90%     │
├──────────────────┼───────────────┼──────────┤
│ B                │ 5.1×10⁻³ Ω·cm │ 75–80%   │
├──────────────────┼───────────────┼──────────┤
│ F                │ 3.5×10⁻³ Ω·cm │ 85–90%   │
├──────────────────┼───────────────┼──────────┤
│ なし（光ドープ）   │ — (460 S/cm)  │ 高透過率 │
└──────────────────┴───────────────┴──────────┘

低レアメタル化 設計パターン3選

 1. 地殻豊富元素ドーピング — AZO が ITO 代替の最有力。B/F はウェット成膜に有利
 2. 光誘起ドーピング（ドーパントフリー） — 酸素欠損制御で 460 S/cm を達成（Nat. Commun. 2022）
 3. 共ドーピング＋プロセス最適化 — F+N や Al+Mg の共ドープで単一元素の限界突破

詳細な論文表（DOI付き12件）と設計指針は workspace/report.md をご参照ください。

続けて、次の深掘りプロンプトを実行します。

上記の分析結果をもとに、ZnO薄膜の低レアメタル化に関する知識グラフを作成してください。
ノードは「材料組成」「ドーパント」「成膜条件」「性能指標（抵抗率・透過率・移動度）」「課題」にしてください。
エッジには「改善する」「悪化させる」「トレードオフ」「再現性リスクあり」を付与してください。

そのうえで、次を workspace/report.md にまとめて保存してください。
1) 有望な研究仮説 3 件
2) 検証実験プロトコル（温度、ガス比、ターゲット組成）
3) 失敗リスクと回避策
4) 参考論文 DOI/URL

出力例（2本目プロンプトの実行イメージ）:

すべて workspace/report.md に統合しました。以下がサマリです。

-------------------------------------------------------------------------------------------------------------------

成果物一覧

┌─────────────────────────────────────────┬─────────────────────────────────┐
│ ファイル                                 │ 内容                            │
├─────────────────────────────────────────┼─────────────────────────────────┤
│ workspace/report.md (253行)             │ 全セクション統合レポート          │
├─────────────────────────────────────────┼─────────────────────────────────┤
│ workspace/figures/knowledge_graph.png   │ 知識グラフ (30ノード・39エッジ)   │
├─────────────────────────────────────────┼─────────────────────────────────┤
│ workspace/figures/knowledge_graph.svg   │ 同ベクター版                     │
└─────────────────────────────────────────┴─────────────────────────────────┘

知識グラフの要点

 - AZO が最も多くの性能指標ノードへ「改善する」エッジを持つ中心材料
 - 光ドーピング ZnO はドーパント不要で高性能だが再現性リスクエッジが集中
 - 共ドープ系（F,N / Al,Mg）が ρ–T トレードオフ回避のバイパス経路を形成

仮説3件 → プロトコル → リスク対応

┌──────────────────────────────┬──────────────────────────┬─────────────────────────────────────────────┐
│ 仮説                         │ 核心                      │ 主要リスク                                  │
├──────────────────────────────┼──────────────────────────┼─────────────────────────────────────────────┤
│ H1 Al+Mg+H₂スパッタ           │ ρ<5×10⁻⁴, T>90% 同時達成 │ MgO相分離（→Mg≤3at%に制限）                   │
├──────────────────────────────┼──────────────────────────┼─────────────────────────────────────────────┤
│ H2 ゾルゲル積層+光ドープ       │ PET上 ITO代替            │ UV照射再現性（→N₂グローブボックス内で実施）     │
├──────────────────────────────┼──────────────────────────┼─────────────────────────────────────────────┤
│ H3 F,N共ドープ スプレー        │ 大面積TCO (FoM>10⁻³)     │ F/N比の最適窓が狭い（→1次元探索→DOE）         │
└──────────────────────────────┴──────────────────────────┴─────────────────────────────────────────────┘

各プロトコルに温度・ガス比・ターゲット組成・実験マトリクスを記載し、6件の失敗リスクに対して具体的回避策を定義しています。

まとめ

Day 3 では、GitHub Copilot CLI から ToolUniverse MCP と Co-Scientist を利用し、
自然言語で「論文探索 → 比較分析 → 研究示唆抽出」までつなぐ環境を構築しました。

これにより、研究テーマの初期探索を高速化し、実験設計の前段を短時間で回せるようになります。

次回予告（Day 4）

Day 4 は OpenClaw（旧 NemoClaw） を DGX Spark にインストールし、Day 3 で構築した Co-Scientist + ToolUniverse 環境を「常時稼働型エージェント」として統合します。スマートフォンから研究エージェントに話しかけられる環境を目指します。

参考資料

[1] 我が家に NVIDIA DGX Spark がやってきた: AI for Science Day 1 - Qiita, 2026-04-24 access

[2] ToolUniverse - GitHub, 2026-04-24 access

[3] co-scientist/.mcp.json - GitHub, 2026-04-24 access

[4] co-scientist - GitHub, 2026-04-24 access

[5] @github/copilot (GitHub Copilot CLI) - npm, 2026-04-24 access

[6] 我が家に NVIDIA DGX Spark がやってきた: AI for Science Day 2 - Qiita, 2026-04-24 access