| イベント名 | 機械学習を利用した多成分混合物の物性予測・物性推算 |
|---|---|
| 開催期間 |
2026年09月29日（火）
～ 2026年10月20日（火）
【ライブ受講】 2026年9月29日（火） 13:00～16:30 【アーカイブ受講】 2026年10月20日（火）まで受付 （配信期間：10/20～11/2） ※講義中の録音・撮影はご遠慮ください。 ※開催日の概ね1週間前を目安に、最少催行人数に達していない場合、セミナーを中止することがございます。 ■配布資料 PDFデータ(印刷可・編集不可) ※開催2日前を目安に、主催会社様HPのS&T会員マイページよりダウンロード可となります。 ※アーカイブ配信受講の場合は、配信開始日からダウンロード可となります。 |
| 会場名 | 【ライブ配信（Zoom使用）受講】もしくは【アーカイブ配信受講】 |
| 会場の住所 | オンライン |
| お申し込み期限日 | 2026年10月20日（火）12時 |
| お申し込み受付人数 | 30 名様 |
| お申し込み |
|
機械学習を利用した多成分混合物の物性予測・物性推算
～限られた実験データからの混合物物性の予測、材料開発、プロセス設計への活用～
受講料（税込）：49,500円
＼お得な割引キャンペーン実施中！／
詳細・お申し込みは「お申し込みはこちらから」よりご確認ください。
【オンライン配信】
ライブ配信 ►受講方法・接続確認（申込み前に必ずご確認ください）
アーカイブ配信 ►受講方法・視聴環境確認（申込み前に必ずご確認ください）
セミナー視聴はマイページから
お申し込み後、マイページの「セミナー資料ダウンロード／映像視聴ページ」に
お申込み済みのセミナー一覧が表示されますので、該当セミナーをクリックしてください。
（アーカイブ配信は、配信日に表示されます。）
ニューラルネットワークを中心とした機械学習モデルの基礎
混合物物性データの特徴、組成・温度・分子構造情報を用いた記述子設計、既存の混合則や経験式と機械学習モデルの違いの理解
限られたデータを有効に活用し、高精度な推算を行うための物理化学的知見や理論的制約の機械学習への組み込み方
ニューラルネットワークの基本的仕組み、多成分物性推算に関する先端手法、ハイブリッド型AIの仕組みと特徴
講師
静岡大学 工学部 化学バイオ工学科 講師 博士（工学） 村上 裕哉 氏
■略歴
2018年4月 - 2020年3月 日本学術振興会, 特別研究員 (DC2)
2020年4月 - 2024年3月 東京理科大学, 工学部 工業化学科, 助教
2023年4月 - 2024年3月 東京電機大学, 工学部 , 非常勤講師
2024年4月 - 静岡大学 工学部化学バイオ工学科 講師
現在に至る
■専門
化学工学
セミナー趣旨
ニューラルネットワークは、近年さまざまな分野でその有用性が認められており、物性推算の分野においても活用が進んでいます。高い表現力を有するニューラルネットワークは、多数の因子が複雑に影響し合う多成分系の物性推算に適している一方で、データ駆動型の手法であるため、一般に多くの学習データを必要とします。しかし、多成分系では、成分の種類や組成、温度などの操作因子が多く、膨大な探索空間を実験データのみで網羅することは容易ではありません。
本講演では、このような多成分系の物性推算に対して、機械学習を効果的に活用するための考え方と具体的な手法を紹介します。ニューラルネットワークの基本的な仕組みから、理論モデルと最新の機械学習手法を組み合わせたハイブリッドモデリングまでを取り上げます。これらを通じて、機械学習の初学者が、ニューラルネットワークを用いて物性推算に何ができるのか、また、限られたデータを有効に活用するためにどのようなアプローチが有効であるのかを理解することを目的とします。
セミナー講演内容
■ ニューラルネットワークの基本
・機械学習とは何か
・機械学習とニューラルネットワーク
・活性化関数の役割
・万能近似定理
・機械学習の実用上の欠点
■ニューラルネットワークの構造
・代表的な活性化関数
・ノードとレイヤー
・ニューラルネットワークの中間層
