法人別リリース

米価はなぜ高騰したのか？

統計数理研究所 — Mon, 30 Mar 2026 12:01:33 +0900

2026年3月30日
統計数理研究所

図：天保の大飢饉期における日射量と米価の推移
本図は、1830年代の天保の大飢饉期における大坂米市場の月別米価と、夏季の日射量の指標（PCA1スコア）を示している。米価は当時の標準的な価値単位である「匁（もんめ）」で表示している。1836年夏には、日射量の指標が低い状態が続いた時期と重なる形で、米価の上昇局面がみられる

【概要】
　1830年代の天保の大飢饉※1を対象に、月単位のデータを用いて、夏の気候条件と市場の動きとの関係を検討した研究です。国内18地点の古日記に記された天気記録から、1821年〜1850年の月平均日射量を復元しました。その結果、飢饉が最も深刻化した1836年の夏、東日本から九州にかけて広い範囲で日射量が平年より約10%低下し、冷涼な気候が数か月にわたって続いていたことが確認されました。この時期、大坂米市場※2では収穫期を待たずに米価が平年の3〜4倍へ上昇しており、夏の気候条件に関する情報が、市場価格の動きに先行して反映されていた状況が示されました。
　本研究成果は2026年3月24日に学術誌「Scientific Reports」に掲載されました。

【研究の背景】
　気候の変化が社会や経済にどのような影響を及ぼすのかを理解することは、現代の気候変動を考える上でも重要な課題です。統計数理研究所/データサイエンス共同利用基盤施設の市野美夏特任助教と立正大学の増田耕一教授、東京都立大学の三上岳彦名誉教授、神戸大学の髙槻泰郎准教授は、その歴史的事例として、江戸時代後期に発生した「天保の大飢饉（1830年代）」に注目しました。これまで、樹木年輪などのプロキシ（代替）データを用いた気候復元が行われてきましたが、こうした手法では季節や地域ごとの違いを十分に捉えることが難しく、人々の経済活動と直接対応する月単位の変動を分析するには制約がありました。また、当時の経済データは年1回の記録が中心であり、収穫前の気候条件が市場の動きにどのように関係していたのかを、時間的な順序を踏まえて検討することは容易ではありませんでした。

【研究成果】
　本研究では、国内18地点に残る古日記の天気記述を月平均日射量に変換し、1821年から1850年にかけて、日本全体の月ごとの日射量分布を復元しました。さらに、この日射量分布に統計的な空間解析（主成分分析：PCA※3）を施し、夏の気候状態を表す指標として整理しました。その結果、天保の大飢饉が深刻化した1836年には、冷涼な夏に対応する気候状態が6月から9月までの4か月にわたって続いていたことが分かりました。次に、復元した日射量と大坂米市場の月別米価を照合したところ、1836年は、こうした夏の気候条件が続く中で、収穫期を待たずに米価の上昇する局面が見られました。実際に、米価は平年の3〜4倍（50〜70匁※4から約200匁）に達し、高値の状態が1837年夏頃まで続いていました。これらの結果は、夏の気候状態に関する情報が、収穫前の段階で市場の動きに反映されていた可能性を示しています。

【今後の展望】
　今回の研究により、夏の気候条件に関する情報が、収穫前の段階で市場の動きに反映されていた可能性を、月単位・全国規模で捉えられることが示されました。今後は、この手法を他の時期や地域にも適用することで、異常気象が社会や経済にどのような形で影響してきたのかを、より多くの歴史事例を通じて比較できるようになります。こうした蓄積は、過去の社会が気候の変化にどのように向き合ってきたのかを考えるための基盤となります。

【用語解説】
※1　天保の大飢饉
1833年から1839年頃にかけて、江戸時代後期の日本で発生した飢饉です。冷涼な夏や洪水などによる凶作が続き、各地で深刻な影響が生じました。

※2　大坂米市場（堂島米市場）
江戸時代の大坂は米の集散地であり、堂島米市場を中心に米価が形成されていました。本研究で扱う米価は、この大坂米市場における取引価格を指します。

※3　主成分分析：PCA
複数地点のデータに共通する変動パターンを要約するための統計手法です。本研究では、全国的な夏の気候状態を表す分布パターンを整理する目的で用いています。

※4　匁（もんめ）
江戸時代に用いられていた価値尺度で、元々は銀の重量を示すものでした。大坂など上方では米価などの価格表示に使われていました。本研究では、当時の史料に基づき、この単位で記録された米価を用いています。

【発表論文】
タイトル Unusual solar radiation and its impact on the Japanese rice market during the 1830s famine
著者 Mika Ichino, Kooiti Masuda, Takehiko Mikami, Yasuo Takatsuki
掲載誌 Scientific Reports
DOI 10.1038/s41598-026-40316-w

【謝辞】
本研究は、JSPS科研費（JP17540410、JP18H03794、JP20K01152、JP21H03776、JP21H05180、JP22H04938、JP23K00974、JP23K25538、JP24K00277、JP25K00651、JP25K04619）、データサイエンス共同利用基盤施設公募型共同研究ROIS-DS-JOINT(027RP2021、041RP2022、044RP2023、056RP2024、025RP2025、028RP2024)、および石井記念証券研究振興財団の支援を受けて実施されました。

統計数理研究所で研究内容ポスター発表

統計数理研究所 — Wed, 25 Mar 2026 12:01:44 +0900

2026年5月22日（金）統計数理研究所を会場に、研究者と大学院生が最新の研究成果を紹介します。発表は時間帯を3グループに分け、40分ずつ行います。統計数理研究所の全教員と大学院生が集まる年に1度の機会にぜひ会場までお越しください。申込不要、参加無料です。

【発表時間】
① 13：00～13：40
② 13：40～14：20
③ 14：20～15：00

＊ポスターはオープンハウスの開催時間中（10：00～17：15）展示しています
＊事情により当日参加できない研究者や大学院生がいる場合もあります
2025年度開催のポスター発表会場の様子100枚以上の研究紹介ポスターを展示

研究内容ポスター発表は統計数理研究所オープンハウスのプログラムのひとつです。ポスターの各タイトルや発表時間帯など詳細は5月中旬にオープンハウス2026のホームページより公開します

