完全なモデルであっても自律型実験室による失敗確定の合成実験を止めることはできない。私が構築したのは、それを阻止するゲートだ。

私たちが構築しているものを見た研究者から、いつも同じ質問を受けます。そして長い間、私は彼らが望むとおりに答えていました。「サンプル効率の倍率はどれくらいですか？」あなたのループは、総当たり（ブルートフォース）スクリーニングと比べて実験回数をどれだけ減らせるのか？それはもっともな質問です。しかし、今ではそれは最初に持ち出すべき問いではないと考えるようになりました。そしてその理由を理解できたのは、混合が完了する前に空気中で酸化してしまうような配合を、シミュレートされたロボットが平然と実行に移す様子を目の当たりにしたときでした。

私はAshutoshです。Veriprajnaを経営しています。私たちは、研究室がすでに所有しているハードウェア上で動作する、自律型実験室（セルフドライビング・ラボ）のための頭脳、セーフティゲート、そして来歴（プロベナンス）レイヤーを構築しています。ホスト型のロボット施設を提供するわけではありません。材料工学グループが10年かけて購入してきた機器を置き換えるものでもありません。次に何を実行すべきかを決定し、失敗することが運命づけられた実験を拒否し、規制当局が求めるような記録を保持する、薄くとも重要な役割を担うソフトウェア層です。ご自身でアクセスして操作できるこのデモ（veriprajna.com/ja/demos/autonomous-lab-ai）は、モデルではなくこのレイヤーこそがプロダクトであると私自身が確信を得るために作成したものです。

誰もが尋ねてくるその数値は、本来注目すべきものではない

この構築の最初の1か月間、私は倍率を追い求めて過ごしました。この分野がそれを評価するからです。現在のセルフドライビング・ラボに関する議論は、より優れたサロゲートモデルと、ランダムスクリーニングに対するベイズ最適化のより大きな効率比率を競い合うレースとなっています。その理由はよく分かります。簡潔で引用しやすい数値だからです。私たち自身の隠蔽された目的関数において、このクローズドループは仕様を満たす材料に到達するのに、ランダムスクリーニングが約1,491回を要するところを75回の実験で到達しており、ダッシュボードには19.9倍少ないと報告されています。これは現実的で再現性のあるベースラインにおける実際の結果であり、その結果が存在することを喜ばしく思っています。

しかし、ここで私を立ち止まらせた事実があります。すべての物性を完璧に予測する完全なサロゲートモデルであっても、電荷の不均衡な合成が実行されるのを止めることはできません。湿潤な空気に触れると酸化してしまう組成を拒否することもできません。医薬品規制当局が承認するような記録を生成することもできません。そして、モデル単体ではループを閉じることはできません。モデルは誰もが競い合っている部分であり、最も持続的な価値を持たない部分です。なぜなら、モデルが優秀になった瞬間、課題はもはや予測ではなく、制御、安全性、そして証明になるからです。

より優れたモデルを持ったとしても、自律型実験室が信頼できるようになるわけではありません。実行すべきであったと証明すらできない実験を、より高速に実行できるようになるだけです。

最も広く引用されている自律型合成の取り組みの一つであるバークレー校のA-Labは、71%の成功率を報告しました。これは試行の約29%が目的物質を得られなかったことを意味します（A-Lab、Nature、2023年）。研究室の責任者の視点からその数値を読み解いてみてください。ロボットの稼働時間と試薬の約3分の1が、何の成果も生まない実験に費やされたのです。より優れた獲得関数（Acquisition Function）を導入しても、それを解決することはできません。別の仕組みが必要です。

失敗することが決まっている実験の実際のコストとは？

私はゲートを2番目に構築しましたが、結果としてこれこそが最初に構築すべきものであったと分かりました。それはエージェントの外側の決定論的コード内に配置されており、最適化ツールが提案するすべての候補は、試薬に一切触れる前にこのゲートを通過しなければなりません。ゲートは5つの検証を実行しますが、それらはすべて私が考案したヒューリスティクスではなく、学術論文として発表されている化学理論に基づいています：ゴールドシュミット許容因子がペロブスカイト形成可能領域外であること、八面体因子が安定八面体領域外であること、電荷中性が補償されていないBサイト置換によって侵害されていること、Sn(II)酸化リスク（プロセス湿度条件）、そして有機前駆体が分解する温度以上でのアニーリングです。候補がいずれかに抵触した場合、ゲートはBLOCKEDを返し、該当するルール名を明記し、それによって節約された費用とロボットの稼働時間を報告します。

