自律型AIでMD計算はできるのか：試して分かった限界と運用設計

Hermes AgentでAIが自律的にMD計算ができたらいいなと思って、いろいろ試していました。まだ納得のいく状態にはなっていませんが、試行錯誤をしていて気づいたことをまとめていきます。

まず一番大事なことは、お前の相棒はお前が育てろ！ということです。

昨今、AIエージェントの活用は様々な分野で取り組まれています。様々な活用方法がシェアされているのですが、型にはまった使い方だけで上手くいくものではありません。使い方は人それぞれで、その人に合ったAIエージェントを育てるということが必要不可欠です。

計算化学をやっている人は、ターミナル操作だけで作業をする人もいれば、GUIメインの人もいるし、C言語しか書けない人もいればPythonしか書けない人もいます。LAMMPSを使う人、Gromacsを使う人、Gaussianを使う人、それぞれやっていることは違います。無機結晶を扱う人、有機化学の人、などなど様々な人がいます。計算サンプルの作り方だって、オンラインのデータベースからダウンロードするだけの人もいれば、自分でサンプル作成コードを書いて実行する人もいます。

あなたのワークフローをサポートするAIエージェントはあなたにしか育てられません。

なので、まずはあなたの仕事のスタイルをAIに学ばせるのが一番最初にやることです。

環境構築とワークフロー構築は人間の仕事

AIは計算化学のことはあまりよく分かっていませんし、あなたの作業スタイルのことは何も知りません。ここを過信しすぎると後で痛い目を見ます。

バイブコーディングをやっていると、ユーザがふわっとした仕様を伝えてAIがコードを書いてくれて、ユーザは「承認！」「承認！」「承認！」でいい感じのものを作ってくれるのですが、MD計算でそれをやると酷いことになります。

• ユーザが理解していない環境をAIが使うとデバッグで詰む。
  • エラーが出た時にAIは意外と対処できない。ユーザの助言は必要。しかし環境を理解していないと何もできない。
• モデル構築や計算条件やワークフローがブラックボックス化する。
  • 内容をユーザが検証できない。（検証が面倒くさい）
• 計算を実行してもエラー終了することが多い
  • 「計算がスタートする」と「計算が最後まで止まらずに終わる」は違う。

なので、まずやるべきことは、あなたの計算フォルダをAIに見せることです。

AI用フォルダは分けたほうがいいです。勝手にファイルやフォルダを消すことがあるからです。

また、環境構築はAIにやらせないほうがいいです。
既存の環境をそのまま使わせる、またはAI用のvenv等を作成して同じ環境を用意してやるのがいいです。

人間がこれくらいの準備をしておくと、AIは迷わずにあなたの流儀を真似してくれるはずです。

ルール定義は賢いモデル、作業はローカルモデル

AIエージェントが実際に動く際のルールはAIに書かせます。人間は直接書きません。
あなたの計算フォルダや計算環境をAIに与えたうえで、次のような内容をAIに伝えます。

• あなたは私の計算タスクをサポートするアシスタントです。
• 私の計算データを~/work/examplesディレクトリに置きました。
• 私の計算環境や使用コマンドについては~/work/examples/memoに記載しました。
• 私の計算タスクの進め方を読み解いて、あなたが私と同じように計算タスクを進められるように行動ルールを明文化してください。

まずはこれくらいのプロンプトでいいと思います。明文化したルールを確認し、問題がなければ次に適当なテーマを与えて、計算タスクをやらせてみてください。期待通りの成果が出ればよし、出なければフィードバックをします。

ここまでの作業は賢いモデルを使うのがオススメです。gpt-5.5とか、geminiのproとか。なぜなら、AIに成功体験をさせないと、成功パターンをインプットできないからです。もちろん失敗も財産です。失敗して改善していく中でAIも成長します。ユーザ側も、AIの特性を理解することが必要なので、失敗に対して上手にフィードバックすることも大事です。この作業は絶対に賢いモデルを使うべきです。逆に、この作業を軽量モデルにやらせるのは苦痛ですし、何の成果も得られないこともあります。このフェーズでは多少の課金を覚悟して賢いモデルを使いましょう。

AIが計算タスクのトレースができたら、それを元にAIに作業手順書を書かせます。例えば次のような内容を伝えるといいと思います。

• 今回成功した計算プロジェクトについて、進め方を作業手順書として明文化してください。
• この作業手順書は、性能が低いAIモデルであっても理解できるように作成してください。
• 今回の計算で使用したコマンドの実行順序など、共通化して再利用できる内容はスキル化してください。

ここまでできたら、ローカルモデルや安価なモデルに切り替えて、設計通りにAIエージェントが動くかどうかをテストしましょう。

AIがやっていいこと・ダメなこと

環境構築やワークフロー構築をフルAIでやってはいけないということはすでに述べましたが、ここで改めて、AIがやっていいこととダメなことを確認しておきます。以下はあくまで例です。

内容	AIがやっていい
既存スクリプトの実行	OK
計算ジョブの投入	OK （コマンドを固定する）
ログの確認	OK （成功条件を明文化する）
ポテンシャル・力場の選定	NG （割り当て方法や使用可能な力場はユーザが決定）
環境構築	NG （ユーザがやる、またはAIがやるなら賢いモデルを使う）
新規ワークフロー設計	NG （賢いモデルかつユーザのレビュー必須）
失敗時の自動修正	範囲を限定する

