≪アーカイブ講座≫【3か月連続・オンライン学習講座】マテリアルズインフォマティクス・量子コンピュータ・ 生成AIを活用した材料開発の展開並びに社内導入のポイント【LIVE配信・WEBセミナー・復習用アーカイブ付き】【LIVE配信・WEBセミナー】

セミナー趣旨

■本セミナーの主題および状況

★ビッグデータ、AI、機械学習などといった情報処理技術の進展によりマテリアルズインフォマティクス(MI)という形で膨大な数の実験や論文を解析して材料の製造方法を予測することで材料開発の効率を向上させる取り組みが活発化しております！

★量子コンピュータは分子特性を予測し科学実験を代替することで効率的な材料開発が行えるというメリットを持つことで大きな注目を集めております！

★生成AIは人工知能の一種でありデータから新しい情報やコンテンツを生成する能力を持つシステムやモデルを指し、自然言語処理は人間が日常的に使用する言葉や文章をコンピュータや人工知能システムが理解・解釈し生成するための技術分野であります。

■注目ポイント

★MIで実験計画法として最もよく使われるベイズ最適化の概念、デジタルで化合物を扱うケモインフォマティクスについて紹介！

★将来予測に基づき今後主流となってくることが見込まれる自律化型実験装置や実験デジタルツインとは！？

★数値解析に限らず画像解析や自然言語処理といった材料開発に纏わる様々な手法についても紹介！

セミナープログラム

■全体スケジュール

【開催した日程でございます　※終了したため、この際の講義をアーカイブで視聴可能です】

第1回：6月10日(月)　13:30-16:30　
第2回：7月8日(月)　13:30-16:30　
第3回：8月19日(月)　13:30-16:30

講座担当：牛田孝平

≪こちらの講座は、WEB上での開催のオンライン学習講座になります≫

【時間】 13:30-16:30

【講師】三井化学株式会社 DX推進本部 DX企画管理部　兼　信州大学 工学部 特任教授 / 東北大学 材料科学高等研究所 特任教授（招聘） / 大阪大学 基礎工学研究科招聘教授 / MISTEM 合同会社 代表 博士（工学）　向田　志保　氏

【講演主旨】

【第1回】　マテリアルズ・インフォマティクスの基礎

　AI駆動型の材料開発であるマテリアルズ・インフォマティクス（MI）の活用は新規材料開発に欠かせないものになりつつあり、その用途は広がるばかりである。本講座では、MIとは何かから始まり、必要となる基礎知識において、機械学習の基礎から丁寧に解説していく。また、MIで実験計画法として最もよく使われるベイズ最適化の概念やデジタルで化合物を扱うケモインフォマティクスについても初学者の方でもすぐに扱えるような内容形式に落とし込んで紹介する。

【第2回】　マテリアルズ・インフォマティクスの応用

　MIの実験精度を向上するためには、データの入力の仕方（特徴量エンジニアリング、外部データ活用）や候補サンプルの抽出などの工夫が重要であり、テクニカルな部分を分かりやすい言葉に置き換えながら紹介していく。また、数値解析に限らず、画像解析や自然言語処理といった、材料開発に纏わる様々な手法についても触れる。将来予測に基づき、今後主流となってくることが見込まれる自律化型実験装置や実験デジタルツインなど、幅広い視野をもって材料開発に取り組んでいくことが重要であることを事例をもって示す。

【第3回】　量子コンピュータを活用した材料開発

　近年、量子コンピュータの技術進行も著しく、材料開発への適用が期待されている。これからは、量子シミュレーションやMIといった既に活用が進んでいるデータ駆動型科学に量子コンピュータをどのように織り交ぜ、用途を広げていくかということが非常に重要になってくる。そこで、いつかはやらなくてはいけないと分かっているものの、量子コンピュータをどのタイミングでどこまで導入したらよいかという悩みも多いと聞く。なるべくコストレスでスムーズに導入を図れるようなアプローチについて、適用事例も交えながら段階的に紹介していく。