これらのブロックされたカードの1つを初めてクリックしたとき、議論に決着がついたと感じました。パネルに表示されている内容を見てください。Sn(II)を多く含む組成であり、その酸化状態のスズは湿潤な空気中で酸化するため、デジタルツインはプロセス湿度を理由にそれを拒絶しています。これはモデルが検出すべきだった予測ミスではありません。それは、モデルが強制するための適切なツールでは決してなかった物理的事実なのです。 ゲートはその1つの候補に対して105ドルと2時間余りのロボット稼働時間を節約し、その決定の記録（レシート）を作成しました。これをキャンペーン全体に掛け合わせれば、もはや「あれば望ましい機能」の話ではなくなります。意図的に封鎖された29%の損失の話をしているのです。

これが何であるかについて正確にお伝えしたいと思います。見栄えの良さよりも誠実な説明のほうが私にとって重要だからです。このゲートの背後にある「実験室」はSiLA-2形状のインターフェースを備えたシミュレータであり、目的関数は物理学に基づいた合成ベンチマークであって、実際のDFT計算や実際の実験台データではありません。私たちが実際に材料を合成したと主張しているのではありません。失敗する化学反応を決定論的に拒絶するメカニズムは本物であり、検証可能であり、モデルがどれほど優れているかには依存しないと主張しているのです。

私はモデル自身に自己監視させようとしました。しかし、平然と嘘をつかれました。

最初からゲートを決定論的にしなければならないと考えていたわけではありません。正直なところ、私の最初の直感は流行に乗ったものでした。つまり、言語モデルエージェントに実現可能性を推論させようとしたのです。私には戦略を説明するラボディレクター・エージェントと、ドリフトを検出する批評（クリティック）・エージェントが存在しており、事実上「この候補は安全で妥当か？」と彼らに尋ねるだけで完結するのはエレガントに思えました。そのため、ある日の午後、モデルの判断を検証の代わりに適用してみました。

それは電荷の不均衡な組成を正当化しました。それも確信に満ちた態度で。なぜBサイト置換がおそらく問題ないのかについて流暢な段落を出力しましたが、その段落は誤っており、その口調からは誤りであることを示す手がかりは一切ありませんでした。その日の午後、設計原則は単なるスローガンではなくなり、決して曲げられないルールとなりました。

「エージェントが助言し、コードが決定する」。自律型実験室において、これは制限事項ではありません。自律システムが無人運転を行う権利を獲得するための唯一の方法なのです。

そこで私は、実現可能性と安全性の判断をエージェントから完全に排除して決定論的コードへと移し、最適化ツールも言語モデルから独立させました。エージェントは状況説明と批評を担当し、APIキーなしでデモを実行した場合は決定論的な説明へとフォールバックしますが、それでもすべて正常に動作します。なぜなら、ゲートと最適化ツールはモデルに一切依存していないからです。最適化ツール自体は奇抜なものではなく、見栄を張るよりも正直に述べたいと思います。それはnumpyとscipyで書かれた、ターゲット指向のParEGO獲得関数を備えたガウス過程サロゲートです。成熟した手法であり、意図的に派手さを抑えています。本番環境への移行時はBoTorchとAxへの置き換えを想定しています。要点は賢い最適化ツールを作ることではありませんでした。要点は、安全性を委ねる部分が、確信に満ちた段落を語るような部分であってはならないということです。

私が真に重視しているスコアボード

開発を始めた頃と比べて、私は今このスコアボードを異なる視点で見ています。誰もが19.9倍という数字に目を奪われ、それも確かに素晴らしい結果です。しかし、研究開発責任者から「実際に何が変わるのか」と尋ねられたときに私が指し示す数値は、その隣にあるものです。合成前にブロックされた38個の実行不可能な候補、防止された4,419ドルの試薬廃棄と90.1時間のロボット稼働時間、そして実行された無駄な実験はゼロ件。 まったく同一の隠蔽された目的関数において、ランダムスクリーニングは単に時間がかかるだけではありません。それらすべてを浪費し尽くしていたはずです。

誰もが持つモデルが向上するにつれて、倍率の魅力は薄れていきます。しかし、ゲートが防止する無駄と、それが保持する記録は、価値を高めていくだけです。

このループが行わなかった点にご注目ください。完璧さを主張したわけではありません。複数シードのベンチマーク全体において、クローズドループは10回中10回ではなく、予算内で10回中9回の実行を解決し、また10〜15%の割合で意図的に注入されたロボット故障を吸収しています。実際のロボットは故障するものであり、そうでないかのように見せかけることはデモを偽ることになるからです。監査証跡内の記録の1つは、失敗し、ネガティブデータとして捕捉された合成です。なぜなら、失敗を破棄する自律型実験室は、境界条件を鮮明にするためのまさにその情報を捨て去っているからです。私は意図的にそれを可視化したままにしました。

そして、この倍率には誰もが無視してはならない適用範囲が存在します。75対1,491という結果、19.9倍、4,419ドル、そのすべては1つの隠蔽された合成目的関数におけるベースラインに対するベイズ最適化の結果です。これはエンジンが機能することを示す裏付け証拠です。それはオープンワールドでの保証ではありません。もしループがベースラインを上回れなかったとしても、私はその事実をそのまま報告していたでしょう。私が前面に出す価値である「防止された無駄」と「来歴管理」は、いかなるモデル品質においても成立します。倍率はベンチマークに依存する部分であるため、私は注意書きを付記し続けています。

