化学工学におけるビッグデータ非依存のニューラルネットワーク活用手法

近年、機械学習やAIといった言葉がどこでも聞かれるようになりましたが、AIの中にも様々なバリエーションが存在します。 　本講演会では、その中でも特にニューラルネットワークに焦点を置いてその利活用手法について解説します。ニューラルネットワークは万能な関数とも呼ばれ、様々なタスクに利用できる一方、その万能さゆえに「過学習」と呼ばれる汎化性能が低下する現象を避ける工夫が必要になります。特にデータが限られた系での使用では、その特性を理解してタスクに応じた工夫を加えながら利用することが重要です。講演会では「実用的なシーンでニューラルネットワークを利用してみたいが、何から手をつければよいか分からない」という悩みを抱えた初学者を対象とし、ニューラルネットワークの利点・欠点を説明したうえで、様々な特性を持ったニューラルネットワークを紹介し、どのようなシーンで応用ができるかを解説します。

1. 機械学習の基本について
   1. 古典的なデータ解析手法と機械学習の特性の比較
   2. 過学習とビッグデータの必要性
   3. ニューラルネットワークの基本原理
      1. ニューラルネットワークの構造
      2. 誤差逆伝播法の原理
2. 様々なニューラルネットワークとその利用方法
   1. 基本となるニューラルネットワーク
   2. 時系列データを対象としたニューラルネットワーク
      1. RNN
      2. LSTM
      3. NeuralODE
   3. 多次元データを対象としたニューラルネットワーク
      1. 1次元畳込み型ニューラルネットワーク
      2. 多次元畳込み型ニューラルネットワーク
3. 小データ系への応用を指向したアプローチ
   1. 一般的なニューラルネットワークに対するアプローチ
      1. ハイパーパラメーターの調整
      2. クロスバリデーション
      3. 正則項・制約条件の導入
      4. 事前学習とファインチューニング
   2. 化学反応解析のためのアプローチ
      1. 物質収支計算の導入
      2. 理論的知見との整合性の担保
      3. 時系列データを利用した学習
   3. 化学物質の物性推算のためのアプローチ
      1. 分子記述子について
      2. 理論計算結果の活用