【Live配信セミナー 1/15】～ラマン分光，ＩＲ，ＮＭＲ，ＭＳ，ＸＲＤなど～ スペクトルインフォマティクスの基本的な考え方，解析の効率化，研究迅速化への活用法

＜セミナー　Ｎｏ 701204＞

【Live配信版】　
～ラマン分光，ＩＲ，ＮＭＲ，ＭＳ，ＸＲＤなど～
スペクトルインフォマティクスの

基本的な考え方，解析の効率化，研究迅速化への活用法

★「マテリアルズインフォマティクス」と「スペクトルインフォマティクス」の違いとは？
★実験回数の削減や材料合成の効率化に，スペクトル解析をどう活用するのか？
★AIによる計測条件の最適化と機械学習によるデータ解析との違いとは？
★測定装置や測定条件の違いによるデータのばらつきにどう対応するのか？

　
■講師
【第1部】横浜国立大学 工学研究院 准教授 博士(工学)　五東 弘昭 氏
【第2部】東京科学大学 総合研究院 科学生命科学研究所 准教授　安藤 康伸 氏
【第3部】東海大学 情報通信学部 情報通信学科 教授 博士(情報科学)　今村 誠 氏
【第4部】北海道大学 電子科学研究所 教授 博士(理学)　小松崎 民樹 氏

■開催要領
日時：2027年1月15日(金） 9：50～17：10
会場：Zoomを利用したLive配信　※会場での講義は行いません
聴講料：1名につき６６，０００円（消費税込み，資料付）
〔１社２名以上同時申込の場合のみ１名につ６０，５００円〕
〔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下さい〕

プログラム                                                                                                        
【９：５０～１１：２０】
第１部 スペクトルインフォマティクスの考え方，基本について

●講師　横浜国立大学 工学研究院 准教授 博士(工学)　五東 弘昭 氏

【講座の趣旨】
　 大学1年生程度の化学の基礎知識を前提に，スペクトルデータと機械学習を組み合わせた「スペクトルインフォマティクス」の基本的な考え方を解説する。IR・NMRスペクトルの予測から，スペクトル情報に基づく化学構造の推定（逆解析）まで，具体例を交えて紹介する。

【セミナープログラム】
１．スペクトル分析と逆解析の概要
　　1.1 スペクトルインフォマティクスの基本的な考え方
　　1.2 化学構造からスペクトルを予測する順解析
　　1.3 スペクトルから化学構造を推定する逆解析

２．IRスペクトルの原理と予測
　　2.1 IRスペクトルの基本原理と分子振動
　　2.2 IRスペクトルに影響する分子構造と物理化学的要因
　　2.3 分子記述子と機械学習を用いたIRスペクトルの予測

３．NMRスペクトルの原理と予測
　　3.1 NMRスペクトルの基本原理と化学シフト
　　3.2 1H・13C NMRおよび二次元NMRの概要
　　3.3 加算則・データベース・HOSEコードによるNMR予測
　　3.4 機械学習を用いたNMR化学シフトの予測

４．スペクトル情報からの化学構造の逆解析
　　4.1 スペクトルから化学構造を決定する際の課題
　　4.2 スペクトル情報に基づく部分構造の抽出と候補構造の生成
　　4.3 NMR予測値と実測値の比較による候補構造の評価

【質疑応答】

－－－－－－－－－－

【１１：３０～１３：００】
第２部 材料スペクトルデータからの情報抽出と高速自動フィッティング

●講師　東京科学大学 総合研究院 科学生命科学研究所 准教授　安藤 康伸 氏

【講座の趣旨】
本講演では，材料研究・開発で日常的に取得される各種スペクトルデータに対するインフォマティクスの応用について，特に教師なし学習による分類と低次元化による情報抽出および高速自動フィッティング技術について解説する。

【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 機械学習応用の流れと課題設定の重要性 　
　　1.2 物質・材料データの特徴と注意点 　
　　1.3 情報科学市民権

