筑波大学　システム情報系　准教授　博士(科学)　五十嵐 康彦　氏

---

専門：機械学習、マテリアルズ・インフォマティクス
【講師詳細はこちら】

　近年、人工知能（AI）が新聞やメディアなどで多く報道され、その応用先は爆発的に広がりを見せている。特にこのAI技術を日本の基盤産業である素材産業においても適用するマテリアルズ・インフォマティクスは、研究機関だけでなく、民間企業においても注目を集めており、材料開発にAI革命が訪れようとしている[2019年2月17日、日経新聞日曜版]。
　本講演では、マテリアルズ・インフォマティクスの有効なアプローチの一つであるスパースモデリングの基礎について講義する。スパースモデリングは、大量の高次元データから恣意性なしにそのデータの背後にある仮説（モデル）を系統的に導くデータ解析を可能にし、2000年代より爆発的に応用が進んでいる統計学／機械学習の枠組みである。本講演では、スパースモデリングの基礎とその活用方法についてPythonを用いて実践する方法とともに説明する。次に、マテリアルズ・インフォマティクスにおけるスパースモデリングの応用事例を紹介し、先の日経新聞等でも報道されたナノシートの高効率収集への応用や、その基礎技術の発展について述べる。
　また、スパースモデリングを用いることで、ブラックホールの直接撮像などの画像処理技術への応用が進んでいる。本講演では、この基礎技術を用いることで、物質科学への計測データに対するインフォマティクスの応用（計測インフォマティクス）と、新たなマテリアルズ・インフォマティクスへの展開を紹介する。

１．スパースモデリングの基礎
　1.1 データ駆動科学とスパースモデリング
　　1.1.1 マテリアルズ・インフォマティクスとは？
　　1.1.2 マテリアルズ・インフォマティクスとデータ駆動科学
　　1.1.3 データ洪水がもたらす科学の質的変化
　　1.1.4 スパース化による仮説・検証ループ
　1.2 機械学習の基礎：分類と回帰
　　1.2.1 機械学習入門―分類を例として―
　　1.2.2 汎化性能と交差検定法による評価
　1.3 スパースモデリングの基礎
　　1.3.1 スパースモデリング＝変数選択
　　1.3.2 データのスパース化の難しさ
　　1.3.3 全状態探索法によるスパースモデリング
　　1.3.4 スパースモデリング（変数選択）に関する二つの戦略
　1.4 スパースモデリングの人工データによる実践
　　1.4.1 Pythonの基礎
　　1.4.2 Pythonによるスパースモデリングの実装へのチュートリアル
　　1.4.3 スパースモデリングの解析結果の可視化と情報抽出
 
２．スパースモデリングによるマテリアルズ・インフォマティクス
　2.1 マテリアルズ・インフォマティクスとスパースモデリング
　　2.1.1 計算科学的アプローチと情報科学的アプローチの融合による効率的な材料探索に向けて
　　2.1.2 スパースモデリングによる機能を予測する記述子抽出
　　2.1.3 線形回帰におけるスパースモデリングの定式化
　　2.1.4 線形回帰における全状態探索（ES-LiR）法
　　2.1.5 全状態探索法による状態密度推定
　2.2 リチウムイオン電池の電解液材料探索への応用
　　2.2.1 マテリアルズ・インフォマティクスによる蓄電池研究の現状
　　2.2.2 計算科学による電解液探索へのアプローチ
　　2.2.3 記述子をコントロールした機能予測
　2.3 高収率なナノシート合成開発への応用
　　2.3.1 高収率なはく離を実現する指針の確立
　　2.3.2 未知な系で最少実験数による高収率合成の実証
 
３．計測インフォマティクスによる新規材料・物質の探索への新たな展開
　3.1 スパースモデリングによる画像処理
　　3.1.1 フーリエ計測とスパースモデリング
　　3.1.2 ブラックホールの直接撮像から放射光データの解析に応用事例
　　3.1.3 計測インフマティクスによるマテリアルズ・インフォマティクスの今後の展開について

　□ 質疑応答 □