・ニューラルネットワークにおける行列演算
・GPU演算と行列演算
■誤差逆伝播法と過学習
・誤差逆伝播法の仕組み
・学習パラメータ数
・局所解と広域解
・ニューラルネットワークにおける過学習
■既存モデルとの比較
・既存モデルのアプローチとの類似点と相違点
・機械学習の強み
■様々なニューラルネットワーク
・単純なニューラルネットワークの限界と解決策
■時系列データとニューラルネットワーク
・時間的整合性とは
・回帰型ニューラルネットワーク
・Long Short-Term Memory
・Neural ODE
・時系列データ用のニューラルネットワークの特徴と強み
■多次元データとニューラルネットワーク
・画像処理におけるニューラルネットワーク
・二次元型畳み込みニューラルネットワーク
・畳み込み操作の基礎と仕組み
・信号処理とニューラルネットワーク
・一次元畳み込みニューラルネットワーク
■ネットワークデータとニューラルネットワーク
・グラフ表現とは
・メッセージ伝播型ニューラルネットワークと物性推算
・PyGeometricによるMPNNの実装
■転移学習を利用した少データ学習
・転移学習の原理
・転移学習でのモデル再利用と学習効率向上
■分子記述子と機械学習による物性推算
・物性推算における転移学習
・転移学習を利用する際のワークフロー
・代表的な分子記述子
・MPNNによる物性推算精度
・MPNNによる学習データ削減効果
・MPNNで作成した記述子の特徴
・Parity plotでみるMPNNの予測精度
■物性推算への事前知識の導入
・外挿予測における過学習
・誤差逆伝播法を活用した勾配制約
・勾配制約によるアレニウス式の考慮
・物性推算におけるハード制約とソフト制約
■三成分混合物の物性推算
・工学プロセスにおける混合物の位置づけ
・非理想溶液の物性予測の難しさ
・既存の理論駆動・データ駆動モデル
・物性推算での外挿予測における問題
・PINNベースモデルによるアプローチ
・相互作用考慮モデルによるアプローチ
・データ測定手法
・既存モデルの精度と問題点
・ニューラルネットワークの精度と限界
・ハイブリッドAIの特徴と効果
・混合物物性推算に重要な構造的特徴
■多成分系混合物の物性推算
・多成分系の物性推算の難しさ
・混合物の記述子表現
・埋め込み表現による混合物表現
・多次元空間におけるデータ収集
・ベイズ最適化によるデータ収集
・アクティブラーニングの効果
・交差検証と混合物物性推算精度
・記述子選定手法
・埋め込みにおける次元数の選択
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。
※満席・日程終了などで参加が難しい場合は、下記「お問い合わせ」ボタンより再開催のリクエストを承っております
- サイト内検索
- ページカテゴリ一覧
- 新着ページ
-
- 9/29 米国FDA査察対応・GMP攻略実践セミナー (2026年09月01日)
- 9/28 ポリマーへのフィラーのコンパウンド技術およびナノコンポジット化技術の基礎と応用～配合設計・分散制御・機能性付与技術～ (2026年09月01日)
- 9/29 機械学習を利用した多成分混合物の物性予測・物性推算 (2026年09月01日)
- 9/28 人工皮革・合成皮革の基礎知識 (2026年09月01日)
- 9/17 医薬品製造の QA/QC 業務における「過剰な管理」の見直し・工夫・ヒントと少人数体制でも成果を出すための業務再構築手法 (2026年09月01日)
- 9/15 自動車の運動制御と自動運転の高度連携技術 (2026年09月01日)
- 9/30 半導体封止材用エポキシ樹脂と硬化剤・硬化促進剤の種類・特徴および新技術 (2026年08月31日)
- 9/30 ＜プラスチック再資源化の最前線＞プラスチックの高度マテリアルリサイクルと高度成形プロセス (2026年08月31日)
- 9/30 ペロブスカイト太陽電池の高効率化・高耐久性化技術と今後の展望 (2026年08月31日)
- 9/30 細胞医薬における承認申請・審査とCMC・非臨床の留意点 (2026年08月31日)
