AI for Scienceは、研究者の代わりにAIが結論を出すという話ではなく、仮説生成、文献探索、実験計画、測定、解析、次の条件提案までを、より短いサイクルで回すための研究基盤として理解するとよい。文部科学省もAI for Scienceを、科学研究の生産性と国際競争力を高める重要な方針として位置づけている。

材料研究では、計算、文献、データベース、機械学習を扱うDRY研究と、合成、加工、評価、細胞実験を担うWET研究を分けたままにしないことが重要になる。近年のself-driving laboratoryの議論では、AIが実験条件を提案し、ロボットや自動測定系が実験を行い、その結果をモデルが再学習して次の条件を選ぶ閉ループ型の研究が中心的な考え方になっている。

大規模言語モデルとAIエージェントは、この閉ループの中で、論文からの知識抽出、実験プロトコルの整理、候補条件の生成、失敗理由の推定、結果レポートの作成を支援できる。化学・材料分野の総説では、LLM単体の能力よりも、検索、計算ツール、データベース、実験装置を組み合わせたエージェント設計が重要だと整理されている。

バイオマテリアル研究では、材料物性だけでなく、生体応答、表面状態、細胞評価、臨床応用までの情報が分散しやすい。したがって、AI for Scienceの導入では、まずデータと知識を再利用しやすい形で整理することが出発点になる。会員ページでは、論文の読みどころ、評価法の考え方、AI・MIの導入例を短くまとめ、DRYとWETをつなぐ共通言語を育てていく。