Microsoft AI for Science 詳細解説ガイド

作成日: 2026-05-18
対象読者: AI for Science領域に関心のある研究者・研究機関
目的: Microsoft AI for Scienceポートフォリオの研究的意義・技術的位置づけ・活用方法を理解する

エグゼクティブサマリー — 3分で分かるMicrosoft AI for Science

本ドキュメントの対象読者

• 文部科学省ARiSE、JST CREST/さきがけ等の大型研究プログラムへの申請を検討されている研究者
• 研究にAI（人工知能）を本格導入したいが、どこから始めればよいか分からない大学・研究機関の方
• 企業との共同研究においてAIツールの利用を検討しているが、ライセンス条件が気になる方

本ドキュメントを読むことで、「自分の研究にどのMicrosoftツールが使えるのか」「申請書にどう書けるのか」「まず何をすればよいのか」が明確になります。

Microsoft AI for Scienceとは — 背景と全体像

近年、AI（人工知能）は科学研究のあり方を根本的に変えつつあります。従来、新材料の発見には数年〜数十年の実験が必要でしたが、AIを活用することで候補物質を数日〜数週間で絞り込み、実験回数を大幅に削減できるようになってきました。

Microsoft AI for Science は、Microsoftが2021年から本格的に取り組んでいる研究イニシアチブで、以下の特徴があります。

1. 20以上の専門AIモデル・ツールを提供（材料科学、生命科学、気象科学の3領域が中心）
2. 多くがMITライセンスで公開 — つまり、大学・研究機関が無償で自由に利用・改変・再配布でき、企業との共同研究にも制約なく使えます
3. Nature/Science等トップジャーナルに掲載済みの査読済み手法 — 科学的妥当性が学術コミュニティで認められています
4. 実際に研究成果が出ている — 理論やデモだけでなく、米国国立研究所（PNNL）やGSK（製薬大手）での実証実績があります

「MITライセンス」とは？
ソフトウェアの利用許諾形態の一つで、最も自由度が高いオープンソースライセンスです。商用・非商用を問わず、コピー、改変、再配布が自由にでき、著作権表示さえ残せば利用に条件はありません。これに対し、例えばGoogle DeepMindのAlphaFold3は「非商用利用のみ」という制限があり、企業との共同研究で利用する際に法的確認が必要です。

研究者にとっての3つの価値 — なぜ今注目すべきか

価値1: 🔬 研究そのものが加速する

科学研究におけるAIの最大の価値は「これまで計算コストや時間的制約で不可能だった探索を、現実的な時間で実行できるようになること」です。

従来のアプローチ	AI活用後	短縮効果
新材料の候補探索に数年	MatterGenで数日〜数週間で候補生成	100倍以上
タンパク質の動的構造解析に数ヶ月	BioEmu-1で数時間	1,000倍以上
数値気象予報に数時間（スパコン利用）	Auroraで数秒	5,000倍

これは単なる「速くなる」ではなく、これまで試せなかった仮説を試せるようになることを意味します。例えば、候補材料を100個しか評価できなかった研究が、AIにより100万個評価可能になれば、革新的材料を発見できる確率そのものが上がります。

価値2: 📝 研究費申請書で差別化できる

大型研究プログラム（ARiSE、CREST、さきがけ等）の審査では、「本当に実現できるのか」（実現可能性）が重要な評価項目です。Microsoft AI for Scienceツールを活用する計画を申請書に記載することで、以下の差別化が可能です。

• 「実績あるツール」の裏付け: 「Nature掲載のMatterGenを用いた逆設計」と書けば、手法の妥当性を別途証明する必要がない
• 予備実験データの迅速取得: 申請書提出前に、無料のAI Foundry Labsでプロトタイプ実験を行い、予備データを含めることができる
• 国際連携の証明: Microsoft Research AI4Science（英国・オランダ・ドイツ）との連携を計画に含めることで、国際共同研究体制を示せる

価値3: 🤝 企業との共同研究に制約がない

産学連携でAIツールを使用する際、最も問題になるのがライセンス条件です。多くのAIモデルは「学術利用のみ無料」「商用利用には別途契約が必要」といった制限があり、企業パートナーと組む際に法務確認が必要になります。

Microsoft AI for Scienceの主要ツールはMITライセンスで公開されているため：

• 企業パートナーが自由にコードを利用・改変できる
• 共同研究の成果を製品化しても追加のライセンス費用がかからない
• 特許出願や技術移転に制約がない

比較例：

ツール	ライセンス	企業との共同研究
Microsoft MatterGen	MIT（完全自由）	✅ 制約なし
Microsoft BioEmu-1	MIT（完全自由）	✅ 制約なし
Google AlphaFold3	非商用のみ	⚠️ 企業利用には別途契約が必要
Meta ESMFold	MIT（自由）	✅ 制約なし（ただし精度・機能面で劣る）

実績ハイライト — 実際に何が達成されたか

以下は、Microsoft AI for Scienceの技術を実際に使って得られた研究成果です。理論的なベンチマークではなく、実際に実験で確認された結果です。

🔋 バッテリー材料の発見（PNNL共同研究）

パシフィック・ノースウェスト国立研究所（PNNL、米エネルギー省の国立研究所）との共同研究で、リチウムイオン電池の次世代電解質を探索しました。

• 3,200万の候補化合物 からAIで絞り込み
• リチウム使用量を70%削減できる固体電解質を発見
• 発見から4ヶ月で実際に合成に成功 — AIの予測が実験で確認された

この成果の意義: 従来のスクリーニング手法では3,200万候補の評価に数年かかるところ、AIにより数週間に短縮され、さらに予測が正しいことが実験で証明されました。

🧬 タンパク質動態シミュレーション（BioEmu-1）

タンパク質は静止した構造ではなく、常に動いています。この「動き」（コンフォメーション変化）が薬の効き方に直接影響しますが、従来の分子動力学シミュレーションでは計算に数ヶ月かかりました。

• BioEmu-1は従来数ヶ月の計算を数時間に短縮
• 薬が結合する隠れたポケット（クリプティックポケット）の発見が可能に
• 2025年Science誌に掲載

🌍 気象予報の革新（Aurora）

数値気象予報はスーパーコンピュータで何時間もかけて実行されますが、Auroraは同等精度の予報を5,000倍高速に生成します。

• 0.1度（約11km）解像度で世界最高精度
• 2025年Nature誌に掲載
• 大気汚染予測、極端気象予測にも対応

❄️ 非PFAS冷却材の発見（Microsoft Discovery）

データセンターの冷却に使われるPFAS（フッ素化合物）は環境汚染物質として規制が強化されています。Microsoft Discoveryプラットフォームを使った代替材料探索では

• 約200時間（約8日間） で有望な候補物質を発見
• 4ヶ月以内にプロトタイプの合成に成功
• 従来は専門化学者チームが数年かけて行う作業

大型研究プログラム申請での活用価値

国の大型研究予算（ARiSE、CREST、さきがけ等）への申請において、審査委員は以下の観点で研究計画を評価します。Microsoft AI for Scienceとの連携は、それぞれの観点で具体的な訴求材料を提供します。

審査観点	審査委員が見るポイント	Microsoft連携による訴求
科学的革新性	従来手法を超える新しいアプローチがあるか	「Nature/Science掲載のAIモデルを研究基盤として活用する」と記載できる
実現可能性	本当にできるのか。予備データはあるか	PNNL/GSKでの実証実績を引用可能。AI Foundry Labsで予備実験データを取得可能
国際連携	海外の有力機関との連携があるか	MSR AI4Science（英国・オランダ・ドイツ拠点）との共同研究計画を含められる
産学連携	企業との連携体制があるか	MIT Licenseにより企業パートナーとの自由な技術共有が可能
持続可能性	研究期間終了後も成果が継続するか	OSSモデルは企業方針変更に影響されず永続利用可能

申請書記載例（イメージ）：
「本研究では、Microsoft MatterGen（Nature 2024掲載、MIT License）を基盤とした逆設計アプローチにより、目標特性を満たす候補材料を効率的に生成する。本手法はPNNLとの共同研究で3,200万候補から固体電解質の発見・合成に成功した実績があり、本研究テーマへの適用可能性は事前検証済みである。」

あなたの研究領域別ガイド — どこから読み始めればよいか

本ドキュメントは全11章で構成されており、各章が異なる研究領域をカバーしています。以下から最も近い研究領域を選び、まず対応する章をお読みください。複数の領域にまたがる研究の場合は、それぞれの章を参照されることをお勧めします。

🧪 材料科学・計算化学の研究者の方

該当する研究テーマの例: 新材料探索、触媒設計、バッテリー材料、カーボンキャプチャ用吸着材、ポリマー設計、DFT計算の高精度化、固体物性計算

Microsoftが提供する主要ツール：

ツール名	何ができるか	従来手法との違い
MatterGen	「こういう特性の材料がほしい」と条件を指定すると、それを満たす新しい結晶構造を自動生成する	従来: 既知材料のデータベースを検索 → Microsoft: 条件に合う未知の材料を創り出す
MatterSim	生成された材料候補の物理特性（エネルギー、弾性率等）をDFTの数千倍の速度で予測する	従来: DFT計算で1候補あたり数時間 → Microsoft: 秒単位で予測
MOFDiff	CO2回収等に使う多孔質材料（MOF）の構造を自動設計する	従来: 既知MOFのマイナーチェンジ → Microsoft: ゼロから新規構造を設計
Skala	DFT計算で使うXC汎関数（計算精度を決める数学的近似）をAIで改善する	従来: 手作業で設計された汎関数 → Microsoft: データ駆動で精度向上、コスト増なし
SimPoly	ポリマー（プラスチック、ゴム等）の分子シミュレーションをML力場で高速化する	従来: 古典力場（精度低）orDFT（遅い） → Microsoft: DFT精度＋高速

対応する章: 第1章（Discoveryプラットフォーム）、第2章（材料科学モデル群）、第3章（計算化学・合成計画）

Microsoft独自の強み — 他社にない差別化ポイント:

Microsoftは「材料研究の全工程」をAIでカバーする唯一のポートフォリオを持っています。Google DeepMindのGNoMEは材料候補の列挙（前方設計）ですが、MatterGenは**「目標特性 → 材料を直接生成」という逆設計**を実現しています。

材料研究の全工程とMicrosoftツールの対応:

[研究者が目標特性を設定]
    ↓
[MatterGen] 候補材料を逆設計で生成（他社にない機能）
    ↓
[MatterSim/Skala] 物理特性を高速予測（DFTの数千倍速）
    ↓
[RetroChimera] 合成経路を自動提案（「作れるか？」に回答）
    ↓
[実験室で合成・検証]

---

🧬 生命科学・創薬の研究者の方

該当する研究テーマの例: タンパク質工学、構造ベース創薬（SBDD）、核酸医薬設計、ゲノム科学、精密医療、分子動力学シミュレーション、酵素工学

Microsoftが提供する主要ツール：

ツール名	何ができるか	従来手法との違い
BioEmu-1	タンパク質の「動き」（コンフォメーション変化）をシミュレーションし、薬が結合できる隠れたポケットを発見する	従来: 分子動力学で数ヶ月計算 → Microsoft: 数時間で動的構造を予測
RosettaFold3	タンパク質、DNA、RNA、低分子の複合体構造を予測する	AlphaFold3と同等精度だがMIT Licenseで制限なし
Mu-Protein	望ましい機能（酵素活性、結合親和性等）を持つ新しいタンパク質配列を強化学習で設計する	従来: 変異導入と実験選別の繰り返し → Microsoft: AIが最適配列を直接探索
NatureLM	低分子・タンパク質・RNA・DNA・材料を横断的に扱えるマルチドメイン基盤モデル	従来: 各分子種に別々のモデルが必要 → Microsoft: 1つのモデルで横断
GigaTIME	少数のH&E染色組織画像から仮想mIF（多重免疫蛍光）画像を生成し、腫瘍微小環境を解析する	従来: 高価なmIF実験が必要 → Microsoft: H&E画像から仮想的に生成

対応する章: 第4章（生命科学・タンパク質）、第5章（基盤モデルNatureLM）

Microsoft独自の強み — 他社にない差別化ポイント:

生命科学AIの分野では、Google DeepMindのAlphaFold3が広く知られていますが、MicrosoftにはAlphaFold3にない3つの独自能力があります。

1. 動的構造予測（BioEmu-1）: AlphaFold3は「静止写真」（1つの安定構造）しか予測できませんが、BioEmu-1は「動画」（タンパク質が実際にどう動くか）を予測できます。薬がタンパク質に結合するためには、特定の形に変形した瞬間（クリプティックポケットの出現）を捉える必要があり、この能力は創薬研究で決定的に重要です。

2. ライセンスの自由度: AlphaFold3は「非商用利用のみ」の制限があり、製薬企業との共同研究に直接利用できません。BioEmu-1、RosettaFold3はMIT Licenseなので、企業パートナーと自由に利用できます。

3. マルチドメイン横断（NatureLM）: 「低分子薬×標的タンパク質×RNA」のような異分野融合研究では、各分子種に別々のモデルを使い分ける必要がありましたが、NatureLMは1つのモデルで横断的に処理できます。

🌍 気象・地球科学の研究者の方

該当する研究テーマの例: 気象予報、気候モデリング、大気汚染予測、極端気象現象の理解、地球観測データ解析、海洋予測、災害予測

Microsoftが提供する主要ツール：

ツール名	何ができるか	従来手法との違い
Aurora	0.1度（約11km）解像度の全球気象予報モデル。大気汚染、海洋予測も対応	従来: スパコンで数時間の数値計算 → Microsoft: 数秒で同等精度の予報
ClimaX	気候科学のための転移学習可能な基盤モデル。異なる解像度・変数への適応が容易	従来: 解像度やドメインごとに個別モデルが必要 → Microsoft: 1モデルで汎用的に対応
EO/OS Object Detection	衛星画像から船舶・施設等の物体を自動検出する地球観測AI	従来: 手動アノテーション → Microsoft: 少数データで学習可能

対応する章: 第8章（気象・地球科学）

Microsoft独自の強み — 他社にない差別化ポイント:

AI気象予報の分野では、Google DeepMindのGenCast、Huawei のPangu-Weather等が知られていますが、Auroraは以下の点で差別化されています。

• 解像度: 0.1度（約11km）で世界最高クラス — 都市レベルの気象予測が可能
• 対象範囲: 大気だけでなく海洋（波浪予測）、大気汚染（NO2等）も統合的に予測
• 学術的裏付け: 2025年Nature誌に掲載された査読済み手法
• 実用性: MITライセンスでOSS公開、研究者が自由にカスタマイズ可能

🔬 異分野融合研究の方

該当する研究テーマの例: ドラッグデリバリーシステム（材料×生命科学）、バイオマテリアル、核酸医薬×ナノ粒子、触媒×酵素のハイブリッド設計

異分野融合研究では、複数の分子種（低分子、タンパク質、核酸、無機材料等）を同時に扱う必要がありますが、従来は各分子種に特化した別々のツールを使い分ける必要がありました。

主要ツール: NatureLM（マルチドメイン基盤モデル）

NatureLMは「自然界の分子を統一的に理解する」ことを目指した基盤モデルで、以下の分子種を1つのモデル内で横断的に扱えます。

• 低分子化合物（薬、触媒、機能性分子）
• タンパク質（酵素、抗体、受容体）
• RNA（mRNA、siRNA、アプタマー）
• DNA（ゲノム、プロモーター配列）
• 無機材料（結晶、MOF、ポリマー）

研究上のメリット: 例えば「このタンパク質に結合する低分子を設計し、それをナノ粒子でデリバリーする」という研究では、従来3つの別々のツールが必要でしたが、NatureLMなら統合的に扱えます。

対応する章: 第5章（基盤モデルNatureLM）

🖥️ 計算科学・HPCの研究者の方

該当する研究テーマの例: 大規模分子動力学シミュレーション、DFT計算の高精度化・高速化、量子化学計算、マルチスケールシミュレーション、HPCを使った数値計算全般

Microsoftが提供する主要ツール：

ツール名	何ができるか	従来手法との違い
Skala	DFT計算の根幹であるXC汎関数（交換相関汎関数）をAIで改善。既存のDFTコードに組み込んで使える	従来: 人間が設計した近似式 → Microsoft: データ駆動で精度向上（計算コスト増なし）
AI2BMD	量子力学レベルの精度で生体分子のMDシミュレーションを実行	従来: 古典力場（精度低）or ab initio MD（計算量が膨大） → Microsoft: 量子精度＋古典の速度
Azure Quantum Elements	HPC・AI・量子コンピューティングを統合した化学シミュレーション基盤	従来: 各計算手法を個別に実行 → Microsoft: 統合パイプラインとして自動実行
Azure HPC	A100/H100 GPUクラスタ等の大規模計算リソースをクラウドで提供	自前のスパコンを持たない研究室でも大規模計算が可能に