統計数理研究所オープンハウス2026 　https://www.ism.ac.jp/openhouse/2026/　＊4月9日（木）公開予定

統計数理研究所オープンハウスでは研究内容ポスター発表のほか、公開講演会「潜在因子を探る統計手法の数理と実践」や統計よろず相談室なども開催します。こちらもぜひご参加ください。

コアタイムにはポスター内容の説明を行います。ご質問もお待ちしております。

極域電離圏の“宇宙天気図”を描く新技術

統計数理研究所 — Thu, 27 Nov 2025 12:00:00 +0900

2025年11月27日
統計数理研究所

図1　エミュレータにデータ同化を適用して推定された2017年3月27日の3:00～4:40 UTの20分ごとの極域電離圏電場ポテンシャルの分布
電場ポテンシャル分布からただちに電場分布を求めることができる。これは、限られた領域しか得られない観測データから数学的に補間して作成されたSuperDARNの「宇宙天気図」と比較して、磁気圏および電離圏の物理過程を取り入れた、より正確な「宇宙天気図」であると言える。

【概要】　
統計数理研究所および総合研究大学院大学の中野慎也教授、統計数理研究所の藤田茂特任教授、米国ジェット推進研究所のSachin Reddy研究員（元国立極地研究所）、沖縄科学技術大学院大学の片岡龍峰准教授（元国立極地研究所）、国立極地研究所および総合研究大学院大学の行松彰准教授、国立研究開発法人情報通信研究機構（NICT）の中溝葵主任研究員の研究グループは、磁気圏の物理モデルを模擬する機械学習ベースのエミュレータ※1「SMRAI2.1」に、国際的なレーダー観測網SuperDARNのデータを取り込むことで、極域電離圏の電場分布を正確に再現する新たな手法を開発しました。従来の数値モデルでは困難だった細かな時間変動の再現や、観測が不可能な領域を物理則に従った計算結果で補間することも可能となり、電離圏のこれまでにない正確な「宇宙天気図」を構成することに成功しました。
この成果は、数値モデルと実観測の融合によって、より現実に近い宇宙環境の再現と予測が可能になることを示しており、今後の宇宙天気予測や人工衛星の安定運用支援等への応用が期待されます。なお、本成果は、米国地球物理学会誌「Space Weather」に掲載されました。
　
【研究の背景】
地球上空の高度100～1000km程度の領域は、大気の一部が電離してプラズマ状態になっており、電離圏と呼ばれています。高緯度域の電離圏では、電場の空間分布が刻々と変化しており、その電場によって作られる電離圏の電流は、人工衛星の軌道や地上のインフラに影響を及ぼすことがあります。こうした電場の変化を把握することは、宇宙空間の安全な利用や宇宙環境の理解にとって欠かせません。
電離圏の電場や電流は、電離圏の上にある磁気圏と呼ばれる領域の物理過程によって生成されます。すでに研究グループでは、機械学習を用いて、磁気圏の物理過程を数値的に再現する磁気圏MHDモデル※2「REPPU」の出力を模擬するエミュレータ「SMRAI2」を開発し、太陽風の条件を入力することで極域電離圏の電場分布を予測する技術を開発していました(「太陽風の観測値からオーロラの広がりや電流の強さを瞬時に予測可能なエミュレータSMRAI2（サムライ2）を開発」 | 2023年度研究成果 | 国立極地研究所)。しかし、磁気圏・電離圏の複雑な物理過程に起因する細かい時間変動はうまく再現できていませんでした。一方、レーダーや磁場観測など、電場や電流を地上から観測する手段も存在していますが、限られた地域のデータしか得られないため、極域電離圏全体の電場や電流分布を示した「宇宙天気図」を作るのは困難でした。

【研究内容（成果）】
研究グループは、天気予報でも用いられているデータ同化技術を使って、国際的なレーダー観測網「SuperDARN」が取得した電離圏プラズマ速度のデータをSMRAI2の改良版「SMRAI2.1」に取り込むことにより、極域電離圏全体の電場分布の変動を正確に再現する手法を開発しました。通常、データ同化技術は、物理モデルによるシミュレーションと観測データを統合するために用いられます。データ同化を実現するには、単にシミュレーションを行った場合の数十倍程度の計算時間が必要であり、天気予報が対象とする下層大気よりも物理過程が複雑な磁気圏のモデルにそのままデータ同化を適用するのは困難です。本研究では、機械学習で得られたシミュレーションを模擬するモデル「エミュレータ」を使うことで計算時間の問題を解決し、磁気圏・電離圏の物理過程を反映した極域電離圏の「宇宙天気図」を構成することに初めて成功したものです。従来の関数形を仮定した方法と比較すると、物理則に則った計算結果を使うことで不自然な時間変化がなくなり、より正しい「宇宙天気図」が作れるようになりました (図2)。
これにより、実際の電場分布が全体としてMHDモデルによるシミュレーションよりも激しく変動していることが明らかになりました。また、直接の観測が不可能な地域でも電離圏変動の様子を容易に把握できるようになりました。

図2　エミュレータとSuperDARNデータを組み合わせる「データ同化」によって宇宙天気図を作成する

【今後の展望】
この成果により、磁気圏MHDモデルを模擬するエミュレータと実観測を融合することで、より現実に近い電離圏環境の再現が可能になることが示されました。今後は、リアルタイムで得られる地上観測データを用いることにより、宇宙天気予測の精度向上や、人工衛星の運用をはじめとした様々な社会システムの運用支援への貢献、宇宙環境の理解に向けた応用が期待されます。

【各機関の役割分担】
統計数理研究所：エミュレータ改良、データ同化
国立極地研究所：エミュレータ開発、SuperDARNデータ管理
沖縄科学技術大学院大学：エミュレータ開発
NICT: REPPU改良版の開発、REPPU改良版による実時間シミュレーションの実施、データ資源管理

【用語解説】
※1 エミュレータ
数値シミュレーションの出力を予測するモデル。サロゲート(代理)モデルとも呼ばれる。計算時間の掛かる数値シミュレーションの代わりとして、短時間で結果を得るために用いられる。
※2　磁気圏MHDモデル
磁気圏・電離圏は、導電性の流体(プラズマ)で満たされているため、その物理過程を記述するには、電磁気学と流体力学を組み合わせた磁気流体力学（Magnetohydrodynamics; MHD）の方程式を用いる必要がある。MHD方程式に基づいて、磁気圏・電離圏の物理過程を計算するのが磁気圏MHDモデルであり、NICTで運用ならびに改良を行っている磁気圏MHDモデルがREPPUである。

