材料研究課題を解決するためのマテリアルズ・インフォマティクス入門
開催日 |
10:30 ~ 16:30 締めきりました |
---|---|
主催者 | サイエンス&テクノロジー株式会社 |
キーワード | 機械学習・ディープラーニング 化学技術 CAE/シミュレーション |
開催エリア | 全国 |
開催場所 | Live配信セミナー ※会社・自宅にいながら受講可能です※ |
機械学習を「新材料の開発、探索」に適用するには
機械学習で基本的に用いられる「予測」「分類」「分布推定」「ベイズ最適化」技術の背景にある数学を簡単に解説!
■予測:予測モデルとモデル選択
■分類:スペクトルデータの低次元化とクラスター解析
■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
■データ活用:ベイズ最適化の概要と応用
研究課題を機械学習技術で解決する糸口を掴みたい方は是非。
セミナー講師
(国研)産業技術総合研究所 機能材料コンピュテーショナルデザイン研究センター
主任研究員 博士(理学) 安藤 康伸 氏
セミナー受講料
※お申込みと同時にS&T会員登録をさせていただきます(E-mail案内登録とは異なります)。
49,500円( E-mail案内登録価格46,970円 )
E-Mail案内登録なら、2名同時申込みで1名分無料
2名で 49,500円 (2名ともE-mail案内登録必須/1名あたり定価半額24,750円)
【1名分無料適用条件】
※2名様ともE-mail案内登録が必須です。
※同一法人内(グループ会社でも可)による2名同時申込みのみ適用いたします。
※3名様以上のお申込みの場合、1名あたり定価半額で追加受講できます。
※請求書(PDFデータ)は、代表者にE-mailで送信いたします。
※請求書および領収証は1名様ごとに発行可能です。
(申込みフォームの通信欄に「請求書1名ごと発行」と記入ください。)
※他の割引は併用できません。
※テレワーク応援キャンペーン(1名受講)【Live配信/WEBセミナー受講限定】
1名申込みの場合:35,200円 ( E-Mail案内登録価格 33,440円 )
※1名様でLive配信/WEBセミナーをお申込みの場合、上記キャンペーン価格が自動適用になります。
※他の割引は併用できません。
受講について
Zoom配信の受講方法・接続確認
- 本セミナーはビデオ会議ツール「Zoom」を使ったライブ配信となります。PCやスマホ・タブレッドなどからご視聴・学習することができます。
- 申込み受理の連絡メールに、視聴用URLに関する連絡事項を記載しております。
- 事前に「Zoom」のインストール(または、ブラウザから参加)可能か、接続可能か等をご確認ください。
- セミナー開催日時に、視聴サイトにログインしていただき、ご視聴ください。
- セミナー中、講師へのご質問が可能です。
- 以下のテストミーティングより接続とマイク/スピーカーの出力・入力を事前にご確認いただいたうえで、お申込みください。
≫ テストミーティングはこちら
配布資料
- 電子媒体(PDFデータ/印刷可)を弊社HPのマイページよりダウンロードいただきます。
(開催2日前を目安に、ダウンロード可となります)
(ダウンロードには会員登録(無料)が必要となります)
セミナー趣旨
新材料開発のためのマテリアルズ・インフォマティクスが注目を集めています。一方で機械学習の教科書は多数あれども「材料研究課題」にどのように適用することができるのか、といった情報源はまだまだ乏しいのが現状です。
本セミナーでは、講師がこれまで進めてきた研究成果をもとに、機械学習で基本的に用いられる「予測」「分類」「分布推定」「ベイズ最適化」技術の背景にある数学を簡単に解説し、具体的な適用事例として「機械学習ポテンシャル」「スペクトル分類」「ピーク推定」を取り上げます。これらを通して、聴講者のみなさまが抱える研究課題を機械学習技術で解決する糸口を掴んでいただければ幸いです。
セミナープログラム
- マテリアルズ・インフォマティクス概要
- AI for Materialsとマテリアル・ゲノムプロジェクト
- 国内外のプロジェクト動向
- 機械学習の基礎
- 機械学習応用の流れと課題設定の重要性
- 代表的な機械学習応用事例の紹介
- 物質・材料データの特徴と注意点
- 「分かりたい」のか「見つけたい」のか
- 情報科学市民権
- 物質科学の立場として忘れてはいけないこと
- 予測(回帰):予測モデルとモデル選択
- 予測・モデル選択の応用例
- 「モデル」と「損失関数」
a) 線形回帰とカーネル法の違い
b) 損失関数の変更によるモデル選択
c) 交差検証によるモデル評価 - モデル推定の種類(最尤法, MAP推定, ベイズ推定)
- 確率論的にみた回帰と正則化
- 非線形モデリングの困難
a) マルコフ連鎖モンテカルロ法によるパラメータ最適化
b) 情報量基準によるモデル選択
c) 解析事例
- 予測(回帰):機械学習ポテンシャルの歴史と応用
- 物質の記述
a) 原子配列の「構造特徴」と「局所特徴」
b) 特徴量が満たすべきRuppの条件
c) 構造特徴の例
d) 局所特徴の例 - 原子間ポテンシャルと機械学習
a) 歴史的なポテンシャルの設計方針と例
b) ポテンシャルフィットとニューラルネット利用の歴史
c) 第一世代ニューラルネットポテンシャルの課題
d) Behler-Parrinelloの方法
e) 機械学習ポテンシャルの応用事例
- 物質の記述
- 分類:スペクトルデータの低次元化とクラスター解析
- 高次元データとしてのスペクトルと低次元化の重要性
- 分類:教師あり学習と教師なし学習
- 特徴空間と類似度
- 特徴空間の解釈性と表現性
- 主成分解析によるスペクトルの低次元化
- k-means法によるスペクトルの分類
- 階層的クラスタリングによるスペクトルの分類
- 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
- ピーク検知のための処理フロー
- 非線形最小二乗法の困難
- 回帰と分布推定の違い
- ガウス分布の最尤推定
- EMアルゴリズムによる最尤推定
- スペクトル解析のための改良EMアルゴリズム
- 解析事例
- EMアルゴリズムとしてのk-means法
- ベイズ推論への展開と変分ベイズ推定によるモデル選択
- データ活用:ベイズ最適化の概要と応用
- ベイズ最適化でやりたいこと
- ベイズ最適化を使った研究事例
- ベイズ最適化の作業フロー
- 予測曲線を確率的に引く(ガウス過程回帰)
b) 「活用」と「探索」による候補点探索(獲得関数)
c) ベイズ最適化を実施する際の課題
□質疑応答□
キーワード:予測, 分類, 分布推定, ベイズ最適化, 機械学習ポテンシャル, スペクトルデータ解析