自律材料探索では，少ないデータ数からスタートし，機械学習やAI技術による特性予測と，予測に基づく実験を交互に繰り返すことで，徐々にデータを増やしながら材料特性の最適化を行います．この研究手法をブラックボックス最適化と呼びます．これは材料探索を行う際に，次に実験すべき材料を提案するための材料探索用人工知能（AI）として利用できます．ブラックボックス最適化手法のうち，材料分野で最も利用されているベイズ最適化を，簡単に実行できるPythonパッケージPHYSBOを開発し，OSSとして公開しています．また，材料候補が膨大な場合，ベイズ最適化では長時間計算が必要となってしまう問題がありました．これを解決するために，量子アニーリング・イジングマシンを利用したブラックボックス最適化手法FMQAも開発してきました．さらに，材料研究では，材料特性の向上だけでなく詳細な相図・状態図を描きたいという研究ニーズがあります．このニーズに対応するために，相図・状態図作成用のブラックボックス最適化手法PDC(Phase Diagram Construction)を開発し，これを簡単に実行できるWebアプリケーションAIPHADも公開しています．これらの材料探索用AIとロボット実験をつなげることで，人の介入を必要としない自律自動材料探索が実現できます．そこで，そのようなシステムを実現するためのミドルウェアとして，NIMO（https://www.nims.go.jp/nimo/）を開発し，公開しています．NIMOでは，ロボット実験，材料探索用AIをそれぞれモジュールとして扱うことで，様々な組み合わせで自律自動材料探索を実施できます．現在，NIMSだけでなく，国内外の研究機関でもNIMOが活用されており，世界中の自律実験システムを繋ぐ基盤技術として展開が進んでいます．