<今後どのようにAIを研究・開発へ活用していくべきか>
AI・機械学習を活用した
物性推算と分子設計・プロセス最適化への活用
■マテリアルズ・インフォマティクス、データ駆動型の材料開発における中核技術へ!■
■膨大な実験・計算データをAIに学習させ、化学物質の物性・パターンなどを高速に予測する時代へ!■
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。
★ 物性推算の基本的な考え方から、分子設計・プロセス最適化への応用、今後の発展的アプローチまで!
| 日時 | 【ライブ配信(見逃し配信付)】 2026年7月30日(木) 10:30~16:30 |
|
|---|---|---|
|
受講料(税込)
各種割引特典
|
55,000円
S&T会員登録とE-Mail案内登録特典について
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
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7月31日(金)~8月6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
埼玉大学 工学部 応用化学科 准教授 松川 博亮 氏
<経歴>
2018年 東京理科大学大学院総合化学研究科総合化学専攻修了、博士(工学)を取得
同年 東京理科大学工学部工業化学科 助教
2023年 東京理科大学工学部工業化学科 講師
2026年より現職
<専門>
化学工学(基礎物性)
<研究内容>
主に、二酸化炭素を含む系の相平衡を始めとする物性値の測定、機械学習と物性推算式を組み合わせた物性予測モデルの構築
<WebSite>
https://himatchemeng.tech/
<経歴>
2018年 東京理科大学大学院総合化学研究科総合化学専攻修了、博士(工学)を取得
同年 東京理科大学工学部工業化学科 助教
2023年 東京理科大学工学部工業化学科 講師
2026年より現職
<専門>
化学工学(基礎物性)
<研究内容>
主に、二酸化炭素を含む系の相平衡を始めとする物性値の測定、機械学習と物性推算式を組み合わせた物性予測モデルの構築
<WebSite>
https://himatchemeng.tech/
セミナー趣旨
近年、AI・機械学習技術の発展により、物性推算、材料開発、プロセス最適化への応用が急速に進展しています。特に化学工学分野では、従来の経験的・理論的アプローチに加え、データ駆動型手法を活用することで、これまで困難であった複雑系の解析や未知条件への予測が可能になりつつあります。
一方で、AIを活用した物性推算には、大量・高品質データの必要性、ブラックボックス化、外挿性、熱力学整合性など、多くの課題も存在します。そのため、単にAIモデルを適用するだけではなく、物性測定、熱力学、状態方程式、プロセス工学などの知見と融合しながら活用することが重要となります。
本講座では、AI・機械学習による物性推算の基本的な考え方から、分子設計・プロセス最適化への応用、さらにXAI(Explainable AI)による解釈性向上、自動実験システム、ラボデータとプラントビッグデータの統合、状態方程式との融合型予測モデルなど、今後の発展的アプローチについて幅広く解説します。
一方で、AIを活用した物性推算には、大量・高品質データの必要性、ブラックボックス化、外挿性、熱力学整合性など、多くの課題も存在します。そのため、単にAIモデルを適用するだけではなく、物性測定、熱力学、状態方程式、プロセス工学などの知見と融合しながら活用することが重要となります。
本講座では、AI・機械学習による物性推算の基本的な考え方から、分子設計・プロセス最適化への応用、さらにXAI(Explainable AI)による解釈性向上、自動実験システム、ラボデータとプラントビッグデータの統合、状態方程式との融合型予測モデルなど、今後の発展的アプローチについて幅広く解説します。
セミナー講演内容
<得られる知識、技術>
本講座ではAI理論そのものの厳密な数理解説ではなく、
・AIで何が可能になったのか?
・AIは何を苦手としているのか?
・物理/化学/熱力学とどのように融合すべきか?
・実プロセスへどのように展開するか?
という観点を重視し、実際の研究事例を交えながら、企業技術者が今後どのようにAIを研究・開発へ活用していくべきかを理解することを目的とします。
<プログラム>
1.化学工学におけるAI活用の背景
1.1 化学工学における物性推算の役割
1.2 従来の物性推算手法と限界
1.3 AI・機械学習が注目される理由
2.AI物性推算の可能性と現実
2.1 AIによる新規化合物の物性予測
2.2 未測定条件への予測
2.3 「AIは万能ではない」
3.AIと熱力学・物理モデルの融合
3.1 Physics-Informed AI
3.2 状態方程式との融合型予測モデル
4.AIアーキテクチャによる物性推算の進化
4.1 GCN/GCNNによる分子構造理解
4.2 CNNによる空間情報活用
4.3 Transformerによる化学言語理解
5.AIが変える研究・開発プロセス
5.1 XAIによる解釈性向上と理論発展
5.2 AI前提の自動実験システム
5.3 ラボデータとプラントビックデータ統合
6.今後のAI物性推算と化学工学研究者の役割
□質疑応答□
本講座ではAI理論そのものの厳密な数理解説ではなく、
・AIで何が可能になったのか?
・AIは何を苦手としているのか?
・物理/化学/熱力学とどのように融合すべきか?
・実プロセスへどのように展開するか?
という観点を重視し、実際の研究事例を交えながら、企業技術者が今後どのようにAIを研究・開発へ活用していくべきかを理解することを目的とします。
<プログラム>
1.化学工学におけるAI活用の背景
1.1 化学工学における物性推算の役割
1.2 従来の物性推算手法と限界
1.3 AI・機械学習が注目される理由
2.AI物性推算の可能性と現実
2.1 AIによる新規化合物の物性予測
2.2 未測定条件への予測
2.3 「AIは万能ではない」
3.AIと熱力学・物理モデルの融合
3.1 Physics-Informed AI
3.2 状態方程式との融合型予測モデル
4.AIアーキテクチャによる物性推算の進化
4.1 GCN/GCNNによる分子構造理解
4.2 CNNによる空間情報活用
4.3 Transformerによる化学言語理解
5.AIが変える研究・開発プロセス
5.1 XAIによる解釈性向上と理論発展
5.2 AI前提の自動実験システム
5.3 ラボデータとプラントビックデータ統合
6.今後のAI物性推算と化学工学研究者の役割
□質疑応答□
関連商品
当サイトはグローバルサイン社によりセキュリティ認証をされています。
SSL/TLS対応ページ(https)からの情報送信は暗号化により保護されます。
SSL/TLS対応ページ(https)からの情報送信は暗号化により保護されます。