対応する章: 第3章（計算化学・合成計画）、第7章（Azure Quantum Elements）

Microsoft独自の強み — 他社にない差別化ポイント:

計算科学の分野でMicrosoftが独自に持つ強みは、DFTの「最も基本的な部品」であるXC汎関数そのものをAIで革新するSkalaです。他社のアプローチが「DFTを使わずにAIで代替する」（＝サロゲートモデル）であるのに対し、SkalaはDFTの精度そのものを根本から向上させます。

これは「既存のDFTコード（VASP、Gaussian等）にプラグインとして組み込める」ことを意味し、既存の計算ワークフローを大きく変更することなく精度を改善できる利点があります。

はじめに — なぜMicrosoftがAI for Scienceに取り組んでいるのか

Microsoftは2020年代前半から「第5のパラダイム」というビジョンのもと、AI for Science領域への投資を本格化させている。これは科学的方法論の歴史的変遷——実験科学（第1）→理論科学（第2）→計算科学（第3）→データ駆動科学（第4）——に続く第5のパラダイムとして、AIエミュレータが物理シミュレーションの速度-精度トレードオフを根本的に解消するという構想である。

Microsoft Research（MSR）AI for Science研究所（英国・オランダ・ドイツ拠点）は2021年以降72本の論文を発表し、Nature 3本、Science 1本、Nature Machine Intelligence 1本を含むトップジャーナルに成果を蓄積している。この研究は単なるアカデミックな活動ではなく、Azure AI Foundry、Microsoft Discoveryといったプロダクトとして実用化され、GSK（製薬）、PNNL（米エネルギー省国立研究所）、Unilever等の研究機関で実証されている。

本文書では、ポートフォリオの各コンポーネントについて、研究者の視点から何が科学的に新しいのか、どのような研究に使えるのか、既存手法と比べてどこが優れているのかを解説する。

第1章 統合プラットフォーム：Microsoft Discovery

1.1 研究者にとっての意義

Microsoft Discoveryは2025年5月のBuild 2025で発表されたエージェンティックAI R&Dプラットフォームである。従来の「AIモデルを個別に呼び出す」アプローチとは根本的に異なり、複数の専門AIエージェントが協調して研究仮説の生成から検証までを自律的に遂行する点に本質がある。

研究者にとって重要なのは以下の3つの特徴である。

（1）グラフベース科学的共推論

通常のRAG（検索拡張生成）では、質問に関連するテキスト断片を検索してLLMに渡す。この方式では「論文Aではこう言っているが論文Bでは矛盾する結果が出ている」といった構造的な知識関係を把握できない。Discoveryの知識エンジンは、研究文献・実験データ・特許情報を知識グラフとして構造化し、エンティティ間の関係（類似、矛盾、因果、前提条件など）を明示的にモデル化する。これにより、互いに矛盾する仮説や多様な実験条件の影響を体系的に理解した上で推論が行われる。

（2）専門Discovery Agent

ユーザー（研究者）は、自然言語でドメイン固有のエージェントを定義できる。例えば：

• 「量子化学の第一原理計算に基づく材料スクリーニング専門家」
• 「薬物動態の文献レビューと安全性評価の専門家」
• 「有機合成の逆合成経路探索の専門家」

各エージェントは独立した専門知識とプロセスロジックを持ち、Copilotが全体をオーケストレーションする。

（3）実証済みの研究加速効果

非PFASデータセンター冷却材の探索では、従来数ヶ月〜数年を要していた候補物質の発見を約200時間で達成し、4ヶ月以内に実際の合成に成功した。PNNL（米エネルギー省パシフィック・ノースウェスト国立研究所）との共同研究では、3,200万候補からリチウム使用量を70%削減する固体電解質を発見した。

1.2 対応する研究領域

Microsoft Discoveryは特定のドメインに限定されない汎用プラットフォームであるが、Build 2025の発表およびパートナー展開状況から、以下の研究領域が明示的にサポートされている。

A. 化学・材料科学（Chemistry & Materials）

サブ領域	対応モデル/ツール	実証事例
新材料探索・逆設計	MatterGen, MatterSim, MOFDiff, SimPoly	非PFAS冷却材（約200時間で候補発見、4ヶ月で合成成功）
バッテリー材料	MatterGen + Azure Quantum Elements	PNNL共同：Li使用量70%削減の固体電解質発見
触媒設計	MatterGen, Skala (DFT)	触媒中間体の量子精密化（Quantinuum共同）
カーボンキャプチャ材料	MOFDiff	CO2吸着MOFの自動設計
ポリマー・高分子	SimPoly	ML力場によるポリマーシミュレーション
消費財R&D	Discovery Agent + シミュレーション	Unilever：製品開発シミュレーション高速化
化粧品・スキンケア	Discovery Agent	Estée Lauder Companies：R&D加速

具体的な研究ワークフロー例（材料探索）：

1. 文献レビュー Agent
   → GraphRAG知識エンジンで関連論文・特許を構造化
   → 既知材料の特性マッピング

2. 仮説生成 Agent
   → 「高イオン伝導性かつ大気安定な固体電解質」等の仮説を生成
   → 候補化学系の提案

3. 材料生成 Agent（MatterGen）
   → 目標特性を条件としてバルク材料候補を生成
   → 安定性・合成可能性のフィルタリング

4. 特性シミュレーション Agent（MatterSim + Skala）
   → 候補材料の熱力学特性、機械特性を予測
   → DFT精度でのバンド構造計算

5. 合成計画 Agent（RetroChimera）
   → 候補材料の合成経路を自動提案
   → 実験条件の最適化

6. 反復学習 Agent
   → 結果に基づき仮説を更新、次サイクルへ

B. 創薬・生命科学（Pharma & Life Sciences）

サブ領域	対応モデル/ツール	実証/パートナー
標的同定	GraphRAG知識エンジン, Medical Research Agent	がん治療ワークフロー
構造ベース創薬（SBDD）	BioEmu-1, RosettaFold3	動的ポケット発見 + 構造予測
リード最適化	NatureLM, MoLeR	分子生成・ADMET最適化
タンパク質工学	Mu-Protein	強化学習による配列最適化
合成可能性評価	RetroChimera, Syntheseus	合成経路自動提案
分子動力学	AI2BMD, BioEmu-1	量子精度の生体分子シミュレーション
精密腫瘍学	GigaTIME	仮想mIF画像による腫瘍微小環境解析
RNA/遺伝子治療	NatureLM, HybriDNA	ガイドRNA設計、核酸医薬
生成プラットフォーム	Discovery + NVIDIA BioNeMo	GSK：新薬開発の加速

具体的な研究ワークフロー例（創薬）：

1. 疾患知識構築 Agent
   → 疾患関連論文・臨床データからGraphRAG知識グラフ構築
   → 標的タンパク質候補のスコアリング

2. 構造解析 Agent（RosettaFold3 + BioEmu-1）
   → 標的タンパク質の静的構造予測
   → 動的アンサンブル生成でクリプティックポケット発見

3. 分子生成 Agent（NatureLM / MoLeR）
   → 発見されたポケットに適合する分子候補を生成
   → ADMET特性の最適化

4. 結合評価 Agent（AI2BMD）
   → 候補分子とタンパク質の結合シミュレーション
   → 結合自由エネルギー予測

5. 合成計画 Agent（RetroChimera）
   → ヒット化合物の合成経路提案
   → 合成可能性スコアによる候補絞り込み

6. 文献検証 Agent
   → 類似化合物の既知毒性・副作用を知識グラフで確認

C. 半導体・シリコン設計（Silicon Design）

サブ領域	対応モデル/ツール	パートナー
AI駆動チップ設計	Discovery Agent + Synopsys統合	Synopsys
設計ワークフロー自動化	Copilotオーケストレーション	Synopsys
半導体材料シミュレーション	MatterSim, Skala	—

Synopsysとの統合により、チップ設計フローの最適化、検証プロセスの加速、性能予測の高速化が可能。半導体エンジニアリングは「最も複雑かつ高リスクな科学的営為の一つ」（Synopsys Raja Tabet, SVP）とされ、AIエージェントによる設計自動化が期待される。

D. エネルギー（Energy）

サブ領域	対応モデル/ツール	実証事例
バッテリー技術	MatterGen, Azure Quantum Elements	PNNL共同の固体電解質発見
持続可能冷却材	Discovery（材料探索パイプライン）	非PFAS冷却材プロトタイプ
エネルギー変換材料	MatterSim, MOFDiff	触媒・吸着材設計
核科学	Discovery Agent + ML	PNNL：核分裂後の化学分離ML

PNNLとの共同研究では、核科学における放射性元素の分離プロセス最適化にDiscoveryが活用されている。放射線環境での作業時間削減と収率・純度向上を目指す。

E. 製造・エンジニアリング（Manufacturing & Engineering）

サブ領域	対応モデル/ツール	パートナー
物理AI基盤モデル	Discovery + PhysicsX	PhysicsX
航空宇宙	物理シミュレーション + AI	PhysicsX
自動車	構造最適化、材料選定	PhysicsX
鉱物・材料	プロセス最適化	PhysicsX

PhysicsXの物理AI基盤モデルとの統合により、複雑な物理系（流体力学、構造力学、熱力学等）のシミュレーション高速化と設計最適化を実現。「Microsoft Discoveryは、AIが科学的発見とエンジニアリングを加速する方法における地殻変動を表している」（PhysicsX CEO, Jacomo Corbo）。

F. 医学研究・ヘルスケア（Medical Research & Healthcare）

サブ領域	対応モデル/ツール	利用形態
がん研究	Medical Research Agent	Azure AI Foundryコードサンプル
精密医療	GigaTIME + 知識エンジン	腫瘍微小環境解析
臨床ワークフロー	Discovery Agent	学際的がん治療計画
エビデンス統合	GraphRAG知識エンジン	医学ジャーナル知識合成

Medical Research Agentは信頼できる医学ジャーナルからの知識合成により、エビデンスに基づく行動指針を複雑な学際的ヘルスケアワークフローに提供する。

G. 地球科学・環境（Earth Science & Environment）

サブ領域	対応モデル/ツール	備考
気象予報	Aurora	Nature掲載、AI Foundry Labs
気候変動予測	ClimaX	転移学習可能な気候基盤モデル
地球観測	EO/OS Object Detection	衛星画像AI
災害対応	Aurora + EO/OS	気象予測×衛星監視の統合

1.3 拡張性 — 「あらゆるR&D」への対応

上記A〜Gは明示的にサポートが表明されている領域であるが、Discoveryの設計思想は特定ドメインに閉じない汎用プラットフォームである。以下の拡張メカニズムにより、任意の研究領域に対応可能：

1. カスタムAgent定義: 自然言語でドメイン知識とプロセスロジックを記述し、独自の専門Agentを構築
2. カスタムモデル統合: 研究機関の独自モデル（量子化学コード、MDパッケージ等）をプラットフォームに統合
3. カスタムデータセット: 専有データ（実験ノート、社内DB、プロプライエタリデータ）を知識グラフに投入
4. OSS統合: 任意のオープンソースツール（VASP、GROMACS、RDKit等）を計算ツールとして接続
5. パートナーソリューション: サードパーティの商用ソリューションを組み込み

Discoveryが現時点で直接カバーしていない領域の例：

• 天文学・宇宙物理学（専用モデルなし。ただしカスタムAgent+HPCで対応可能）
• 加速器科学（専用モデルなし。大型施設データ解析はカスタム対応）
• 社会科学・経済学（自然科学に特化した設計）

1.4 利用形態

• ステータス：プレビュー（招待制サインアップ）
• 基盤：Azure上に構築。エンタープライズ向けのコンプライアンス・ガバナンス対応
• 拡張性：カスタムモデル・外部ツール・データセット・OSSの統合が可能

第2章 材料科学モデル群 — 設計から合成まで

2.1 概観：何がカバーされているか

Microsoftの材料科学ポートフォリオは、材料研究の全工程をAIでカバーすることを目指している。

材料研究ワークフロー:
  [目的設定] → [候補生成] → [特性予測] → [合成計画] → [合成・実験]

Microsoftのカバレッジ:
  Discovery  → MatterGen  → MatterSim  → RetroChimera → (ウェットラボ)
              MOFDiff      Skala(DFT)    Syntheseus
              NatureLM     SimPoly       MoLeR

2.1.1 ライセンス・提供形態サマリー（材料科学・計算化学）

モデル/ツール	ライセンス	GitHub OSS	AI Foundry カタログ	AI Foundry Labs	PyPI/HF	商用利用
MatterGen	MIT	✅ microsoft/mattergen	✅	✅	—	✅
MatterSim	MIT	✅ microsoft/mattersim	—	✅	✅ PyPI	✅
MOFDiff	MIT	✅ microsoft/mofdiff	—	—	—	✅
SimPoly	未公開（論文のみ）	—	—	—	—	—
Skala	MIT	✅ microsoft/skala	✅	✅	—	✅
AI2BMD	MIT	✅ microsoft/AI2BMD	—	—	—	✅
DiG	研究プロジェクト	—	—	—	—	—
RetroChimera	Azure利用規約	—	✅	✅	—	Azure契約に準拠
Syntheseus	MIT	✅ microsoft/syntheseus	—	—	—	✅
MoLeR	研究プロジェクト	—	—	—	—	—

凡例：

• MIT License: 商用・学術問わず自由に利用・改変・再配布可能。最も寛容なOSSライセンス
• AI Foundry カタログ: Azure AI Foundry上でAPI経由で推論可能（Azureサブスクリプション＋従量課金）
• AI Foundry Labs: 研究用の実験環境（無料枠あり、本番利用不可）
• PyPI/HF: パッケージマネージャ経由でローカルインストール可能

2.2 MatterGen — 逆設計パラダイムの材料生成

何が新しいか： 従来の材料探索は「大量の候補を列挙し、計算でスクリーニングする」前方設計（forward design）が主流であった。MatterGenは「望ましい特性を指定し、それを満たす材料を直接生成する」逆設計（inverse design）を実現する。

技術的詳細： 拡散モデル（diffusion model）をベースとし、原子タイプ・座標・格子パラメータを同時に生成する。条件付け変数として体積弾性率、バンドギャップ、化学系（例：Li-Fe-O系のみ）、磁気密度などを指定可能。学習データはMaterials Project、Alexandria等のオープンデータベースを使用。

研究者にとっての価値：

• 「バンドギャップ2.0 eV以上かつ体積弾性率100 GPa以上のLi-Fe-O系化合物」のように、目標仕様を直接指定して新材料候補を生成できる
• 計算スクリーニングで何百万候補を評価する必要がなくなり、探索効率が桁違いに向上する
• Nature掲載（2024年）により、手法の科学的妥当性が査読で確認済み

利用方法： Azure AI Foundryモデルカタログ、Azure AI Foundry Labs、GitHub（microsoft/mattergen）のいずれからも利用可能。OSSとして事前学習済みチェックポイントが公開されており、自前データでファインチューニングも可能。

提供形態	詳細
ライセンス	MIT License（商用・学術問わず自由利用可）
GitHub	microsoft/mattergen（コード＋事前学習チェックポイント）
AI Foundry カタログ	✅ API推論可能（Azureサブスクリプション必要）
AI Foundry Labs	✅ 無料実験環境で試用可能
商用利用	✅ 可能（MIT License）

2.3 MatterSim— 広範条件での材料特性予測

何が新しいか： 材料の特性予測は従来、第一原理計算（DFT等）に依存してきたが、計算コストが高く探索空間が制約される。MatterSimは深層学習による原子論的シミュレーションモデルで、0〜5,000K、大気圧〜10,000,000気圧という極めて広範な温度・圧力条件下でエネルギー・力・応力を予測する。

研究者にとっての価値：

• 金属、酸化物、硫化物、ハロゲン化物をカバーし、結晶・アモルファス・液体の各状態に対応
• DFTの数千倍の速度で材料スクリーニングが可能
• ユーザー提供データによるカスタマイズ（特定の材料系に特化したモデルの構築）が可能

利用方法： PyPIパッケージ、GitHub（microsoft/mattersim）、Azure Quantum Elements（完全版事前学習モデル）

提供形態	詳細
ライセンス	MIT License（商用・学術問わず自由利用可）
GitHub	microsoft/mattersim（コード＋基本モデル）
AI Foundry Labs	✅ 実験環境で試用可能
PyPI	✅ pip install mattersim でローカルインストール
Azure Quantum Elements	完全版事前学習モデル（より高精度。Azure契約が必要）
商用利用	✅ 可能（MIT License。Quantum Elements版はAzure利用規約に準拠）