【発表論文】
タイトル：Data assimilation into a machine learning-based emulator of a global MHD simulation for analyzing the polar ionosphere
著者：S. Nakano, S. A. Reddy, R. Kataoka, A. Nakamizo, S. Fujita, A. S. Yukimatu
掲載誌： Space Weather
DOI: 10.1029/2025SW004488

【謝辞】
本研究を進めるに当たっては、科学研究費補助金基盤研究A (24H00277)および基盤研究B (23K24810)の支援をいただきました。また、情報・システム研究機構データサイエンス共同利用基盤施設公募型共同研究(ROIS-DS-JOINT 012RP2023)の支援もいただきました。

材料研究の新展開：大規模計算データベースと実験データをつなぐスケーリング則を発見

統計数理研究所 — Thu, 05 Jun 2025 11:30:48 +0900

2025年6月5日
統計数理研究所
　統計数理研究所（以下「統数研」）と三菱ケミカル株式会社（本社：東京都千代田区、社長：筑本学）の共同研究部門「ISM-MCCフロンティア材料設計拠点」の研究グループは、物質・材料研究機構の研究グループと協力し、材料研究における大規模計算物性データベースと実験データの統合解析において、「Sim2Real転移学習※1のスケーリング則※2」と呼ばれる現象を発見しました。本成果（以下「本研究」）をまとめた論文が国際学術誌「npj Computational Materials」に掲載されたことをお知らせいたします。
　データ駆動型材料研究では、実験データの不足が原因でAIの予測性能を十分に発揮できないことが大きな課題となっています。この課題を克服するために、物理シミュレーションによって生成された大規模な計算物性データベースの開発が進められています。例えば、計算物性データベースで事前学習されたモデルを、限られた実験データを用いて追加学習することで、直接学習では到達不可能な予測性能を実現できることが知られています。このような統合解析をSim2Real転移学習といいます。
本研究では、データ駆動型材料研究のSim2Real転移学習において、計算物性データベースの規模が拡大するにつれて、転移モデルの実験物性に対する性能がべき乗則に従い単調に改善していくことを実証しました。材料系のSim2Real転移学習において、スケーリング則が存在することを系統的に示したのは、これが初めてです。
スケーリング強度は、データベースの将来価値を評価する定量的な指標となります。また、スケーリング挙動を解析することでAIのモデルが目標性能に到達するために必要なデータ数や到達可能な限界性能を見積もることができます。さらに、スケーリング則の解析は、材料開発プロジェクトにおけるデータプラットフォーム開発の戦略立案やデータ生産プロトコルの効率化につながることが期待されます。

研究の背景
　データ駆動型研究において最も重要な資源は、言うまでもなくデータです。しかしながら、自然言語処理やコンピュータビジョン、生物、医療などのAI先進分野に比べると、材料研究のデータ資源は極めて乏しいというのが現状です。この壁を乗り越えるために、材料研究者らは第一原理計算※3や分子動力学シミュレーション※4などの物理シミュレーションを駆使し、大規模な計算物性データベースの構築に取り組んできました。無機材料分野では、この分野の先駆けであるMaterials Project1を皮切りに、AFLOW2、OQMD3、GNoME4、OMat24データセット5など、周期表全体を網羅する計算物性データベースが次々と開発されてきました。高分子材料分野では、統数研の研究グループが、高分子材料の計算機実験を全自動化するソフトウェアRadonPyを開発しながら、2つの国立研究所、８大学、37企業に属する約260名が参画する産学連携コンソーシアムを形成し、世界最大級の高分子物性データベースの共同開発を進めています6。また、「ISM-MCCフロンティア材料設計拠点」の研究グループ（以下「同グループ」）は、量子化学計算を全自動化するシステムを構築し、高分子材料と溶媒分子の相溶性を網羅的に評価した大規模データベースを開発しています7。
　材料研究では、転移学習という手法を活用し、大規模な計算機実験のデータと限られた実験データを統合的に活用することで、モデルの予測性能を向上させます。例えば、計算物性データベースを用いてモデルを事前学習し、限られた実験データを用いて現実世界の予測タスク向けに微調整（ファインチューニング）します。このようなSim2Real転移で得られたモデルは、実験データだけで学習されたモデルでは到達できない高度な予測能力を発揮することが知られています。同グループは、材料開発における実践を通じて、転移学習が限られた実験データの壁を克服するための効果的なアプローチであることを実証してきました8,9。

研究内容と成果
　本研究において、同グループは、材料研究の多様なタスクにおいて、Sim2Real転移学習のスケーリング則が成り立つことを明らかにしました（図1）。統数研の福水健次教授と株式会社Preferred Networksの共同研究グループは、先行研究においてスケーリング則の存在を理論的に予想し、コンピュータビジョン分野のSim2Real転移学習において、この法則が成り立つことを実証しました10。この理論によれば、ファインチューニングされたモデルの実験物性に対する予測性能は、計算データベースのサイズの増加に伴い、べき乗則に従って単調に改善します。データ数の増加に対する改善率が大きく、転移ギャップが小さいデータベースが望ましいと考えられます。転移ギャップは、データベース拡大によって到達可能な限界性能であり、計算物性データベースの将来価値を表す指標となります。
　本研究では、RadonPy高分子物性データベースや高分子相溶性データベースから導かれた転移モデルが、さまざまな実験物性に対して強いスケーリングを示すことが確認されました。実験データの一部は、物質・材料研究機構のPoLyInfoデータベース開発チームから提供されました11。計算物性データベースは、現実世界の広範な予測タスクに対する転移可能性と強いスケーラビリティを持つことが望ましいと考えられます。これまでにさまざまな計算物性データベースが開発されてきましたが、スケーリング則の観点からその有用性を定量的に示した例は報告されていません。本研究は、多様な現実系に対して転移学習の強いスケーラビリティを持つことが、計算物性データベースの有用性を表す指標になることを示しました。
　スケーリング挙動の解析は、目標精度に到達するために必要なデータ数や、到達可能な性能限界を見積もることに役立ちます。また、スケーリング挙動が収束した場合には、それ以上のデータ生産を停止し、計算資源を他のプロジェクトに再分配するという意思決定が可能になります。さらに本研究では、スケーリング挙動の解析に基づく実験計画の策定や、物理実験と計算機実験の最適な資源配分を決定することが可能であることを示しました。

