研究者とAI，ロボットが協調しつつ進める新しい研究開発の姿

(1)

研究者と

AI、ロボットが協調しつつ進める新しい研究開発の姿

東京⼯業⼤学⼀杉太郎 [email protected]

はじめに

研究開発の進め⽅に⼤変⾰を起こさねばならない。 我が国は少⼦⾼齢化が進み、⼈⼿不⾜が顕在化しているうえ、働き⽅改⾰により、短時間で最⼤の成果を出すことが強く求められている。現在の進め⽅、つまり、⼈⼿のみで勘・コツ・経験に頼った研究の進め⽅では、諸外国に後れを取るばかりだと強い危機感を感じる。さらに、コロナ禍を契機に研究の進 め⽅に変化が⾒られる。したがって、全⾃動・遠隔 操作で⾃律的に実験を進め、研究者が培ってきた勘・ コツ・経験を上⼿に活⽤する研究体制の構築が急務 である。そのような背景の中、ケモインフォマティクスやマテリアルインフォマティクス[1,2,3]に注⽬が集まり、データ駆動型科学への変⾰が進められている。 ここで重要なことは、この変⾰により個々の研究開 発のスピードを上げるだけでは、⽬標までの道半ば であるということである。 ここで⽬標とする将来像は、化学や材料に関する ノウハウやデータを世界中の研究者と共有し、世界 から「頼られる」基盤を形成することである。つま り、世界中の研究者を集める⼤きな魅⼒を有する基 盤があり、世界の化学・材料研究の中⼼となるビジ ョンである。 すでに世界では、特定の基盤に研究者が「頼らざるを得ない」状況が起きている。現に半導体ビジネスでは、今やインテルでさえ、最先端の半導体製造プロセスを諦め、TSMC やサムスンに製造を依頼する状態である。つまり、それら半導体ファウンドリにノウハウが集まり、もはや半導体プロセスは「彼らに頼らざるを得ない」。このような状況では、たとえば、パソコンを購⼊する際、研究費の⼀部は海外企業に流出してしまう。ただ、ここでの救いは、半導体プロセスに必要な化学品や製造装置が⽇本から輸出されているため、その研究費の⼀部が⽇本に戻っているということである(図 1)。もし、化学や材料研究の⼒が落ち、それらを輸出できない状況になった時のことを思うとぞっとする。以上の半導体ビジネスで起きていることは、他の化学・材料研究でも、当然、起きうる。そのような基盤になりつつあるのがベルギーの imec である。もともと半導体プロセスの研究をするために世界中から⼈が集まり、ノウハウが蓄積していた。昨今は半導体以外のデバイスや材料について、世界中からここに研究者が集まり、技術⾰新とデータ共有が⾏われている。 ⼈が集まる理由は、他グループのノウハウやデー タも活⽤することができ、研究がはやく進むからで ある。そこでは、「⼈が集まる→技術が進む→ノウハウやデータが蓄積する→技術が進展する→⼈がさら に集まる」という正のスパイラルができている。 このように考えていくと、⽇本の強みである「化 学や材料に関する勘・コツ・経験」とケモインフォ マティクス、⼈⼯知能(AI)、そして、ロボット技術を 組み合わせて、「ノウハウやデータ」が⾃然に集まる 仕組み(図 1)を作ることが重要という結論になる。 そして、そこから新マテリアルのアイディアが創出 され、実際に材料合成を実現することが望まれる。その仕組みを構築できれば、世界に対して⽇本が貢献することができ、プレゼンス向上にもつながる。本稿では、そのような仕組みをどのようにして作り出すのかを議論していきたい。なお、本稿でロボットとは、繰り返し作業を⾏う機械と定義する。図 1 歴史をひもとくと、imec や TSMC など、 実際にものづくりを継続的に続けたところが勝 つ。世界中の研究者が基盤を利⽤できるよう環 境を整備し、ハイスループット実験を⾏う。そうするとデータやノウハウが⾃然に集まり、マテ リアル予測技術が向上する。その際、ハイスルー プット実験はすべてデジタル化されているの で、失敗(ネガティブ)データも含めてすべて利⽤ 可能となる。これによりさらに予測能⼒が増し、 正のスパイラルとなる。そして、データフォーマット、計測機器フォーマット等を世界の研究者と共に定め、使いやすい環境とする。