2.4 MOFDiff — 多孔質材料（MOF）の自動設計

何が新しいか： 金属有機構造体（MOF）は、ガス吸蔵・分離・触媒など多岐にわたる応用を持つ多孔質材料であるが、その構造空間は極めて広大であり、効率的な探索が困難であった。MOFDiffは粗視化（coarse-grained）拡散モデルにより、MOFの構造設計を自動化する。

技術的詳細： MOFの金属ノード・有機リンカー・トポロジーを粗視化表現として学習し、拡散プロセスで新規MOF構造を生成する。生成された粗視化構造から全原子MOFへの再構築も自動化。CO2吸着量などの目標特性に向けた条件付き生成が可能。

研究者にとっての価値：

• カーボンキャプチャ（CO2回収）向けMOF設計の効率化
• ICLR 2024採択により手法の妥当性が確認済み
• GitHub（microsoft/mofdiff）でOSS公開、事前学習モデル付き

提供形態	詳細
ライセンス	MIT License（Microsoft + MIT共同著作権）
GitHub	microsoft/mofdiff（コード＋事前学習モデル）
AI Foundry	❌ 未提供（GitHub経由のみ）
商用利用	✅ 可能（MIT License）

2.5 SimPoly — ポリマーシミュレーションのML加速

何が新しいか： ポリマー（高分子）の分子動力学シミュレーションは、古典力場の精度限界と量子化学計算のコスト問題という二律背反に直面してきた。SimPolyは第一原理から導出したMLポテンシャル（機械学習力場）により、量子力学レベルの精度を維持しつつ計算を大幅に高速化する。

研究者にとっての価値：

• プラスチック、ゴム、繊維、機能性ポリマーの特性予測を高精度・高速に実行可能
• MatterSimが無機材料をカバーするのに対し、SimPolyが有機高分子を補完

提供形態	詳細
ライセンス	未公開（2025年10月の論文発表のみ）
GitHub	❌ 未公開
AI Foundry	❌ 未提供
商用利用	— （現時点ではアクセス不可）
備考	論文ベースの研究成果。今後のOSS化またはAI Foundry提供が期待される

2.6 Skala — DFTの精度を根本から革新

何が新しいか： 密度汎関数理論（DFT）は材料科学・計算化学で最も広く使われる計算手法だが、その精度は交換相関（XC）汎関数の近似精度に依存する。Skalaは深層学習で学習したXC汎関数であり、手設計の入力特徴をバイパスしてデータ駆動で複雑な非局所表現を学習する。

技術的詳細： 従来のXC汎関数の「Jacob's Ladder」（局所密度近似→GGA→meta-GGA→ハイブリッド→完全非局所）において、Skalaはセミローカル（meta-GGA相当の計算コスト）でありながら、ハイブリッド汎関数（B3LYP、PBE0等）に匹敵する精度を達成する。主族化学（H〜Ar元素系）全般で原子化エネルギーの実験精度を達成。

研究者にとっての価値：

• DFT計算の日常業務で使用するXC汎関数として、コスト増なしに精度を向上できる
• ハイブリッド汎関数の精度をセミローカルのコストで得られるため、大規模系の計算が実用化
• 計算化学の「最も基本的なパラメータ」を改善するため、影響範囲が極めて広い

利用方法： Azure AI Foundryカタログ、PyPI（pip install skala）、GitHub（microsoft/skala）

提供形態	詳細
ライセンス	MIT License（商用・学術問わず自由利用可）
GitHub	microsoft/skala（コード公開）
PyPI	✅ pip install skala でローカルインストール
AI Foundry カタログ	✅ API推論可能
AI Foundry Labs	✅ 実験環境で試用可能
商用利用	✅ 可能（MIT License）

第3章 計算化学・合成計画 — 分子レベルの研究加速

3.0 ライセンス・提供形態サマリー（計算化学・合成計画）

モデル/ツール	ライセンス	GitHub OSS	AI Foundry カタログ	AI Foundry Labs	商用利用
RetroChimera	Azure利用規約	—	✅	✅	Azure契約に準拠
Syntheseus	MIT	✅ microsoft/syntheseus	—	—	✅
MoLeR	研究公開	—	—	—	—
AI2BMD	MIT	✅ microsoft/AI2BMD	—	—	✅
DiG	研究プロジェクト	—	—	—	—
Azure Quantum Elements	Azureサービス	—	—	—	Azure契約に準拠

3.1 RetroChimera — 合成経路の自動設計

何が新しいか： 新規分子を設計しても、実際に合成できなければ意味がない。逆合成計画（retrosynthesis planning）は有機化学者が長年培ってきた専門知識であるが、RetroChimeraはこの思考プロセスをAIで再現する。

技術的詳細： 標的分子のSMILES表記を入力し、合成に使用可能な化学反応（反応物グループ）を複数提案する。複数の「化学的思考パターン」（異なる誘導バイアスを持つ予測源）を学習ベースアンサンブルで統合し、多様性と品質を両立する。PhD有機化学者による評価では、RetroChimeraの予測が学習データの反応より高品質と評価された。

研究者にとっての価値：

• 合成不可能な分子を設計してしまう問題（合成可能性の壁）を事前に回避
• 有機合成化学者でなくても、合成経路の候補を迅速に得られる
• MatterGenやNatureLMで生成した分子候補の実現可能性を即座に評価できる

提供形態	詳細
ライセンス	Azure利用規約（OSSではない。Azure経由のみ利用可能）
GitHub	❌ 非公開
AI Foundry カタログ	✅ API推論可能
AI Foundry Labs	✅ 実験環境で試用可能
商用利用	Azure契約条件に準拠
備考	オンプレミスでのローカル実行は不可。Azure経由のみ

3.2 Syntheseus / MoLeR — 合成計画ライブラリ

SyntheseusはRetroChimeraの基盤ともなるモジュラーPythonライブラリで、様々な反応予測モデルと探索アルゴリズムをプラグイン方式で統合できる。MoLeRは変分オートエンコーダベースの分子生成モデルで、指定した部分構造（スキャフォールド）を保持しつつ新規分子を生成する。創薬におけるリード最適化（hit-to-lead、lead optimization）で活用される。

ツール	ライセンス	提供形態	商用利用
Syntheseus	MIT License	GitHub OSS (microsoft/syntheseus)	✅ 可能
MoLeR	研究公開	MSR研究プロジェクト（限定公開）	要確認

3.3 AI2BMD — 量子精度の分子動力学

AI2BMDは第一原理（ab initio）レベルの精度でタンパク質の分子動力学シミュレーションを実行するAIモデルである。Nature掲載。従来の古典力場（AMBER、CHARMM等）では記述できない電子状態レベルの効果（電荷移動、分極、共有結合の切断・形成）を捕捉しつつ、量子化学計算の数万倍の速度で実行する。

提供形態	詳細
ライセンス	MIT License
GitHub	microsoft/AI2BMD（コード公開）
AI Foundry	❌ 未提供（GitHub経由のみ）
商用利用	✅ 可能（MIT License）

3.4 Azure Quantum Elements— HPC×AI×量子の三位一体

Azure Quantum Elementsは量子コンピューティング、AI、HPCを統合した化学シミュレーション基盤である。3段階プロセスとして：

1. HPC: 物理ベースシミュレーションでエネルギー等を計算（AIの学習データ生成）
2. AI推論: 化学反応速度・分子特性の予測（MatterSim等）
3. 量子精密化: 論理量子ビットでAI予測の精度を化学的精度（±1 kcal/mol）まで向上

Quantinuumとの共同で、触媒中間体の活性空間の基底状態エネルギーを論理量子ビットで精密推定することに成功している。量子コンピューティングの実用化が進めば、この3段階の精密化パイプラインにより、現在は計算不可能な強相関電子系の問題に取り組める可能性がある。

提供形態	詳細
種別	Azureマネージドサービス（OSSではない）
利用要件	Azureサブスクリプション＋量子アクセス申請
料金体系	従量課金（Azure料金に準拠）
MatterSim連携	完全版事前学習モデルはQuantum Elements経由で提供
商用利用	✅ Azure契約条件に準拠

第4章 生命科学 — タンパク質から創薬まで

4.0 ライセンス・提供形態サマリー（生命科学）

モデル/ツール	ライセンス	GitHub OSS	AI Foundry カタログ	AI Foundry Labs	商用利用
BioEmu-1	Azure利用規約	—	—	✅	Azure契約に準拠
Mu-Protein	MIT	✅ microsoft/Mu-Protein	—	—	✅
RosettaFold3	Azure利用規約	—	—	✅	Azure契約に準拠
GigaTIME	Azure利用規約	—	✅	✅	Azure契約に準拠
HybriDNA	未公開（論文のみ）	—	—	—	—
Medical Research Agent	Azure利用規約	コードサンプル	—	—	Azure契約に準拠

4.1 BioEmu-1 — タンパク質の「動画」を生成する

何が新しいか： AlphaFold2/3は「タンパク質の1枚の写真」（静的な3D構造）を予測する。しかし、タンパク質は実際には溶液中で常に揺らいでおり、その動的な構造アンサンブルこそが機能を決定する。BioEmu-1は、この構造アンサンブルをエミュレートする初の実用的モデルである。

技術的詳細：

• 単一GPUで毎時数千の統計的に独立なタンパク質構造を生成
• 200ミリ秒超のMDシミュレーション、静的構造、実験的タンパク質安定性データを統合学習
• 相対自由エネルギー予測精度: ±1 kcal/mol（ミリ秒MDと比較）

捕捉可能な動態：

• クリプティックポケット形成（薬物結合部位の一過的露出）
• 局所的アンフォールディング
• ドメイン再配置
• アロステリック遷移

研究者にとっての価値：

• 構造ベース創薬（SBDD）において、静的構造だけでは見えない薬物結合部位を発見できる
• タンパク質工学において、変異が動的挙動に与える影響を予測できる
• 酵素設計において、触媒メカニズムに関与する構造変化を理解できる
• 従来のMDシミュレーション（数ヶ月〜数年の計算）を数時間に短縮

出版： Science掲載（2025年7月）
利用方法： Azure AI Foundry Labs

提供形態	詳細
ライセンス	Azure利用規約（OSSではない）
GitHub	❌ 非公開（モデル重みはAzure経由のみ）
AI Foundry Labs	✅ 研究用に利用可能（https://labs.ai.azure.com/projects/bioemu/）
商用利用	Azure契約条件に準拠
備考	Science掲載のフラッグシップモデル。ローカル実行は現時点で不可

4.2 Mu-Protein — 強化学習によるタンパク質工学

何が新しいか： タンパク質工学において、目的の機能を最大化する配列を見つける問題は、指向性進化（directed evolution）として知られる。しかし、配列空間は天文学的に広大で、実験的なスクリーニングには限界がある。Mu-Proteinは フィットネスランドスケープモデリングと強化学習（RL） を組み合わせ、探索を劇的に加速する。

研究者にとっての価値：

• 指向性進化の「仮想版」として、実験前にin silicoで最適配列を探索
• 酵素の活性向上、安定性改善、基質特異性の変更などに適用可能
• Nature Machine Intelligence掲載（2025年9月）

提供形態	詳細
ライセンス	MIT License（商用・学術問わず自由利用可）
GitHub	microsoft/Mu-Protein（コード＋モデル）
AI Foundry	❌ 未提供（GitHub経由のみ）
商用利用	✅ 可能（MIT License）

4.3 RosettaFold3— AlphaFold3のオープンソース対抗

何が新しいか： Google DeepMindのAlphaFold3はタンパク質・核酸・低分子の統合的構造予測を実現したが、商用制限があり、カスタマイズが困難である。RosettaFold3はAlphaFold3に匹敵する精度を持ちつつ、完全にオープンソースで提供される。

研究者にとっての価値：

• 研究機関が自由にカスタマイズ・拡張可能（特定のタンパク質ファミリーへの特化など）
• 原子レベルの条件付けによるリガンド結合構造予測
• キラリティ処理およびL/D混合ペプチドのサポート
• 酵素設計、遺伝子治療最適化、材料イノベーションへの拡張

利用方法： Azure AI Foundry Labs

提供形態	詳細
ライセンス	Azure利用規約（Azure経由のみ利用可能）
GitHub	❌ Microsoftリポジトリでは非公開（Baker Lab版のRoseTTAFoldはOSS）
AI Foundry Labs	✅ 研究用に利用可能
商用利用	Azure契約条件に準拠
備考	AlphaFold3のOSS対抗として位置づけ。Baker Lab（UW）との共同研究

4.4 GigaTIME — バーチャル免疫蛍光による病理解析

通常のH&E（ヘマトキシリン・エオジン）染色スライドから、21タンパク質チャネルの仮想マルチプレックス免疫蛍光（mIF）画像を予測するモデル。4,000万細胞の対データで学習し、14,256患者・24がん種への適用実績がある。精密腫瘍学において、高価なmIF実験を省略しつつ腫瘍微小環境の情報を得られる。

提供形態	詳細
ライセンス	Azure利用規約
AI Foundry カタログ	✅ 研究用に利用可能
AI Foundry Labs	✅ 実験環境で試用可能
GitHub	サンプルコードのみ公開
商用利用	Azure契約条件に準拠

4.5 HybriDNA — 長距離ゲノム配列のモデリング

Transformer-Mamba2ハイブリッドアーキテクチャによるDNA言語モデル。TransformerのAttention機構による長距離依存性の捕捉と、Mamba2（選択的状態空間モデル）の線形計算量スケーリングを組み合わせ、長大なゲノム配列を効率的にモデル化する。遺伝子機能予測、レギュラトリー領域の解析などに適用可能。

提供形態	詳細
ライセンス	未公開（2025年2月の論文発表のみ）
GitHub	❌ 未公開
AI Foundry	❌ 未提供
商用利用	— （現時点ではアクセス不可）
備考	論文ベースの研究成果。今後のOSS化が期待される

第5章 ドメイン横断：NatureLM

5.1 コンセプト — 「自然の言語」としての科学

何が新しいか： NatureLMは、低分子（SMILES）、タンパク質（アミノ酸配列）、RNA（塩基配列）、DNA、材料（結晶記述）を共通のシーケンス表現として統一的に学習する科学基盤モデルである。1B、8B、46.7Bパラメータの3サイズで提供される。

従来は各ドメインに専門モデルが必要であった（MatterGen=材料、AI2BMD=タンパク質動力学、etc.）。NatureLMは「科学のGPT」として、単一モデルで複数ドメインのタスクを遂行する。

従来手法との本質的な違い：

観点	従来アプローチ	NatureLM
モデル数	ドメインごとに専門モデル（5-10個）	単一モデルで全ドメイン
学習データ	各ドメインの個別データセット	全ドメイン統合コーパス
クロスドメイン	手動でモデルを連結	モデル内で自然に横断
新ドメイン追加	ゼロからモデル構築	ファインチューニングで拡張
パラメータ効率	各モデル個別に大規模	知識共有による効率化

アーキテクチャの特徴：

• Transformer デコーダ（GPTスタイル）をベースとした自己回帰モデル
• 各分子タイプ（SMILES、アミノ酸配列、結晶記述等）を統一トークン空間にマッピング
• 自然言語テキストと分子表現の双方を同一コンテキストで処理
• テキストによる条件付き生成（「バンドギャップ2.0eV以上の結晶」等）に対応

5.2 主要な能力

ドメイン内タスク（各領域の専門モデルに匹敵）：

ドメイン	タスク	具体例	専門モデルとの比較
低分子	ヒット生成/最適化	薬物候補分子の生成	MoLERに匹敵
低分子	ADMET予測	吸収・代謝・毒性予測	専用モデルと同等
低分子	逆合成	合成経路の提案	RetroChimeraを補完
タンパク質	テキストガイド生成	「耐熱性リパーゼ」→配列生成	独自能力
タンパク質	ヘム結合設計	ヘムに結合するタンパク質の設計	専門モデルなし
タンパク質	適応度予測	変異の効果予測	Mu-Proteinを補完
RNA	ガイドRNA設計	CRISPR用sgRNAの最適設計	専門ツールに匹敵
RNA	タンパク質結合RNA	特定タンパク質に結合するRNA設計	独自能力
材料	結晶構造生成	条件付き/無条件生成	MatterGenを補完
材料	物性予測	バンドギャップ等の予測	MatterSimを補完

クロスドメインタスク（NatureLM固有の能力）：

入力	出力	タスク	研究応用
タンパク質	低分子	標的タンパク質に結合するリガンド生成	構造ベース創薬
タンパク質	RNA	標的タンパク質に結合するRNAアプタマー設計	核酸医薬開発
低分子	タンパク質	特定分子を代謝する酵素設計	バイオレメディエーション
テキスト	分子	自然言語による分子設計指示	研究者との直感的インターフェース
材料	テキスト	材料特性の自然言語記述	文献自動生成