今後の展開
　データ駆動型材料研究における重要なマイルストーンの一つは、このようなスケーラブルに転移可能なデータ生産プロトコルと解析ワークフローを確立することです（図2）。材料開発の多くのドメインでは、データ駆動型研究に必要な十分な量のデータを蓄積できません。この傾向は先端的な研究領域に近づくにつれて顕著になります。そこで、計算機実験のような大量データを生産可能な元ドメインを選定し、機械学習で元ドメインと目標ドメインの間のギャップを埋めるというアプローチが重要になってきます。この際、元ドメインのデータが増加することで、目標ドメインでの予測性能がスケールするようにワークフローを設計することが重要です。あるいは逆に、元ドメインのデータベースから転移可能な目標ドメインを探索していくということも重要になります。
　Sim2Real転移学習やスケーリング則の概念は、計算物性データベースに限らず、あらゆるデータベースの開発に適用できます。ハイスループットなデータ生産プロセスによって基盤的データを構築し、データ生産効率の低い先端研究領域との間の乖離を機械学習でスケーラブルにつなぐことが、データ駆動型材料研究の有効な戦略になります。
　今回の研究により、RadonPyプロジェクトにおけるデータベース開発や、ポリマー・溶媒系の相溶性予測モデルを構築するための量子化学計算・深層学習統合解析プラットフォームの設計指針が確立しました。今後もデータ生産を継続しながら、下流タスクにおける転移モデルの予測性能を向上させていく予定です。

掲載論文
論文題目: Scaling law of Sim2Real transfer learning in expanding computational materials databases for real-world predictions
著者: Shunya Minami, Yoshihiro Hayashi, Stephen Wu, Kenji Fukumizu, Hiroki Sugisawa, Masashi Ishii, Isao Kuwajima, Kazuya Shiratori, Ryo Yoshida
雑誌: npj Computational Materials 11, 146
DOI: https://doi.org/10.1038/s41524-025-01606-5
掲載日時: 2025年5月24日

謝辞
　本研究の一部は、文部科学省「富岳」成果創出加速プログラム「データ駆動型高分子材料研究のデータ基盤」(hp210264) 、科学技術振興機構CREST（JPMJCR19I3、JPMJCR22O3、JPMJCR2332）の一環として実施されたものです。また、本研究を実施するにあたり、高分子物性データベースPoLyInfoを提供していただいた国立研究開発法人物質・材料研究機構技術開発・共用部門の石井真史氏ならびに桑島功氏に感謝の意を表します。

参考文献
1）Jain et al., The Materials Project: A materials genome approach to accelerating materials innovation. APL Mater 1, 011002 (2013). https://doi.org/10.1063/1.4812323
2）Curtarolo et al., AFLOW: An automatic frame-work for high-throughput materials discovery. Comput Mater Sci 58, 218–226 (2012). https://doi.org/10.1016/j.commatsci.2012.02.005
3）Kirklin et al., The Open Quantum Materials Database (OQMD): assessing the accuracy of DFT formation energies. npj Comput Mater 1, 15010 (2015). https://doi.org/10.1038/npjcompumats.2015.10
4）Merchant et al., Scaling deep learning for materials discovery. Nature 624, 80–85 (2023). https://doi.org/10.1038/s41586-023-06735-9
5）Barroso-Luque et al., Open materials 2024 (omat24) inorganic materials dataset and models. arXiv preprint arXiv:2410.12771 (2024). https://doi.org/10.48550/arXiv.2410.12771
6）Hayashi et al., RadonPy: automated physical property calculation using all-atom classical molecular dynamics simulations for polymer informatics. npj Comput Mater 8, 222 (2022). https://doi.org/10.1038/s41524-022-00906-4
7）Aoki et al., Multitask machine learning to predict polymer–solvent miscibility using Flory–Huggins interaction parameters. Macromolecules 56, 5446–5456 (2023). https://doi.org/10.1021/acs.macromol.2c02600
8）Wu et al., Machine-learning-assisted discovery of polymers with high thermal conductivity using a molecular design algorithm. npj Comput Mater 5, 66 (2019). https://doi.org/10.1038/s41524-019-0203-2
9）Yamada et al., Predicting materials properties with little data using shotgun transfer learning. ACS Cent Sci 5, 1717-1730 (2019). https://doi.org/10.1021/acscentsci.9b00804
10）Mikami et al., A scaling law for syn2real transfer: How much is your pre-training effective? Machine Learning and Knowledge Discovery in Databases, 477–492 (2023). https://doi.org/10.1007/978-3-031-26409-2_29
11）Ishii et al., NIMS polymer database PoLyInfo (I): an overarching view of half a million data points. STAM-M 4, 2354649 (2024). https://doi.org/10.1080/27660400.2024.2354649

用語解説
※1　計算物性データベースで事前に学習されたモデルを、実験データを用いて追加学習し実験物性の予測モデルを構築する。
※2　AIのスケーリング則とは、機械学習モデルの性能（例：予測精度）が、学習データの量の増加に伴って、べき乗則に従って改善していくという経験則です。
※3　量子力学の原理に基づいて、材料の電子構造・エネルギー・反応性などを理論的に解析する手法です。
※4　原子や分子の運動をニュートンの運動方程式に基づいて時間発展的に追跡する計算手法です。粒子間の相互作用をポテンシャル関数で表し、物質の構造変化・拡散・熱伝導などの物理特性を原子スケールで解析します。