【プログラム】

【第1回】マテリアルズ・インフォマティクスの基礎
（日時：6月10日(月)　13:30-16:30 、学習時間：3時間）

1. マテリアルズ・インフォマティクス（MI）とは
　1-1. MIの背景
　1-2. MIがブームになった背景
　1-3. MI導入時のポイント
　1-4. MI解析の流れ
2. 機械学習概要
　2-1. 機械学習基礎編
   　 a) 必須用語
　　b) 機械学習モデル概要
　　c) 機械学習モデルの評価手法
　　d) データの次元圧縮による可視化
　2-2. 機械学習応用編
　　a) 特徴量エンジニアリング
　　b) 説明変数選択
　　c) 機械学習モデルのハイパーパラメータの最適化
　　d) アンサンブル学習
3. 最適条件探索手法
　3-1. 実験計画法
　3-2. ベイズ最適化
　3-3. 遺伝的アルゴリズム
　3-4. 予測用候補サンプルの作り方
4. ケモインフォマティクス
　4-1. 化合物データの取り扱い
　4-2. 構造記述子
　4-3. 化合物の類似度の計算
　4-4. 分子構造生成
5. 演習

【演習回答・内容への質疑応答】

【第2回】マテリアルズ・インフォマティクスの応用
（日時：7月8日(月)　13:30-16:30、学習時間：3時間）

1. MIを活用した実験的な精度向上に向けて
　1-1. 複合系のデータの取り扱い（組成最適化、特徴量エンジニアリング）
　1-2. 公共データベース、特許、文献情報の活用
　1-3. 適用領域（Applicability Domain: AD）
　1-4. 予測、候補サンプルの選択の仕方
2. 画像解析
　2-1. MIでよく扱う画像解析の課題点
　2-2. 画像の前処理
　2-3. 画像の特徴量抽出、特徴量解析
3. データベース構築
　3-1. MI用データベースの作り方
　3-2. データベースからのMI活用
4. 自然言語処理
　4-1. 特許・文献からの情報抽出
　4-2. 自然言語処理を活用した新規材料探索
5. MIの今後の展望
　5-1. 自律型実験装置
　5-2. メタバース/デジタルツイン/VR/AR
　5-3. 自動応答タスクの活用（ChatGPT）
6. 演習

【演習回答・内容への質疑応答】

【第3回】量子コンピュータを活用した材料開発
（日時：8月19日(月)　13:30-16:30、学習時間：3時間）

１．量子コンピュータの概要
　1-1. 量子コンピュータ基礎知識
　1-2. 量子ゲート方式
　1-3. 量子アニーリング方式
2. 量子コンピュータの導入
　2-1. 情報収集
　2-2. ツール（量子クラウドサービス、GPU量子コンピュータなど）
　2-3. 社外ネットワーク構築
　2-4. 量子コンピュータの社内導入
3. 量子コンピュータの人材獲得・育成
　3-1. 量子コンピュータ人財の適性
　3-2. 人財獲得
　3-3. 人財育成
4. 材料開発への量子コンピュータにおける組合せ最適化問題を中心とした適用事例
　4-1. 量子化学計算
　4-2. 組合せ最適化問題
　4-3. 量子機械学習
　4-3. 量子コンピュータを活用した材料開発のユースケース探索の仕方
　4-4. 量子コンピュータの今後の将来展望
5. 演習

【演習回答・内容への質疑応答】

セミナー講師

三井化学株式会社 DX推進本部 DX企画管理部　 兼　信州大学 工学部 特任教授 / 東北大学 材料科学高等研究所 特任教授（招聘） / 大阪大学 基礎工学研究科招聘教授 / MISTEM 合同会社 代表 博士（工学）　 向田　志保　氏

セミナー受講料

・1口(1-2名まで受講可能)60,500円(消費税・資料代込)  　
  お申込み人数はお申し込み人数は、1名でも2名でも金額に変更はありません。

・1口(3名まで受講可能) 88,000円 (消費税・資料代込)

※同一法人4名以上は1人あたり33,000円(消費税・資料代込)で金額追加で受講可