(2)

Human-in-the-loop

の重要性

正のスパイラルを作り出す基盤(図 1)をどう構築すれば良いのか。今後の研究開発の進め⽅について、筆者のビジョンを述べる。 2020 年の現状を考える。研究者は課題設定、実験、データ解析、学理構築まですべて担っている。それらを AI やロボットを活⽤して進めようとし ても、現在、AI・ロボットと研究者の間は断絶して いると⾔っても良い。AI が⼈間にわかりやすい形で本質を提⽰することは難しく、「創発」が⽣まれにくい。また、マテリアルインフォマティクスが複数個の候補物質を予想しても、それを迅速に確認するロボット実験技術も存在しない。したがって、研究者、AI、ロボットの三者がつながっていないのが実情である。そのため、マテリアル開発に時間がかかる。三者が強く連携してマテリアル開発を加速するた めに、マテリアルビッグデータを⽣み出すハイスル ープット実験と新マテリアル予測技術が鍵となる (図 1)。この⼆つを強化するために、AI とロボット を最⼤限活⽤する。そして、⾼度化した AI がビッグ データの本質を⼈間がわかりやすい形で提⽰し、⼈間の発想を刺激して研究者の「気づき」「ひらめき」を⽣み出す。そして、即座にハイスループット実験によって検証し、それを予測技術にフィードバックする。これらにより学理構築が進み、さらに⾼度な新マテリアル予測が可能になる。このようにして、 ⼈間の研究者と AI、ロボットが協調する Human-in-the-loop が実現する(図２)。 これは夢物語なのだろうか。いや、今なら⽇本が リードしてこのビジョンを実現することができる だろう。製薬やバイオ関連では、海外で AI とロボットの活⽤例が急速に増えてきている[4,5,6,7]。しかし、マテリアル分野は、世界的に⾒てもプレーヤが いまだ極めて少ない。したがって、チャンスである。 このビジョンを実現する⽅策を、図 3 を⽤いて説明する。新マテリアルや科学的原理・解法を発⾒す るには、科学的事象間の因果関係を解明して学理を 構築し、マテリアルの予測を可能とすることが必要 である。しかし、現状では、図 3 上段に⽰すように、仮説に基づき、勘・コツ・経験と⼈⼿に頼り、実験を⾏っている。このままでは研究を加速できない。つまり、因果関係も分からないため、予測、設計に⼤きな不確実性がある。しかし、ロボットを活⽤したハイスループット実験技術によって、多くの実験データを戦略的に集めることができれば、データ駆動型研究に移⾏ でき、機械学習によって各事象間の相関関係や因果 関係を明らかにすることができる。これにより、仮想空間上で実験系をシミュレートするデジタルツインを作る(図 3 中段)。これで格段に⾒通しがよくなるだろうが、これではまだ学理は構築できないだろう。ここで重要なことが、Human-in-the-loop である。数理科学や説明できる AI、関数同定問題によって、 AI はビッグデータを⼈間に可読可能な形で提⽰する。それにより研究者は発想を膨らますことができる。その際、研究者が蓄積した勘・コツ・経験を活 ⽤して事象間の因果関係を解明して学理を構築し、 ⾼度なマテリアル予測技術を確⽴する(図 3 下段)。 ⼈間はコンセプト形成が得意であるので上位概念を 図２研究の進め⽅についての未来像(Vision)

(3)

