マテリアルズ・インフォマティクス入門

マテリアルズ・インフォマティクス（MI）や研究デジタルトランスフォーメーション（DX）は、情報科学・技術を駆使して材料研究・開発を刷新することが目的であり、今後の国際競争を勝ち抜くための必須テーマです。
本講座では、MIの実践事例を通じて、研究活動で生じるデータの生成・蓄積・活用のサイクルについて知っていただき、データ生成の観点からベイズ最適化、データ蓄積の観点からのデータベース構築、そしてデータ活用の観点からのスパースモデリングについて、必要な考え方・基礎知識について学んでいただきます。

1. マテリアルズ・インフォマティクス概要
　1.1 情報科学の活用に至った経緯
　1.2 機械学習の概要
　1.3 データ駆動型材料研究について
　1.4 データ駆動型材料研究の要素：データ生成
　1.5 データ駆動型材料研究の要素：データ蓄積
　1.6 データ駆動型材料研究の要素：データ活用
  1.7 機械学習応用の流れと課題設定の重要性
　1.8 物質・材料データの特徴と注意点
　1.9 「分かりたい」のか「見つけたい」のか
　1.10 情報科学市民権

2. データ取得のためのベイズ最適化
　2.1 ベイズ最適化の背後にある数理
　2.2 自律実験装置とAIソフトウェア
　2.3 ロボット制御のための環境整備
　2.4 GPyOpt
　2.5 OPTUNA
　2.6 PHYSBO

3. 材料データ蓄積を行う上で必要なこと
　3.1 データベース構築の3つの目的
　3.2 データベースの種類
　3.3 フラットファイルフォーマット
　3.4 ツリー構造を利用した実験データ蓄積
　3.5 電子ラボノートの事例

4. データベース開発に必要なスキルセット
　4.1 誰のためのDBか？
　4.2 開発コストの見積もり
　4.3 デスクトップアプリとウェブアプリ
　4.4 フロントエンドとバックエンド
　4.5 ウェブアプリ開発：Django
　4.6 ウェブアプリ開発：Streamlit
　4.7 ウェブアプリ開発：JavaScript
　4.8 ウェブアプリ開発：SQL
　4.9 ウェブアプリ開発：noSQL
　4.10 アジャイル開発という考え方

5．DB構築の出口戦略
   5.1 パーソナルDB
   5.2 DBを介した共同研究
   5.3 DBの共有・共用
   5.4 パブリックDB
   5.5 材料データと課題の多様性への対応

6. 予測（回帰）：予測モデルとスパースモデリング
   6.1 予測・モデル選択の応用例
   6.2 「モデル」と「損失関数」
   6.3 線形回帰とカーネル法の違い
   6.4 損失関数の変更によるモデル選択
   6.5 交差検証によるモデル評価
   6.6 モデル推定の種類（最尤法, MAP推定, ベイズ推定）
   6.7 スパース性とL0, L1正則化
   6.8 説明可能性と特徴量選択

7. 分類：スペクトルデータの低次元化とクラスター解析
   7.1 高次元データとしてのスペクトルと低次元化の重要性
   7.2 分類：教師あり学習と教師なし学習
　 7.3 特徴空間と類似性
　 7.4 主成分解析によるスペクトルの低次元化
　 7.5 k-means法によるスペクトルの分類
   7.6 階層的クラスタリングによるスペクトルの分類

8. 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
   8.1 ピーク検知のための処理フロー
   8.2 非線形最小二乗法の困難
   8.3 EMアルゴリズムによる最尤推定
   8.4 スペクトル解析のための改良EMアルゴリズム
   8.5 解析事例

質疑応答