２．スペクトルデータの低次元化とクラスター解析 　
　　2.1 高次元データとしてのスペクトルと低次元化の重要性
　　2.2 分類：教師あり学習と教師なし学習 　
　　2.3 特徴空間と類似度 　
　　2.4 主成分解析によるスペクトルの低次元化 　
　　2.5 k-means法によるスペクトルの分類 　
　　2.6 階層的クラスタリングによるスペクトルの分類

３．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 　
　　3.1 ピーク検知のための処理フロー 　
　　3.2 非線形最小二乗法の困難 　
　　3.3 回帰と分布推定の違い
　　3.4 EMアルゴリズムによる最尤推定 　
　　3.5 スペクトル解析のための改良EMアルゴリズム 　
　　3.6 解析事例

【質疑応答】

－－－－－－－－－－

【１４：００～１５：３０】
第３部 スペクトルインフォマティクスのための機械学習

●講師　東海大学 情報通信学部 情報通信学科 教授 博士(情報科学)　今村 誠 氏

【セミナープログラム】
１．スペクトルインフォマティクスとは
　　― 分光計測と情報科学の融合，その応用分野

２．スペクトルから何がわかるか
　　― 計測と逆問題，識別可能性とその限界

３．スペクトル解析の基礎技術
　　― 前処理・多変量解析・成分分離

４．最近のAI研究はスペクトル解析をどう変えたか
　　― 深層学習・分子構造予測・生成モデル

５．実用化に向けた機械学習の課題と技術
　　― 少量データ・装置間差・物理知識の活用

６．機械学習による計測条件の最適化
　　― 波長選択・最適実験計画・能動計測

７．まとめ

【質疑応答】

－－－－－－－－－－

【１５：４０～１７：１０】
第４部 「計測インフォマティクス」の現在と未来：AIが自律的に無駄を省く計測とは何か ～

計測過程にAIが介入する「オンザフライ・ラマン顕微鏡」の原理と応用～

●講師　北海道大学 電子科学研究所 教授 博士(理学)　小松崎 民樹 氏
　
【セミナープログラム】
１．ラマン分光イメージングの従来技術の課題
　　1.1 ラマン分光法の原理と細胞・組織の化学情報の可視化
　　1.2 従来の点スキャン・ラインスキャン方式と計測時間の問題
　　1.3 計測とAI解析の分離から，AIが計測過程に介入する新しい計測概念へ

２．強化学習による計測条件の自律的最適化
　　2.1 強化学習と多腕バンディット問題の基本的な考え方
　　2.2 探索と知識利用のトレードオフと計測点の逐次選択
　　2.3 信頼区間に基づく意思決定と閾値判定問題
　　2.4 UCB・トンプソンサンプリングによる計測位置・照明パターンの最適化

３．診断精度を数学的に保証する迅速ラマン計測
　　3.1 最大許容誤診断率δの設定と精度保証の数学的原理
　　3.2 ラマン画像の小区画分割とがん・非がん判定
　　3.3 診断精度と計測時間のトレードオフの克服

４．オンザフライ・ラマン顕微鏡の開発と実証事例
　　4.1 空間光変調器（SLM）を用いたプログラマブル照明ラマン顕微鏡
　　4.2 計測・AI解析・照明制御を統合したフィードバックシステム
　　4.3 甲状腺がん細胞・正常細胞の迅速判定と従来法との比較
　　4.4 高分子微粒子モデル試料による自律計測の実証

５．計測介入型AIによる迅速ラマン計測の産業応用と今後の展望

【質疑応答】

※受講者の皆様の抱える疑問点や問題点について，セミナー開催3日前

までに 「事前リクエスト用紙」 （請求書に同封）や 「Eメール」 を御寄せ

頂けましたら，講演中に対応させて頂きます。

※セミナーの詳細についてお気軽にお問い合わせください。

※なお，「２名以上同時にお申込される場合、２人目以降の方の情報は

【弊社への連絡事項がございましたら、こちらにお書きください】欄に

ご入力をお願いいたします」