形成すると共に、次なる課題⽬標を設定することが期待される。 このような仕組みを確⽴すれば、唯⼀無⼆の基盤 として世界から研究者を惹きつける強みとなる。以下、キーとなっているハイスループット実験とマテリアル予測技術について議論を深める。ハイスループット実験: データの収集・蓄積⼈間がデータを⼿で⼊⼒していることでは、まったく研究スピードは上がらず、データは集まらない。⼈間が⼊⼒するのはコスト(⾦銭的、時間的)がかかりすぎる。そして昨今、⼊⼿できるデータの種類は増える⼀⽅であり、例えば実験パラメータのみでは なく、反応中における温度やガス圧の時間変化、画 像情報、⾳、匂いなど、マテリアル特性に影響を与 える実験データをも収集、蓄積しなければならない。 これらを⼈が⼊⼒するのは困難であり、抜本的な研究の進め⽅の改⾰が必要となる。 そのために、AI とロボットを組み合わせた実験ス タイルの導⼊が急がれる。それらはすべてコンピュ ータで管理されているので、合成条件や評価結果、 合成中のプロセスデータ等をデータベースに登録するコストは⾮常に低い。つまり、データを各所から かき集めるのではなく、基盤でデータを⾃ら作り出 すのである。 このような仕組みは、各装置をばらばらに購⼊してスタンドアローンで置いておくことでは実現でき ない。実験室全体をシステムとして捉える発想が必 要である。そして、将来の実験室のあるべき姿は容易に想像できる。モビリティ(⾃動⾞)の世界で CASE という⾔葉がある。Connected、Autonomous、Shared、Electric の概念を⽰したもので、これをもとに将来の実験室像を考える。実験室でも AI とロボットを活⽤し(図 2)、合成や評価を担う各実験装置を Connected 、 Autonomous(⾃動化、⾃律化)し、⼈間の知識・経験・勘を統合して、そのプラットフォームを share する。その際、個々の合成、評価、判断を High-throughput 化し、ものづくり全体をスピードアップする。そし て、繰り返し作業から研究者を解放し、マテリアル 予測技術より研究者を刺激し、研究者が創造性を最 ⼤限発揮できる環境にする。 ハイスループット実験では、合成、評価、次の判 断というサイクルが⾃律的に進んでいき、⽬的に到 達するまで実験が進⾏する。これを closed-loop と呼び(図 4)、世界で⾮常に急速に⽴ち上がりつつある [4,5,6,7,8]。⼈間の介⼊が必要なく、⼀週間でも⼆週間でもノンストップで⾃律的に研究を進めることが 図 4 ⾃律的に新物質を探索する closed loop システム筆者らはベイズ最適化とロボット を活⽤した⾃律物質合成システムを構築し た。⾃動的にサイクルが回り、マテリアル開発が進む。ここで、合成装置や評価装置が協調してシステムとして動作する。このシステムに対し、「求める物性値を最⼤化せよ」と指令する。たとえば、「Li イオン伝導度を最⼤化せよ」という指令である。すると、ベイズ最適化アルゴリズムにしたがってコンピュータは物質合成条件の指⽰を出す。それに基づいて⾃動的に薄膜合成とイオン伝導率測定を⾏い、成膜条件と物性値のデータセットを作る。それをコンピュータに報告すると、次の成膜条件をベイズ最適化で予測する。このようにしてサイクルを回す。図 3 新マテリアルと科学的原理・解法の発⾒に向けた道筋。ハイスループット実験に多くのデータを活⽤してデータ駆動型研究を進める。そして、事象間の相関関係や因果関係を明らかにして、デジタルツインとして構築する。さらに、説明できる AI や関数同定問題によって、AI はビッグデータを⼈間に可読可能な形で提⽰する。それに刺激を受けた研究者が学理を構築する。マテリアル研究者や技術者が持つ良質の知 識・経験・勘を統合すれば、唯⼀無⼆の AI シ ステムとなる。このようにして、⾼度なマテリ アル予測能⼒を獲得する。そして、ハイスループット実験で迅速に実証する。

(4)