5.3 研究者にとっての価値

NatureLMが特に有用なのは異分野融合研究である。例えば

活用シナリオ1: ドラッグデリバリー材料の設計（材料×創薬）

研究者の指示: 「ドキソルビシンを効率的にがん細胞に送達する
            生分解性ナノ粒子材料を設計せよ」

NatureLMの処理:
  1. ドキソルビシン（低分子）の構造認識
  2. がん細胞表面マーカーへの結合親和性を条件付け
  3. 生分解性ポリマー候補の生成（材料ドメイン）
  4. 薬物封入効率の予測（クロスドメイン推論）

活用シナリオ2: 核酸医薬の標的選定と分子設計（RNA×タンパク質）

研究者の指示: 「疾患タンパク質Xの活性部位に結合する
            RNAアプタマーを設計せよ」

NatureLMの処理:
  1. タンパク質Xの配列からの結合部位推定
  2. 結合部位に適合するRNA配列の生成
  3. 二次構造安定性の考慮
  4. off-target結合の予測

活用シナリオ3: バイオマテリアルの設計（材料×生命科学）

研究者の指示: 「骨芽細胞の分化を促進する多孔質セラミクスの
            組成と構造を提案せよ」

NatureLMの処理:
  1. 骨芽細胞関連タンパク質の認識（生命科学ドメイン）
  2. タンパク質吸着に適した材料表面の設計（材料ドメイン）
  3. 結晶構造と多孔構造の生成
  4. 生体適合性の予測（クロスドメイン）

モデルサイズ選択ガイド：

サイズ	パラメータ	推奨GPU	得意なタスク	制約
1B	10億	V100/A10 (16GB+)	単一ドメイン内の軽量タスク	クロスドメイン能力は限定的
8B	80億	A100 (80GB)	バランス型。多くのタスクに対応	複雑なクロスドメインでは46.7Bに劣る
46.7B	467億	H100×4 (320GB+)	全タスクで最高性能。複雑なクロスドメイン	大規模GPU環境が必要

46.7Bモデルは各ドメインの専門モデルに匹敵する性能を達成しており、複数のドメインにまたがる研究プロジェクトでは、個別モデルを組み合わせるよりもNatureLM一本で統一的に扱える利点がある。

利用方法： Hugging Face（モデル公開）、GitHub Pages

提供形態	詳細
ライセンス	研究用ライセンス（Hugging Face公開、商用利用条件は要確認）
Hugging Face	モデル重み公開（1B / 8B / 46.7B）
GitHub Pages	https://NatureLM.github.io/ （デモ・ドキュメント）
AI Foundry	❌ 未提供（Hugging Face経由のみ）
商用利用	要確認（Hugging Faceのモデルカード参照）
備考	46.7Bモデルは H100×4（320GB+ VRAM）が推奨

5.4 他のMicrosoftツールとの関係

NatureLMは他のドメイン特化モデルを置き換えるものではなく、補完・拡張する位置づけである。

専門モデルが優れるケース:
  MatterGen → 結晶材料の逆設計（条件付き生成の精度が高い）
  BioEmu-1 → タンパク質の動的アンサンブル（MD相当の物理量）
  Skala    → DFT計算の精度向上（量子化学レベル）

NatureLMが優れるケース:
  → 複数ドメインを横断するタスク
  → テキスト指示による直感的な分子設計
  → 新規タスクへの汎化（ファインチューニングなし）
  → 軽量な予測（APIコール1回で完了）

推奨される使い分け:
  探索的研究 → NatureLM（多様な候補を迅速に生成）
  精密設計  → 専門モデル（高精度な条件付き生成・予測）
  最終検証  → Skala / MatterSim（物理量の定量的予測）

第6章 知識基盤：GraphRAG

6.1 科学研究における文献情報の構造化

GraphRAGは通常のRAG（ベクトル類似度検索によるテキスト断片の取得）を超え、テキストから 知識グラフ（エンティティ＋関係） を自動構築し、階層的コミュニティ構造を抽出するフレームワークである。

従来のRAGとの本質的な違い：

観点	通常のRAG	GraphRAG
データ表現	テキスト断片のベクトル	エンティティ＋関係のグラフ
検索方式	コサイン類似度	グラフトラバーサル＋コミュニティ検出
回答生成	関連テキストをLLMに投入	グラフ構造に基づく推論
矛盾の扱い	無視（最も類似したもの優先）	構造的に対立関係を保持
俯瞰質問	苦手（全体像がない）	得意（階層的要約が存在）
更新コスト	テキスト追加→再ベクトル化	グラフへのノード/エッジ追加

科学研究での活用例：

例1: 材料科学の文献レビュー

入力: 5,000本のバッテリー材料論文
  ↓
GraphRAG処理:
  1. エンティティ抽出: Li₃PS₄, LGPS, Li₆PS₅Cl, ...（材料名）
  2. 関係抽出: 「Li₃PS₄はイオン伝導度1.7mS/cm」「LGPSは空気中で不安定」
  3. コミュニティ検出: 硫化物系/酸化物系/ポリマー系のクラスタ形成
  4. 階層的要約: 各クラスタの概要と課題を自動生成
  ↓
研究者の質問: 「空気安定性とイオン伝導度を両立する材料系は？」
  ↓
GraphRAG回答: グラフ上で空気安定性（関係）とイオン伝導度（属性）を
  同時に持つエンティティを探索→候補材料リストと根拠文献を提示

例2: 創薬の知識統合

入力: 標的タンパク質に関する500本の論文＋特許100件＋臨床試験データ
  ↓
GraphRAG処理:
  1. エンティティ: 化合物名、標的タンパク質、疾患名、副作用
  2. 関係: 「阻害する」「活性化する」「副作用を引き起こす」「Phase III中止」
  3. 矛盾検出: 「論文Aでは有効」vs「臨床試験Bでは無効」を構造化
  ↓
研究者の質問: 「標的Xに対する既存阻害剤の失敗原因パターンは？」
  ↓
GraphRAG回答: 失敗事例のクラスタ分析→共通要因（オフターゲット毒性、
  代謝不安定性等）を根拠付きで提示

例3: 競合技術の俯瞰分析

入力: AI for Science関連論文3,000本（2020-2026）
  ↓
GraphRAG処理:
  1. エンティティ: モデル名、研究グループ、性能指標
  2. 関係: 「AはBを改良」「CはDと矛盾する結果」
  3. コミュニティ: 材料AI/タンパク質AI/気象AI等のクラスタ
  4. 時系列分析: 各クラスタの発展トレンド
  ↓
研究者の質問: 「材料AIモデルの性能進化と今後の研究ギャップは？」
  ↓
GraphRAG回答: 年次性能比較＋未探索のタスク（例：高圧条件下の材料生成）

6.2 技術的詳細

GraphRAGのパイプライン：

[入力テキスト]
  ↓ (1) テキスト分割
[テキストチャンク]
  ↓ (2) LLMによるエンティティ・関係抽出
[エンティティ＋関係のリスト]
  ↓ (3) グラフ構築
[知識グラフ]
  ↓ (4) Leidenアルゴリズムによるコミュニティ検出
[階層的コミュニティ構造]
  ↓ (5) 各コミュニティの要約生成（LLM）
[コミュニティサマリー]
  ↓ (6) クエリ時：Map-Reduce方式で回答生成
[最終回答 + ソース追跡]

クエリモード：

モード	用途	計算コスト
Local Search	特定エンティティに関する質問	低
Global Search	俯瞰的・要約的質問	高（全コミュニティ走査）
DRIFT Search	対話的な掘り下げ	中

6.3 Microsoft Discoveryとの関係

DiscoveryのグラフベースR&Dの出発点であるKnowledge Engineは、GraphRAGの技術的アプローチを拡張したものである。Discoveryでは研究者の専有データ（実験ノート、社内データベース等）と公開文献を統合した知識グラフが構築され、Discovery Agentはこのグラフ上で推論を行う。

GraphRAG（OSS版）とDiscovery Knowledge Engineの関係：

観点	GraphRAG（OSS）	Discovery Knowledge Engine
位置づけ	スタンドアロンのOSSライブラリ	Discoveryプラットフォーム内蔵
データソース	ユーザーが用意したテキスト	文献＋実験データ＋専有DB統合
エージェント連携	なし（単独で動作）	Discovery Agentと連携
管理・運用	セルフホスト（LLM APIコスト自己負担）	Azureマネージド
カスタマイズ	フルカスタマイズ可能	プラットフォーム内の設定
推奨用途	研究者が自前で知識グラフ構築	組織全体のR&D知識基盤

研究者にとっての使い分け：

• GraphRAG（OSS）: 個人研究・小規模チームで、特定テーマの文献を構造化したい場合。無料だが LLM API コスト（Azure OpenAI等）が必要
• Discovery Knowledge Engine: 組織レベルで多数のデータソースを統合し、複数のエージェントで活用する場合。Azureサブスクリプションが必要

利用方法： GitHub（microsoft/graphrag）、PyPI。OSSとして自由に利用可能（ただし公式サポートされたMicrosoft製品ではない旨が明記されている）。

提供形態	詳細
ライセンス	MIT License（商用・学術問わず自由利用可）
GitHub	microsoft/graphrag（フルコード公開）
PyPI	✅ pip install graphrag でインストール
AI Foundry	❌ 直接提供なし（ただしDiscovery内蔵エンジンの基盤技術）
商用利用	✅ 可能（MIT License）
注意	公式サポートされたMicrosoft製品ではない。実行にはLLM APIコスト（Azure OpenAI等）が必要

6.4 実装上の注意点

研究機関がGraphRAGを導入する際の実用的な考慮事項：

項目	内容
LLMコスト	インデキシング時にLLMを大量呼び出し。1,000ページの論文セットで$50-200程度
推奨LLM	GPT-4o / GPT-4o-mini（Azure OpenAI推奨。OpenAI APIも可）
ハードウェア	CPU可（GPU不要）。LLM APIへのネットワーク接続が必要
データ形式	テキストファイル（.txt, .md）を入力。PDF→テキスト変換は別途必要
スケール	数百〜数千文書が実用的。数万文書以上ではコスト・時間が課題
日本語対応	LLM依存。GPT-4oは日本語論文のエンティティ抽出に対応

第7章 クラウドインフラストラクチャ

7.1 Azure AI Foundry — モデルカタログとしての研究インフラ

Azure AI Foundryは、Microsoftおよびサードパーティの科学AIモデルをカタログとして提供するプラットフォームである。研究者はAPI経由で以下のモデルを利用可能。

科学モデルカタログ一覧：

モデル	用途	ドメイン	API形態
MatterGen	材料逆設計（条件付き結晶構造生成）	材料科学	REST API
MatterSim	材料特性予測（エネルギー・力・応力）	材料科学	REST API
Skala	DFT計算の高精度化（XC汎関数）	計算化学	REST API
RetroChimera	逆合成経路提案	有機化学	REST API
RosettaFold3	タンパク質・核酸・低分子複合体構造予測	構造生物学	REST API
GigaTIME	H&E画像→仮想mIF変換	病理学	REST API
EO/OS Object Detection	衛星画像物体検出	地球観測	REST API

利用料金モデル：

• 従量課金制（GPU推論時間ベース）
• 推論リクエストごとの課金（モデルにより異なる）
• Azureサブスクリプション必須
• 研究機関向けの割引プログラム（Azure for Research）あり

API利用の典型的なフロー：

# 例：MatterGen APIの呼び出し（概念的なコード）
from azure.ai.inference import ChatCompletionsClient

client = ChatCompletionsClient(
    endpoint="https://models.inference.ai.azure.com",
    credential=AzureKeyCredential(api_key)
)

# 条件付き材料生成
response = client.complete(
    model="MatterGen",
    messages=[{
        "role": "user",
        "content": {
            "chemical_system": "Li-Fe-O",
            "target_band_gap": {"min": 2.0, "max": 3.0},
            "target_bulk_modulus": {"min": 100}
        }
    }]
)

7.2 Azure AI Foundry Labs — 研究プロトタイプの試用

Azure AI Foundry Labsは、MSRの最新研究成果を実験的に公開する場である。本番利用ではなく、研究者が「試してみる」ための環境。

カタログ版とLabs版の違い：

項目	AI Foundry カタログ	AI Foundry Labs
位置づけ	本番利用可能なAPIサービス	研究・実験用の試用環境
SLA	あり（Azure SLA）	なし（ベストエフォート）
料金	従量課金	無料枠あり（利用制限付き）
サポート	Azureサポート対象	コミュニティサポートのみ
安定性	本番品質	変更・停止の可能性あり
対象ユーザー	研究機関・企業	研究者・学生

2026年5月時点の科学関連プロジェクト（11件）：

プロジェクト	URL	ドメイン
MatterGen	labs.ai.azure.com/projects/mattergen/	材料科学
MatterSim	labs.ai.azure.com/projects/mattersim/	材料科学
Skala	labs.ai.azure.com/projects/skala/	計算化学
RetroChimera	labs.ai.azure.com/projects/retrochimera/	有機化学
RosettaFold3	labs.ai.azure.com/projects/rosettafold3/	構造生物学
BioEmu-1	labs.ai.azure.com/projects/bioemu/	タンパク質動態
Aurora	labs.ai.azure.com/projects/aurora/	気象予報
GigaTIME	labs.ai.azure.com/projects/gigatime/	病理AI
EO/OS OD	labs.ai.azure.com/projects/eo-os-object-detection/	地球観測
OptiMind	labs.ai.azure.com/projects/optimind/	数理最適化
Data Formulator	labs.ai.azure.com/projects/data-formulator/	データ分析

7.3 研究機関にとっての利用パターン

研究機関の状況に応じて、3つの利用パターンが想定される。

パターン1: API利用（クラウド完結）

適合する研究機関: GPU環境が限定的、すぐに試したい
必要なもの: Azureサブスクリプション + ネットワーク接続
メリット: 環境構築不要、常に最新モデル、スケーラブル
デメリット: 従量課金、カスタマイズ制限、データがクラウドへ

研究者 → Azure AI Foundry API → MatterGen/BioEmu-1等 → 結果

パターン2: Discovery プラットフォーム利用

適合する研究機関: 複数モデルを組み合わせた統合ワークフローが必要
必要なもの: Discoveryプレビューアクセス + Azureサブスクリプション
メリット: Agent連携、知識グラフ統合、反復ループ自動化
デメリット: プレビュー段階、価格未確定

研究者 → Microsoft Discovery → 複数Agent連携 → 結果

パターン3: OSSダウンロード＋オンプレミス

適合する研究機関: 大規模GPU環境保有、カスタマイズが重要、データ機密性高い
必要なもの: A100/H100 GPU、Python環境、CUDA
メリット: フルカスタマイズ、データが外部に出ない、継続利用保証
デメリット: 環境構築・保守が必要、最新モデルの追従が手動

研究者 → GitHub → ローカルGPU環境で実行（カスタマイズ自由）

パターン4: ハイブリッド（推奨）

適合する研究機関: 大多数の研究機関に最適
構成:
  - OSSモデル（MatterGen, MatterSim等）→ ローカルGPUでカスタマイズ・実行
  - Azure専用モデル（BioEmu-1, RetroChimera）→ API経由で利用
  - GraphRAG → ローカルで知識グラフ構築（LLM APIのみクラウド）
  - Discovery → 統合ワークフローの試行（プレビュー）

研究者 → ローカルGPU（OSS）＋ Azure API（専用モデル）→ 結果

7.4 コスト試算（研究機関向け）

利用形態	月額概算	含まれるもの
Labs のみ（無料枠）	¥0	限定的な推論回数。研究試行のみ
軽量API利用	¥5-20万	月数百回のAPI推論
中規模利用	¥20-100万	日常的なAPI利用＋ストレージ
Discovery本格利用	未定	プレビュー中のため価格未発表
オンプレミスOSS	GPU電気代のみ	A100×1台: 月¥10-20万（電気代＋冷却）

上記は概算であり、実際のコストはモデル・利用量・Azure契約条件により大きく変動する。Azure for Researchプログラムによるクレジット支給も活用可能。

第8章 気象・地球科学

8.0 ライセンス・提供形態サマリー（気象・地球科学）

モデル/ツール	ライセンス	GitHub OSS	AI Foundry Labs	商用利用
Aurora	Azure利用規約	Vibe Kit経由	✅	Azure契約に準拠
ClimaX	研究プロジェクト	MSR公開	—	—
EO/OS Object Detection	Azure利用規約	—	✅	Azure契約に準拠

8.1 Aurora — 気象予報の革新

何が新しいか： Auroraは大気の大規模基盤モデルで、Nature掲載（2025年5月）。100万時間超の気象・気候シミュレーションデータで事前学習され、0.1°（約11km）の空間解像度で、従来の数値予報の約5,000倍の計算速度で高精度な気象予測を実行する。

