AIエージェント能力アトラス › 仕事ごとの一覧 › 研究・問題解決 › 自然科学

物理・化学シミュレーション

Physics & Chemistry Simulation

0 できない ／ 1 デモ止まり ／ 2 補助 ／ 3 実務品質（要確認） ／ 4 専門家並み ／ 5 専門家超え。「予」は予測。

専門家と比べて

気象予測ではAI(GenCast/WeatherNext)がECMWFアンサンブル予報を96%以上の指標で上回り、NOAAが2026年1月から現業運用を開始するなど専門家超え（人間の物理ベースモデルより広範囲・高速）の領域が出現。一方、分子動力学の反応障壁・相転移予測は依然としてab initio精度に届かない。

できること

気象・台風進路予測での運用精度向上（ECMWF HRESを90%超の指標で上回る、6〜12時間のリードタイム優位）、機械学習ポテンシャル(MLIP)によるほぼ全周期表を対象とした汎用原子シミュレーション、力の誤差を5〜15倍改善するファインチューニング。

まだできないこと

MLIP基盤モデルは反応障壁・相転移・材料安定性の高精度予測には未到達。分子動力学の全領域でab initio精度を安定的に代替することはできない。

なぜそうなのか

気象は大規模観測データによる教師あり学習に適した問題である一方、化学反応の遷移状態やまれな事象は訓練データが疎で外挿性能が不足する。

これからの予測の根拠

気象のように大量観測データが利用可能な領域は2028年に専門家超え(レベル5)へ拡大するが、疎なデータ領域（反応化学）は基盤モデルのデータ効率向上が律速となり足並みが揃わない。

いま使える主な道具

Google GenCast / WeatherNext、NVIDIA Earth-2、UMA / DPA4 (MLIP)、AlphaEvolve (量子回路設計)

根拠

• AI Weather Forecasting Goes Operational – Communications of the ACM 2026
  NOAAが2026年1月からAI駆動の現業気象予報モデルを運用開始
• NOAA deploys new generation of AI-driven global weather models 2026
  AI予報モデルの精度・速度が従来のNWPを上回ると公式発表
• Six Open Questions in Machine-Learned Interatomic Potential Foundation Models 2026-06
  MLIP基盤モデルは反応障壁・相転移・材料安定性の予測精度でまだ不十分と指摘

同じ分野のほかの仕事（自然科学）

• 仮説生成
• 実験計画立案
• 材料科学でのAI発見
• 創薬パイプラインでのAI活用
• 湿式実験の自律実行（自律ラボ）
• 論文の再現実験（Reproducibility）

AIエージェント能力アトラス 2026（2026-09-06 時点・v1.0）の1マスです。レベルは公開された実験・ベンチマーク・報告から付けた目安で、2027年以降は予測です。全マスに根拠のリンクがあります。作者は個人で、AI（Claude）と一緒に調べて作っています。