【Live配信セミナー　12/3】 生成AI・AIエージェントを活用した材料開発DXとマテリアルズインフォマティクス

＜セミナー　No.612421＞
【Live配信のみ】　アーカイブ配信はありません

生成AI・AIエージェントを活用した材料開発DXとマテリアルズインフォマティクス

★ RAG・MI・分子生成AIを活用した材料開発の効率化・高度化技術を徹底解説！

★ 材料研究に生成AIをどう活かす？　データ活用からAIエージェント導入まで解説！

■　講師

１． 東京大学　物性研究所　高度学術員　博士(理学)　吉見 一慶 氏
２． エンソート合同会社　プロフェッショナルサービス＆カスタマーサクセス　マネージャー　山本 海 氏
３． 横浜市立大学　大学院生命医科学研究科　准教授　博士（人間・環境学）　寺山 慧 氏
４． MatQ-lab　博士（工学）　吉武 道子 氏

■　聴講料 ：

1名につき６６，０００円（消費税込・資料付き）
〔１社２名以上同時申込の場合１名につき６０，５００円（税込）〕
〔大学、公的機関、医療機関の方には割引制度があります。
　　　　　　　　 詳しくはお問い合わせください〕

※定員になり次第、お申込みは締切となります。

プログラム　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

＜１０：４５～１２：００＞

１．材料研究プロセスにおける生成AI活用のポイント
　　 ― 基礎・プロンプト・Local LLMから研究ワークフローへの応用まで ―
東京大学　物性研究所　高度学術員　博士(理学)　吉見 一慶 氏
　
【講演概要】
生成AIは、文献調査や情報整理、データ解析、コード作成に加え、仮説の立案や研究ワークフローの自動化を支援する技術として、材料研究への活用が広がっています。一方、研究に役立てるには、その仕組みと限界を理解し、適切な情報を与えるとともに、出力の科学的妥当性を検証することが欠かせません。
本講座では、ChatGPTなどの大規模言語モデル（LLM）の基礎を概説し、目的や条件を明確に伝えるプロンプトの作成方法、論文や研究資料を参照して回答を生成するRAG（検索拡張生成）の仕組みを解説します。さらに、情報管理や計算環境の観点から、クラウドサービスと手元のPC・組織内サーバーで動作するLocal LLMの使い分けを紹介します。
その上で、材料研究における文献整理、データ解析、研究ソフトウェア開発などの具体例を通じて、生成AIを効果的に活用するためのポイントと検証方法を示します。検索や計算ツールを連携させるAIエージェント、仮説生成を支援する最近の動向にも触れ、受講者が自身の研究・開発業務への導入を考えるための実践的な視点を提供します。

【受講対象】
・材料開発・評価・解析・シミュレーションに携わり、生成AIの活用に関心のある研究者・技術者の方
・生成AIをこれから使い始めたい方、または使い始めたばかりの方
・ChatGPTなどを試したことはあるものの、自身の研究・開発業務での活用方法が分からない方
・文献調査、情報整理、データ解析など、身近な研究業務への生成AIの取り入れ方を知りたい方
※生成AIの活用に関する初心者を主な対象とし、機械学習の専門知識やプログラミング経験は問いません。

【習得できる知識】
・材料研究の各プロセスにおける生成AIの活用場面と、得意なこと・不得意なこと
・目的や条件を整理し、意図に沿った回答を得るためのプロンプト作成のポイント
・論文や研究資料を回答に活用するRAG（検索拡張生成）の基本的な考え方
・クラウドサービスとLocal LLMの違い、および情報管理を踏まえた使い分けの視点
・文献調査、データ解析、コード作成などへの具体的な活用方法と、出力を検証する際の注意点
・AIエージェントによる研究作業の自動化や、仮説生成支援に関する最近の動向

1.材料研究と生成AIの現在地
　1.1 文献調査・実験・計算・解析における生成AIの活用場面
　1.2 従来の機械学習、対話型LLM、材料構造生成モデルの違い
　1.3 文章の生成から研究作業の支援へ：活用範囲の広がり

