【中止】ノンプログラミングではじめるマテリアルズ・インフォマティクス〜第一原理計算と機械学習による材料設計と新規材料の探索法〜

第一原理計算と機械学習のツールをノンプログラミング限定
マテリアルズ・インフォマティクスを始めてみたい方に最適！

講師

大阪府立大学　大学院人間社会システム科学研究科　
准教授 博士（工学） 上杉 徳照 先生

■専門分野
材料情報科学、計算材料科学

受講料

1名43,000円 + 税、(資料・昼食付) 　
＊1社2名以上同時申込の場合 、1名につき33,000円 + 税 　
※消費税につきましては講習会開催日の税率にて課税致します。 　　　　　
＊学校法人割引 ；学生、教員のご参加は受講料50％割引。

セミナーポイント

　材料分野では人工知能を活用したマテリアルズ・インフォマティクス(材料情報学)が
注目されていますが、本講座では第一原理計算と機械学習を組み合わせた材料設計と新規材料の
探索法について説明します。具体的には金属材料を対象として、第一原理計算で算出された
原子間距離、電荷解析、弾性率、形成熱などのパラメータや物性データをとにかく集めて
機械学習させることで、材料特性を予測できるパラメータの組み合わせを見出す試みを紹介します。
　講座の特徴としては幾つかの具体的課題について受講する過程で第一原理計算のレシピと
機械学習の各種手法と技術が一通り理解できるようにしました。
また講座の最後にはディープラーニング・IoTへの展開についても話題を提供します。
講座で紹介する第一原理計算と機械学習のツールは全てノンプログラミングに限定しましたので、
まずはマテリアルズ・インフォマティクスを始めてみたい方に最適です。

■この講座を受講して得られる情報・知見：
・ 金属材料分野での諸課題
・ 機械学習で用いられる手法の基礎
・ 第一原理計算の基礎理論とパラメータ
・ ニューラルネットワークの技術習得
・ 機械学習と第一原理計算の融合ノウハウ
・ 機械学習を始めるのに必要なもの

セミナー内容

1　はじめに
　1.1　マテリアルズ・インフォマティクスの目的
　1.2　第一原理計算で出来ること出来ないこと
　1.3　機械学習で出来ること出来ないこと
　1.4　第一原理計算と機械学習を組み合わせる意義

2　第一原理計算の基礎
　2.1　全エネルギーの計算
　2.2　密度汎関数理論について
　2.3　第一原理計算の実際的パラメータ(k点,打ち切りエネルギー)
　2.4　格子定数の計算
　2.5　第一原理計算パッケージの紹介

3　機械学習の基礎
　3.1　人工知能と機械学習
　3.2　回帰と分類
　3.3　過学習とは
　3.4　機械学習の種類
　3.5　機械学習フレームワークの紹介

4　合金の導電率を例として線形回帰を説明
　4.1　リンデの法則と課題を説明
　4.2　重回帰分析
　4.3　スーパーセル法の第一原理計算
　4.4　Mulliken電荷解析
　4.5　CASTEPを使った第一原理計算を紹介
　4.6　Excelソルバーを使った重回帰分析を実演

5　金属ガラスの形成予測を例としてロジスティック回帰を説明
　5.1　金属ガラスの井上三原則と課題を説明
　5.2　ロジスティック回帰
　5.3　NIMSデータベースの検索実演
　5.4　形成熱の第一原理計算
　5.5　有意確率とは
　5.6　ステップワイズ法による特徴量選択
　5.7　ホールドアウト法による検証
　5.8　混同行列の読み方
　5.9　SPSSを使ったロジスティック回帰を説明

6　形状記憶合金の予測を例としてニューラルネットワークを説明
　6.1　変態温度と課題を説明
　6.2　ニューラルネットワーク
　6.3　弾性率の第一原理計算
　6.4　Materials Projectデータベースの紹介
　6.5　交差検証とは
　6.6　ＭＡＥ、ＲＭＳＥ、決定係数
　6.7　特徴量の重要度評価
　6.8　Neural Network Consoleでニューラルネットワークを実演

7　合金の固溶限を例としてその他の手法・技術を説明
　7.1　ヒューム・ロザリー則と課題を説明
　7.2　データセットの準備
　7.3　データ前処理
　7.4　サポートベクターマシーン(SVM)
　7.5　決定木、ランダムフォレスト
　7.6　Rapid Minerで複数の機械学習手法を実演
　7.7　ベイズ最適化によるハイパーパラメータの最適化
　7.8　Neural Network Consoleでのハイパーパラメータ調整の実演

8　結晶粒径の自動評価を例としてディープラーニングを説明
　8.1　金属組織写真と課題を説明
　8.2　各種ディープラーニング手法の紹介
　8.3　畳み込みニューラルネットワーク（CNN）とは
　8.4　データ拡張について
　8.5　Neural Network ConsoleでのCNNの実演

9　まとめに代えて
　9.1　製造プロセス最適化への期待
　9.2　IoTデータは宝の山かゴミの山か
　9.3　課題が先か、データが先か
　9.4　データ量と収集方法の問題
　9.5　必要なハードウェアについて
　9.6　さあ、始めましょう

＜質疑応答＞