規制当局はあなたのロボットを信用するだろうか？

来歴レイヤーが人々を納得させる決定打になるとは予想していませんでしたが、規制当局の監督下で働く人々にとって最も強く響く部分となっています。FDAおよびEMAの2026年「創薬におけるAIのための基本指針」では、帰属性（Attributable）と同時性（Contemporaneous）を備えた来歴が求められています。分かりやすく言えば、すべての自動化された決定について、誰または何が、どのような根拠に基づき、どの瞬間に行い、それ以降その記録が改ざんされていないことを証明できるか、ということです。より優れたサロゲートモデルを持っても、それに1インチも近づくことはできません。記録こそがそれを可能にします。

昨晩何を行ったかを証明できない自律型実験室は、自律的とは言えません。説明責任を果たせない状態であり、規制対象の研究室がそれを二度稼働させることはないでしょう。

したがって、合成であれブロックであれ、システムが行うすべての決定は追記限定のALCOA+レコードとなります。タイムスタンプ、選択を行ったアルゴリズム、予測物性とその不確実性、判断理由、ゲートの判定、そして実測結果です。各レコードには、直前のレコードに連鎖するSHA-256ハッシュが付与されます。シード411のキャンペーン全体において、それは113件のレコード（75回の合成と38回のブロック）に達し、その全体をJSONおよびレンダリングされたレポートとしてエクスポートできます。

ここで私は慎重にならなければならず、他の人々が過度な主張をしているのを目にしてきた点でもあります。これはALCOA+の来歴がマッピングされたものであり、クライアントの標準作業手順書（SOP）に対してIQ/OQ/PQバリデーションが行われているわけではありません。そのバリデーションこそが実案件としての取り組みであり、デモでチェックボックスをオンにできるようなものではありません。私がお見せできるのは、その特性が装飾的なものではなく、本物であり検証可能であるということです。そのため、私は1件のレコードを編集してチェーン検証を再実行する改ざん（Tamper）テストを構築しました。

初めてそのテストを実行し、「Chain broken at record #2: tamper detected. The filed audit is provably altered（レコード#2でチェーンが切断されました：改ざんが検出されました。提出された監査記録は明らかに改変されています）」と出力されるのを見たとき、自分が実際に何を構築したのかを理解しました。より高速な最適化ツールではありません。自律的な決定が記録の記載どおりであることを、事後的に研究室が証明できるようにするレイヤーです。これこそが、より優れたモデルを購入しても手に入らないものであり、規制当局、監査人、あるいは将来の自分自身が求めるものなのです。

セルフドライビング・ラボの競争が見落としていると私が考えること

私はサンプル効率に反対するつもりで始めたわけではありませんし、反対していないことを明確にしておきたいと思います。目標までの実験回数が少ないことは真の価値であり、私たちのループはそれを実現しています。システム全体を構築し、自分自身の信頼が実際にどこに置かれているかを見つめ直した結果として私が確信するに至ったのは、技術が成熟するにつれて持続性が低下していく単一の数値に、この分野全体が執着してしまっているということです。すべての研究グループが優れたサロゲートを持つようになれば、効率の倍率はもはや差別化要因ではなくなります。失敗する化学反応を拒絶するゲートと、実行された内容を証明する記録は、価値を高めていくだけです。なぜなら、無人運転を誰かに許可してもらう前に、自律システムが真に必要とする要素こそがそれらだからです。

したがって、私が会社を賭けて行う逆張り（コントラリアン）の一手は、実現可能性と安全性の判断をエージェントの外側の決定論的コードに委ねることであり、すべての自動化された決定を後から証明できなければならないものとして扱うことです。モデルが悪いからではありません。自律型実験室が夜間の無人稼働を許可されるかどうかを決定づける問いは、予測に関する問いではないからです。それらは安全性と来歴に関する問いであり、それらに必要なのは確信に満ちた段落ではなく、コードとハッシュなのです。

ループを開き、失敗する運命の合成をブロックし、ご自身で監査チェーンを切断して、納得できるかどうかをこちらで確認できます：veriprajna.com/ja/demos/autonomous-lab-ai。

そして、私の文章を読むよりも実際に見たいという方のために、エンドツーエンドで動作する全体の様子がこちらです。

私が考え続けている問いであり、実際の自動化を運用しているすべての人から真摯な答えを聞きたい問いがあります。もしあなたの研究室が今夜、無人で1,000回の実験を実行したとしたら、翌朝あなたが求めるのはどちらでしょうか？ より優れたモデルでしょうか、それとも証明可能な記録でしょうか？