ベイズ最適化を用いた材料探索、実験計画法とその具体例

【10:30-12:00】
１．材料データ生成・蓄積・活用のためのベイズ最適化とスパースモデリング
(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　 　 【習得できる知識】
　　本講演ではマテリアルズ・インフォマティクスを材料データの生成・蓄積・活用という３つの柱から解説します。本講演を通じて、材料データ生成にかかるコストや効率的な収集方法、蓄積に欠かすことのできないデータベースとその構築目的、小規模だが希少な材料データの活用に重要な役割を果たすスパースモデリングに関する知識を取得できます。

【講座趣旨】
　本講座を通じて、マテリアルズ・インフォマティクスを活用した研究・開発の具体的な第一歩を踏み出していただけるような基礎的かつ具体的な内容をご紹介できればと思います。

１. マテリアルズ・インフォティクス概要
　1.1　データ生成・蓄積・活用の循環サイクル
　1.2　データ収集時に考えなければいけないこと
　1.3　データ取得コストについて
　1.4　活用可能なデータとは
　1.5　制御可能な変数と計測可能な変数

２. 材料データ蓄積のための基礎知識
　2.1　データベースの種類
　2.2　フラットファイルフォーマット
　2.3　データベース構築の３つの目的

３. データ取得のためのベイズ最適化
　3.1　ベイズ最適化の背後にある数理
　3.2　自律実験装置とAIソフトウェア

４．データ活用のためのスパースモデリング
　4.1　情報活用の基本フロー
　4.2　スパースモデリングの考え方
　4.3　L1, L2正則化
　4.4　触媒性能予測への応用

５. 実際の研究開発に活かす際に注意すべきこと

【質疑応答】 　

---

【12:50-14:20】
２．ベイズ最適化によるマイクロフロー合成の条件探索
名古屋大学　大学院創薬科学研究科　基盤創薬学専攻　 プロセス化学分野　教授　布施 新一郎 氏

【ご専門 】　粉体工学

【講座の趣旨】
　　深層学習をはじめとする機械学習の利用が様々な分野で進んでいるが、有機化学の分野は実験コストが他分野と比べて高いため、他分野で有効な手法がそのまま有機化学において有用であるとは限らない。ベイズ最適化は実験コストが高い場合に、実験数を抑えつつ、最適解を見逃すことなく同定しうる手法として注目を集めている。
　演者は微小な流路を反応場とするマイクロフロー合成法の開発に取り組んでいるが、その最適条件探索においてベイズ最適化を用いた実例について紹介する。実際にベイズ最適化を使用したことで感じた手法の威力や限界、さらには化学者の役割についても本講座で述べたい。

１．機械学習の種類

２．過学習とハイパーパラメータの調整について

３．線形回帰モデルと非線形回帰モデル

４．ベイズ最適化について

５．ベイズ最適化を用いる国内外の最新の研究報告

６．マイクロフロー合成

７．ベイズ最適化を駆使するマイクロフロー合成の条件最適化

８．機械学習を駆使する研究における化学者の役割

【質疑応答】

---

【14:30-16:00】
３．ベイズ最適化を用いた実験工程の効率化　
名古屋工業大学 情報工学教育類 知能情報分野　助教　稲津 佑 氏

【講座趣旨】
　 　製造業や創薬などの様々な実応用において、実験工程 (計画) を効率化することは重要な課題である。近年、機械学習 (しばしばAIとも呼ばれる) を用いた実験工程の効率化に関する研究が盛んに行われている。 　本講演では、ベイズ最適化と呼ばれる機械学習アルゴリズムを用いて、最適な実験条件を効率的に探索するための方法について紹介します。特に、実験条件がすべて制御できる場合と、一部の条件が制御できない場合のそれぞれにおいて、実応用上重要となる最大化問題と領域推定問題の2つに焦点を当てながら解説いたします。

１．はじめに
　1.1　ブラックボックス関数について
　1.2　ベイズ推測に基づいた実験条件の最適化 (ベイズ最適化) に関して

２．ベイズ線形モデルとガウス過程回帰モデル
　2.1　ベイズ線形モデル
　2.2　ガウス過程回帰モデル

３．ガウス過程回帰モデルを用いたベイズ最適化
　3.1　実験条件のすべてが制御可能変数である場合
　　1)　最大化問題に関するベイズ最適化
　　2)　領域推定に関するベイズ最適化
　3.2　実験条件の一部に制御不能変数がある場合
　　1)　制御可能変数に対する最大化問題に関するベイズ最適化
　　2)　制御可能変数に対する領域推定に関するベイズ最適化

４．関連する話題についての紹介
　4.1　複数のブラックボックス関数を扱う場合 (多目的ベイズ最適化)
　4.2　実験条件 (入力変数) が非常に多い場合 (高次元ベイズ最適化)
　4.3　一度に複数の実験条件で実験を行う場合 (バッチベイズ最適化)
　4.4　別に行った実験結果の情報を流用する場合 (マルチタスクベイズ最適化)
　4.5　制御不能変数に対する情報が不足している場合 (分布的ロバストなベイズ最適化)
　4.6　様々な実応用例に関して

【質疑応答】