技術的詳細：

項目	仕様
アーキテクチャ	3D Swin Transformer + Perceiver-based エンコーダ/デコーダ
空間解像度	0.1°（赤道上で約11km）
学習データ	100万時間超の気象・気候シミュレーション
入力	多変数（気温、風速、気圧、湿度等）の3Dグリッド
出力	指定リードタイムの予報場
速度優位	従来数値予報の約5,000倍
精度	ENS（欧州数値予報）と同等以上の精度を達成

従来の数値気象予報（NWP）との比較：

観点	従来NWP（例: ECMWF IFS）	Aurora
計算原理	ナビエ・ストークス方程式の数値積分	データ駆動（学習済みTransformer）
計算時間（6日予報）	数時間（数千CPUコア）	数秒（単一GPU）
空間解像度	9km（HRES）/ 18km（ENS）	11km（0.1°）
アンサンブル	50メンバー×数時間	50メンバー×数分
電力消費	数MW	数kW
カスタマイズ	不可（物理モデル固定）	ファインチューニング可能

研究者にとっての価値：

• 気象研究：高速アンサンブル予報による不確実性定量化
• 気候研究：長期気候シミュレーションの高速化
• 災害研究：極端気象イベントの予測精度向上（急速強化台風等）
• 環境研究：大気汚染予測への転用可能性
• 農業研究：高解像度農業気象予測
• 再生エネルギー：風力・太陽光の出力予測

Vibe Kitとの関係：
Aurora はAzure AI Foundry Labsで直接利用可能だが、より柔軟な実験のために「Vibe Kit」というツールキットも公開されている。Vibe Kitを使うと、Auroraのモデルを用いたカスタム予報実験が可能。

提供形態	詳細
ライセンス	Azure利用規約
AI Foundry カタログ	✅ API推論可能（Azure AI Foundryカタログ）
AI Foundry Labs	✅ 研究用に利用可能
GitHub	Vibe Kit 経由で実験可能
商用利用	Azure契約条件に準拠

8.2 ClimaX — 気候基盤モデル

何が新しいか： ClimaXはICML 2023で発表された気象・気候タスクのための汎用基盤モデルで、多様なタスクへの転移学習が可能。Auroraが短期気象予報に特化しているのに対し、ClimaXはより広範な気候関連タスクに対応する。

Aurora と ClimaX の使い分け：

観点	Aurora	ClimaX
主用途	短期〜中期の気象予報（〜10日）	気候タスク全般（予報＋ダウンスケーリング＋長期）
精度	最高水準（ENS超え）	汎用性優先（精度はAuroraに劣る）
解像度	0.1°	可変（入力データに依存）
転移学習	限定的	設計の中心（多タスク転移）
学習データ	100万時間の多様なシミュレーション	ERA5再解析＋CMIP6気候モデル
提供状況	Azure AI Foundry + Vibe Kit	MSR研究プロジェクト
論文	Nature (2025)	ICML 2023

ClimaXが得意なタスク：

• 季節予測（1-6ヶ月先）
• 気候予測のダウンスケーリング（粗い解像度→高解像度）
• 異なる変数間の転移（気温予測モデル→降水量予測）
• 限られた学習データでの予測（データ効率的）

提供形態	詳細
ライセンス	研究プロジェクト公開
GitHub	MSR研究プロジェクトとして公開
AI Foundry	❌ 未提供
商用利用	要確認
論文	ICML 2023

8.3 EO/OS Object Detection — 地球観測AI

何が新しいか： 衛星・航空画像中の物体を識別・局在化する地理空間AI（GeoAI）モデル。Microsoft Planetary Computerを構築したSpectreチームが開発。

技術的詳細：

• 入力：衛星画像（多バンド対応）、航空写真
• 出力：物体のバウンディングボックス＋クラス分類
• 対応解像度：サブメートル級（航空写真）〜10m級（衛星画像）

応用分野と具体例：

分野	応用例	利用者
防衛・インテリジェンス	施設検出、車両追跡	防衛機関
インフラ監視	橋梁・道路の損傷検出	国土交通省等
農業	作物分類、圃場境界検出	農業研究機関
災害対応	建物倒壊検出、浸水域マッピング	防災研究
環境	森林変化検出、違法伐採監視	環境省
都市計画	建物フットプリント抽出	都市研究

提供形態	詳細
ライセンス	Azure利用規約
AI Foundry カタログ	✅ GeoAIカテゴリで提供
AI Foundry Labs	✅ 実験環境で試用可能
商用利用	Azure契約条件に準拠

第9章 研究支援ツール

9.1 OptiMind — 自然言語から数理最適化へ

何が新しいか： 研究者が自然言語で記述した最適化問題を、数学的定式化（目的関数、制約条件）に自動変換し、適切なソルバーで解くエージェント型ツール。数理最適化の専門知識がなくても、複雑な最適化問題を解くことができる。

従来の課題：

• 研究者は実験計画を最適化したいが、数理計画法の定式化能力がない
• OR（オペレーションズ・リサーチ）の専門家に依頼するとコミュニケーションコストが大きい
• 市販の最適化ソフトウェア（Gurobi、CPLEX等）は学習コストが高い

OptiMindのアプローチ：

入力（自然言語）:
  「5種類の触媒候補について、反応温度（100-500℃）、
   圧力（1-100atm）、触媒量（0.1-5mol%）を最適化して、
   収率を最大化したい。ただし総コストは100万円以内、
   各実験の所要時間は8時間以内にしたい」

OptiMindの処理:
  1. 目的関数の特定: maximize(収率)
  2. 決定変数の抽出: 温度, 圧力, 触媒量, 触媒種類
  3. 制約条件の定式化: 総コスト≤100万, 時間≤8h/実験
  4. 問題タイプの判定: 混合整数非線形計画問題（MINLP）
  5. 適切なソルバーの選択と実行
  6. 結果の可視化と解釈の提示

研究での活用シナリオ：

シナリオ	最適化対象	制約条件
実験計画法	反応条件（温度、時間、濃度）	予算、時間、安全性
リソース配分	計算リソースの各ジョブへの割当	総GPU時間、締切
ハイパーパラメータ探索	MLモデルの学習率、層数等	計算時間、メモリ
材料配合	合金組成比（元素割合）	機械特性の下限、コスト
スケジューリング	実験装置の利用スケジュール	装置数、優先度

提供形態	詳細
ライセンス	Azure利用規約
AI Foundry Labs	✅ 実験環境で試用可能
GitHub	❌ 非公開
商用利用	Azure契約条件に準拠
対応問題	LP、QP、MIP、NLP、MINLP等

9.2 Data Formulator — エージェント型データ分析

何が新しいか： 自然言語指示でデータの探索的分析・可視化を自動実行するエージェント型ツール。従来のデータ分析ツール（Python/R、Excel、Tableau等）は操作スキルを要求するが、Data Formulatorは研究者の意図を自然言語で理解し、適切な分析手法を自動選択・実行する。

技術的特徴：

• エージェントアーキテクチャ：LLMが分析計画を立案し、Pythonコードを生成・実行
• 反復的洗練：結果を評価し、分析を自動的に深掘り
• マルチステップ変換：前処理→分析→可視化をシームレスに連結
• コード透明性：生成されたPythonコードを研究者が確認・修正可能

研究での活用シナリオ：

シナリオ1: 実験データの探索的分析
  入力: 「このCSVデータから、温度と収率の関係を調べて。
         触媒種別で色分けしたプロットを作成して」
  処理: データ読み込み→欠損値処理→散布図生成→トレンドライン→群間比較
  出力: インタラクティブな可視化 + 統計的有意差の判定

シナリオ2: 高スループット実験の結果解析
  入力: 「384ウェルプレートの蛍光測定結果から、
         IC50を算出してヒートマップで表示」
  処理: 用量反応カーブフィッティング→IC50算出→ヒートマップ
  出力: 全化合物のIC50値テーブル + ヒートマップ可視化

シナリオ3: 文献データのメタ分析
  入力: 「これらの論文から抽出した性能データを比較。
         年代別の性能向上トレンドを示して」
  処理: データ統合→外れ値検出→時系列分析→トレンド可視化
  出力: 性能推移グラフ + 統計的トレンド分析

Data Formulator vs 既存ツールの比較：

観点	Jupyter/Python	Excel	Tableau	Data Formulator
学習コスト	高（プログラミング必要）	低-中	中	低（自然言語）
カスタマイズ性	極高	低	中	高（コード編集可）
自動化	手動	手動	半自動	全自動
再現性	高（コード）	低	中	高（コード生成）
大規模データ	○	△	○	○
統計検定	○（手動）	△	△	○（自動）

提供形態	詳細
ライセンス	MIT License（商用・学術問わず自由利用可）
GitHub	microsoft/data-formulator（フルコード公開）
AI Foundry Labs	✅ デモ利用可能
オンラインデモ	https://data-formulator.ai
商用利用	✅ 可能（MIT License）
必要環境	Python + LLM API（Azure OpenAI / OpenAI）

第10章 パートナーエコシステム

Microsoft AI for Scienceの特徴のひとつは、自社研究だけで閉じずに、各分野のリーディングカンパニーとの協業を通じて科学AIの適用範囲を拡張している点にある。本章では、主要パートナーとの連携内容、研究者にとっての具体的な価値を解説する。

10.1 NVIDIA連携 — GPU基盤×科学AIの深い統合

MicrosoftとNVIDIAは、Azure上のGPUインフラ提供にとどまらず、科学AI専用のソフトウェアスタック統合で協力している。

ALCHEMI（Accelerated Chemistry Intelligence）

概要： NVIDIAが開発した材料科学向けAI推論エンジン。生成AIと物理シミュレーションを組み合わせ、材料探索の候補同定→特性マッピング→合成データ生成のワークフローを高速化する。

技術的特徴：

• NVIDIAのNIMマイクロサービスとして提供され、GPU最適化された推論を実行
• 分子動力学シミュレーション（LAMMPS、GROMACS等）とのネイティブ統合
• 候補材料の特性予測を並列GPU推論で大規模に実行

Microsoft連携の形態：

• Azure上のNVIDIA GPU（A100/H100）でALCHEMIを実行
• MatterGen/MatterSimで生成した候補材料をALCHEMIの特性マッピングパイプラインに投入
• Discovery Agent内からALCHEMIの推論エンジンを呼び出し可能（パートナーソリューション統合）

研究者にとっての価値：

• MicrosoftのMatterGenで候補を生成し、NVIDIAのALCHEMIで大規模スクリーニングするという「生成→評価」パイプラインを構築可能
• GPUネイティブな並列処理により、数千〜数万の候補材料を同時評価

BioNeMo（Biological Neural Modeling）

概要： NVIDIAの創薬向けAIプラットフォーム。タンパク質折りたたみ予測、分子生成、ドッキングシミュレーション、バーチャルスクリーニング等のワークフローをNIMマイクロサービスとして提供する。

主要モデル：

モデル	機能	対応するMicrosoftツール
ESMFold	タンパク質構造予測	RosettaFold3, BioEmu-1
MolMIM	分子生成・最適化	NatureLM, MoLeR
DiffDock	分子ドッキング予測	（Microsoftに直接対応なし）
EquiDock	リジッドドッキング	（Microsoftに直接対応なし）

Microsoft連携の形態：

• Azure上でBioNeMo NIMマイクロサービスをデプロイ可能
• Microsoft Discoveryのパートナーソリューションとして統合
• BioEmu-1（動的構造）→ BioNeMo DiffDock（ドッキング）の連携パイプライン

研究者にとっての価値：

• Microsoftが直接カバーしていないドッキング予測やバーチャルスクリーニングをBioNeMoで補完
• BioEmu-1で生成した構造アンサンブルの各フレームに対してドッキング計算を実行し、動的構造を考慮した創薬が可能
• NatureLMで生成したリガンド候補をBioNeMoでドッキング評価するワークフロー

10.2 Synopsys — AI駆動半導体設計

概要： 半導体EDA（Electronic Design Automation）業界のリーダーであるSynopsysは、Microsoft Discoveryとの統合を通じて、AI駆動のチップ設計ワークフローを提供する。

連携内容：

• Synopsys.aiプラットフォーム（AIを活用した半導体設計最適化）とDiscoveryの統合
• チップ設計における配置配線（Place & Route）の最適化にAIエージェントを活用
• 設計空間探索（Design Space Exploration）の自動化と高速化

研究者にとっての価値：

• 次世代半導体（3nm以降）の研究開発において、AIによる設計自動化が可能
• 量子コンピュータチップ、ニューロモルフィックチップ等の新アーキテクチャ設計への応用
• 材料科学（MatterGen等）と半導体設計の連携：新材料による素子特性予測→回路設計最適化

10.3 PhysicsX — 物理AI基盤モデル

概要： PhysicsXはエンジニアリングシミュレーションに特化したAI企業で、物理法則に基づく基盤モデルを提供する。Microsoft Discoveryとの連携により、製造業・エネルギー分野の研究開発を加速する。

対象ドメインと具体的な活用：

ドメイン	活用例	従来手法との比較
航空宇宙	タービンブレード形状最適化、空力解析	CFDシミュレーション数百時間→AIで数分
エネルギー	風力タービン配置最適化、熱交換器設計	パラメトリックスタディの高速化
自動車	クラッシュシミュレーション代替、NVH最適化	有限要素解析の大幅高速化
製造	射出成形最適化、金属加工プロセス予測	トライ＆エラーの削減

技術的特徴：

• 物理法則をインダクティブバイアスとして組み込んだニューラルオペレータ
• 高忠実度CAEシミュレーション（ANSYS、Abaqus等）のサロゲートモデル構築
• 形状パラメータ→性能指標の高速予測（リアルタイム推論）

Microsoft連携の形態：

• Azure上でPhysicsXのAIモデルをデプロイ
• Discovery Agentからの呼び出しにより、設計最適化ループを自動化
• MatterGen（新材料）→ PhysicsX（部品レベル性能予測）の連携

研究者にとっての価値：

• 計算工学研究において、高コストなFEA/CFDシミュレーションの代替として活用可能
• 新材料のマクロスケール性能（構造強度、耐熱性等）を高速に予測
• 設計パラメータの最適化を自動化し、研究サイクルを短縮

10.4 GSK — 製薬研究への実装

概要： グローバル製薬企業GSK（GlaxoSmithKline）はMicrosoft Discoveryの初期パートナーとして、創薬プロセスへのAI統合を実証している。

連携内容：

• Discovery知識エンジンを活用した薬物候補文献レビューの自動化
• BioEmu-1によるターゲットタンパク質の動的構造解析
• NatureLMによるリード化合物の最適化提案
• エンドツーエンドの創薬ワークフロー検証

研究者にとっての意義：

• 大手製薬企業での実証により、Microsoftツールの実用性（研究的妥当性だけでなく産業的実用性）が確認されている
• GSKのような規制産業でのバリデーション実績は、アカデミアの研究成果の社会実装を考える際の信頼性指標となる

10.5 PNNL（パシフィック・ノースウェスト国立研究所）— エネルギー研究

概要： 米エネルギー省（DOE）傘下のPNNLは、Microsoftとの共同研究で「Li使用量70%削減の固体電解質発見」を達成した。

共同研究の詳細：

• 3,200万候補材料からのスクリーニング
• MatterGen + Azure Quantum Elementsによる候補生成と特性予測
• DFT計算による検証
• 実験室での合成・検証成功

研究者にとっての意義：

• 「AIで候補を生成→計算で検証→実験で確認」という理想的なワークフローが実証された
• エネルギー貯蔵（バッテリー）分野での成功事例として、材料科学研究の提案書におけるエビデンスとなる

10.6 Accenture / Capgemini — 研究機関DX支援

概要： 大手コンサルティング/SIパートナーがMicrosoft Discoveryの導入支援を提供する。

提供サービス：

パートナー	提供内容	対象
Accenture	ラボ変革戦略策定、データ統合設計、カスタムAgent開発支援	大手製薬・化学企業
Capgemini	R&Dデジタルツイン構築、シミュレーション環境設計	製造業R&D部門

研究者にとっての意義：

• 大学・研究機関が単独でDiscoveryを導入する場合にはシステム統合の支援が得られる
• 既存の研究情報システム（LIMS、ELN等）とDiscoveryの接続設計
• 大型研究プロジェクトでの研究基盤構築に活用可能

10.7 パートナーエコシステムの全体像

研究者にとっての示唆：

• Microsoftのツールだけでは足りない領域（ドッキング、工学シミュレーション、半導体設計等）はパートナーで補完される
• 研究提案においては、これらのパートナーとの三者連携（大学×Microsoft×産業パートナー）が差別化要因となりうる