可能となる。すでに筆者の研究室では、⼆つの実験 パラメータであるが、closed-loop で新マテリアル を合成することに成功している(図 5(a))[9,10]。具体 的には、⼆酸化チタン薄膜の電気抵抗を最⼩化した。 このような技術を使うと、合成プロセスのデータも 含めた、マテリアルビッグデータが⽣成できる。 ここにもう⼀つ概念を導⼊する。マテリアルドッ クと呼んでいるもので、⼀つの物質について複数の 物性を計測し、データベース化する(図 5(b))。つまり、⼈間ドックのように流れ作業的に物性計測を進める仕組みである。計測をロボットに任せて⾃動化し、かつ、最新の数理的⼿法を導⼊して計測時間を短縮する。これにより、データ数を⾶躍的に増やすこと ができる。現在のマテリアルズインフォマティクス における課題の⼀つに、実験についてのビッグデー タが存在しないことが挙げられる。Closed loop 実験 では、物質合成の過程もすべてデジタルデータとすることができ、素性の分かった試料をマテリアルドックでデータ収集すれば、膨⼤なデータセットが⽣成でき、マテリアル予測精度を上げることができる。このような研究環境構築にあたり、ロボットは⾼価なのでそのような研究スタイルは不可能だという指摘を受ける。しかし、ロボット産業は⽇本の強みであり、安価になりつつある。たとえば、デンソーの cobotta というロボットは、⼆百万円以下の価格で販売されている。⼈件費を考えると、⼤学でも導⼊しうる⾦額に下がっている。全研究室をシステム化すべきというわけではなく、基盤として導⼊し、シェアリングすることが考えられる(図１)。 ⾼度な新マテリアル予測技術: データの利活⽤ いったんデータの収集・蓄積が進むと正のスパイラルに⼊ることができる。その鍵が新マテリアル予測技術であり、さらに、⼈間の研究者をインスパイアする技術である。 AI 技術の進歩は著しい。説明可能な AI[11]や関数同定問題(symbolic regression)等、⼈間の研究者に「気づき」を与える AI も発展してきている。後者については、ファインマン物理学の式を導出することに成功したという報告もある[12]。さらに、数理科学の活⽤も⾮常に重要である[13,14,15]。単に物性値のデータだけではなく、映像や⾳、匂いまでもデータとして解析できるようにしなければならない。例えば、スパッタ成膜であれば、プラズマの⾊やその形状まで学習して、それを予測に活か すことができるだろう。このような様々なデータを も扱うマテリアル予測技術の確⽴が期待される。 さらに、予測に向けて研究者が⾒通しを良くする ために、マテリアル空間の地図を作ることも重要と なろう。物性間の相関、あるいは、構造と物性の相 関等、さまざまな関係を⼈間に提⽰する可視化技術 の開発が必要である。

マテリアル×デジタル⼈材育成

本稿で説明した⾰新を進めるにあたり、⾮常に不⾜しているのが、「マテリアルの実験家・理論家でありながら、情報科学やロボット(デジタル)をツール として⾃在に使いこなす⼈材」(マテリアル×デジタ ル⼈材)である。産業界からの要望も多く、そのよう な⼈材をいち早く育成する必要がある。東京⼯業⼤学では⽂部科学省の卓越⼤学院プログ ラムのもと、物質・情報卓越教育院を⽴ち上げ、25 の企業とともに協同教育を進めている(図 6)。筆者は 本教育院の副教育院⻑を務めている。この教育院は 社員教育の場ともなっており、実際に学⽣と社会⼈ が机を並べ講義や演習を受講している。このような⼈材について⾔及する時、特にアカデミアから頻繁に問われるのは、そのようなツールを、中⾝の原理を知らずに使って良いのか、という点である。もちろん、原理が分かっていた⽅が良いが、それを学ぶための労⼒との兼ね合いである。完全に理解するには、⾼度な数学的知識が要求されるということもあり、現段階では、中⾝の原理をある程度知っていれば情報科学ツールとして使っていても良いと考えている。我々が XRD や SEM を使う際、どこまで深く知っているだろうか。根本原理の理解だけでも⼗分有効活⽤できる。深く知る必要がある時に学べば良い。したがって、困ったときに情報科学図 5(a) 筆者らが開発したロボットと機械学習を組み合わせた⾃律的な物質合成・評価装置(closed-loop 実験装置)の写真。⾃律的に⼆つの実験パラメータを調整し、最⼤の特性を有する新マテリアルを合成することに成功している。中央に搬送⽤ロボットアームが搭載され、⾃動薄膜合成装置や⾃動物性評価装置などの各種装置間での試料の受け渡しが可能である。(b) マテリアルビッグデータを⽣み出すシステム(マテリアルドック)。物質合成ロボットで作製した試料について、様々な評価・分析を⾏い、データを⾃動収集する。

(5)