【開催案内】統計数理研究所オープンハウス2025「データサイエンスの挑戦－予測・発見・創造－」

統計数理研究所 — Thu, 10 Apr 2025 15:01:36 +0900

統計数理研究所は2025年5月23日（金）にオープンハウス2025 「データサイエンスの挑戦－予測・発見・創造－」を開催します。
今年度の公開講演会は「人新世の環境科学とデータサイエンス」をテーマに、気候変動などの地球規模課題を解決し持続可能な社会にするため、TD(Trans-disciplinary)研究の紹介や気候変動の過去の理解と将来の予測、様々な社会シナリオ下での空間詳細な人口や都市活動の将来推計など最新の研究についてお話します。研究内容ポスター発表では13～15時のコアタイムに全教員と大学院生が交代でわかりやすく研究内容を紹介します。統計よろず相談室は統計に関わるさまざまな質問や相談に１件30分程度でお答えします。大学院説明会（総合研究大学院大学統計科学コース）は、在学生と修了生の講演、大学院の教育と入試の説明などを行います。

統計数理研究所オープンハウス2025
「データサイエンスの挑戦－予測・発見・創造－」

開催日　2025年5月23日（金）10:00～17:00
ホームページ　https://www.ism.ac.jp/openhouse/2025/
会場：統計数理研究所（一部のプログラムでオンライン配信あり）

参加費無料　＊参加申込み方法など詳しくはホームページをご覧ください

【プログラム】
公開講演会「人新世の環境科学とデータサイエンス」
15:00～17:00　
開会挨拶
　山下　智志（統計数理研究所長）
講演
　安岡　善文（東京大学名誉教授）
　「科学技術が社会を変えることはできるか？ー Trans-disciplinary（TD）研究の使命と役割ー」
　塩竈　秀夫（国立環境研究所地球システム領域地球システムリスク解析研究室室長）
　「過去と将来の気候変動」
　村上　大輔（統計数理研究所統計基盤数理研究系准教授）
　「気候変動と都市成長：データで探る都市分布の未来像」

研究内容ポスター発表
コアタイム13:00～15:00　
統数研の全研究者と大学院生が３つのグループにわかれて、40分ずつわかりやすく研究内容を紹介します。＊ポスターは終日展示しています
ポスタータイトルリストを5月中旬にホームページより公開予定です。

統計よろず相談室
10:00～12:00／13:00～15:00
統計に関わるさまざまなご質問・ご相談に1件30分程度でお答えします。質問のレベルは問いません。

総合研究大学院大学先端学術院統計科学コース大学院説明会
10:00～12:00
【対象】進学（統計科学コース）に関心のある大学生・大学院生・社会人
在学生・修了生による講演、大学院の教育と入試の説明など行います。

機械学習と分子シミュレーションを融合した高分子材料自動設計ツールSPACIERの開発

統計数理研究所 — Wed, 29 Jan 2025 14:28:02 +0900

・機械学習と分子シミュレーションを融合した高分子材料設計ツールSPACIERを開発しました。
・SPACIERを活用して、屈折率とアッベ数（光の波長による屈折率の変化）の経験的な限界値を越える光学用高分子の合成に成功しました。
・SPACIERは、高分子材料系の計算機実験を全自動化するソフトウェアRadonPyのソフトウェアスイートとして開発されました。RadonPyに実装された自動分子シミュレーションと連携することでさまざまな物性・系を対象に高分子材料を設計できます。

研究概要
　総合研究大学院大学南條舜大学院生、JSR株式会社 Arifin 研究員、東京科学大学早川晃鏡教授および統計数理研究所吉田亮教授らの研究グループは機械学習と分子シミュレーションを融合した高分子材料設計ツールSPACIERを開発しました。さらに、実証実験として、屈折率・アッベ数の経験的な限界値を越える光学用高分子の合成に成功しました。
　現在、さまざまな系を対象に材料を設計する機械学習技術の開発が進展しています。特に、実験データの不足や機械学習の内挿的予測の限界を克服するために、第一原理計算や分子動力学計算などの計算機シミュレーションを統合した材料設計ツールが開発されています。しかしながら、高分子材料系の計算機シミュレーションは、計算コストの高さや計算自動化の技術的課題が依然として大きな障壁となっており、機械学習・シミュレーション統合型の材料設計ツールの開発は十分に進んでいません。そこで、統計数理研究所の研究グループは、高分子材料系の計算機シミュレーションを全自動化するPythonライブラリRadonPyを開発してきました。本研究では、このRadonPyをベイズ最適化に基づく高分子設計アルゴリズムに統合したオープンソースソフトウェアSPACIERを新たに開発しました。さらに、SPACIERに実装された多目的最適化アルゴリズムを用いて、屈折率とアッベ数のトレードオフが形成する経験的限界線を超える光学用高分子を設計し、その合成を実験的に実現しました。
　本研究成果は2025年1月28日にnpj Computational Materials 誌にて発表されました。

