Metaが公開したBOxCrete：AIでコンクリート配合を最適化するオープンソースモデル

なぜAIがコンクリート配合を最適化する必要があるのか

米国では毎年約4億立方ヤードのコンクリートが使用されています。これは地球を何周もできる2車線高速道路を舗装できる量です。しかし、コンクリートの核となる材料であるセメントの約20～25％を輸入に依存しており、サプライチェーンリスクと国家の製造競争力に悪影響を及ぼしています。

従来のコンクリート配合設計は、実験室での試行錯誤(trial-and-error)、エンジニアの直感、そして数十年にわたって蓄積された経験に大きく依存しています。セメントごとに化学組成が異なるため、あるセメントに完璧に適合する配合が、別のセメントでは完全に失敗する可能性もあります。そのため、新しい材料（特に国産材料）を迅速に検証し適用する方法が切実に必要とされていました。

Metaはこの問題を解決するために、ベイズ最適化（Bayesian Optimization） ベースのAIモデル BOxCrete を開発し、オープンソースとして公開しました。このモデルは従来の試行錯誤方式を飛躍的に改善し、より速く、より正確に最適なコンクリート配合を見つけ出します。

要点まとめ: BOxCreteは過去の実験データを学習し、最も高い性能を発揮する可能性が高い新しい配合を提案し、各実験結果をフィードバックとしてモデルを継続的に改善します。

BOxCreteのコア技術：適応型実験（Adaptive Experimentation）

BOxCreteはMetaの適応型実験プラットフォーム（Ax） 上で動作します。このプラットフォームはベイズ最適化を使用して、考えられる無数のコンクリート配合空間をインテリジェントに探索します。ランダムに配合をテストしたり人間の直感だけに頼る代わりに、AIは以下のように動作します。

1. 既存データの学習: 過去の配合設計、実験室の結果、性能指標を学習し、どの要素が効果的かを把握します。
2. 高パフォーマンス候補の提案: 目標仕様を満たす可能性が最も高い新しい配合を提案し、国産材料と輸入材料の性能を比較できます。
3. 制約条件の事前反映: ユーザーは技術的要件と使用する材料を事前に指定できます。
4. テスト結果のフィードバック: 各実験室の結果がモデルの予測を改善し、自動改善ループが形成されます。

実際のコード例（PythonベースのBOxCrete使用フロー）

BOxCreteはGitHubでオープンソースとして提供されており、基本的な使用フローは以下の通りです。実際のAPIは公式ドキュメントを参照してください。

# BOxCrete 使用例（概念的なコード）
# 実際のモジュールはGitHubリポジトリ参照: https://github.com/facebookresearch/boxcrete

import numpy as np
from boxcrete import BOxCreteOptimizer

# 1. 過去の実験データを読み込み（例：セメント種類、水セメント比、骨材サイズ、28日圧縮強度）
historical_data = {
    "cement_type": ["Type I", "Type III", "Type I/II"],
    "w_c_ratio": [0.45, 0.50, 0.42],
    "aggregate_size": [20, 25, 20],
    "strength_28d": [35.0, 42.0, 38.5]  # MPa
}

# 2. 最適化目標を設定（例：28日圧縮強度40MPa以上、スランプ100mm以内）
optimizer = BOxCreteOptimizer(
    target_strength=40.0,  # MPa
    max_slump=100,          # mm
    use_domestic_materials=True  # 国産材料を優先使用
)

# 3. AIが新しい配合を提案
new_mix = optimizer.suggest_next_experiment(historical_data)
print("AIが提案した新しい配合:", new_mix)
# 出力例: {'cement_type': 'Type I/II', 'w_c_ratio': 0.44, 'aggregate_size': 22, ...}

