【オンデマンド配信】
マテリアルズ・インフォマティクス入門
~材料研究を促進し課題を解決するために~
視聴期間:申込日含め10営業日(期間中は何度でも視聴可)
MIの実践事例を通じた研究開発活動で生じるデータの生成・蓄積・活用のサイクル
データ取得のためのベイズ最適化、材料データ蓄積に必要なこと、データベース開発に必要なスキルセット、、、、
データ生成の観点からのベイズ最適化、物質・材料シミュレーションと結晶構造探索の基礎、データ蓄積の観点からのデータベース構築、、、
スパースモデリング、スペクトルモデリングでの必要な考え方、基礎知識
データ取得のためのベイズ最適化、材料データ蓄積に必要なこと、データベース開発に必要なスキルセット、、、、
データ生成の観点からのベイズ最適化、物質・材料シミュレーションと結晶構造探索の基礎、データ蓄積の観点からのデータベース構築、、、
スパースモデリング、スペクトルモデリングでの必要な考え方、基礎知識
| 日時 | 2026年2月26日(木) 23:59まで申込み受付中/ ※映像時間:4時間13分 |
|
|---|---|---|
| 収録日時 | 2025年5月30日 | |
|
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/1名あたり定価半額の27,500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。 |
||
| 配布資料 | PDFデータ(印刷可):マイページよりダウンロード ※資料のあらゆる二次的な利用は固く禁じます。 講師メールアドレスの掲載:有(セミナーに関する質問に限りメールで質問が可能です) ※ご質問の内容や時期によっては、ご回答できない場合がございますのでご了承下さい。 | |
| オンライン配信 | オンデマンド配信 ►受講方法・視聴環境確認 (申込み前に必ずご確認ください) | |
| 備考 | ※録音・撮影、複製は固くお断りいたします。 ※講師の所属などは、収録当時のものをご案内しております | |
| 対象 | ・マテリアルズ・インフォマティクスに興味はあるが、何から始めて良いかわからない方 ・機械学習ライブラリをとりあえず使っているが中身について詳しく知りたい方 ・具体的な材料開発の課題に対して機械学習を利用したいが、アプローチが不明な方 | |
| キーワード:マテリアルズ・インフォマティクス, プロセス・インフォマティクス, スパースモデリング, 機械学習, データベース, ベイズ最適化, 予測, 分類, 結晶構造探索, スペクトルモデリング | ||
セミナー講師
東京科学大学 総合研究院 化学生命科学研究所 准教授 博士(理学) 安藤 康伸 氏
【講師紹介】
【講師紹介】
セミナー趣旨
マテリアルズ・インフォマティクス(MI)や研究デジタルトランスフォーメーション(DX)は、情報科学・技術を駆使して材料研究・開発を刷新することが目的であり、今後の国際競争を勝ち抜くための必須テーマです。
本講座では、MIの実践事例を通じて、研究活動で生じるデータの生成・蓄積・活用のサイクルについて知っていただき、データ生成の観点からベイズ最適化や物質・材料シミュレーションと結晶構造探索の基礎、データ蓄積の観点からのデータベース構築、そしてデータ活用の観点からのスパースモデリングやスペクトルモデリングについて、必要な考え方・基礎知識について学んでいただきます。
本講座では、MIの実践事例を通じて、研究活動で生じるデータの生成・蓄積・活用のサイクルについて知っていただき、データ生成の観点からベイズ最適化や物質・材料シミュレーションと結晶構造探索の基礎、データ蓄積の観点からのデータベース構築、そしてデータ活用の観点からのスパースモデリングやスペクトルモデリングについて、必要な考え方・基礎知識について学んでいただきます。
セミナー講演内容
1.1 情報科学の活用に至った経緯
1.2 機械学習の概要
1.3 データ駆動型材料研究について
1.4 データ駆動型材料研究の要素:データ生成
1.5 データ駆動型材料研究の要素:データ蓄積
1.6 データ駆動型材料研究の要素:データ活用
1.7 機械学習応用の流れと課題設定の重要性
1.8 物質・材料データの特徴と注意点
1.9 「分かりたい」のか「見つけたい」のか
1.10 情報科学市民権
2.データ取得のためのベイズ最適化
2.1 ベイズ最適化の背後にある数理
2.2 自律実験装置とAIソフトウェア
2.3 ロボット制御のための環境整備
2.4 GPyOpt
2.5 OPTUNA
2.6 PHYSBO
3.材料シミュレーションと結晶構造探索の基礎
3.1 物質・材料シミュレーションとは
3.2 密度汎関数法
3.3 Schrodinger方程式を真面目に解く
3.4 密度汎函数理論ベースの計算コード
3.5 エネルギー地形とは
3.6 Nudged Elastic Band法
3.7 勾配法による構造最適化
3.8 局所解の避け方
3.9 遺伝的アルゴリズム
3.10 遺伝的操作
3.11 USPEX
3.12 構造の結合メカニズム
3.13 粒子群最適化((Particle Swarm Opt.)
3.14 CALYPSO
3.15 特徴空間と類似性
3.16 グローバルPSOとローカルPSO
3.17 CALYPSOの重要概念
3.18 Interface CARYPSO
3.19 ベイズ最適化による構造探索
3.20 CrySPY
3.21 CrySPYの性能評価
3.22 双対グラフと多面体に基づく結晶構造生成
3.23 最密充填構造に基づいた探索
3.24 ShotgunCSP
3.25 Neural Structure Field(NeSF)
3.26 Crystalformer
3.27 MatterGen
4.材料データ蓄積を行う上で必要なこと
4.1 データベース構築の3つの目的
4.2 データベースの種類
4.3 フラットファイルフォーマット
4.4 ツリー構造を利用した実験データ蓄積
4.5 電子ラボノートの事例
5.DB構築の出口戦略
5.1 パーソナルDB
5.2 DBを介した共同研究
5.3 DBの共有・共用
5.4 パブリックDB
5.5 材料データと課題の多様性への対応
6.予測(回帰):予測モデルとスパースモデリング
6.1 予測・モデル選択の応用例
6.2 「モデル」と「損失関数」
6.3 線形回帰とカーネル法の違い
6.4 損失関数の変更によるモデル選択
6.5 交差検証によるモデル評価
6.6 モデル推定の種類(最尤法, MAP推定, ベイズ推定)
6.7 スパース性とL0, L1正則化
7.分類:スペクトルデータの低次元化とクラスター解析
7.1 高次元データとしてのスペクトルと低次元化の重要性
7.2 分類:教師あり学習と教師なし学習
7.3 特徴空間と類似性
7.4 主成分解析によるスペクトルの低次元化
7.5 k-means法によるスペクトルの分類
7.6 階層的クラスタリングによるスペクトルの分類
8.データ解析:スペクトル解析のためのEMアルゴリズムによるピーク検知
8.1 ピーク検知のための処理フロー
8.2 非線形最小二乗法の困難
8.3 EMアルゴリズムによる最尤推定
8.4 スペクトル解析のための改良EMアルゴリズム
8.5 解析事例
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。