発表内容
　データ駆動型材料研究における最大の課題は、データ資源の不足です。多くの材料研究において、機械学習に適用可能な十分なデータを確保することは難しいというのが現状です。特に、高分子材料研究におけるデータ不足は顕著です。このようなデータの量的限界を克服するには、第一原理や分子動力学に基づく計算機実験を活用することが効果的です。無機固体材料や低分子化合物の分野では、密度汎関数法などの第一原理電子状態計算を機械学習システムに統合することが試みられてきました。特に、ベイズ最適化などの適応的実験計画は、計算機実験のコストを抑制しながら、少ない試行回数で所望の特性を有する材料を選定・設計する手法として注目されています。例えば、バルクやナノ構造材料の熱伝導向上、第一原理計算に基づく結晶構造予測、波長選択的多層熱放射膜の組成最適化、蛍光低分子材料などの分野において、ベイズ最適化を実装した計算機実験システムの成功事例が数多く報告されてきました。一方で、高分子材料研究においては、計算機実験の計算コストの高さや自動化の技術的な難しさが障壁となっており、物理シミュレーションと機械学習を統合した材料設計システムの開発は、他の分野に比べて大きく遅れています。
　本研究では、ベイズ最適化や能動学習などの適応実験計画に基づき、RadonPyの計算機実験を循環的に実行しながら高分子材料を設計するソフトウェアSPACIER (materials SPAce frontIER) を開発しました（図1）。統計数理研究所の研究グループが中心となって開発を進めているオープンソースソフトウェアRadonPyは、高分子材料系のさまざまな計算機実験を全自動化するツールです。高分子の繰り返し単位の化学構造、重合度、温度などの計算条件を入力すると、配座探索、電荷計算、力場パラメータの割当、ポリマー鎖の生成、シミュレーションセルの構築、平衡・非平衡計算、物性計算などの全工程を完全に自動実行します。現在公開されているバージョンには、熱物性、光学特性、力学特性など、17種類の物性を自動計算するアルゴリズムが実装されています。SPACIERは、RadonPyの機能を基盤とし、適応実験計画法のアルゴリズムを組み合わせることで、効率的かつ戦略的な高分子材料設計を可能にします。このツールの開発により、高分子材料の探索や特性最適化が飛躍的に進むことが期待されます。
　今回の研究では、SPACIERの実証実験として、光学用高分子の探索を行いました。光学用高分子はメガネやカメラレンズなどに用いられる材料であり、その主な要求特性は高屈折率と高アッベ数です。アッベ数は、透明体の色分散、すなわち屈折率が波長よってどの程度変化するかを示す指標です。しかしながら、屈折率とアッベ数の間にはトレードオフが存在し、両方の特性を同時に向上させることは難しいとされてきました。このトレードオフにより、経験的な限界線が形成され、多くの既存材料がその範囲内に収まっています。本研究ではSPACIERを用いた計算機実験を通じて、この経験的な限界線を越える高分子を網羅的に探索しました。その結果、新たに合成された高分子材料は既知の限界線を越えることが実験的に確かめられました（図2）。
　このようにSPACIERを活用することで、屈折率・アッベ数以外にもRadonPyで計算可能な広範な物性・材料空間や、そこからキャリブレーション可能な実験物性の目標領域に存在する高分子材料を網羅的に同定できます。現在、統計数理研究所の研究グループは、2国研・8大学・37企業と産学連携コンソーシアムを形成し、RadonPyの共同開発を推進しています。この取り組みを通じて、データ駆動型高分子材料研究が益々発展していくことが期待されています。

図1. SPACIERのワークフロー

図 2. a SPACIERを用いて発見された高分子P1-P3の構造とその合成スキーム。mpPh-PTUはP3の類似高分子であり、両者の計算機実験の予測値が良い一致を示したため、P3の合成の替わりにmpPh-PTUの物性評価結果（文献値）を参照した。b SPACIERを用いて発見された高分子の物性値。星印はRadonPyを用いた計算機実験の予測値、丸印は現実世界で合成した高分子の物性評価結果。直線は経験的な限界線を表す。

発表論文
論文題目: SPACIER: on-demand polymer design with fully automated all-atom classical molecular dynamics integrated into machine learning pipelines
著者: Shun Nanjo, Arifin, Hayato Maeda, Yoshihiro Hayashi, Kan Hatakeyama-Sato, Ryoji Himeno, Teruaki Hayakawa, Ryo Yoshida
雑誌: npj Computational Materials
DOI: 10.1038/s41524-024-01492-3.

新しいプライバシー保護データ解析プロトコル「local-noise-free protocol」を開発

統計数理研究所 — Fri, 29 Nov 2024 12:16:34 +0900

2024/11/29
統計数理研究所
統計数理研究所の村上隆夫准教授、電気通信大学の清雄一教授、産業技術総合研究所の江利口礼央研究員の研究グループは、パーソナルデータの漏洩を強固に防ぐ「差分プライバシー（DP: Differential Privacy）」※１を満たす新しいプロトコル「local-noise-free protocol」を開発しました。開発したプロトコルでは、各ユーザが自身のパーソナルデータをそのまま暗号化して「shuffler」と呼ばれる中間サーバに送信します。次に、shufflerが受け取ったデータのランダムサンプリングとダミーデータの追加を行った上でデータをシャッフルし、サービス事業者に送信します。最後に、サービス事業者が受け取ったデータを復号し、全ユーザのデータの頻度分布を推定します。このプロトコルにより、サービス事業者や一部の悪意を持ったユーザが様々な不正を試みても、安全で高精度な頻度分布の推定が可能となり、それに基づく様々なデータ解析への応用が期待できます。

本成果は、情報セキュリティ分野の最難関国際会議The 46th IEEE Symposium on Security and Privacy (S&P 2025)（過去5年間の採択率：14.8%）に採択されました。

【研究の背景】
　スマートフォン、ウェアラブル端末、IoT（Internet of Things）などの普及に伴い、位置情報や身体活動データなどの様々なパーソナルデータを収集して、様々なデータ解析に利用できるようになりました。一方、このようなデータ解析は個人の情報を用いているため、プライバシーの問題が懸念されています。個人のプライバシーを強固に保護するために、「差分プライバシー（DP: Differential Privacy）」※１と呼ばれる安全性指標が、デファクト標準として広く用いられています。
差分プライバシーを実現するモデルとしては、中央集権型モデル、局所型モデル、シャッフルモデルなどがあります。中央集権型モデルでは、サービス事業者が全ユーザのパーソナルデータを保持しており、そこから求めたデータ解析結果にDPを満たすノイズを加えます。このモデルは、高いデータ解析結果の精度を実現できるのですが、不正アクセスなどにより、サービス事業者から全ユーザの元データが漏洩するリスクを抱えています。局所型モデルでは、ユーザが自身のデータにDPを満たすノイズを加えた上でサービス事業者に送信し、サービス事業者がノイズ付きのデータからデータ解析結果を求めます。このモデルではサービス事業者にはノイズ付きのデータしか送られないため、サービス事業者から元データが漏洩するリスクがありません。しかし、各ユーザがDPを満たすように大きなノイズを加える必要があるため、データ解析精度が低いという問題があります。
　シャッフルモデルは、中央集権型モデルと局所型モデルの両方の短所を解決するためのモデルとして近年提案されたものです。具体的には、ユーザとサービス事業者の間に「shuffler」と呼ばれる中間サーバを導入します。従来のシャッフルモデルのプロトコル（図1）では、各ユーザが自身のデータにノイズを加えて暗号化した上でshufflerに送信し、shufflerが受け取ったデータをランダムにシャッフルした上で、サービス事業者に送信します。サービス事業者は受け取ったデータを復号することで、シャッフルされたノイズ付きデータを取り出し、そこからデータ解析結果を求めます。このshufflerによるシャッフルが匿名性を高める効果を持っており、その分、ユーザが加えるノイズを少なくすることができます。また、サービス事業者には元データは送られないため、局所型モデルより高いデータ解析精度を実現しつつ、中央集権型モデルと比べてサービス事業者からの元データの漏洩リスクを低減できます。
　しかし、従来のシャッフルモデルは大きな課題を3つ抱えていました。1つ目の課題は、一部の悪意を持ったユーザが自身のデータと異なる偽のデータを送ることで、データ解析の精度を下げる「ポイズニング攻撃」に対する脆弱性です。特に、プライバシーを高めようとするほど、本来ユーザが加えるべきノイズ量が増加する一方、攻撃者は偽データにノイズを加えなくて良いため、データ解析の精度劣化の度合いが大きくなります。2つ目の課題は、サービス事業者が一部のユーザと結託する「結託攻撃」に対する脆弱性です。具体的には、サービス事業者が、結託したユーザ達のノイズ付きデータを入手することで、シャッフルによる匿名化の効果を下げることができ、その分、他のユーザ達の元データを推定する（即ち、プライバシー情報を暴露する）ことが可能となります。3つ目の課題は、データ解析精度です。具体的には、局所型モデルよりはユーザが加えるノイズを少なくできるものの、依然としてユーザのノイズ量がまだ大きいという問題を抱えています。例えば、全ユーザのデータの頻度分布（Frequency Distribution）※2を推定するタスクにおいては、頻度の小さいカテゴリー（あるいは区間）がノイズに埋もれてしまって高精度な解析ができなくなります。従来では、このような課題に対して、根本的な解決策は提示されていませんでした。

