株式会社セック 研究開発活動 (2026年3月期)

当社では、イノベーションの成果としての「ニューエレメント」(革新的技術、標準化技術、ソリューション製品、特許など知的財産権、新ビジネスモデルなど)を核とした高付加価値化ビジネスで他社差別化を図り、事業成長を実現することを期しております。当社の研究開発は、その成果として、当社ビジネスにこの「ニューエレメント」を供給することを目的としております。
当社の研究開発は、お客様や市場に密着したテーマを中心とするため、製造部門各部門が主体的に活動を推進し、その一方で、研究企画室が全社の研究開発活動を統括し、また研究開発テーマ間のシナジーを促進しております。
当事業年度における研究開発費の総額は、217,126千円となりました。なお、当社は単一セグメントであるため、セグメント別に記載しておりません。
当社は研究テーマを「ユビキタス*」とし、宇宙、ロボット、エッジAI*、量子コンピューティングの4つを注力分野として取り組み、大学や国の研究機関との共同研究も推進しております。テーマ別の研究開発の状況は以下のとおりです。なお、*印を付した専門用語につきましては、本項最後の用語集にて解説しております。

①宇宙
当社では、創業当初より宇宙分野におけるソフトウェア開発に取り組んでおり、人工衛星や探査機等の宇宙機に搭載される組込みソフトウェアや、地上システムの開発等を通じて実績を蓄積してまいりました。宇宙空間においては、人が直接介在することが困難であることから、自然現象を入力とするリアルタイム制御や高い信頼性を確保する設計技術が重要となります。当社はこのリアルタイム技術を強みとして、宇宙機や将来の宇宙ロボットの制御・運用に係る研究開発を推進しております。
当事業年度においては、国立研究開発法人宇宙航空研究開発機構(以下、JAXA)の宇宙戦略基金事業に参画し、月面資源探査に資する観測装置の開発において、システムインテグレーション及び制御ソフトウェア開発に取り組みました。

②ロボット
当社では、ユビキタス社会における究極の端末はロボットであると考え、ロボットの研究開発に取り組んでおります。特に、ロボットを制御するソフトウェアのコンポーネント化(部品化)技術であるRTミドルウェア*や、ロボット開発のフレームワークであるROS*などの共通化技術を有しており、これらをベースとしたロボット技術の研究開発を推進しております。
当事業年度においては、国立研究開発法人新エネルギー・産業技術総合開発機構(以下、NEDO)が実施している「戦略的イノベーション創造プログラム(SIP)第3期/人協調型ロボティクスの拡大に向けた基盤技術・ルールの整備」に引き続き参画し、住宅・ビル等の人協調ロボティクスの社会実装技術開発に関わる研究開発を実施しました。さらに、NEDOが実施している「ポスト5G情報通信システム基盤強化研究開発事業/ロボティクス分野のソフトウェア開発基盤構築」に参画し、ロボットシステムの開発・導入の効率化に向けた品質・信頼性・安全性強化型ソフトウェア開発基盤の構築に関わる研究開発を実施しました。さらに、ロボット・IoT*向けコンピュータビジョンに関する研究、ロボットの開発技術に関する研究などを実施しました。

③エッジAI
当社では、AIの普及に伴う課題に対応する技術としてエッジAIに着目し、その研究開発に取り組んでおります。近年、ロボットや自動運転車など実世界で動作するフィジカルAIが注目されており、これを支える中核技術としてエッジAIの重要性が高まっています。エッジAIは、デバイスやその近傍においてデータ処理およびAIによる分析・判断を行う技術であり、省電力化、少量データによる学習時間の短縮およびリアルタイム性の向上等が期待されます。当社は、エッジAIデバイスへのアルゴリズム実装技術とリザバーコンピューティングなどのエッジAIに適した機械学習技術を有し、宇宙やロボットなど当社が実績を有する分野におけるエッジAI適用に強みを有しております。
当事業年度においては、NEDOが実施している「高効率・高速処理を可能とするAIチップ・次世代コンピューティングの技術開発」に引き続き参画し、FPGA*にリザバー計算モデル*を搭載する超低電力エッジAIチップの研究開発を実施しました。