第11章 研究プロセス全体におけるカバレッジ分析

本章では、科学的方法論の各段階をMicrosoftのAI for Scienceポートフォリオがどの程度カバーしているかを体系的に分析する。これは研究者がプロジェクトを設計する際に、「どの段階でどのツールを使うか」を判断するための実用的な参照となる。

11.1 科学的方法論の各段階とツールマッピング

段階	対応ツール	充足度	備考
文献レビュー	GraphRAG, Discovery知識エンジン	◎	構造化された知識推論
仮説生成	Discovery Agent, GPT-4/Copilot	◎	エージェンティック仮説提案
実験設計	MatterGen, OptiMind, NatureLM	◎	逆設計＋最適化＋条件付き生成
シミュレーション	MatterSim, AI2BMD, Skala, Azure HPC	◎	DFT〜MD全域
合成計画	RetroChimera, Syntheseus	○	逆合成経路自動提案
構造予測	RosettaFold3, BioEmu-1, MatterGen	◎	静的＋動的構造
データ分析	Data Formulator, GraphRAG	◎	エージェント型分析
検証・反復	Discovery Agent	○	自動反復ループ
実験室実験	（直接カバーなし）	△	ウェットラボ自動化は未提供

充足度の判定基準：

• ◎: 当該段階の主要タスクを複数ツールでカバー。実用レベル
• ○: 部分的にカバー。一部のタスクは手動作業が必要
• △: 間接的カバレッジのみ。主に他社ツールまたは手作業で補完

11.2 各段階の詳細分析

段階1: 文献レビュー（充足度 ◎）

従来の課題： 論文数の爆発的増加（年間数百万本）により、網羅的なレビューが人力では不可能に。キーワード検索では構造的な知識関係（矛盾、因果、前提条件）を把握できない。

Microsoftのアプローチ：

ツール	役割	従来手法との差
GraphRAG	論文群から知識グラフ（エンティティ＋関係）を自動構築	キーワード検索→構造化知識推論
Discovery知識エンジン	専有データ＋公開文献の統合グラフ	サイロ化されたデータ→統合的推論
Discovery Agent	自然言語での質問応答、ギャップ分析	手動レビュー→エージェント支援

具体的な活用例：

• 「CO2吸着に有効なMOF材料で、合成コストが低いものは何か？矛盾する報告はあるか？」
• 「この標的タンパク質に対する既知の阻害剤とそのIC50値を整理し、構造活性相関のトレンドを分析せよ」

段階2: 仮説生成（充足度 ◎）

従来の課題： 研究者の直観と経験に依存。見落としや確証バイアスのリスク。異分野の知見を統合した仮説生成が困難。

Microsoftのアプローチ：

• Discovery Agentが知識グラフ上の「空白地帯」（研究されていない組み合わせ）を自動検出
• 複数のドメイン知識を横断した仮説候補を提案（例：材料×生命科学の融合仮説）
• 各仮説に対する既存エビデンスの賛否を自動整理

差別化ポイント： 単なるLLMの生成（GPTに聞くだけ）ではなく、構造化された知識グラフに基づく根拠付き仮説生成である点が重要。

段階3: 実験設計（充足度 ◎）

従来の課題： 実験計画法（DOE）の専門知識が必要。パラメータ空間が広大な場合、最適な実験条件の選定が困難。

Microsoftのアプローチ：

ツール	実験設計での役割
MatterGen	目標特性を指定→候補材料を直接生成（実験対象の自動提案）
NatureLM	条件付き分子生成（望ましい特性を持つリガンド候補の設計）
OptiMind	実験パラメータの最適化（温度、圧力、濃度等の最適条件探索）
Discovery Agent	過去の実験結果に基づく次回実験条件の推奨

段階4: シミュレーション（充足度 ◎）

従来の課題： 高精度シミュレーション（DFT、MD）は計算コストが膨大。精度と速度のトレードオフ。

Microsoftのアプローチ（スケール別カバレッジ）：

量子スケール（電子状態）
  → Skala: DFT計算の精度向上（XC汎関数のAI化）
  → Azure Quantum Elements: 量子コンピュータによる精密化

原子スケール（原子間相互作用）
  → MatterSim: 広範囲条件での原子論的シミュレーション
  → AI2BMD: タンパク質の第一原理MD
  → SimPoly: ポリマーのML力場

分子スケール（分子構造・動態）
  → BioEmu-1: タンパク質構造アンサンブル
  → RosettaFold3: 複合体構造予測

メソスケール〜マクロスケール
  → PhysicsX（パートナー）: 工学シミュレーション代替
  → Aurora: 大気の大規模モデリング

従来手法との速度比較：

ツール	従来手法	高速化倍率	精度トレードオフ
MatterSim	DFT	数千倍	DFT精度を近似的に維持
AI2BMD	ab initio MD	数万倍	量子精度を維持
BioEmu-1	長時間MD（ms級）	数百万倍	統計的に等価なアンサンブル
Aurora	数値気象予報	約5,000倍	同等精度
Skala	ハイブリッドDFT	同速度	精度向上（コスト増なし）

段階5: 合成計画（充足度 ○）

従来の課題： 逆合成計画は有機化学者の専門知識と経験に依存。新規分子・材料の合成経路がボトルネック。

Microsoftのアプローチ：

ツール	カバー範囲	限界
RetroChimera	有機分子の逆合成経路提案	無機材料の合成計画は対象外
Syntheseus	モジュラーな合成計画ライブラリ	ウェットラボ条件の最適化は限定的
MoLeR	スキャフォールド保持型分子生成	合成可能性の直接評価は限定的

充足度が「○」の理由：

• 無機材料（セラミクス、金属材料等）の合成計画は現在カバーされていない
• 実験条件の最適化（温度プロファイル、雰囲気、触媒量等）は部分的
• 合成の成功/失敗予測モデルが不足

段階6: 構造予測（充足度 ◎）

カバレッジマップ：

対象	静的構造	動的構造	ツール
タンパク質	✅ RosettaFold3	✅ BioEmu-1	静的＋動的の両方
核酸-タンパク質複合体	✅ RosettaFold3	△	静的構造のみ
低分子-タンパク質	✅ RosettaFold3	✅ BioEmu-1	結合ポーズ＋動態
結晶材料	✅ MatterGen	✅ MatterSim(MD)	生成＋動態
MOF	✅ MOFDiff	△	粗視化構造

段階7: データ分析（充足度 ◎）

Microsoftのアプローチ：

ツール	分析タイプ	特徴
Data Formulator	探索的データ分析、可視化	自然言語指示→自動分析・グラフ生成
GraphRAG	文献データの構造化分析	知識グラフベースの関係抽出
Discovery Agent	実験結果の解釈・次ステップ推奨	コンテキスト付き推論

段階8: 検証・反復（充足度 ○）

Microsoftのアプローチ：

• Discovery Agentが「仮説→実験設計→シミュレーション→結果評価→仮説修正」のループを自動実行
• 「次に何をすべきか」をエージェントが推奨

充足度が「○」の理由：

• 完全自動のクローズドループ（人間介入なしの自律実験）は未達成
• 実験結果のフィードバックは手動入力が必要（ウェットラボ→デジタルの橋渡し）
• 「予想と異なる結果」の自動解釈は発展途上

段階9: 実験室実験（充足度 △）

現状： Microsoftのポートフォリオは計算・予測に特化しており、物理的な実験の自動化（ロボティクス、自動合成装置、高スループットスクリーニング等）は直接カバーしていない。

間接的なカバー：

• PNNLとの共同研究で、AI予測→人間による合成→検証のワークフローは実証済み
• パートナー（自動化ラボベンダー等）との連携は技術的に可能だが、現時点で具体的な統合はない

11.3 ドメイン別カバレッジ分析

ドメイン	研究段階カバレッジ	主要ツール	成熟度
無機材料（結晶）	仮説→設計→予測→合成計画	MatterGen, MatterSim, Skala	★★★★★
有機化学（低分子）	設計→予測→合成計画	NatureLM, RetroChimera, Syntheseus	★★★★☆
高分子・ポリマー	予測（特性計算）	SimPoly	★★☆☆☆
タンパク質工学	設計→構造予測→動態	Mu-Protein, RosettaFold3, BioEmu-1	★★★★★
創薬	標的選定→リード生成→最適化	NatureLM, BioEmu-1, Discovery	★★★★☆
ゲノム科学	配列解析・機能予測	HybriDNA	★★☆☆☆
気象・気候	予報→気候予測	Aurora, ClimaX	★★★★☆
地球観測	画像解析→物体検出	EO/OS Object Detection	★★★☆☆
工学シミュレーション	代替モデル構築	PhysicsX（パートナー）	★★★☆☆

11.4 ギャップ分析 — 現時点でカバーされていない領域

カテゴリA: 明確なギャップ（専用ツールなし）

領域	ギャップの内容	代替手段
ウェットラボ自動化	ロボティクス連携、自動合成装置の制御	パートナー統合で対応可能性あり
天文学・宇宙物理学	専用の観測データ解析モデル	カスタムAgent + Azure HPC
加速器科学	放射光、中性子散乱のデータ解析	カスタムモデル統合
社会科学・経済学	自然科学に特化した設計のため対象外	GPT-4/Copilotの汎用能力

カテゴリB: 部分的ギャップ（一部機能のみ）

領域	現状カバー	不足している部分
無機材料合成	結晶構造の逆設計	焼成条件、ドーピング量の最適化
ドッキング予測	BioNeMo（パートナー）	Microsoft独自のドッキングモデルなし
反応速度論	Azure Quantum Elements（部分的）	反応機構の自動解明モデル
マルチスケール連携	個別スケールのモデルは存在	量子→原子→メソ→マクロの自動橋渡し
実験データ管理	Data Formulator（分析）	LIMS/ELN統合、実験メタデータ管理

カテゴリC: 今後解消が期待されるギャップ

ギャップ	解消の兆候	期待される時期
SimPoly未公開	論文発表済み（2025年10月）	2026年中のOSS化/Foundry提供
HybriDNA未公開	論文発表済み（2025年2月）	2026年中のOSS化
MoLeR限定公開	研究プロジェクトとして存在	不明
NatureLM AI Foundry	HuggingFaceで公開中	2026年中のFoundry統合可能性

11.5 研究提案における示唆

カバレッジが手厚い研究テーマ（Microsoftとの連携が高い価値を持つ）：

1. 材料逆設計（特にバッテリー、触媒、環境材料）
2. 構造ベース創薬（動的構造を考慮した薬物設計）
3. タンパク質工学（酵素設計、抗体工学）
4. 気象・気候予測の高精度化
5. 異分野融合研究（材料×生命科学、化学×気象等）

カバレッジが限定的な研究テーマ（他ツールとの組み合わせが必要）：

1. 加速器データ解析（Spring-8、J-PARC等）
2. 天文観測データ処理
3. ウェットラボの自動化・ロボティクス
4. 社会科学的アプローチ

第12章 競合環境における位置づけ

AI for Science は2020年代に急速に発展した分野であり、Microsoft以外にもGoogle DeepMind、EvolutionaryScale（旧Meta ESMチーム）、NVIDIA、その他のプレイヤーが大規模な投資を行っている。本章では2026年5月時点の各プレイヤーの最新状況と戦略、Microsoftのポジショニングを分析する。

12.1 主要プレイヤーの包括的比較（2026年5月時点）

観点	Microsoft	Google DeepMind	EvolutionaryScale / Meta	NVIDIA
材料科学	MatterGen, MatterSim, MOFDiff, Skala, SimPoly	GNoME（220万新結晶、38万安定構造DB）	—	—
タンパク質構造	RosettaFold3 + BioEmu-1（動態）	AlphaFold3（Nobel賞2024、3M+研究者利用）	ESMFold	BioNeMo（ESM2推論最適化）
タンパク質言語/生成	Mu-Protein, NatureLM	—	ESM3（98B）+ ESM Cambrian（最大6B）	CodonFM（コドンレベルLM）
逆合成	RetroChimera, Syntheseus	—	—	—
マルチドメイン	NatureLM（低分子/タンパク質/RNA/DNA/材料統合）	—	—	—
計算化学	Skala（DFT汎関数）, AI2BMD	—	—	—
気象	Aurora（Nature 2025, 0.1°）	GraphCast + GenCast（0.25°確率的予報）	—	Earth2Studio + FourCastNet3
科学的発見エージェント	Microsoft Discovery	AlphaEvolve（Gemini搭載コーディングAgent, 2026年5月）	—	—
統合PF	Microsoft Discovery（汎用科学R&D）	Isomorphic Labs（創薬特化、統合Drug Design Engine）	—	BioNeMo Platform
量子統合	Azure Quantum Elements	—	—	cuQuantum
GPUインフラ	Azure (NVIDIA/AMD)	TPU v5p + GPU	—	DGX Cloud / B300

12.2 Google DeepMindとの詳細比較

Google DeepMindは2024年のAlphaFold Nobel賞受賞により、AI for Scienceの代名詞となった。2026年に入り「AlphaEvolve」等の新展開もあり、その動向は注視が必要である。

最新動向（2025-2026）：

• AlphaFold3コード公開（2024年11月）：GitHub上でソースコード公開（google-deepmind/alphafold3）。ライセンスはCC-BY-NC-SA 4.0（非商用のみ）。モデル重みはGoogle承認制で配布
• Isomorphic Labs拡張：「unified drug design engine」を構築中。「AlphaFoldだけではdrugは設計できない。あと半ダースのブレイクスルーが必要」（CEO Max Jaderberg）
• AlphaEvolve（2026年5月）：Geminiを活用した科学的発見のためのコーディングエージェント。数学・科学分野で自動的に改善アルゴリズムを進化させる
• Gemini 3 Deep Think（2026年2月）：科学・数学の高度推論に特化したモデルバリアント
• AlphaFold利用規模：3百万人超の研究者、190カ国以上で利用。被引用数40,000超（Nature論文）

材料科学：生成 vs データベース

観点	Microsoft (MatterGen)	Google DeepMind (GNoME)
アプローチ	条件付き生成モデル（新規材料をゼロから設計）	グラフネットワーク+安定性予測（既知構造空間の大規模探索）
出力	条件を満たす新規結晶構造	220万件の新結晶（うち38万件が最安定）
研究者の使い方	「こういう特性の材料がほしい」→生成	「この化学系で安定な構造は？」→検索
新規性	訓練データにない新規構造を生成可能	既知の化学的組み合わせの安定性を予測
実験検証	論文中で実験合成を検証	外部研究者が736構造を独立に合成確認
Nature論文	2024年	2023年（Nature s41586-023-06735-9）
OSS	✅ MIT License（フルコード+重み公開）	❌ データベースのみ公開（Materials Projectに38万構造を寄贈）
補完ツール	MatterSim（特性予測）、Skala（DFT）との連携	Lawrence Berkeley NLとの自律合成ロボット連携

→ 研究者にとっての意味：MatterGenは「まだ存在しない材料の設計」、GNoMEは「既に想定される材料候補の安定性スクリーニング」。両者は相補的であり、GNoME DBで安定な候補を絞り→MatterGenで特性最適化という組み合わせも理論上は可能。

タンパク質科学：静的構造 vs 動態

観点	Microsoft	Google DeepMind
静的構造予測	RosettaFold3（Azure経由）	AlphaFold3（Nobel賞2024。コードOSS、重みは承認制。非商用のみ）
タンパク質動態	BioEmu-1（μs級コンフォメーションアンサンブル）	なし（動態は対象外）
進化的タンパク質工学	Mu-Protein（適応度予測）	なし（Isomorphic Labsが内部開発か）
複合体予測	RosettaFold3（タンパク質+核酸+リガンド）	AlphaFold3（同等能力）
創薬応用	Azure経由でAPI利用	Isomorphic Labsが独占的に商用展開
ライセンス	Azure規約（RosettaFold3）/ MIT（Mu-Protein）	CC-BY-NC-SA 4.0（コード）/ 重み承認制・非商用のみ
利用規模	Azure利用者数は非公開	3百万人超の研究者が利用

→ 研究者にとっての意味：構造予測はAlphaFold3が圧倒的な業界標準（3M+ユーザー、Nobel賞）。しかし商用利用が完全に制限されているため、産学連携や企業との共同研究ではAlphaFold3は使えない。Azure経由のRosettaFold3は商用プロジェクトでも利用可能であり、この点がMicrosoftの実用上の優位性。タンパク質動態ではBioEmu-1が唯一のソリューション。

気象：解像度 vs 確率的予報

観点	Microsoft (Aurora)	Google DeepMind (GraphCast/GenCast)	NVIDIA (Earth2Studio)
最新モデル	Aurora（Nature 2025）	GenCast（0.25°確率的予報）	FourCastNet3
解像度	0.1°（約11km）	0.25°（約28km）	0.25°
アンサンブル	Vibe Kit経由で可能	GenCast: 拡散モデルによるネイティブアンサンブル	Earth2Studioで統合
速度	約5,000倍高速	約1,000倍高速	GPU最適化
特徴	最高解像度	確率的予報が組み込み	マルチモデル統合プラットフォーム
OSS	Vibe Kit（一部）	GraphCast + GenCast（JAX、フルコード+重み公開）	Earth2Studio（Apache 2.0、フル公開）
プラットフォーム	Azure AI Foundry	Google Cloud（限定的）	Earth2Studio（Aurora/GenCast/AIFS等を統合）