【研究成果】
　本研究では、データ解析のタスクとして頻度分布の推定に着眼し、従来のシャッフルモデルが抱えていた「ポイズニング攻撃」と「結託攻撃」に対する脆弱性を根本的に解決する新しいプロトコル「local-noise-free protocol」を開発しました（図2）。開発したプロトコルでは、ユーザは自身のデータにノイズを全く加えず、そのまま暗号化してshufflerに送ります。その後、shufflerは(1)ランダムサンプリング、(2)ダミーデータの追加、(3)シャッフルという3つの処理を行います。まず、各ユーザから受け取ったデータを一定の確率で削除します（ランダムサンプリング）。次に、データのとり得る値の各々に対して、「ダミー数分布」と呼ばれる分布に従ってダミーデータ数を決定し、その数だけ暗号化されたダミーデータを加えます（ダミーデータの追加）。最後に、残ったユーザのデータとダミーデータをランダムにシャッフルした上で（シャッフル）、サービス事業者に送ります。サービス事業者は、シャッフルされたデータを復号して取り出し、そこから頻度分布を求めます。本研究では、このようにshufflerがデータのシャッフルに加えて、ランダムサンプリングやダミーデータの追加を行うモデルを「拡張シャッフルモデル（augmented shuffle model）」と呼んでいます。
　開発したプロトコルの最大の特徴は、ユーザがノイズを一切加えない点（即ち、「local-noise-free」である点）にあります。従来のシャッフルモデルのプロトコルでは、ユーザがノイズを加えていたため、一部のユーザが偽データを送る「ポイズニング攻撃」によってデータ解析の精度が大幅に劣化する問題を抱えていました。また、サーバが一部のユーザと結託してノイズ付きデータを入手する「結託攻撃」によって、他のユーザの元データが推定されるリスクもありました。これらの脆弱性は、どちらもユーザがノイズを加えることに原因がありました。一方、開発したプロトコルでは、ユーザではなく、shufflerがランダムサンプリング・ダミーデータの追加というノイズ付与処理を行うため、「ポイズニング攻撃」と「結託攻撃」の両方に対する頑健性を実現できます。その結果、サービス事業者や一部のユーザが不正を試みても、安全で高精度な頻度分布の推定が可能となります。また、shufflerには暗号化されたデータしか送られないため、shufflerからの元データの漏洩リスクも回避できます。尚、shufflerのランダムサンプリング・ダミーデータの追加・シャッフルという3つの処理は、ユーザから受け取った暗号化データを復号することなく実行でき、開発したプロトコルは任意の公開鍵暗号方式を用いて簡単に実現できます。
　さらに、本研究では、ダミー数分布として、「非対称幾何分布（Asymmetric Geometric Distribution）」という新しい分布を導入することにより、従来のシャッフルモデルのプロトコルより遥かに高精度な頻度分布の推定を実現しました。DPを満たすための分布として「非対称幾何分布」を用いるのは、本研究が初です。この分布を導入することで、7つのstate-of-the-artの従来プロトコルと比べて、全ユーザのデータの頻度分布とその推定値との平均二乗誤差（MSE: Mean Squared Error）を2-4桁減らすことに成功し、頻度の高いところから低いところまで、高精度な頻度の推定ができることを示しています。

【今後の展望】
　本研究で開発したプロトコルは、プライバシーを強固に保護したまま、高精度な頻度分布の推定を行うことを可能にしています。頻度分布の推定は、最も基本的なデータ解析タスクの一つで、位置情報から人気のある観光地を解析する、あるいはウェアラブル端末から全ユーザの身体活動データの大まかな傾向を解析する、といったユースケースに応用することが期待できます。

【用語解説】
１）差分プライバシー（DP: Differential Privacy）：データ解析結果にノイズを加えることで、どのような攻撃者がデータ解析結果を入手しても、元のパーソナルデータに関する情報をほとんど得ることができないことを数理的に保証する安全性指標。プライバシー保護データ解析における安全性指標のデファクト標準として知られ、米国の企業や政府などで導入が進められている。
2) 頻度分布（Frequency Distribution）：データを特定のカテゴリー（あるいは区間）に分類し、カテゴリーごと（あるいは区間ごと）の頻度、すなわちデータ数をカウントすることで求めた分布。度数分布とも言う。

【発表論文】
学会名：The 46th IEEE Symposium on Security and Privacy (S&P 2025)
タイトル：Augmented Shuffle Protocols for Accurate and Robust Frequency Estimation under Differential Privacy
著者：村上隆夫（統計数理研究所学際統計数理研究系准教授／産業技術総合研究所サイバーフィジカルセキュリティ研究センター客員研究員）、清雄一（電気通信大学大学院情報理工学研究科情報学専攻教授）、江利口礼央（産業技術総合研究所サイバーフィジカルセキュリティ研究センター研究員）
DOI：10.1109/SP61157.2025.00019
論文公開日：2024年11月16日

