D3Square
実験計画の初日からの AI 対応データ。分散した計算記録や実験記録を 1 か所に集めて、意思決定の資産に変えます。
- 実験計画から始めて AI 対応データを収集
- 日々の実験を仕組みとして記録するバーチャルラボ
- ローカルLLM分析 — データを社外に出さない
- 逆設計とアクティブラーニングが次の実験を提案
データの問題を先送りするのはやめましょう
- 1か所
- 統一実験、シミュレーション、文献
- AI対応
- 最初からモデルをトレーニング可能
- オンプレミス
- データ主権の維持
- 逆設計
- データから次の実験へ
研究データは今も各所に散らばっている
実験結果はスプレッドシート、ローカルドライブ、メールに分散しています。論文の知見は PDF の表と図の中に閉じ込められ、同じ物性を三つの研究室が三通りの名前で呼んでいます。
分断されたデータ
実験記録がツール別・形式別・担当者別に散らばり、一度に見渡せません。
繰り返される実験
次の一手を示す根拠がないため、同じ条件を何度も回すことになります。
切り離された分析
収集・モデリング・最適化がそれぞれ別の環境で動いています。
論文に閉じ込められた知識
公表された結果は表と図の中に残り、それを書き写す時間は誰にもありません。
ばらばらな用語
同じ物性でも研究室ごとに呼び名が違い、単位の書き方も違います。
各段階に必要な道具を的確に
収集・前処理・学習という三段のパイプラインに、ナレッジグラフと逆設計、そして画面の文脈を理解するアシスタントが並走します。
文献抽出
PDF・DOI・PubMed ID で論文を登録するか、ジャーナルを購読しておけば新着論文が自動で入ってきます。全文を読み取ったうえで表と図のページを高解像度画像として再描画するため、テキストパーサーが黙って壊していた数値をビジョンモデルがそのまま読み取ります。
- Crossref・PubMed 検索、DOI インポート、ジャーナルの定期取得
- 要約・主要な知見・エンティティ・関係・表データを抽出
- 表・グラフ・スペクトルは 200 DPI のビジョン抽出
- すべての値が出典ページを保持し、ワンクリックで検証可能
- 抽出した値をデータバケットの列へ直接マッピング
オントロジー
二つの研究室が同じ物性を測っても、名前が違い単位が違うためデータは統合できません。オントロジーの概念がその表記ゆれをまとめ、単位を SI に正規化し、規格外の値は学習データに届く前に隔離します。
- 概念ごとに同義語・単位・定義・階層を保持
- 単位の解析と SI 変換を QUDT 識別子とともに記録
- 新しい概念と制約条件は審査・承認を経る
- OWL 推論で含意された関係を導出しつつ、根拠を残す
- 相互運用のための TTL 入出力と EMMO スナップショット比較
ナレッジグラフ
文献から取り出したエンティティと関係が、実際に目で見られるグラフとして蓄積されます。種類で絞り込み、関係をたどり、その結果をアシスタントに渡すか、選択範囲をそのまま学習用バケットへ送れます。
- 素材・物性・手法・ジャーナル・著者などでエンティティを類型化
- 種類別フィルタ、孤立ノードの非表示、ホップ単位の展開
- アシスタントに尋ねれば、グラフに基づいた答えが返る
- グラフの選択範囲をデータバケットへ書き出して学習に利用
- データ権限をそのまま反映 — 閲覧権限がなければ根拠にも現れない
データバケット
実験データセットをアップロードすると自動で検証されます。欠測値、カテゴリ変数のエンコーディング、外れ値検出が一つの前処理パイプラインで処理されます。
- アップロード時の自動検証とエラー検出
- 欠測値・外れ値の前処理
- 相関分析と可視化
- バージョン管理と履歴からの復元
モデル学習
バケットから直接、コードを書かずにモデルを学習します。R²・MAE・RMSE で実行結果を比較したうえで、モデルが実際に何を学んだのかを確認できます — 注意事項も含めた解釈を平易な文章で書き出します。
- ノーコード学習：GPR、XGBoost、線形モデル、ディープラーニング
- 交差検証と R² · MAE · RMSE の並列比較
- SHAP による変数重要度で主要因子を提示
- 平易な文章の結果レポート：要約・主要な知見・注意事項
- 予測タブに公開すれば、予測と逆設計にそのまま使える
逆設計
先に目標物性を定めれば、公開済みモデルがその条件を満たす組成・プロセスを逆算します。モデルの取り込み、役割のマッピング、設計変数の設定、探索、実行の五段階です。
- 公開済みモデルで単一目的・多目的の最適化を実行
- 遺伝的アルゴリズム、ベイズ最適化、グリッド・ランダム探索
- パレートフロントが作る価値のある候補を提示
- 制約条件の範囲内だけで設計空間を探索
- セッション・実行・結果をプロジェクト単位で保管
能動学習
次に測定する価値のある試料を推薦します。最少の実験で情報利得を最大化し、研究コストと期間を削減します。
- Expected Improvement・UCB の獲得戦略
- Thompson Sampling に基づく推薦
- 反復サイクルごとにモデルを精緻化
- 実験コストを最小限に維持
AI アシスタント
