課題解決に向けたマテリアルズ・インフォマティクスのための機械学習の使い方と適用事例

昨今、マテリアルズ・インフォマティクスが国内外で注目を集めていますが、物質・材料科学の視点から幅広い事例にアクセスすることが難しい状況です。特に「どんな課題に適用可能か」という情報は重要であるにも関わらず、現状では複数収集するのに時間がかかります。 　本講座では、物質・材料科学と情報科学の融合分野であるマテリアルズ・インフォマティクスについて、「予測」「分類」「データ解析」「データ活用」をキーワードに、近年の適用事例や講演者の研究事例・経験について学ぶことができます。初歩的な機械学習技術の「中身」についての解説も交え、どういった研究課題に対してどういった機械学習技術が適用可能か、どういった課題解説に生かすことができるのか、といった日頃の研究者の疑問にお答えできるような内容となっています。 　本講座は、特定のトピックスに限定せず幅広い範囲で物質・材料科学への機械学習の応用事例を学ぶことができる形式をとっている点が特徴です。そのため、概論として全体像を捉えて聴講者の課題解決の糸口を掴んでいただけるのではないかと思います。これから機械学習の適用を検討されている方、すでに業務・研究に適用しているが壁にぶつかっている方、管理職として概要を押さえたい方など、ぜひご参加ください。

1. マテリアルズ・インフォマティクス概要
   1. AI for Materialsとマテリアル・ゲノムプロジェクト
   2. 国内外のプロジェクト動向
   3. 機械学習の基礎
   4. 代表的な機械学習応用事例の紹介
   5. 物質・材料データの特徴と注意点
2. 予測 (回帰) :予測モデルとモデル選択
   1. 予測・モデル選択の応用例
   2. 「モデル」と「損失関数」
      1. 線形回帰とカーネル法の違い
      2. 損失関数の変更によるモデル選択
      3. 交差検証によるモデル評価
   3. モデル推定の種類 (最尤法, MAP推定, ベイズ推定)
   4. 非線形モデリングの困難
3. 予測 (回帰) :機械学習ポテンシャルの歴史と応用
   1. 物質の記述
   2. 原子間ポテンシャルと機械学習
      1. 歴史的なポテンシャルの設計方針と例
      2. 第一世代ニューラルネットポテンシャルの課題
      3. Behler – Parrinelloの方法
      4. 機械学習ポテンシャルの応用事例
4. 分類:スペクトルデータの低次元化とクラスター解析
   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
   2. 分類:教師あり学習と教師なし学習
   3. 主成分解析によるスペクトルの低次元化
   4. k-means法によるスペクトルの分類
5. 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
   1. ピーク検知のための処理フロー
   2. 非線形最小二乗法の困難
   3. EMアルゴリズムによる最尤推定
   4. スペクトル解析のための改良EMアルゴリズム
   5. 解析事例
6. データ活用:ベイズ最適化の概要と応用
   1. ベイズ最適化でやりたいこと
   2. ベイズ最適化を使った研究事例
   3. ベイズ最適化の作業フロー
      1. 予測曲線を確率的に引く (ガウス過程回帰)
      2. 「活用」と「探索」による候補点探索 (獲得関数)
• 質疑応答