Building the technologies that will shape the future of materials R&D.
We aim to transform R&D by making Materials Informatics widely accessible and by creating a new research experience where digital and physical processes are deeply connected.
MI-6は、「“マテリアルズ・インフォマティクス”を普及し、研究開発を革新する」をミッションに、デジタルとフィジカルが融合した新しい研究開発体験の実現を目指しています。
Our core solutions include:
MI-6では、主に以下の3つのソリューションを提供しています。
miHub®, an MI platform that manages research data and context to accelerate hypothesis testing
研究データと文脈を統合管理し、仮説検証を加速するMIプラットフォーム「miHub®」
Hands-on MI®, where our data scientists work directly with materials researchers from problem discovery to predictive modelling
データサイエンティストが材料開発者と協働し、課題探索から予測モデル構築までを担う「Hands-on MI®」
Lab Automation, which connects experimental equipment, measurement systems, and data infrastructure to extend physical R&D processes through software
実験装置・計測系・データ基盤を結びつけ、研究のフィジカルプロセスをソフトウェアで拡張する「Lab Automation」
By integrating these capabilities, we enable researchers to move fluidly between data, experiments, and algorithms, creating an environment where ideas can be tested and refined more effectively.
これらを単体の技術としてではなく、統合された研究開発体験として提供することで、研究者がデータ、実験、アルゴリズムを自由に行き来しながら発想・検証できる環境を実現しています。
Internship themes will be designed based on your interests, skills, and background. Example themes include:
応募者の関心やスキルに応じて、以下のようなテーマを設定します。
Integrated analysis of experimental data, measurement data, and research context in materials development projects
材料開発プロジェクトにおける実験データ・計測データ・研究文脈の統合解析
Feature engineering, time-series analysis, and image data processing
特徴量設計、時系列データ解析、画像データ処理
Visualisation and model validation to support hypothesis generation and decision-making
仮説生成や意思決定を支援する可視化・モデル検証
Interpretation of experimental results, reliability assessment, and uncertainty analysis
実験結果の解釈、信頼性評価、不確実性の分析
Implementation of Bayesian optimisation, machine learning models, and uncertainty estimation
ベイズ最適化、機械学習モデリング、不確実性推定の実装
Feature engineering for materials and chemical data
材料・化学データに適した特徴量設計
Model development using computational science simulations and physical/chemical domain knowledge
計算科学シミュレーションや物理化学的知見を活用したモデル開発
Use of LLMs for structuring research context, supporting experimental design, and extracting knowledge
LLMを用いた研究文脈の構造化、実験計画支援、知識抽出
Development of software that connects experimental equipment, measurement systems, and data infrastructure
実験装置、計測機器、データ基盤を接続するソフトウェア開発
Automated collection and structuring of experimental logs, measurement data, and metadata
実験ログ、計測データ、メタデータの自動収集・構造化
Design of researcher-friendly experimental workflows and data entry experiences
研究者が使いやすい実験ワークフロー・データ入力体験の設計
Development of mechanisms that connect AI and optimisation algorithms with physical experimentation
AIや最適化アルゴリズムと実験プロセスを接続する仕組みの開発
The selection process consists of document screening followed by one interview.
書類選考後、面接を1回実施します。
Please submit any relevant materials that demonstrate your experience and skills, such as:
応募時には、以下のうち可能なものを添付してください。
Resume or CV
履歴書またはCV
Research achievements, papers, or presentation materials
研究実績、論文、発表資料
Technical slides or portfolio
技術スライド、ポートフォリオ
GitHub, technical blog, OSS contributions, or links to development outputs
GitHub、技術ブログ、OSS活動、開発成果物のURL
Any other materials that show your past work
その他、これまでのアウトプットが分かる資料
- Careers / 採用サイト: https://recruit.mi-6.co.jp/
- miHub® Product Site / MIプラットフォーム miHub® 製品サイト: https://mihub.mi-6.co.jp/