2.LLMの基礎と限界
　2.1 文章を生成する仕組みとトークンの考え方
　2.2 学習済みの知識と、会話で与える情報の違い
　2.3 コンテキスト長と、長い論文・資料を扱う際の注意点
　2.4 ハルシネーションと科学的な検証の必要性

3.プロンプトと情報の与え方
　3.1 研究の目的・背景・制約条件を明確に伝える方法
　3.2 資料やデータの与え方：測定条件・単位・列の意味
　3.3 出力形式と検証基準の指定：比較表・根拠・不明事項

4.RAGによる研究資料の活用
　4.1 関連資料を検索し、回答の根拠として渡す仕組み
　4.2 資料の直接入力、RAG、追加学習の違い
　4.3 論文やソフトウェアマニュアルを参照する活用例

5.クラウドとLocal LLMの使い分け
　5.1 クラウドサービスと手元・組織内での実行の違い
　5.2 未公開の研究データや機密情報を扱う際の確認事項
　5.3 性能・計算資源・運用負担を踏まえた選択
　5.4 LM Studioの利用画面とローカルRAGの紹介

6.材料研究プロセスへの実践例
　6.1 文献からの材料組成・測定条件・物性値の抽出
　6.2 実験・計算データの整理、解析、可視化の支援
　6.3 研究コードの作成・改修・デバッグへの活用

7.AIエージェントと研究の進め方の変化
　7.1 ツールを使って作業を進めるAIエージェントの仕組み
　7.2 文献検索・コード実行・計算ソフトウェアの連携
　7.3 研究上のアイデアや検証方針の整理を支援する最近の研究例
　7.4 研究者が担う判断と、自動化する範囲の設定

8.まとめ

【質疑応答】

＜１３：００～１４：１５＞

２．眠っていたデータを使えるデータへ
― エージェント型AIが変える材料開発・MIのデータ戦略 ―
エンソート合同会社　プロフェッショナルサービス＆カスタマーサクセス　マネージャー　山本 海 氏

　

【講演概要】
エージェント型AIは科学研究の進め方そのものを大きく変えつつあり、マテリアルズ・インフォマティクス（MI）を進める上での重要な因子となっています。しかし一方で、いまだに誤解の多い技術でもあります。誇大な期待や専門用語、次々と現れるツールに埋もれてしまう中で、本当に重要な点を見極めるのは簡単ではありません。そもそもエージェント型AIとは何か。従来のAIとどう違うのか。MIでどのように活用するのか。本講演では、エージェント型AIの本質と重要性を解説し、材料開発の効率化やデータ不足の課題への対応戦略について議論します。

1.AIがもたらす研究開発のパラダイムシフトとMIの現在地

2.「データ不足」の正体
　2.1 改良型の開発と抜本的な開発
　2.2 データの「文脈」が失われるとき
　2.3 不足の三類型と、類型ごとの打ち手

3.データ基盤のボトルネックはどこにあるか
　3.1 構成から入る基盤が使われない理由
　3.2 事前に形式を決められないデータ

4.エージェント型AIによるデータ集約
　4.1 AIエージェントとエージェント型AIシステム
　4.2 従来型のデータ処理との使い分け
　4.3 できること、できないこと

5.実践例：エージェント型AIによるデータ整理ソリューション

6.導入を成功に導くポイントと今後の展望

【質疑応答】

＜１４：２５～１５：４０＞

３．様々な有機小分子を設計できる分子生成AIパッケージ
横浜市立大学　大学院生命医科学研究科　准教授　博士（人間・環境学）　寺山 慧 氏

　
【講演概要】
　望みの物性や機能をもつ有機小分子を設計するには、候補構造の生成と適切な評価を組み合わせ、広大な化学空間を効率よく探索する必要がある。本講座では、分子生成AIパッケージChemTSシリーズの基本原理と応用事例を紹介し、特にChemTSv3による柔軟な探索空間の制御を解説する。分子表現と生成・編集操作を切り替える仕組み、機械学習や量子化学計算を用いた評価、目的に応じた報酬・制約条件の設定を取り上げる。蛍光分子や創薬に関する事例を通じて、自身の研究開発課題に分子生成AIを適用するための考え方と注意点を整理する。

