東京大学 大学院新領域創生科学研究科 教授　岡田 真人　氏
【専門】
データ駆動科学、物性物理学、ニューラルネットワーク、計算論的神経科学
【WebSite】
https://mns.k.u-tokyo.ac.jp/

　本講座ではAIを科学に適用するAI for Scienceとほぼ等価なデータ駆動科学を用いて、AI for Material engineeringについて講義をし、今後各企業で必要にあるAI技術を紹介します。AIというとChat GPTなどの生成系AIを考えますが、その前に、実験計測データは数値計算データに含まれる、その材料に含まれる本質的な潜在構造を抽出することが必要です。その手法の一つであるスパースモデリンぐ(SpM: Sparse Modeling)において、生成AIが必要であることを述べます。
　以上の背景から本セミナーでは、AI for Science/データ駆動科学の情報数理基盤のベイズ計測とSpMを紹介し、これらがどのような仕組みで材料開発に活かされるかを、私が提案した機能発現の3+1ステップモデルに基づき説明します。このセミナーにより、明日からすぐに役立つAI for Science/データ駆動科学Material enを実践的に学ぶことができます。

＜得られる知識・技術＞
AIの進展からAI for Scienceへの流れを理解することができます。そのAI for Scienceの材料科学版であるAI for Material engineeringに関する以下の知識が得られます。
1. データ駆動科学の三つのレベル
2. 機能発現の3+1ステップモデル
これら二つの知識を身につけると、明日から実践的な材料開発をAI for Material engineeringに基づき行うことができます。

＜プログラム＞
１．本セミナーのねらい
　1.1 AIの歴史とAI for Science
　1.2 AI for Material engineering
　1.3 AI for Material engineeringによる高収益化

２．自然記述の基本的戦略とデータ駆動科学
　2.1 要素還元主義と階層的自然観
　2.2 階層的自然観とデータ駆動科学

３．データ駆動科学の二大情報数理基盤
　3.1 スパースモデリング(SpM)とベイズ推論
　3.2 物理学とスパースモデリング(SpM)
　3.3 Keplerの法則と前期量子論
　3.4 全状態探索型スパースモデリング(ES-SpM)
　3.5 物理学におけるベイズ推論の必要性

４．機能発現の3+1ステップモデル

５．計算論的神経学とデータ駆動科学
　5.1 David Marrの三つのレベル
　5.2 データ駆動科学の三つのレベル
　5.3 データ駆動科学の三つのレベルと計測関連企業の高収益化 

６．ベイズ計測: ベイズ推論と計測科学の融合領域
　6.1 物理パラメータの事後確率推定
　神器1. 物理パラメータの事後確率推定
　神器2. ベイズ的モデル選択
　神器3. 複数データのベイズ統合

７．直線回帰y=ax+bのベイズ計測解析計算の詳細な説明
　7.1 物理パラメータの事後確率推定
　7.2 ガウス観測ノイズ分散推定
　7.3 ベイズ的モデル選択

８．非線形計測系のロールモデルとしてのスペクトル分解
　8.1 スペクトル分解の通常手法とその問題点(誤差関数の局所解とモデル選択)
　8.2 ベイズ計測の導入と、ベイズ計測実装のための数値計算の必要性
　8.3 スペクトル分解におけるベイズ的モデル選択
　8.4 計測限界の定量的評価

９．他の非線形計測系への展開
　9.1 NMR
　9.2 メスバウアー分光
　9.3 小角散乱
　9.4 比熱と磁化率の物理パラメータ事後確率推定とベイズ統合の導入

１０．ベイズ計測の普及戦略
　10.1 SPring-8全ビームラインベイズ化計画
　10.2 SPring-8全ビームラインベイズ化計画共同実施者
　10.3 SPring-8全ビームラインベイズ化計画の波及効果
　10.4 ベイズ計測による計測科学のゲームチェンジング

１１．スパースモデリング
　11.1 家賃決定の数理モデルとしてのスパースモデリンぐ
　11.2 磁石開発への適用例
　11.3 機能発現の3+1ステップモデル

１２．民間企業のR&D(Research & Development)戦略とデータ駆動科学
　12.1 データ駆動科学と民間就職 サイバーフィジカルシステムの観点から
　12.2 データ駆動科学と企業R&D組織のフラット化
　12.3 データ駆動科学と人材の流動化

１３．まとめと、新規ビジネスなどの今後の展開

　　□質疑応答□