の専⾨家に質問できるレベルの知識でまずは⼗分である(もちろん教育院では原理までしっかり教えているが、どこまで学⽣さんらが理解して利⽤しているかは不明である。筆者も実は超初⼼者レベルである)。実際、機械学習(ベイズ最適化やスパースモデリング、深層学習)を、あたかもワードやエクセルを扱うのと同じように使いこなせる実験家が育っているという実感がある。この議論で最も重要なことは、「どの問題にどのツ ールを適⽤すると効果が出るのか」という課題設定 の⽬を養うことである。私⾃⾝の経験では、課題設 定が良ければ、デジタルツールはマテリアル研究を⼤きく加速できる。そして逆に、課題設定が悪ければ、情報科学は全く役に⽴たない。マテリアル×デジタル⼈材にとって、この課題設定能⼒を養うことが⾮常に重要であると考えている。これは座学だけでは学べない。そのために、1．座学と同じだけの時間の演習、2．ラボローテーション (実験系の学⽣さんが情報系や計算のラボに短期滞在して、研究を体験する)、3．物質・情報プラクティススクール(学⽣と教員が 6 週間企業内に滞在し、最新の情報科学を使ってマテリアル企業の課題を解決することを通じて学ぶ)を実施している。プラクティススクールは学⽣と教員が企業をコンサルティングすると⾔えるような成果例も出つつある。これらを通じて、実践⼒を磨き、課題設定能⼒を養っている。このようなマテリアル×デジタル⼈材が産業界に ⼊れば、研究開発だけではなく、⽣産技術、製品企 画、サービス構築等、社会のあらゆるファンクショ ンで活躍できることは確実である。それは、産業界 としての⽣産性⾰命につながる。

AI

、ロボットを活⽤する⽂化、流儀の醸成

以上より、「AI・ロボットを活⽤した新しい研究ス タイル」という⽂化の醸成が重要である。今、たと えば、⽇本化学会、応⽤物理学会、⽇本物理学会の会員で、AI やロボットを活⽤して研究を進めている研究者数はどの程度であろうか。いまだ極めて少な いというのが実感である。特にアカデミアでは、研 究から「精神修⾏」的要素を切り離し、過度な繰り 返し作業から研究者を解放して、より創造性が⾼い 仕事にシフトする必要があると感じている(図 7)。 先に述べたように、ロボットは⼈件費に⽐べて安い時代である。技術が進歩し、ティーチングも⾮常 に簡単になっている。付加価値を⽣まない繰り返し 作業はロボット化していくべきであり、徐々に AI と ロボットに研究作業を任せていく⽂化を育てる必要がある。その分、研究者は、より⾼度な合成法の考案や、最先端機器による物性評価を⾏うなど、学理の構築や実⽤化に向かう時間を増やすことができる。ここで説明した⽅向性は⽂部科学省、経済産業省が「マテリアル⾰新⼒強化に向けた準備会合」において議論を進めている「マテリアル DX プラットフォーム」の⽅向性と合致するものである。産官学が ⼀体となり、「AI とロボットを活⽤した研究開発」 という⽂化を広めるマーケティング活動が重要であ る。これはマテリアルに限らず、あらゆる⾃然科学 研究において共通の課題であろう。さらに、現在のコロナ禍を契機に、遠隔操作により実験を進める重要性がますます⾼まっている。本本稿で述べたビジョンはそのような環境を実現する ものである。今後、在宅勤務ができない職業には優 秀な⼈材が集まらないことは必定である。実験室に 研究者を縛りつけていてはならない。本稿で提案したシステムは当然、遠隔操作でき、家にいてもマテリアル創製が進む世の中になるだろう。図 6 東京⼯業⼤学物質・情報卓越教育院のトップページ。マテリアル×デジタル⼈材を育成している。 AI とロボットを導⼊しマテリアル開発を加 速するには、マテリアルに精通しつつ、情報科 学を使いこなす⼈材の育成が極めて重要であ る。本教育院では、企業の皆様と共に、新しいタイプのマテリアル研究者・技術者の育成を⾏っている。現在、会員企業を募集中である。図 7 より創造的な研究に取り組む時間を増やし_{たい。それが狙いである。}

(6)

