研究・実験データの収集、一元化とプラットフォーム構築

再開催を依頼する / 関連するセミナー・出版物を探す
オンライン 開催

日時

開催予定

プログラム

第1部 LLMとつながる実験データベース:試して広げる材料実験のAI活用

(2026年1月14日 10:00〜11:30)

　LLMの登場により、実験データベースの重要性が飛躍的に高まっています。 　本セミナーでは、実験データに向いたデータベースの選び方や、LLMを簡単につなぐMCP技術を分かりやすく解説します。「自分のデータで気軽に試せる」環境を整えることで、思いついたAI活用アイディアをすぐに実践でき、DXの推進につながります。グラフ型データベースや計測データ格納システムなどの具体例を示しながら、材料実験データで実際に試した事例をデモを交えて紹介し、どのような活用の可能性があるかをご紹介します。

  1. 重要度が増す実験データベース
  2. 進化するAI技術を「自分のデータで試せる」環境の必要性
  3. 実験データに向いているデータベースの例
  4. LLMとデータベースをつなぐ実用的な技術:MCP
  5. 材料実験データでAIを試した事例紹介

第2部 研究DXを推進するための電子ラボノート基盤型自動実験プラットフォームの構築

(2026年1月14日 12:15〜13:45)

　研究DXにおいては、実験データは蓄積するだけではなく、FAIR原則 (Findable、 Accessible、 Interoperable、 Re-usable) に基づいて管理することが重要である。 　本講演では、研究DX推進を目指した電子ラボノートの選定、導入および運用に関するNAISTでの具体的な取り組みについて紹介する。

  1. はじめに
  2. 研究DXにおける電子ラボノートの位置付け
    1. 世界の動向
    2. FAIRデータ
    3. 実験における人間とAIの関係性
    4. 目指すデータフロー
  3. 電子ラボノート導入に向けた取組み
    1. 電子ラボノートの導入ハードル
    2. 電子ラボノートの導入戦略
    3. 導入へ向けた6つのアクション
  4. 電子ラボノートの実装・活用
    1. 機械学習に適したテンプレート作成
    2. Application Programming Interface (API) の活用事例
    3. 自動実験装置との統合
  5. おわりに

第3部 実験データ/失敗データの収集・管理と実験効率化、MI活用への展開

(2026年1月14日 14:00〜15:30)

　本講演では、研究現場で日々生まれる実験データを、成功・失敗を含めて漏れなく収集・標準化し、MI (マテリアルズ・インフォマティクス) に展開して実験効率を高める実践を解説します。 　成功データのみならず失敗データも含めて集めることの重要性、実験計画法、MI活用に有効なデータ収集、管理の方法、そして収集したデータを活用し、開発の加速に繋げる実践方法について共有します。

  1. はじめに
    1. 当社R&Dの目指す姿
    2. 変化する素材産業とMIの導入
  2. 素材・材料開発効率化のための実験データの収集・蓄積
    1. 実験データ収集・蓄積の課題
    2. 有効なデータ収集、管理、MI活用への展開事例
    3. 実験データ収集を進めるための仕組み化
  3. 実験データ収集を進めるための人材育成
    1. データ駆動型開発を進められる人材とは
    2. データ活用人材のレベルの可視化
    3. データ活用人材の拡大の壁。どう進めるか
    4. 実験計画法、品質工学からパラメータ設計を理解する
  4. MI活用で成果創出を加速するための環境整備
    1. 事業貢献につながるテーマ選定
    2. 成果刈取りの仕組み化
  5. 今後
    1. 実験自動化による自律的な開発サイクルの構築

第4部 研究・実験データの構造化とプラットフォーム構築に必要なスキル

(2026年1月14日 15:45〜17:15)

　本講演では、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、特に研究・実験データを構造化するために必要な考え方・基礎知識について学んでいただきます。そして、データベース (DB) を作成する際の目的の明確化と出口戦略、そのために必要な具体的なスキルセットについても解説します。

  1. マテリアルズ・インフォティクス概要
    1. データ生成・蓄積・活用の循環サイクル
    2. データ収集時に考えなければいけないこと
    3. データ取得コストについて
    4. 活用可能なデータとは
  2. データ取得のためのベイズ最適化
    1. ベイズ最適化の背後にある数理
    2. 自律実験装置とAIソフトウェア
    3. ロボット制御のための環境整備
  3. 材料データ蓄積を行う上で必要なこと
    1. データベース構築の3つの目的
    2. データベースの種類
    3. ツリー構造を利用した実験データ蓄積
    4. 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
    1. 誰のためのDBか
    2. 開発コストの見積もり
    3. デスクトップアプリとウェブアプリ
    4. フロントエンドとバックエンド
    5. アジャイル開発という考え方
  5. DB構築の出口戦略
    1. パーソナルDB
    2. DBを介した共同研究
    3. DBの共有・共用
    4. パブリックDB
    5. 材料データと課題の多様性への対応

受講料

複数名同時受講割引について

アカデミック割引

日本国内に所在しており、以下に該当する方は、アカデミック割引が適用いただけます。

ライブ配信セミナーについて