【謝辞】
　本研究の一部は、日本学術振興会科学研究費（22H00521、24H00714、24K20775）、科学技術振興機構AIP加速研究（JPMJCR22U5）、科学技術振興機構CREST（JPMJCR22M1）の助成を受けて実施されました。

準結晶分野のデータ駆動型研究を促進する基盤データベース ―HYPOD-X―を公開

統計数理研究所 — Thu, 14 Nov 2024 12:30:00 +0900

2024/11/14
統計数理研究所、東京理科大学、物質・材料研究機構などの共同研究グループは、準結晶およびその関連物質である近似結晶に関する大規模データベース「HYPOD-X」を公開しました。準結晶は、非周期的な原子配置を持ちながら秩序のある構造を持ち、従来の結晶とは異なる特異な物理特性を有します。HYPOD-Xは、膨大な数の文献を網羅的に調査し、これまでの準結晶研究に関するデータを一元的にデジタル化した初めてのデータベースです。本データベースは準結晶分野におけるデータ駆動型研究を促進する学術基盤として活用されます。

研究の背景
　準結晶は、通常の結晶とは異なり、非周期的な規則性を持つ特異な物質です。近似結晶は準結晶と類似の組成・構造的特徴を持つ周期系物質であり、準結晶の前駆体物質と考えられています。これらの物質は、電気伝導や熱伝導の温度依存性が一般的な金属と逆のパターンを示すなど、通常の結晶とは異なる特性を示します。近年、物質科学の様々な分野において、機械学習を活用したデータ駆動型研究に注目が集まっています。しかしながら、準結晶分野では包括的なデータベースが未整備であったため、機械学習の導入が妨げられてきました。また、準結晶の構造と物性の関係を俯瞰的に理解し、新材料の創出を促進するためにも、体系的かつ包括的なオープンデータベースの整備が求められています。

研究内容（成果）
　同グループは、準結晶および近似結晶に関する世界初の大規模データベース「HYPOD-X (Hypermaterials Open Database for X, Xは機械学習などの活用対象を表すワイルドカード)」を開発しました。HYPOD-Xは、論文や書籍のテキストや図表から抽出された準結晶および近似結晶の組成、構造、物理特性に関するデータを構造化し、研究者やエンジニアが利用しやすい形でデータを提供しています。これにより、データ駆動型アプローチの基盤が整備され、準結晶研究のさらなる進展が期待されます。
図1に示すように、HYPOD-Xは組成データセット、相図データセット、物性データセットの三つのデータセットから構成されています。手動または半自動で抽出されたデータは、専門家による厳格な検証を経てCSV形式で配布されています。

図1：HYPOD-Xを構成する三つのデータセットとデータ収集手順

　組成データセットは、準結晶と近似結晶に関する最も基本的な情報です。組成、構造分類、熱処理条件を含むデータは、専門家による厳密な検証を経てデータベースに登録されます。また、エラーデータの自動抽出アルゴリズムを適用することで、データの品質を向上させています。データの量は、準結晶の組成を整理した先行研究[1]の約10倍に上ります。さらに、同グループはこのデータセットを用いた機械学習により、新しい準結晶の発見に成功しています[2]。
　物性データセットには、論文や書籍の図表から抽出した熱物性や電気物性、磁気物性などの温度依存性曲線が含まれています。このデータを俯瞰することで、準結晶の専門家でも見過ごしていた新たな法則が発見されることが期待されます。例えば、準結晶では高温になるほど熱伝導率が上昇する傾向があります。これは通常の金属や結晶では見られない特性です。この特性を利用することで、熱の流れを特定の方向に制御する熱整流材料の開発が可能になります。膨大なデータから最適な温度依存性を示す準結晶を同定することで、新しい熱管理デバイスの開発を加速できます。
　相図データセットには、論文や書籍の図を数値化したデータが含まれています。このデータは準結晶や近似結晶が熱力学的に安定化する組成範囲やその他の条件を示しています。このデータに機械学習を適用することで、準結晶や近似結晶の新たな物質相を予測することが可能になります。

今後の展望
　HYPOD-Xは、準結晶分野においてこれまでにない規模のデータベースです。同グループは今後もデータベースを継続的に拡張していく予定です。現在、物質科学や材料科学の様々な分野でデータ駆動型研究の基盤整備が進められています。一方、準結晶分野には包括的なオープンデータが存在しなかったため、データ駆動型研究の発展が制約されていました。今回のオープンデータベースの整備により、今後は様々なデータ駆動型研究が展開されることが期待されます。また、大量のデータを俯瞰することで、準結晶研究に新たな視点や科学的法則をもたらすことが期待されます。

発表論文
タイトル: Comprehensive experimental datasets of quasicrystals and their approximants
著者: Erina Fujita1,2, Chang Liu1, Asuka Ishikawa3, Tomoya Mato2, Koichi Kitahara4, Ryuji Tamura3, Kaoru Kimura1,2, Ryo Yoshida1,2,5, Yukari Katsura2,6,7
掲載誌: Scientific Data
DOI: 10.1038/s41597-024-04043-z
掲載日: 2024年11月13日

1. 統計数理研究所, 2. 物質・材料研究機構, 3. 東京理科大学, 4. 防衛大学校, 5.総合研究大学院大学, 6. 筑波大学, 7. 理化学研究所

参考文献
[1] W. Steurer and S. Deloudi, Crystallography of Quasicrystals, Springer Series in Materials Science 126 (Springer, Berlin, Heidelberg, 2009).
[2] C. Liu, K. Kitahara, A. Ishikawa, T. Hiroto, A. Singh, E. Fujita, Y. Katsura, Y. Inada, R. Tamura, K. Kimura, and R. Yoshida, Phys. Rev. Materials 7, 093805 (2023).

謝辞
本研究は、文部科学省科学研究費補助金新学術領域研究「ハイパーマテリアル：補空間が創る新物質科学」（19H05817, 19H05818, 19H05820）、JST-CREST未踏物質探索領域「フェイゾンエンジニアリング：構造タイル組み換えに基づく新物質創製」（JPMJCR22O3）の助成を受けました。