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 データマイニング/ビッグデータ 化学技術一般 |
開催エリア | 東京都 |
開催場所 | 【千代田区】連合会館 |
交通 | 【地下鉄】小川町駅・淡路町駅・新御茶ノ水駅 【JR】御茶ノ水駅 |
数多ある機械学習の教本から「材料開発、材料探索」に活用するには
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
マテリアルズ・インフォマティクスで用いられる機械学習の概要と重要なノウハウ
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
略歴
平20年東京大学・理・物理卒.平24同大学院 博士課程了、 博士(理学).
産業技術総合研究所 産総研特別研究員、 東京大学・工・マテリアル工学科助教を経て
現在は産業技術総合研究所 主任研究員. 日本表面真空学会 データ駆動表面科学研究部会 副部会長.
ドイツ フリッツ・ハーバー研究所 客員研究員.
専門
計算物質科学・マテリアルズインフォマティクス
出版書籍
・“機械学習・人工知能 業務活用の手引き
~導入の判断・具体的応用とその運用設計事例集~”
・“アコースティック・エミッション(AE)による IoT/AI の基礎と実用例”、
・“人工知能の導入による生産性、効率性の向上、新製品開発への活用”
・“マテリアルズ・インフォマティクスによる材料開発と活用集”
主任研究員 博士(理学) 安藤 康伸 氏
略歴
平20年東京大学・理・物理卒.平24同大学院 博士課程了、 博士(理学).
産業技術総合研究所 産総研特別研究員、 東京大学・工・マテリアル工学科助教を経て
現在は産業技術総合研究所 主任研究員. 日本表面真空学会 データ駆動表面科学研究部会 副部会長.
ドイツ フリッツ・ハーバー研究所 客員研究員.
専門
計算物質科学・マテリアルズインフォマティクス
出版書籍
・“機械学習・人工知能 業務活用の手引き
~導入の判断・具体的応用とその運用設計事例集~”
・“アコースティック・エミッション(AE)による IoT/AI の基礎と実用例”、
・“人工知能の導入による生産性、効率性の向上、新製品開発への活用”
・“マテリアルズ・インフォマティクスによる材料開発と活用集”
セミナー受講料
48,600円( S&T会員受講料46,170円 )
(まだS&T会員未登録の方は、申込みフォームの通信欄に「会員登録情報希望」と記入してください。
詳しい情報を送付します。ご登録いただくと、今回から会員受講料が適用可能です。)
S&T会員なら、2名同時申込みで1名分無料
2名で 48,600円 (2名ともS&T会員登録必須/1名あたり定価半額24,300円)
【1名分無料適用条件】
※2名様ともS&T会員登録が必須です。
※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。
※受講券、請求書は、代表者に郵送いたします。
※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。
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。
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」
- 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
- 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
- 原子間ポテンシャルと機械学習
- 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
- デモンストレーション