→ 研究者にとっての意味：解像度が重要なメソスケール研究ではAuroraが優位。確率的予報・不確実性定量化ではGenCastが先進的。注目すべきはNVIDIA Earth2Studioで、Aurora、GenCast、ECMWF AIFS等の複数モデルをApache 2.0ライセンスで統合提供しており、研究者が比較実験を行うのに最も便利な環境を提供している。

科学的発見エージェント：Discovery vs AlphaEvolve

観点	Microsoft Discovery	Google DeepMind AlphaEvolve
発表	Build 2025（2025年5月）	2026年5月
アプローチ	グラフベース知識推論 + 複数専門Agent連携	Gemini搭載のコーディングAgent（進化的アルゴリズム探索）
対象分野	材料・化学・創薬等の汎用科学	数学・アルゴリズム・科学全般
方法論	仮説生成→実験設計→予測→検証のループ	コード生成→評価→進化的改善のループ
入力	研究者のデータ＋文献＋実験結果	問題定義＋評価関数
状態	プレビュー（招待制）	研究発表段階
ライセンス	Azureサービス	未公開

→ 研究者にとっての意味：両者は「AIによる科学的発見の自動化」という同じビジョンを目指すが、アプローチが異なる。Discoveryは既存の科学ワークフロー（材料設計、創薬等）をAgent化する実用的アプローチ。AlphaEvolveは数学的・アルゴリズム的問題の自動解決に特化。現時点ではどちらも初期段階。

12.3 EvolutionaryScale（旧Meta ESMチーム）との比較

2024年にMeta FAIRのESMチーム主要メンバーがスピンアウトして設立したEvolutionaryScale社は、タンパク質AI分野で最も影響力のある独立企業となった。Meta FAIR自体もESM-2のGitHubリポジトリ（facebookresearch/esm）を維持しているが、最新の開発はEvolutionaryScaleが主導している。

ESMファミリーの最新状況（2026年5月時点）：

モデル	開発元	パラメータ	用途	ライセンス
ESM-2	Meta FAIR	最大15B	タンパク質言語モデル（表現学習）	MIT License
ESMFold	Meta FAIR	—	配列→構造予測（MSA不要）	MIT License
ESM3	EvolutionaryScale	98B	配列・構造・機能の統合生成	非商用ライセンス（small版のみ公開）
ESM Cambrian	EvolutionaryScale	300M / 600M / 6B	次世代表現学習（ESM-2後継）	300M/600Mオープン / 6BはForge/AWS経由

ESM Cambrian の技術的進歩：

• ESM-2の後継として設計。「masked language modeling」でタンパク質配列のパターンを学習
• ESM C 300Mが ESM-2 650Mと同等性能（メモリ半減、推論高速化）
• ESM C 600Mが ESM-2 3Bに匹敵し、15Bに迫る性能
• ESM C 6Bが全ESM-2モデルを大幅に上回る新SOTA
• NVIDIA BioNeMo上でも利用可能予定

Microsoft vs EvolutionaryScale詳細比較：

観点	Microsoft	EvolutionaryScale
タンパク質配列モデル	Mu-Protein（適応度予測特化）	ESM Cambrian（汎用表現学習、2026年SOTA）
タンパク質生成	BioEmu-1（動態生成）、NatureLM（クロスドメイン）	ESM3（配列+構造+機能の同時生成、98Bパラメータ）
代表成果	BioEmu-1で初のμs動態生成	esmGFP: 5億年の進化に相当する新規蛍光タンパク質を設計・実験検証
対象ドメイン	タンパク質＋材料＋化学＋気象（広い）	タンパク質に深く特化
ビジネスモデル	Azureサービス＋OSS	API（Forge）+ AWSパートナーシップ + 製薬企業との提携
コミュニティ影響力	中程度	極めて高い（ESM-2はHugging Face最多利用バイオモデル）
商用利用	MIT（一部）/ Azure（一部）	ESM3: 非商用（small版のみ公開） / Cambrian 300M/600M: 商用可能

→ 研究者にとっての意味：タンパク質の表現学習・配列解析ではESM Cambrian（EvolutionaryScale）が2026年時点の最高性能。タンパク質生成ではESM3が強力なライバルだが、非商用ライセンスのため産学連携での利用に制約がある。一方、Microsoftは動態シミュレーション（BioEmu-1）、材料科学（MatterGen）、計算化学（Skala）など、EvolutionaryScaleが対象としないドメインに広い展開を持つ。タンパク質「だけ」で完結する研究ならESM3/Cambrian、複数ドメインを横断する研究ならMicrosoftという棲み分けが成立する。

12.4 NVIDIAとの比較

NVIDIAは2025-2026年にかけてBioNeMo Frameworkを大幅に拡張し、GPU最適化だけでなく独自モデル（CodonFM等）の開発にも進出している。また気象分野ではEarth2Studioにより、複数のAI気象モデルを統合するプラットフォームを構築した。

BioNeMo Framework最新動向（2026年5月時点）：

• ESM2 NVFP4/MXFP8：B300 GPUで15Bモデルを2,367 TFLOPS/GPUで学習（2026年3月）
• CodonFM：コドンレベルの生物基盤モデル（NVIDIA独自研究、2025年10月公開）
• Sparse Autoencoders：モデル解釈性ツール（ESM2/CodonFMの潜在特徴可視化、2026年3月）
• ESM2 PEFT: LoRAファインチューニングレシピ（シーケンスパッキング対応、2026年2月）
• 学習速度: ESM2基盤モデルで2倍高速化、推論6倍高速化を実現

NVIDIA Earth2Studio（気象分野での新たな競合）：

観点	Earth2Studio	Microsoft Aurora
位置づけ	マルチモデル統合プラットフォーム	単一の高精度モデル
対応モデル	FourCastNet3, GenCast, ECMWF AIFS, Aurora等を統合	Aurora単独
ライセンス	Apache 2.0（完全OSS）	Azure利用規約（Vibe Kit経由で一部実験可）
データソース	GFS, IFS等を統合	Azure経由
研究者体験	pip install earth2studioで即座に利用可能	Azure契約が必要
独自性	プラットフォームとしての統合力	モデルとしての精度・解像度
GitHub	NVIDIA/earth2studio	—

→ 研究者にとっての意味：Earth2StudioはAuroraを含む複数モデルの比較実験基盤として非常に有用。Apache 2.0ライセンスで完全に自由利用可能。ただしAuroraの0.1°解像度フル利用にはAzure AI Foundry経由が必要。

BioNeMo vs Microsoft AI for Science（更新版）：

観点	NVIDIA BioNeMo Framework	Microsoft AI for Science
主な価値	GPU最適化＋独自モデル開発	新規科学モデルの研究開発
独自研究	CodonFM、Sparse Autoencoders	BioEmu-1、Skala、Aurora、MatterGen等（多数）
ESM2対応	NVFP4/MXFP8で2,367 TFLOPS/GPU（B300）	直接サポートなし
分子生成	MolMIM、DiffDock	MatterGen（材料）、MoLeR（低分子）
プラットフォーム	BioNeMo Framework（PyTorch+TE、OSS）	Azure AI Foundry（マネージドAPI）
気象	Earth2Studio（Apache 2.0、マルチモデル）	Aurora（Azure、単一高精度モデル）
ライセンス	Apache 2.0（フレームワーク全体）	MIT（一部）/ Azure（一部）の混合
GPU要件	B300/H100最適化（最新GPU性能を最大活用）	A100/H100で動作
顧客	製薬企業、研究機関	研究機関＋製薬企業
GitHub	NVIDIA/bionemo-framework	各モデル個別にGitHub公開

→ 研究者にとっての意味：NVIDIAはもはや「GPU屋」ではなく、独自の科学AIモデル（CodonFM）やモデル解釈性ツール（Sparse Autoencoders）まで提供する本格的な科学AIプレイヤーに進化した。ただし、材料科学・計算化学・気象の独自モデル研究ではMicrosoftが圧倒的に先行。NVIDIAの強みは「他社モデルを最速で動かす基盤」と「OSSへの全面コミットメント（Apache 2.0）」にある。

12.5 その他の注目プレイヤー

Isomorphic Labs（Google DeepMind子会社）：

• AlphaFold3を基盤とした「unified drug design engine」を開発中
• 「AlphaFoldだけではdrugは設計できない。あと半ダースのブレイクスルーが必要」（CEO Max Jaderberg）
• 商用創薬に特化。Microsoft Discoveryの直接的な競合ではなく、創薬特化の垂直統合モデル
• Eli Lilly、Novartisとの大型提携を発表済

ECMWF（欧州中期予報センター）：

• AI気象モデルAIFS（自社開発）をEarth2Studioに統合
• 従来の数値予報とAI予報のハイブリッド運用を実施中
• Microsoft Auroraの直接的な比較対象

IBM Research：

• MolFormer等の分子基盤モデルを研究
• 2026年時点では大規模なAI for Scienceプラットフォームの展開は限定的
• Watsonxへの統合を模索中だが、科学特化モデルのポートフォリオは小さい

12.6 ライセンス戦略の比較（研究者にとっての実用的影響）

各社のライセンス戦略は研究機関にとって極めて重要な選択基準である。

プレイヤー	代表的ライセンス	商用利用	産学連携での利用
Microsoft	MIT License（主要OSSモデル）	✅ 完全に自由	✅ 制約なし
Microsoft	Azure利用規約（非OSSモデル）	✅ Azure契約下で可能	✅ Azure契約が必要
Google DeepMind	CC-BY-NC-SA 4.0（AlphaFold3コード）	❌ 非商用のみ	⚠️ 企業との共同研究で使用不可
Google DeepMind	承認制（AlphaFold3重み）	❌ 非商用のみ	⚠️ 同上
EvolutionaryScale	非商用（ESM3 small）	❌ 非商用のみ	⚠️ 商用研究には有料API必要
EvolutionaryScale	オープン（ESM Cambrian 300M/600M）	✅ 商用可能	✅ 制約なし
NVIDIA	Apache 2.0（BioNeMo/Earth2Studio）	✅ 完全に自由	✅ 制約なし
Meta	MIT License（ESM-2）	✅ 完全に自由	✅ 制約なし

→ 産学連携への示唆：産学連携プロジェクトは企業との共同研究を含むケースが多い。AlphaFold3の非商用制限は、企業パートナーがいるプロジェクトでは利用不可という重大な制約となる。Microsoft（MIT License）やNVIDIA（Apache 2.0）のツールは産学連携で制約なく利用可能であり、ツール選定で優位性がある。

12.7 Microsoftの戦略的差別化ポイント（総括）

上記の2026年5月時点の競合分析を踏まえ、Microsoftが明確に優位性を持つ領域を整理する。

1. エンドツーエンドのプラットフォーム統合（Discovery）

他社が個別モデルの公開に留まる中、MicrosoftはDiscoveryによって複数のAIエージェントを統合し、「仮説→実験設計→予測→検証」のループ全体を支援する唯一の汎用科学プラットフォームを構築している。Google DeepMindのIsomorphic Labsは創薬特化であり、AlphaEvolveは数学・アルゴリズム特化。Discoveryのような材料・化学・生命科学を横断する統合プラットフォームは他に存在しない。

2. タンパク質動態（BioEmu-1）— 唯一無二

AlphaFold3（DeepMind）もESM3（EvolutionaryScale）も「静的な構造」の予測・生成に留まる。BioEmu-1はμ秒スケールの動的構造アンサンブルを生成でき、アロステリック制御、構造変化メカニズム、結合自由エネルギー計算など、創薬で不可欠な動態情報を提供する唯一のツール。

3. 計算化学の根幹革新（Skala）— 独自領域

DFT計算のXC汎関数というAb initio計算の最も根本的なコンポーネントをAIで置き換えるアプローチは、Skalaのみ。DeepMind、EvolutionaryScale、NVIDIAのいずれもDFT自体の改善には取り組んでいない。

4. 材料科学ポートフォリオの広さ — 競合を圧倒

材料探索（MatterGen）→特性予測（MatterSim）→DFT高精度化（Skala）→分子動力学（AI2BMD）→多孔質材料（MOFDiff）→高分子（SimPoly）と、材料科学のワークフロー全体をカバーする。Google DeepMindのGNoMEは安定性データベースのみ、NVIDIAは材料科学に不参入であり、この包括性は他に類を見ない。

5. ドメイン横断モデル（NatureLM）— 唯一のマルチドメイン基盤モデル

低分子、タンパク質、RNA、DNA、材料を統一的に扱うモデルは、他社に類例がない。ESM3はタンパク質内の配列+構造+機能の統合だが、ドメインはタンパク質に限定。NatureLMは科学ドメイン間の横断ができる唯一のモデル。

6. 商用利用の自由度（MIT License戦略）

AlphaFold3（非商用制限）、ESM3（非商用制限）に対し、MicrosoftのMatterGen、MatterSim、Skala、GraphRAG等の主要ツールはMIT Licenseで完全に自由利用可能。産学連携プロジェクトでは、この差が決定的に重要。

12.8 各社の弱みとMicrosoftへの示唆

プレイヤー	強み	弱み	Microsoftへの示唆
Google DeepMind	Nobel賞ブランド。AlphaFold 3M+ユーザー。AlphaEvolve	厳しい非商用制限。汎用科学PF未提供。材料はDB止まり	OSS＋MIT戦略の継続が産学連携での差別化に有効
EvolutionaryScale	ESM3/Cambrian（タンパク質SOTA）。コミュニティ最大	タンパク質に特化。材料・化学・気象なし。ESM3非商用	広いドメインカバレッジが最大の差別化
NVIDIA	Apache 2.0完全OSS。GPU最適化で最速。Earth2Studio	独自の科学的発見は少ない。他社モデルの最適化が主	研究力（新規モデル開発）が最大の競争優位
Isomorphic Labs	AlphaFold3ベース。大手製薬との提携	創薬のみ特化。材料・気象・化学に不参入	汎用科学PFとしてのDiscoveryのポジション
Microsoft自身	ポートフォリオ最広。Discovery。MIT OSS	コミュニティ認知度がDeepMind/ESMに劣る。Discovery未GA	認知度向上＋Discovery GA＋コミュニティ育成が最優先課題

12.9 研究者が選ぶべきツールの判断基準（2026年5月版）

研究テーマと利用条件に応じた最適ツール選択：

研究テーマ	第一選択	代替選択肢	選択理由
タンパク質構造予測（学術のみ）	AlphaFold3 (DeepMind)	RosettaFold3 (Microsoft)	AF3が精度最高。非商用限定
タンパク質構造予測（産学連携）	RosettaFold3 (Microsoft)	—	AF3は商用利用不可のためRF3一択
タンパク質表現学習	ESM Cambrian (EvolutionaryScale)	ESM-2 (Meta)	2026年SOTA。商用利用可（300M/600M）
タンパク質生成（学術のみ）	ESM3 (EvolutionaryScale)	NatureLM (Microsoft)	98B、配列+構造+機能統合
タンパク質動態・アンサンブル	BioEmu-1 (Microsoft)	—	唯一のソリューション
材料逆設計	MatterGen (Microsoft)	—	条件付き生成モデルとして唯一
材料安定性スクリーニング	GNoME DB (DeepMind)	MatterSim (Microsoft)	38万構造の既存DB活用
DFT計算高精度化	Skala (Microsoft)	—	唯一のAI XC汎関数
逆合成計画	RetroChimera (Microsoft)	Syntheseus (Microsoft/OSS)	API利用可能
気象予報（高解像度）	Aurora (Microsoft)	GenCast (DeepMind)	0.1°で最高解像度
気象予報（確率的）	GenCast (DeepMind)	Aurora + Vibe Kit	拡散モデルでネイティブアンサンブル
気象予報（比較実験）	Earth2Studio (NVIDIA)	—	マルチモデル統合、Apache 2.0
統合R&Dワークフロー	Discovery (Microsoft)	—	唯一の汎用科学プラットフォーム
GPU最適化学習	BioNeMo Framework (NVIDIA)	—	B300で2,367 TFLOPS/GPU
ドメイン横断研究	NatureLM (Microsoft)	—	唯一のマルチドメイン基盤モデル

