3/26 データ駆動型の化学・材料関連研究の最新動向と 小規模データの活かし方

慶應義塾大学 理工学部　応用化学科　教授　博士（工学）　緒明 佑哉　氏

　 「マテリアルズインフォマティクス（MI）」は、材料に関する研究開発を効率的に進めるための新しい手法として注目を集めている。しかし、実際にMIをどのように自社・グループの研究開発に取り入れられるか、その糸口がつかめないことも少なくない。特に実験を主体とする研究では、扱う材料系が多様なことや、データの規模が小さいなどの問題点がある。

　本セミナーでは、まず、MIの最近の動向について概説する。続いて、我々のグループ内で開発してきた、小規模な実験や文献データを活用し機械学習と研究者の経験や勘を併用する実験主導MIを、具体的な事例をもとに紹介する。具体的には、ナノシート材料の合成プロセスの制御やリチウムイオン二次電池の有機活物質の探索をもとにご紹介する。これにより、現場やラボレベルでの小規模データを活かしたMIにより、研究開発を効率化させることを目指す。

1．マテリアルズインフォマティクス（MI）の最新動向
　1.1 一般的なMIへの期待
　1.2 MIでできることとできないこと
　1.3 MIの歴史と最近の動向
　　a)オートメーションとの融合
　　b)機械学習の深化
　1.4 MIに関する最近の課題
　1.5 小規模データに適用可能なMI

2．MIを活用したプロセス最適化事例：ナノシート材料合成の制御
　2.1 MIを導入した系の紹介
　　a)2次元材料
　　b)なぜMIが必要なのか
　2.2 データセットの準備
　　a)ハイスループットな目的変数の設定
　　b)説明変数の設定
　　c)研究者の関与
　2.3 機械学習と考察の融合による記述子抽出
　　a)スパースモデリング
　　b)全状態探索
　　c)研究者の関与
　2.4 予測モデル構築
　2.5 予測モデルを活用した最少実験数での実験例
　2.6 他の機械学習手法に対する優位性検証
　2.7 適用範囲の拡張に関する検討と予測モデル改良
　2.8 サイズ制御への応用
　2.9 サイズ分布制御への応用

3．MIを活用した物質探索事例：新規リチウムイオン二次電池有機電極活物質の性能予測と探索
　3.1 MIを導入した系の紹介
　　a)リチウムイオン二次電池有機正極・負極活物質
　　b)なぜMIが必要なのか
　3.2 データセットの準備
　　a)自前実験データを扱う場合
　　b)文献データをを扱う場合
　3.3 機械学習と考察の融合による記述子抽出
　3.4 予測モデル構築
　3.5 予測モデルを活用した最少実験数での実験例
　3.6 先行研究との比較
　3.7 他の機械学習手法に対する優位性検証

4．小規模・実験データへのMIの適用
　4.1 ツールとしてのMIを活用する時代へ
　4.2 明日からできるデータセットの準備
　4.3 明日からできる機械学習と経験・勘・考察の融合

5．おわりに

質疑応答

※詳細・お申込みは上記

「お申し込みはこちらから」（遷移先WEBサイト）よりご確認ください。