④量子コンピューティング
当社では、量子コンピュータに着目し、その実用化および普及を支える技術の開発に取り組んでおります。量子コンピュータは、従来のコンピュータでは解決が困難な課題に対して新たな解決手法を提供する可能性を有する次世代コンピュータです。一方で、量子コンピュータを多くの利用者が有効に活用するためには、制御・運用を担うソフトウェア基盤の整備が不可欠です。当社は、多くの利用者が量子コンピュータを利活用できるクラウド環境の構築や、量子計算を高速化・効率化するための技術の研究など、量子コンピュータの制御・運用を担う基盤ソフトウェア(量子ミドルウェア)の研究開発に取り組んでおります。また、大学や研究機関との連携を通じて、実機環境を前提とした技術開発を進めております。
当事業年度においては、NEDOが実施している「ポスト5G情報通信システム基盤強化研究開発事業/量子コンピュータの産業化のためのミドルウェア開発」に参画し、AI・量子共通基盤技術に関わる研究開発を実施しました。

上記のほか、国立研究開発法人日本医療研究開発機構(以下、AMED)の支援のもと、AIを用いたリアルタイム膀胱内視鏡検査支援システムの研究開発、生成AIに関する研究などの研究開発を実施しました。

用語集

ご参考までに本項の専門用語を下記に解説いたします。

ユビキタス
ラテン語で「同時に、いたるところで存在する」という意味です。あらゆる情報機器がネットワークで結ばれ、いつでもどこでも情報をやり取りできる社会を「ユビキタス・ネットワーク社会」ないし「ユビキタス社会」と呼び、21世紀の情報社会の方向性を示す言葉として用いられています。

IoT
IoT(Internet of Things)は、ユビキタスの概念が技術的な進歩により具現化したもので、あらゆるモノがインターネットにつながり、相互に情報をやり取りすることで、新たな付加価値を生み出すというものです。これにより、製造業のビジネススタイルが製品販売型から機能提供型に変化し、「モノのサービス化(ソフト化)」をもたらすものとされます。

エッジAI
エッジAIは、IoT端末などのデバイスそのものや、その近くに設置されたサーバにおいて、データの収集・処理・分析を行い、その場でAIが判断する仕組みです。クラウドを介さずに処理を実行できるため、リアルタイム性の向上や通信負荷の分散、遅延の低減などが期待されます。特に、医療、インフラ、宇宙分野などでの活用が進んでいます。

RTミドルウェア
RT(Robot Technology)ミドルウェアは、ロボットを構成する要素(アクチュエータやセンサなど)やロボットを制御するソフトウェアを、コンポーネントとして部品化するための技術です。RTミドルウェアを利用することで、部品化されたソフトウェアコンポーネントを組み合わせるだけで、多様な機能を持つロボットシステムを容易に構築することができます。RTミドルウェア技術が提唱するソフトウェアコンポーネントのモデルは、2008年4月に国際標準化団体OMG(Object Management Group)にて、「ロボット用ソフトウェアのモジュール化に関する標準仕様」として採択されました。

ROS
ROS(Robot Operating System)は、ソフトウェア開発者のロボット・アプリケーション作成を支援するオープンソースのライブラリ及びツールの総称です。コンピュータ上で自動化したタスクを実行する簡単なロボットから、認識・行動制御を伴う複雑な自律型ロボットまで広く活用され、世界中のロボットソフトウェア開発現場で、デファクトスタンダードになりつつあります。ROSを活用することで、ロボットソフトウェアを早く低コストで実装できることに加え、ロボット研究の最先端の知見を得ることができます。

FPGA
FPGA(Field Programmable Gate Array)は、プログラム可能な集積回路です。通常、コンピュータシステムには演算装置としてCPU(Central Processing Unit)が用いられますが、CPUの回路構成そのものに柔軟性はなく、動作させるソフトウェアで柔軟性を確保しています。これに対し、FPGAは回路構成そのものを利用者が変更(プログラム)することが可能で、並列的な計算処理により、CPUと比較して高速な処理が可能です。
プログラム可能で高速な演算装置としてGPU(Graphics Processing Unit)がありますが、FPGAは消費電力が少なく、ロボットなど消費電力の制約が想定される環境において、GPUよりも優位性を有しています。

リザバー計算モデル
リザバー計算モデルは、自己回帰型ニューラルネットワーク(Recurrent Neural Network)の一種で、時系列情報処理に適した機械学習の枠組みです。
リザバーはため池という意味で、例えば小石をため池へ投げると水面に波紋が生じますが、この波紋から、どこに、どのような小石が、どのような順番で投げられたのかなどを推測することができます。このように、投げ入れた小石の時系列情報を知りたいときに、水面の波紋という全く別の形に変換して認識処理を行うのがリザバー計算モデルの概念です。
他のディープラーニングモデルに対するリザバー計算モデルの優位性として、結果出力部分のみを学習対象とすることで、大幅に学習の計算量を削減可能となることが挙げられます。これをハードウェアに実装することで、高効率・高速な機械学習デバイスを実現することが可能な技術として注目されています。