おわりに

マテリアル開発のスピードを向上し、従来の延⻑ 線上にない新マテリアルを開発するには、研究者の 知識・経験・勘を⼈⼯知能(AI)とロボット技術と融合させることが急務である。それにより、研究者はより⾼い創造性を発揮する。ここで重要なことは、単 に研究スピードを速めるというだけではなく、これ までの発想を超える⾰新的な学理やマテリアルを創 出する点である。 世界の動きは速い。マテリアルデータをめぐる覇 権争いが起き始めているといって良いだろう。ハイ スループット実験とマテリアル予測技術の両⽅を⼿ に⼊れたものがデファクトスタンダードを握り、デ ータ、知識、技術、富が集中する可能性がある。今、 正念場と⾔える。⽇本のマテリアルやプロセス技術 が優位なうちに、⼀歩でも先に進みたい。 マテリアル研究を通じて、ロボットと AI 技術を磨くことは、他の産業基盤の強化に直結するだろう。⽵槍主義では、諸外国に勝つことはできない。政府、産業界、学界が⼀丸となって基盤形成に取り組み、そこから⽣まれる技術(マテリアル、ロボット技術、 AI 技術)を速やかに他産業に展開すべきであると考える。すでにナノテクプラットフォームや放射光施設などが⽇本に揃っており、それらを⼟台としてシステム化していくことにより、唯⼀無⼆の基盤を築くことができるだろう。そして、それが外部資⾦のみで⾃⽴することも可能であろう。本構想は 6 ページの紙⾯ではとても語りきれない。構想の概要は東京⼯業⼤学の YouTube チャンネル「まだ⾒ぬ災厄に向け、研究の進め⽅に変⾰を」 https://www.youtube.com/watch?v=B1vIJdjx7gE &feature=youtu.be で紹介されており、さらに、「AI、ロボット、研究者が協働するデジタルラボラトリ」 https://www.youtube.com/watch?v=VpcWW3ozar E&feature=youtu.be にて、詳細な説明や実験装置動作のアニメーションを視聴することができる。 研究者が創造性を最⼤限発揮し、ワクワクしなが ら研究に取り組む。その背中を⾒て、若い⽅々が研 究の楽しさに気づく。そして、多くの若者が夢を持 って科学探究や技術開発に取り組み、より良い社会 にしていく。これが本研究の狙いである。

謝辞

本成果は、科学技術振興機構(JST)戦略的創造研究推進事業(CREST、さきがけ)、未来社会創造事業の⽀援を受けて⾏われました。清⽔亮太⽒(東⼯⼤)、知京豊裕⽒(NIMS)、⼩野寛太⽒(KEK)、⻑藤圭介⽒(東⼤)、⽜久祥孝⽒(オムロンサイニクスエックス)、岡島博司⽒(トヨタ⾃動⾞)、安藤康伸⽒(産総研)との⽇頃の議論にお礼申し上げます。参考文献 [1] 実践マテリアルズインフォマティクス、船津公⼈、柴⼭翔⼆郎、近代科学社(2020). [2] マテリアルズ・インフォマティクス-材料開発のための機械学習超⼊⾨-、岩崎悠真、⽇刊⼯業新聞社(2019). [3] 化学のための Python によるデータ解析・機械学習⼊⾨、⾦⼦弘昌、オーム社(2019).

[4] R. D. King et al., PNAS 116, 18142-18147 (2019). [5] B. P. MacLeod et al., Science Advances 6, eaaz8867

(2020)

[6] P. M. Attia et al., Nature 578, 397–402 (2020). [7] C. Chen et al., Adv. Energy Mater. 10, 1903242

(2020).

[8] B. Berger et al., Nature 583, 237 (2020).

[9] R. Shimizu, T. Hitosugi et al., APL Mater. 8, 111110 (2020). [10] 詳細は JST-CRDS 報告書「多様な安定相からの⾼機能材料の創製」に記載した。 [11] 岩崎悠真、解釈可能な機械学習を⽤いた⼈間主導マテリアルズインフォマティクス、応⽤物理 88, 808-812 (2019).

[12] S.-M. Udrescu and M. Tegmark, Sci. Adv. 6, eaay2631 (2020).

[13] D. M. Packwood and T. Hitosugi, Nature Commun. 9, 2469 (2018).

[14] D. M. Packwood, P. Han, and T. Hitosugi, Nature Commun. 8, 14463 (2017).

[15] M. Kotani and S. Ikeda, Science and Technology of Advanced Materials 17, 253-259 (2016). ひとすぎたろう HITOSUGI, Taro 固体物理と電気化学の交差点から、新物質や新物理現象の研究を進めている。最近は全固体電池や脳型メモリに関する研究に注⼒している。それら研究を加速するために、⼈⼯知能やロボットを活⽤した研究開発に取り組み、研究開発の進め⽅の変⾰を起こそうと努⼒している。連絡先〒152-8552 東京都⽬⿊区⼤岡⼭ 2-12-1 E4-9 東京⼯業⼤学物質理⼯学院応⽤化学系電話 03-5734-2636