AIに何でも勝手にやらせると「違う、そうじゃない」ということを連発して、期待した成果が得られないことが多いです。それを防ぐために、あらかじめAIがやっていい範囲を明確にしておくと、人間がコントロールしやすいです。

タスクリストの作成

AIが進めるべきタスクを人間とAIの両方が参照可能な形でファイル化します。

例えば、計算タスクをマークダウンファイルに書く運用ルールを以下のように定義します。

• ~/work/TODO.mdを作成する。
• タスク1件は以下の項目で構成される。
  • タスク名（プロジェクト名）
  • パス （~/work/YYYYMMDD_ProjectName）
  • 作成日時
  • 内容
  • ステータス（Todo, InProgress, Done, Error）
• TODO.mdファイルは、ユーザからの依頼に基づいてAIが作成する。
• ユーザからの依頼に不明確な点があったら、それが明確になるまでユーザに繰り返し質問をする
• 全ての内容が明確になってタスクが開始可能な状態になったらTODO.mdに記載する。
• タスクのステータスが変化したタイミングでDiscord等でユーザに通知をする。
• ~/work/YYYYMMDD_ProjectName/WORK_LOG.mdに、そのタスクの実行メモや次のアクションを追記していく。

これは例です。もっと要件を増やしてもいいです。自分流で進めやすいようにいろいろルールを考えてみるといいと思います。

計算作業を自律的に進める工夫

OpenClawであれHermes Agentであれ、それぞれのツール内にcron機能が搭載されています。それを活用することで、24時間動き続ける計算AIができあがります。また、AI-ユーザ間の連絡手段を用意しておきましょう。

• 計算完了時やエラーなどの緊急時の連絡先チャンネルを用意する。
  • Discord、Slack、メールなど。
• 計算プロジェクト進行Cronを設定する。
  • 頻度は10分毎とか30分毎。
  • 使用モデルはローカルモデルや安価なモデル。
  • cronは独立セッション。cron毎に新規セッションで行う。（コンテキストの膨張を防ぐため）
  • 指示は
    • タスクリストを読んで、実施すべきタスクを1つだけ進める。
    • ステータスが変化したらタスクリストのステータスを書き換える。
    • 計算の進め方や実行環境のルールを遵守する。
    • ~/work/<projectDir>/WORK_LOG.mdが未作成なら作成し、目的達成のための実施計画を記載する。作成済みならそのファイルを読む。
    • WORK_LOG.mdに、これからやる作業について記載する。
    • 作業を進め、1つの作業の完了ごとにWORK_LOGに短くメモを残す。
    • 計算コマンドの実行には時間がかかることがあるので、ジョブスケジューラを使用する。
    • 計算コマンド投入直後に可能なら一度確認、計算が進行中であればその旨をWORK_LOGに記載し、次回のCron時に再度状況を確認する。投入直後の確認で完了している、あるいはエラー終了していた場合は、適切な作業を実施する。
    • エラーを繰り返してしまい、プロジェクトが続行不可能と判断された場合はステータスをErrorにしてユーザに通知する。
    • （賢いモデルを使ってもいい場合）エラーを繰り返した場合は賢いモデルでサブエージェントを召喚して解決策を考え、ファイル修正等を行いWORK_LOGに記載する。

最後に

現時点で現実的なのは、AIがMD研究者を置き換えることではありません。
ユーザが検証済み環境とワークフローを用意し、AIはそれを監視・実行・記録・報告する副操縦士として使う形です。

人間:

• 計算目的を決める
• 力場や計算条件を決める
• 環境と標準スクリプトを検証する
• 最終結果を判断する

AI:

• タスクリストを読む
• 検証済みスクリプトを実行する
• ジョブスケジューラを確認する
• ログを読む
• 成功/失敗を判定する
• ユーザに報告する

なお、この記事に書いたフォーマットでAIエージェントを育てても、上手く動くとは限りません。最初は上手く動かず、ユーザによるフィードバックを何回も何回もやることによって、徐々に育っていきます。

AIエージェントは育てるものです。

実は結構めんどくさいです。

実際に動かしてみた

実際にHermes Agentにこの記事のURLを読ませて自律動作のルール作りと簡単な計算をやらせてみました。基本的には動きましたが、使用するモデルの性能に依存する部分も大きかったです。

• 実務担当はgemma-4-26b-a4b q8_0、監督役はgpt-5.5。
• 監督役・ユーザとの対話チャンネルは賢いモデルが望ましい。
• 実務はローカルモデルでいい。12BのQATとかでも動くかも。
• いきなりローカルモデルonlyは難しい。失敗や成功をルールやテンプレートに反映して、ゆくゆくはローカルモデルonlyを目指す。
• 使っていくと、エージェントも育つしユーザの指示出しも上手くなる。
• ユーザがかなり細かく指示を与えることが重要。

「AI研究者を作る」というのは違います。
「人間の研究をサポートするアシスタント・副操縦士を作る」というのが目指すべきところです。