12.10 競合動向の今後の注視ポイント

時期	注視すべきイベント	影響
2026年後半	AlphaEvolve の科学分野への本格展開	Discovery との直接競合の可能性
2026年後半	Isomorphic Labs の臨床試験入り	創薬AI商用化の先行指標
2026年	ESM Cambrian 6B+ の商用展開拡大	タンパク質LM市場の構図変化
2026-2027年	Microsoft Discovery GA	Microsoftの科学AI戦略の本格展開
2027年	NVIDIA BioNeMo next-gen（B300最適化完了）	GPU基盤×科学AIの統合深化
2027年	GNoME v2? / 材料生成への展開?	Google材料科学の方向性

第13章 利用開始ガイド

13.1 全ポートフォリオ ライセンス・提供形態 総合一覧

モデル/ツール	ライセンス	OSS (GitHub)	AI Foundry カタログ	AI Foundry Labs	その他	商用利用
MatterGen	MIT	✅ Link	✅	✅	—	✅ 自由
MatterSim	MIT	✅ Link	—	✅	PyPI	✅ 自由
MOFDiff	MIT	✅ Link	—	—	—	✅ 自由
SimPoly	未公開	—	—	—	—	—
Skala	MIT	✅ Link	✅	✅	—	✅ 自由
AI2BMD	MIT	✅ Link	—	—	—	✅ 自由
DiG	研究のみ	—	—	—	—	—
RetroChimera	Azure規約	—	✅	✅	—	Azure準拠
Syntheseus	MIT	✅ Link	—	—	—	✅ 自由
MoLeR	研究のみ	—	—	—	—	—
BioEmu-1	Azure規約	—	—	✅	—	Azure準拠
Mu-Protein	MIT	✅ Link	—	—	—	✅ 自由
RosettaFold3	Azure規約	—	—	✅	—	Azure準拠
GigaTIME	Azure規約	サンプルのみ	✅	✅	—	Azure準拠
HybriDNA	未公開	—	—	—	—	—
NatureLM	研究用	—	—	—	HuggingFace	要確認
Aurora	Azure規約	Vibe Kit	—	✅	—	Azure準拠
ClimaX	研究公開	MSR公開	—	—	—	要確認
EO/OS OD	Azure規約	—	✅	✅	—	Azure準拠
OptiMind	Azure規約	—	—	✅	—	Azure準拠
Data Formulator	MIT	✅ Link	—	✅	—	✅ 自由
GraphRAG	MIT	✅ Link	—	—	PyPI	✅ 自由
Discovery	Azureサービス	—	—	—	プレビュー	Azure準拠
Quantum Elements	Azureサービス	—	—	—	—	Azure準拠

13.2 ライセンス形態の解説

ライセンス種別	意味	研究機関への影響
MIT License	商用・学術問わず自由に利用・改変・再配布可能	制約なし。自前GPUで自由に実行・カスタマイズ可能
Azure利用規約	Azure経由でのみ利用可能。モデル重みのダウンロード不可	Azureサブスクリプション必要。オンプレミス実行不可
研究用ライセンス	学術研究目的で公開。商用利用は別途許諾が必要な場合あり	学術利用は可能だが、産学連携での商用化時に要確認
未公開	論文発表のみで実装は非公開	アクセス不可。今後のOSS化を待つ

13.3 研究者がすぐに試せるもの（MIT License / OSS）

ツール	方法	URL/コマンド
MatterGen	GitHub OSS	git clone microsoft/mattergen
MatterSim	pip install	pip install mattersim / microsoft/mattersim
MOFDiff	GitHub OSS	git clone microsoft/mofdiff
Skala	pip install	pip install skala / microsoft/skala
Mu-Protein	GitHub OSS	git clone microsoft/Mu-Protein
AI2BMD	GitHub OSS	git clone microsoft/AI2BMD
Syntheseus	GitHub OSS	git clone microsoft/syntheseus
GraphRAG	pip install	pip install graphrag / microsoft/graphrag
Data Formulator	GitHub OSS	git clone microsoft/data-formulator
NatureLM	Hugging Face	https://huggingface.co （モデル名は要確認）

13.4 Azure AI Foundry Labs（無料枠・研究用）

ツール	URL
BioEmu-1	https://labs.ai.azure.com/projects/bioemu/
RosettaFold3	https://labs.ai.azure.com/projects/rosettafold3/
Aurora	https://labs.ai.azure.com/projects/aurora/
MatterGen	https://labs.ai.azure.com/projects/mattergen/
MatterSim	https://labs.ai.azure.com/projects/mattersim/
Skala	https://labs.ai.azure.com/projects/skala/
RetroChimera	https://labs.ai.azure.com/projects/retrochimera/
GigaTIME	https://labs.ai.azure.com/projects/gigatime/
OptiMind	https://labs.ai.azure.com/projects/optimind/
Data Formulator	https://labs.ai.azure.com/projects/data-formulator/

AI Foundry Labsは研究・実験目的での利用を前提としており、本番ワークロードへの利用は想定されていません。

13.5 Azure環境が必要なもの（有償）

サービス	必要なもの	料金体系
Microsoft Discovery	プレビュー申請 + Azureサブスクリプション	未発表（プレビュー中）
Azure AI Foundry カタログ	Azureサブスクリプション	GPU推論の従量課金
Azure Quantum Elements	Azureサブスクリプション + 量子アクセス申請	従量課金
Azure HPC	Azureサブスクリプション	VM従量課金

13.6 推奨GPU環境（OSS利用時）

モデル	推奨GPU	VRAM
MatterGen	A100/H100	40GB+
MatterSim	A100	40GB+
NatureLM-46.7B	H100×4	320GB+
NatureLM-8B	A100	80GB
NatureLM-1B	V100/A10	16GB+
BioEmu-1	A100	40GB+
Skala	A100	40GB+
AI2BMD	A100	40GB+
GraphRAG	CPU可（LLM API経由）	—

おわりに

MicrosoftのAI for Scienceポートフォリオは、単なるAIモデルの寄せ集めではなく、研究→プロダクト→プラットフォーム→エコシステム→量子統合という一貫した戦略のもとに構築されている。特に以下の3点は、研究者にとって注目に値する。

1. Science/Nature級の研究成果が、クラウドサービスとして利用可能になりつつある。BioEmu-1（Science）、MatterGen（Nature）、Aurora（Nature）がAzure AI Foundry Labsで公開されていることは、研究の民主化という観点で大きい。

2. OSSへのコミットメント。MatterGen、MatterSim、MOFDiff、Skala、Mu-Protein、GraphRAG、Data Formulator等がGitHubでOSS公開されており、研究機関は自由にカスタマイズ・拡張が可能である。

3. 「設計→シミュレーション→合成」の全工程カバー。従来のAI for Scienceは個別のタスク（構造予測、特性予測等）に閉じていたが、MicrosoftはDiscoveryプラットフォームとRetroChimera等の組み合わせにより、研究サイクル全体の自動化を志向している。

研究機関にとって、これらのツール群は計算科学基盤として活用可能であり、特に材料開発・生命科学の2領域では世界最先端のモデルが無料または低コストで利用できる状況にある。

次のステップ — Microsoft AI for Scienceとの連携を始める

ここまでお読みいただき、「自分の研究にも使えそうだ」と感じられた方へ。以下に、今すぐ始められること、そしてより深い連携を希望される場合の相談窓口をご案内します。

すぐに試せること（すべて無料・登録のみ）

まずは、費用をかけずにMicrosoftのAIモデルを体験してみることをお勧めします。

アクション	所要時間	必要なもの	何が分かるか
AI Foundry Labsでモデルを試用	30分〜	Microsoftアカウント（無料作成可）のみ	各モデルの入出力を実際に確認。「自分のデータに使えるか」の感触を得られる
GitHubからOSSモデルをローカル実行	1-2時間	GPUマシン（研究室のワークステーション等）	自分のデータで実際に計算を走らせ、精度・速度を評価できる
GraphRAGで自分の研究文献を構造化	半日	Python環境 + LLM APIキー	自分の研究分野の論文群を知識グラフ化し、新たな仮説の発見に繋がる

AI Foundry Labsとは？

Microsoftが研究者向けに提供している無料の実験環境です。Webブラウザ上でAIモデルを試すことができ、特別なハードウェアや環境構築は不要です。アクセス先: labs.ai.azure.com

以下のモデルが試用可能です:

• MatterGen（材料生成）、MatterSim（材料特性予測）、Skala（DFT汎関数）
• BioEmu-1（タンパク質動態）、RosettaFold3（構造予測）
• Aurora（気象予報）、RetroChimera（合成経路設計）
• その他多数

大型研究プログラム申請に向けた連携支援

ARiSE、CREST、さきがけ等の大型研究プログラムへの申請を検討されている場合、Microsoftの研究連携チームが以下のサポートを提供しています。

支援内容	具体的に何が得られるか	申請書での活用
🤝 共同研究レターの発行	Microsoftとの連携を証明する公式レター	「国際連携」「産学連携」の審査項目で明示的な証拠として記載可能
🔬 技術検証（PoC）の実施	貴研究テーマへのAIモデルの適用可能性を事前検証	「予備実験データ」「実現可能性の裏付け」として申請書に含められる
💰 Azure Academic Research Grant	研究用クラウド計算リソース（GPU/CPU）の無償提供	「計算リソースの確保」を申請書で明示できる
🌏 MSR AI4Scienceとの国際共同研究	英国ケンブリッジ、オランダアムステルダム、ドイツベルリンの研究所との連携	「国際連携体制」「海外トップ研究者との共同研究」を記載可能
📋 Discoveryプレビューアクセス	統合AIプラットフォームの招待制プレビューへの参加	「最先端プラットフォームの先行利用」を計画に含められる

お問い合わせ先

Microsoft Japan AI for Science 研究連携窓口

大型研究プログラムへの申請支援、共同研究のご相談、技術検証のご依頼など、研究に関するあらゆるご相談をお受けしています。「まだ具体的な計画がないが、可能性を知りたい」という段階でもお気軽にご連絡ください。

アクセスリンク:

• Microsoft Discovery プレビュー申請: https://www.microsoft.com/en-us/research/project/microsoft-discovery/
• Azure AI Foundry Labs（無料モデル試用）: https://labs.ai.azure.com
• Microsoft Research AI for Science: https://www.microsoft.com/en-us/research/lab/microsoft-research-ai-for-science/

研究機関向け推奨タイムライン

大型研究プログラムへの申請を計画されている場合、以下のスケジュールでの準備をお勧めします。早い段階からMicrosoftツールに触れておくことで、申請書の具体性と説得力が大幅に向上します。

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

[申請6ヶ月前] 情報収集フェーズ
  ✓ 本ドキュメントを読み、自研究との関連を把握
  ✓ AI Foundry Labsで関連モデルを試用（無料）
  ✓ 「自分のデータで使えるか」の感触を得る

      ↓

[申請3ヶ月前] 予備検証フェーズ
  ✓ GitHubからOSSモデルをダウンロード、自研究データで予備実験
  ✓ Microsoft研究連携チームに初回相談
  ✓ 共同研究の可能性・範囲を議論

      ↓

[申請2ヶ月前] 計画策定フェーズ
  ✓ 技術検証（PoC）結果の取得
  ✓ 共同研究計画書の策定
  ✓ 申請書への記載内容の確定

      ↓

[申請1ヶ月前] 最終化フェーズ
  ✓ 共同研究レターの取得
  ✓ 予備実験データの申請書への組み込み
  ✓ 国際連携体制の最終確認

      ↓

[申請直前] 提出準備
  ✓ 申請書最終版の完成
  ✓ 共同研究先との記載内容の最終確認

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

参考文献

公式ブログ・発表

[1] Transforming R&D with agentic AI: Introducing Microsoft Discovery - Microsoft Azure Blog, 2025年5月（Build 2025）

[2] Microsoft at Build 2025: The AI platform enabling agentic applications - Microsoft Official Blog, 2025年5月

Microsoft Research プロジェクトページ

[3] Materials - Microsoft Research - Microsoft Research, 2026年5月閲覧

[4] Microsoft Research AI for Science Lab - Microsoft Research, 2026年5月閲覧

[5] Small Molecules Project（Syntheseus / MoLeR） - Microsoft Research, 2026年5月閲覧

[6] AI for Science Publications（全72論文一覧） - Microsoft Research AI4Science Lab, 2026年5月閲覧

学術論文

[7] Zeni, C. et al. "MatterGen: a generative model for inorganic materials design" - Nature, 2024. DOI: 10.1038/s41586-024-07350-w

[8] Yang, H. et al. "MatterSim: A Deep Learning Atomistic Model Across Elements, Temperatures and Pressures" - arXiv:2405.04967, 2024

[9] Gong, X. et al. "MOFDiff: Coarse-grained Diffusion for Metal-Organic Framework Design" - ICLR 2024. arXiv:2310.10732

[10] "SimPoly: Simulation-Based Polycondensation with Machine Learning Potentials" - MSR AI4Science, 2025年10月

[11] "Skala: A deep-learning-based exchange-correlation functional for density functional theory" - Microsoft Research, 2025

[12] Li, T. et al. "AI2BMD: Ab Initio Biomolecular Dynamics" - Nature, 2024

[13] "DiG: Diffusion-based Generative Model for Molecular Conformation Generation" - MSR AI4Science

[14] Jing, X. et al. "BioEmu-1: Generating Protein Conformational Ensembles" - Science, 2025年7月

[15] "Mu-Protein: Reinforcement Learning for Protein Engineering" - Nature Machine Intelligence, 2025年9月

[16] Baek, M. et al. "RosettaFold3: Accurate Biomolecular Structure Prediction" - UW Baker Lab / Microsoft, 2025

[17] "GigaTIME: Gigapixel Virtual Multiplex Immunofluorescence" - MSR Health Futures, 2025

[18] "HybriDNA: A Hybrid Transformer-Mamba2 Long-range DNA Language Model" - MSR AI4Science, arXiv, 2025年2月

[19] Luo, S. et al. "NatureLM: Deciphering the Language of Nature for Scientific Discovery" - arXiv:2502.07527, 2025年2月（v3: 2025年6月更新）

[20] Bodnar, C. et al. "Aurora: A Foundation Model of the Atmosphere" - Nature, 2025年5月

[21] Tung Nguyen et al. "ClimaX: A foundation model for weather and climate" - ICML 2023

Azure AI Foundry Labs

[22] MatterGen - Azure AI Foundry Labs - Microsoft, 2026年5月閲覧

[23] MatterSim - Azure AI Foundry Labs - Microsoft, 2026年5月閲覧

[24] Skala - Azure AI Foundry Labs - Microsoft, 2026年5月閲覧

[25] RetroChimera - Azure AI Foundry Labs - Microsoft, 2026年5月閲覧

[26] RosettaFold3 - Azure AI Foundry Labs - Microsoft, 2026年5月閲覧

[27] BioEmu-1 - Azure AI Foundry Labs - Microsoft, 2026年5月閲覧

[28] Aurora - Azure AI Foundry Labs - Microsoft, 2026年5月閲覧

[29] GigaTIME - Azure AI Foundry Labs - Microsoft, 2026年5月閲覧

[30] EO/OS Object Detection - Azure AI Foundry Labs - Microsoft, 2026年5月閲覧

[31] OptiMind - Azure AI Foundry Labs - Microsoft, 2026年5月閲覧

[32] Data Formulator - Azure AI Foundry Labs - Microsoft, 2026年5月閲覧

GitHub リポジトリ

[33] microsoft/mattergen - GitHub, MIT License

[34] microsoft/mattersim - GitHub, MIT License

[35] microsoft/mofdiff - GitHub, MIT License

[36] microsoft/skala - GitHub

[37] microsoft/AI2BMD - GitHub, MIT License

[38] microsoft/syntheseus - GitHub, MIT License

[39] microsoft/Mu-Protein - GitHub, MIT License

[40] microsoft/graphrag - GitHub, MIT License

[41] microsoft/data-formulator - GitHub, MIT License

Azure サービス

[42] Azure Quantum Elements - Microsoft Quantum, 2026年5月閲覧

[43] Azure AI Foundry - Microsoft, 2026年5月閲覧

[44] Microsoft Discovery（プレビュー申請） - Microsoft, 2026年5月閲覧

パートナー関連

[45] NVIDIA ALCHEMI（材料科学向け推論エンジン） - NVIDIA Developer, 2026年5月閲覧

[46] NVIDIA BioNeMo - NVIDIA, 2026年5月閲覧

[47] PhysicsX — Engineering AI - PhysicsX, 2026年5月閲覧

[48] Synopsys.ai - Synopsys, 2026年5月閲覧

[49] "Microsoft and Pacific Northwest National Laboratory use AI to identify new solid-state battery material" - Microsoft News, 2024年1月

GraphRAG・NatureLM

[50] GraphRAG Documentation - Microsoft, 2026年5月閲覧

[51] NatureLM - GitHub Pages - MSR AI4Science, 2026年5月閲覧