【受講対象】
・有機材料、機能分子、医薬品候補の設計・開発に携わる研究者・技術者
・マテリアルズ／ケモインフォマティクスや分子生成AIの導入を検討している方
・分子物性予測や計算化学の知識を分子設計に活用したい方

【習得できる知識】
・分子生成AIとモンテカルロ木探索の基本的な考え方
・ChemTSシリーズの特徴と、ChemTSv3の柔軟な分子設計の仕組み
・設計目標を報酬関数や構造制約として設定する方法
・予測モデルや量子化学計算を分子探索に組み込む考え方
・生成候補の評価・選別と、合成・実験検証につなげる際の注意点

1.分子生成AIによる有機小分子設計の基礎
　1.1 物性予測と分子設計の違い
　1.2 化学空間の探索と分子の表現方法
　1.3 候補の生成・評価・選択からなる設計サイクル

2.ChemTSシリーズの基本原理と発展
　2.1 分子生成モデルとモンテカルロ木探索
　2.2 報酬によって探索を誘導する仕組み
　2.3 ChemTSからChemTSv2、ChemTSv3への発展

3.ChemTSv3による柔軟な探索空間の制御
　3.1 分子表現をノード、生成・編集操作を遷移として扱う設計
　3.2 部分構造の変更による既存分子の改良
　3.3 分子表現と編集操作の動的な切り替え

4.設計目的に合わせた評価と制約の設定
　4.1 目標物性を反映する報酬関数の設計
　4.2 機械学習モデル・量子化学計算による候補の評価
　4.3 複数の物性・機能を考慮した多目的最適化

5.ChemTSシリーズを用いた分子設計の応用事例
　5.1 光物性を指標とした蛍光分子・色素の設計
　5.2 阻害剤候補設計
　5.3 PROTACの設計

6.研究開発への適用手順と注意点
　6.1 予測モデルの適用範囲と報酬ハッキングへの対処

【質疑応答】

＜１５：５０～１７：０５＞

４．材料開発における生成AIの活用方法
MatQ-lab　博士（工学）　吉武 道子 氏

　
【講演概要】
材料開発において、ちょっと気になったことの調査や、アイディアの種の試しなど、機械学習用のMIツールや部署全体の研究開発管理DXツールのような大掛かりなツールを利用する前段階で、気軽に生成AIを利用する際のノウハウや、こんなこともできるという多様な利用方法などを紹介する。

【受講対象】
材料開発及び管理に携わる、民間企業・アカデミア・シンクタンクなどにお勤めの方々。科学技術を対象とするメディア系の方

【受講後、習得できること】
材料開発における生成AIの多様な活用方法に関する知識、及び活用の際のノウハウ

1.多用される利用法における工夫
　1.1 文献探索
　1.2 文献要約
　1.3 英文校閲
　1.4 翻訳
　1.5 ポンチ絵作成

2.文書の概観・文書分類（中身を読まずに）
　2.1 ワードクラウド
　2.2 単語の出現頻度で分類

3.事業所特化生成AIのためのRAG作成（文書のベクトル化）
　3.1 事業所特化情報の入れ方
　3.2 文書のベクトル化
　3.3 RAGとは
　3.4 graphRAG

4.様々なデータ準備と解析
　4.1 データ収集
　4.2 PDF論文中の表（画像ファイル）をエクセルファイルへ
　4.3 ファイル形式変換
　4.4 簡単な解析
　4.5 コード無しで先端MI＆論文記載のpythonプログラム利用（Github）

5.画像データの読み取り
　5.1 グラフの読み取り
　5.2 状態図の読み取り

6.知識グラフ作成
　6.1 知識グラフとは
　6.2 情報の関係性の探索
　6.3 graphRAGへの活用

7.材料ボットなどの作成（AIエージェント的なタスクをやらせる）
　7.1 自作の生成AI利用タスクを使い回し共有する
　7.2 自動自律実験の探索範囲提案

【質疑応答】

セミナーの詳細についてはお気軽にお問い合わせください。