実験データベースは、単なるデータの保管・管理システムの枠を超え、LLMが活用できる「企業固有の知識源」へとその役割を変えつつある。LLMは材料科学に関する幅広い一般知識を持つが、自社の装置で、自社の条件で取得した実験データは知らない。このギャップを埋め、LLMに自社の実験知見を与えるのが、実験データベースの新たな役割である。特にグラフ型データベースは、以下の理由で実験データとLLMの連携に適している。

• LLMが自然言語をクエリに変換する際、グラフクエリは変換コストが低く、精度が高い
• 「この実験でこの材料を使い、この特性を計測した」という実験の内容を、ノードとエッジでLLMに対して明示的に表現できる
*
　本セミナーでは、グラフ型データベースNeo4jを、データを蓄積するためのデータベースとしてではなく、LLMに自社の実験知見を与えるためのナレッジグラフとして活用する方法を実践的に解説する。下記のような材料実験のAIエージェントを、実際に自分がどのように構築したかを細かく解説する内容である。
　グラフ型データベース (Neo4j Desktop 2、無料) へのデータ登録から、MCP (Model Context Protocol) による各ツールの接続、生成AI (Claude Desktop) との連携まで、実際に自分がどのように構築したかを細かく解説する。構築作業の大部分を生成AIとの会話で進めた際のやり取りや、エージェントの精度・速度を向上させるために実施した工夫、つまずいたポイントなども紹介する。実験のバックグラウンドを持ちながらPythonなどのコーディングを学ばれている方にとって、「自分たちでもできそうだ」と感じていただける内容を目指している。
1. 重要度が増す実験データベース
   1. MCPの急拡大とAIエージェントの企業導入動向
   2. デモ:実験データ×AIエージェント
2. データベース技術の特徴と使い分け
   1. RDB、グラフ型DBの比較
   2. なぜグラフ型DBが生成AIとの連携に向いているか
3. MCPの解説
   1. MCPの仕組み (生成AIとツールをつなぐ標準規格)
   2. デモ:MCP
4. 実験データAIエージェントの作り方 (実践編)
   1. Neo4j Desktop 2へのデータ登録とClaude Desktopとの接続
   2. Pythonでツールを作り生成AIにつなぐ
   3. ファイルサーバ (クラウドストレージ) との接続
   4. 生成AIとの会話による構築プロセス
   5. 精度・速度向上の工夫とつまずきポイント
• 質疑応答