セミナー 印刷

<マテリアルズ・インフォマティクスへ!>
第一原理計算とLightGBMを活用した
マテリアルデータエンジニアリングとその活用事例

■第一原理計算・機械学習の基礎知識や主な解析手法■
■機械学習アルゴリズム:LightGBMを活用した事例■

受講可能な形式:【ライブ配信(見逃し配信付)】のみ

★ Zoom見逃し配信(アーカイブ)のみの受講も可。
★ 材料科学研究や材料開発において第一原理計算や機械学習モデルをどのように有効活用できるか?
★ データの整理・加工、AIや機械学習利用へ整備・基盤化するには!
日時 【ライブ配信:見逃し配信付】 2026年4月16日(木)  10:30~16:30
受講料(税込)
各種割引特典
定価:本体50,000円+税5,000円
E-Mail案内登録なら、2名同時申込みで1名分無料 1名分無料適用条件
 2名で55,000円(2名ともE-Mail案内登録必須​/1名あたり定価半額の27,500円)
 3名で82,500円(3名ともE-Mail案内登録必須) 
※4名以上も1名追加ごとに27,500円を加算
テレワーク応援キャンペーン(1名受講)【オンライン配信セミナー受講限定】
 1名申込みの場合:受講料44,000円(E-Mail案内登録価格 42,020円) 
 定価:本体40,000円+税4,000円 E-Mail案内登録価格:本体38,200円+税3,820円
※1名様でオンライン配信セミナーを受講する場合、上記特別価格になります。
※お申込みフォームで【テレワーク応援キャンペーン】を選択のうえお申込みください。
※他の割引は併用できません。
特典■ライブ配信受講に加えて、見逃し配信(アーカイブ)でも1週間視聴できます■
【見逃し配信の視聴期間】2026年4月17日(金)~4月23日(木)まで
※このセミナーは見逃し配信付です。セミナー終了後も繰り返しの視聴学習が可能です。
見逃し配信(アーカイブ)について 【ライブ配信受講を欠席し、見逃し配信視聴のみの受講も可能です。
※視聴期間は終了翌日から7日間を予定しています。また録画データは原則として編集は行いません。
※マイページからZoomの録画視聴用リンクにてご視聴いただきます。
配布資料PDFテキスト(印刷可・編集不可)
※開催2日前を目安に、弊社HPのマイページよりダウンロード可となります。
オンライン配信Zoomによるライブ配信 ►受講方法・接続確認(申込み前に必ずご確認ください)
備考※講義中の録音・撮影はご遠慮ください。
※開催日の概ね1週間前を目安に、最少催行人数に達していない場合、セミナーを中止することがございます。

セミナー講師

九州工業大学 大学院情報工学研究院 電子情報通信工学研究系 准教授 野田 祐輔 氏
<主な経歴・研究内容・専門>
2018年4月 名古屋大学 大学院工学研究科 物質科学専攻 特任助教(CREST研究員)
2020年4月 金沢学院大学 経済情報学部 経済情報学科 講師
2021年4月 岡山県立大学 情報工学部 情報通信工学科 准教授
2024年4月 九州工業大学 大学院情報工学研究院 物理情報工学研究系・准教授
2026年4月 九州工業大学 大学院情報工学研究院 電子情報通信工学研究系・准教授(改組に伴う所属変更、現在に至る)

研究内容:第一原理計算・インフォマティクスを応用した無機半導体の電子状態解析・物性解析
専門:物性物理学、計算材料科学、マテリアルズ・インフォマティクス

<WebSite>
 https://ynbrainstorm.wixsite.com/home
 https://sites.google.com/view/noda-lab/home

セミナー趣旨

 本セミナーでは、第一原理計算・機械学習の初心者を対象に、第一原理計算・機械学習の基礎知識や主な解析手法を解説する。また、機械学習アルゴリズムの一つであるLightGBMを活用したマテリアルデータエンジニアリングの活用事例も併せて紹介し、材料科学研究や材料開発において第一原理計算や機械学習モデルをどのように有効活用できるかを述べる。

セミナー講演内容

<習得できる知識>
・第一原理計算とその関連用語の概要や基礎知識
・第一原理計算による電子状態・物性解析手法とその用途
・LightGBMの概要や機械学習モデルの分析方法
・材料データの生成やそれらを活用した物性予測モデルの構築


<プログラム>
1.第一原理計算
 1.1 原子シミュレーションの歴史
 1.2 第一原理計算の概要
 1.3 第一原理計算による物性解析

2.LightGBM
 2.1 決定木回帰
 2.2 アンサンブル学習
 2.3 勾配ブースティング決定木
 2.4 LightGBMのアルゴリズム

3.マテリアルデータエンジニアリング
 3.1 特徴量エンジニアリング
 3.2 材料記述子の生成

4.LightGBMを活用したデータ分析
 4.1 データセットの作成:California housing dataset
 4.2 データセットの分析

  4.2.1 ヒストグラム
  4.2.2 相関係数
  4.2.3 散布図
 4.3 LightGBM回帰の予測モデル
 4.4 予測モデルの分析

  4.4.1 Feature Importance
  4.4.2 Shapley Additive exPlanations(SHAP)
 4.5 ハイパーパラメータ最適化
  4.5.1 グリッドサーチ
  4.5.2 ランダムサーチ
  4.5.3 ベイズ最適化

5.マテリアルデータエンジニアリングの活用事例(1):超伝導体の臨界温度の予測モデル
 5.1 データセットの作成:Superconductivity Data
 5.2 データセットの分析
 5.3 LightGBM回帰の予測モデル
 5.4 予測モデルの分析
 5.5 次元削減

  5.5.1 Sequential Feature Selection
  5.5.2 Recursive Feature Elimination

6.マテリアルデータエンジニアリングの活用事例(2):熱電材料の性能指数の予測モデル
 6.1 データセットの作成:熱電性能指数のデータセット
 6.2 データセットの分析
 6.3 特徴量エンジニアリング1:新しい特徴量の生成

  6.3.1 Variance Inflation Factor(VIF)
  6.3.2 多項式・交互作用の特徴量の生成
 6.4 ハイパーパラメータ最適化
 6.5 特徴量エンジニアリング2:次元削減
 6.6 LightGBM回帰の予測モデル
 6.7 予測モデルの分析


  □質疑応答□