アシスタントは今どの画面にいるかを把握しています。学習結果の画面では性能比較を提案し、ナレッジグラフではグラフに基づいて答え、ダッシュボードでは何が変わったかを知らせます。指示すればプラットフォームを直接操作します。
- 画面の文脈を認識 — 今の画面での次の一手を提案
- ハイブリッド検索：文書のベクトル検索とグラフ探索を併用
- プラットフォーム操作を実行：バケット・学習・モデル・逆設計・CAE・DOE
- 多言語の質問を原文と訳文の両方で検索
- アカウントに許可された範囲内でのみ回答
汎用データツールではなく、R&D 運用プラットフォームです。
実験・在庫・文献・物性・プロセス条件を、スプレッドシートの無名の列としてではなく、それぞれの文脈のなかで扱います。違いを生むのは個々の機能ではなくループです — データと知識とモデルが互いを強化する構造です。
途切れない連携
収集・分析・学習・予測・逆設計が、五つのツールを繋ぎ合わせたものではなく一つのプラットフォームです。
素材 R&D 専用
実験・在庫・文献・物性・プロセス条件が、それぞれ適切なフィールドと単位を持つ一級オブジェクトとして扱われます。
説明可能な AI
性能指標と、それを左右した変数、そして知っておくべき限界までを平易な文章で書き出します。
再利用できる知識とモデル
構造化された文献知識と学習済みモデルが、使い捨ての成果物で終わらず次のプロジェクトの出発点になります。
研究に入るすべての入力を一箇所に
ラボ設定・在庫・実験設計・文献が一つに繋がったワークフローで収集され、チームがバージョン管理し共有し学習に使えるバケットへまとめられます。
ラボ設定
場所・装置・プロトコル・分析テンプレートを一度標準化しておけば、以後の記録がその構造をそのまま引き継ぎます。
在庫管理
原料・混合物・試料の数量と履歴を追跡します。
実験
実験を繋がったノードとして設計し、実際に何が起きたかをその設計に沿って記録します。
文献
論文を集めてその場で読み、マークした箇所を構造化データに変えます。
権限単位のバケット
データは意図した範囲でのみ共有されます。閲覧権限のないデータはグラフ検索と AI の回答からも除外されます。
バージョンが残るチーム資産
バケットが履歴を保持するため、学習に使ったデータセットを後から復元して再確認できます。
API・LIMS 連携
すでに運用しているラボシステムを繋ぎ、誰も入力し直さなくても収集が続くようにします。
From data to a decision
Collection, training and inverse design are four segments of one loop rather than separate projects. The whole design is that each segment leaves its result in the shape the next one needs.
What "AI-ready" actually demands
What blocks model training is usually the shape of the data, not the amount of it. If each researcher names the same material differently, if equipment conditions go unrecorded, if failed runs are never written down, no volume of records will train anything. D3Square has you define materials, equipment, equipment variables and research templates first, so that recording an experiment is already recording a structured row. The disappearance of a cleanup step is a consequence of that, not a feature bolted on afterwards.
Training and validating predictive models
Accumulated data trains property-prediction models, and models are compared side by side on the same screen. What matters is not the point estimate but the uncertainty — knowing which composition ranges the model is unsure about is what tells you where an experiment is worth spending. Which variables drive the outcome surfaces along the way, so the model doubles as a summary of the phenomenon.