# 4. 実験結果をモデルにフィードバックして精度向上
optimizer.update_model(experiment_result={"strength_28d": 41.2, "slump": 90})

このように、BOxCreteはわずか数回の実験で最適に近い配合を見つけ出すことができます。Metaの研究結果によると、このモデルは以前のバージョンよりも ノイズの多いデータに対してロバスト であり、コンクリートのワーカビリティ（スランプ）を予測する新しい機能も含んでいます。

実際の適用事例：データセンターでの性能検証

BOxCreteは実際のMetaデータセンター建設現場でその性能を実証しました。

ミネソタ州ローズマウントデータセンター

MetaはAmrize（北米最大のセメント・コンクリートメーカー）、Mortenson（建設会社）、イリノイ大学アーバナ・シャンペーン校と協力し、BOxCreteで最適化されたコンクリート配合を実際のデータセンター建物スラブの支持エリアに適用しました。

• 性能改善: AI最適化配合は従来配合と比較して 43% 速く 全体構造強度に到達しました。
• ひび割れリスク低減: ひび割れ発生リスクを 約10% 低減しました。
• 国産材料の使用: すべての材料を国内調達し、サプライチェーンリスクを低減しました。

ペンシルベニア州Quadrelソフトウェア導入

レミコン業界向けエンタープライズSaaSプラットフォームであるQuadrelは、MetaのAIフレームワークを自社ソフトウェアに適用しました。Quadrelはこれをデータ前処理、バッチおよびテストの正規化、特徴量エンジニアリング、顧客別モデル学習などに使用しており、現場テスト結果が継続的にモデルに反映され、毎日の配合設計と品質管理業務に活用されています。

日本国内の建設エコシステムへの適用可能性

日本の建設現場でも同様のニーズがあります。特に：

• 生コン業界: 多様な骨材やセメント供給元の品質変動に対応するために、AIベースの配合最適化が有効です。
• カーボン低減規制: 政府のカーボンニュートラル政策に伴い低炭素コンクリートの需要が増加しており、BOxCreteは国産の低炭素材料（例：高炉スラグセメント）を効果的に活用するのに役立ちます。
• データセンター建設: 国内でもデータセンター建設が急増しており、大規模基礎コンクリートの品質と施工速度を同時に確保するためにAIが貢献できます。

注意点: BOxCreteは配合設計の初期探索速度を大幅に改善しますが、最終的な実験室検証、現場試験、エンジニアリング承認、建築基準法遵守のプロセスを代替するものではありません。AIは「より良い出発点」を提供するだけで、最終品質は依然として専門家の判断と規制順守によって確保される必要があります。

結論：AIが変える建設業界の未来

MetaのBOxCreteは単なる研究プロジェクトを超え、実際の産業現場で目に見える成果を上げています。43% 速い強度発現、10% のひび割れリスク低減は、AIが建設材料最適化にどれほど大きな影響を与え得るかを示す具体的な事例です。

MetaはこのモデルをMITライセンスでオープンソース公開し、学界と商用ソフトウェアプロバイダーの両方が自由に使用・改善できるようにしました。今後さらに多くのプラットフォームがBOxCreteをベースに構築されれば、AI最適化配合設計はレミコン業界の標準ワークフローとして定着するでしょう。

次のステップとしての学習方向

• オープンソースコードを確認する: BOxCrete GitHubリポジトリで実際のモデルコードとデータセットを確認してください。
• ベイズ最適化を理解する: BOxCreteのコアアルゴリズムであるベイズ最適化の基礎を学ぶと、モデルの動作原理をより深く理解できます。
• 建設AIの動向を把握する: Meta以外にも多くのスタートアップや研究機関が建設材料最適化にAIを適用しています。関連論文やカンファレンス（例：ACI Convention）の資料を参照してください。

合わせて読みたい記事

• AIコーディングエージェント、予測可能な結果を作る核心は強力なフィードバックループ
• Astro、Cloudflareに合流：コンテンツ中心Webサイトの未来が変わる

本記事はMeta Engineering Blogの「AI for American-produced cement and concrete」を基に作成されました。