マテリアルズ・インフォマティクス入門

55,000 円(税込)

※本文中に提示された主催者の割引は申込後に適用されます

※銀行振込 または、当日現金でのお支払い

このセミナーの申込みは終了しました。


よくある質問はこちら

このセミナーについて質問する
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 マテリアルズインフォマティクス/ケモインフォマティクス   機械学習・ディープラーニング   化学技術一般
開催エリア 全国
開催場所 Zoomを利用したオンライン講座

~材料研究を促進し課題を解決するために~

データ取得のためのベイズ最適化、材料データ蓄積に必要なこと、データベース開発に必要なスキルセット… マテリアルズ・インフォマティクスにおけるベイズ最適化、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

 

日時

【ライブ配信】 2024年10月31日(木)  10:30~16:30【アーカイブ配信】 2024年11月15日(金)  まで受付(視聴期間:11/15~11/28)  受講可能な形式:【ライブ配信】or【アーカイブ配信】のみ 

セミナー講師

東京科学大学 総合研究院 化学生命科学研究所 准教授 博士(理学) 安藤 康伸 氏

略歴:平20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その他 所属・役職:日本表面真空学会; 日本物理学会; 電気化学会

セミナー受講料

※お申込みと同時にS&T会員登録をさせていただきます(E-mail案内登録とは異なります)。

55,000円( E-mail案内登録価格52,250円 )E-Mail案内登録なら、2名同時申込みで1名分無料2名で 55,000円 (2名ともE-mail案内登録必須/1名あたり定価半額27,500円)

【1名分無料適用条件】※2名様ともE-mail案内登録が必須です。※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。※請求書(PDFデータ)は、代表者にE-mailで送信いたします。※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。

 テレワーク応援キャンペーン(1名受講)【オンライン配信セミナー受講限定】1名申込みの場合:受講料( 定価:41,800円/E-mail案内登録価格 39,820円 ) ※1名様でオンライン配信セミナーを受講する場合、上記特別価格になります。 ※他の割引は併用できません。

受講、配布資料などについて

ZoomによるLive配信 ►受講方法・接続確認(申込み前に必ずご確認ください)アーカイブ配信 ►受講方法・視聴環境確認(申込み前に必ずご確認ください)

配布資料

  • PDFテキスト(印刷可・編集不可)

セミナー趣旨

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。

受講対象・レベル

・マテリアルズ・インフォマティクスに興味はあるが、何から始めて良いかわからない方・機械学習ライブラリをとりあえず使っているが中身について詳しく知りたい方・具体的な材料開発の課題に対して機械学習を利用したいが、アプローチが不明な方

セミナープログラム

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 PHYSBO3. 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