Inverse design — from target to composition
The usual calculation takes a composition and returns a property. Inverse design runs the other way: it takes a target property range as the constraint and searches for compositions and process conditions likely to satisfy it. Candidates come back ranked, each carrying how confident the model is about it.
Active learning — choosing the next experiment
When the number of experiments is limited, which one to run next for the most information gained is itself a calculable question. Active learning balances candidates that look good against candidates the model understands least, recommends the next experiment, and closes the loop as that result returns as data.
Why the data stays inside
The LLM used for analysis runs inside your organisation. On an on-premises deployment, the core of your R&D — compositions, process conditions, records of what failed — is never transmitted to an external cloud, and analysis and training proceed with data sovereignty intact.
How it meets the tools you already use
Nothing requires abandoning the spreadsheets, output files and literature notes a team already keeps. Mapping the fields of those existing records onto templates while defining the lab puts past and future data into one workspace with the same structure. Data not leaving with the person who produced it is why university groups use this for handover.
実験台から最適設計まで
ラボを一度定義しておけば、次のサイクルからは自然にデータが積み上がりモデルが育ちます。
-
01
文献の取り込み
PDF・DOI・ジャーナル購読で論文を取り込みます。本文・表・図が出典ページを伴って出てきます。
-
02
標準化
抽出した用語をオントロジーの概念に対応づけ、単位を SI に正規化し、ルールを外れた値は隔離します。
-
03
データ収集
実験データセットをバケットにアップロードします。検証と前処理は自動で適用されます。
-
04
探索・分析
相関分析・散布図・分布の確認で、今あるデータの構造を把握します。
-
05
鉄道模型
複数のアルゴリズムを比較し、目標物性に最も適した予測モデルを選びます。
-
06
公開・予測
検証済みモデルを公開し、新しい実験条件の結果を予測するのに使います。
-
07
最適化
多目的最適化で、試す価値のある設計変数の組み合わせを見つけます。
プラットフォームが根づいた後の変化
| 領域 | 導入前 | D3Square 導入後 |
|---|---|---|
| データ管理 | 個人 PC のファイルとスプレッドシート、そして互いに繋がっていないシステム群。 | 実験・文献・分析記録が一つのプラットフォームに積み上がります。 |
| 文献の活用 | 洞察がプロジェクトとともに、そして人とともに去っていきます。 | ドメインオントロジーで構造化されたナレッジグラフを誰もが検索できます。 |
| モデル学習 | 専門人材が別環境でコードを書きます。 | ノーコードで学習し、チーム全員が読める平易な文章で解釈が出ます。 |
| 候補の探索 | 条件を見つけるために実験をまた回し、また回します。 | 目標物性から逆設計が出発し、条件を提案します。 |
使用される場所
韓国政府研究機関
合金組成設計 - 実験データの統合と逆設計ワークフローに D3Square を使用。
韓国企業の研究開発
二次電池材料チームは組成データとプロセスデータを蓄積し、それに基づいて決定を下します。
大学（複数）
さまざまなラボが、ラボレベルのデータ資産構築と学生間のスムーズな引き継ぎのために D3Square を使用しています。
さまざまな研究分野で使われています
- 材料科学
- 化学プロセス
- 製造品質管理
- エネルギー研究
D3Square — frequently asked questions
What problem does D3Square solve?
Research data scattered across researchers and projects, and never reused. D3Square collects it in an AI-ready form from the experiment design stage onward, so model training and inverse design continue in the same place.
Can we bring in the experimental data we already have?
Define your materials, equipment, equipment variables and research templates once, and existing records accumulate in the same structure as new ones. Simulation results and literature data are unified into the same workspace.
Does sensitive R&D data leave our organisation?
Analysis runs on an LLM operated inside your organisation, so data is never sent to an external cloud. An on-premises deployment keeps data sovereignty intact.
How is it different from Materials Square?
Materials Square is where simulations run; D3Square is where experimental, computational and literature data accumulate and decide the next experiment. Results become assets in D3Square, and inverse design and active learning propose what to calculate next.
How do we get started?
Tell us the shape your data is in today and what your R&D is aiming at, and we will map out where to start collecting. Begin with a PoC consultation.
あちこちに散らばっているデータは、集まると資産になります。
現在データがどこに存在するのか、また研究開発の目標は何なのかを教えてください。どこから収集を開始するかを計画します。