| イベント名 | マテリアルズ・インフォマティクスの実践のためのデータの生成・蓄積・活用方法 |
|---|---|
| 開催期間 |
2026年10月28日（水）
～ 2026年11月18日（水）
【ライブ受講】 2026年10月28日（水） 10:30～16:30 【アーカイブ受講】 2026年11月18日（水）まで受付 （配信期間：11/18～12/2） ※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11月18日（水）10時 |
| お申し込み受付人数 | 30 名様 |
| お申し込み |
|
マテリアルズ・インフォマティクスの実践のためのデータの生成・蓄積・活用方法
～データベース構築とその出口戦略、実務に活かせる考え方・基礎知識、方法論～
受講料（税込）：55,000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。）
実務に活かせる考え方・基礎知識を体系的に解説
データ駆動材料研究、ベイズ最適化、第一原理計算、結晶構造探索、データベース構築、スパースモデリング、スペクトルデータ解析、、、
研究活動で必然的に生じるデータの生成・蓄積・活用というサイクル
データ生成の観点からのベイズ最適化や物質・材料シミュレーション・結晶構造探索の基礎
データ蓄積の観点からのデータベース構築とその出口戦略
データ活用の観点からのスパースモデリングやスペクトルデータ解析
講師
東京科学大学 総合研究院 化学生命科学研究所 准教授 博士（理学） 安藤 康伸 氏
■略歴
2012年3月 東京大学 大学院理学系研究科 物理学専攻博士後期課程修了、博士 (理学)
2012年4月～2013年4月 産業技術研究所 産総研特別研究員
2013年5月～2013年4月 東京大学大学院 工学系研究科マテリアル工学専攻 助教
2016年4月～2018年9月 産業技術総合研究所 研究員
2018年10月～2013年4月 産業技術総合研究所 主任研究員
2022年7月～ 早稲田大学 先進理工学部 客員准教授
2024年4月～9月 東京工業大学 科学技術創成研究院 化学生命科学研究所 准教授
2024年10月～現職
■専門
マテリアルズ・インフォマティクス、計算物質科学、表面・界面科学
セミナー趣旨
マテリアルズ・インフォマティクス（MI）や研究デジタルトランスフォーメーション（DX）は、情報科学・技術を駆使して材料研究・開発を刷新することを目指す取り組みであり、今後の国際競争を勝ち抜くための必須テーマとなっています。しかし、その考え方を実際の研究現場でどう実践すればよいか、具体的なイメージが掴みにくいという声も多く聞かれます。
本講座では、MIの実践事例を通じて、研究活動で必然的に生じるデータの生成・蓄積・活用というサイクルについて理解を深めていただき、データ生成の観点からベイズ最適化や物質・材料シミュレーション・結晶構造探索の基礎、データ蓄積の観点からのデータベース構築とその出口戦略、そしてデータ活用の観点からのスパースモデリングやスペクトルデータ解析について、実務に活かせる考え方・基礎知識を体系的に学んでいただきます。
セミナー講演内容
1．マテリアルズ・インフォマティクス概要
1.1 情報科学の活用に至った経緯
1.2 機械学習の概要
1.3 データ駆動型材料研究について
1.4 データ駆動型材料研究の要素：データ生成
1.5 データ駆動型材料研究の要素：データ蓄積
1.6 データ駆動型材料研究の要素：データ活用
1.7 機械学習応用の流れと課題設定の重要性
1.8 物質・材料データの特徴と注意点
1.9 「分かりたい」のか「見つけたい」のか
1.10 情報科学市民権
2．データ取得のためのベイズ最適化
2.1 ベイズ最適化の背後にある数理
2.2 自律実験装置とAIソフトウェア
2.3 ロボット制御のための環境整備
2.4 GPyOpt
2.5 OPTUNA
2.6 PHYSBO
3．材料シミュレーションによるデータ生成と結晶構造探索の基礎
3.1 物質・材料シミュレーションとは
3.2 密度汎関数法
3.3 Schrodinger方程式を真面目に解く
3.4 密度汎函数理論ベースの計算コード
3.5 エネルギー地形とは
3.6 Nudged Elastic Band法
3.7 勾配法による構造最適化
3.8 局所解の避け方
3.9 遺伝的アルゴリズム
3.10 遺伝的操作
3.11 USPEX
3.12 構造の結合メカニズム
3.13 粒子群最適化(Particle Swarm Opt.)
3.14 CALYPSO
3.15 特徴空間と類似性
3.16 グローバルPSOとローカルPSO
3.17 CALYPSOの重要概念
3.18 Interface CALYPSO
3.19 ベイズ最適化による構造探索例
3.20 CrySPY
3.21 CrySPYの性能評価
3.22 双対グラフと多面体に基づく結晶構造生成
3.23 最密充填構造に基づいた探索
3.24 ShotgunCSP
3.25 Neural Structure Field (NeSF)
3.26 Crystalformer
3.27 MatterGen
4．材料データ蓄積を行う上で必要なこと
4.1 データベース構築の３つの目的
4.2 データベースの種類
4.3 フラットファイルフォーマット
4.4 ツリー構造を利用した実験データ蓄積
4.5 電子ラボノートの事例
5．DB構築の出口戦略
5.1 パーソナルDB
5.2 DBを介した共同研究
5.3 DBの共有・共用
5.4 パブリックDB
5.5 材料データと課題の多様性への対応
6．予測（回帰）：予測モデルとスパースモデリング
6.1 予測・モデル選択の応用例
6.2 「モデル」と「損失関数」
6.3 線形回帰とカーネル法の違い
6.4 損失関数の変更によるモデル選択
6.5 交差検証によるモデル評価
6.6 モデル推定の種類（最尤法, MAP推定, ベイズ推定）
6.7 スパース性とL0, L1正則化
7．分類：スペクトルデータの低次元化とクラスター解析
7.1 高次元データとしてのスペクトルと低次元化の重要性
7.2 分類：教師あり学習と教師なし学習
7.3 特徴空間と類似性
7.4 主成分解析によるスペクトルの低次元化
7.5 k-means法によるスペクトルの分類
7.6 階層的クラスタリングによるスペクトルの分類
8．データ解析：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
8.1 ピーク検知のための処理フロー
8.2 非線形最小二乗法の困難
8.3 EMアルゴリズムによる最尤推定
8.4 スペクトル解析のための改良EMアルゴリズム
8.5 解析事例
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
-
- 10/29 接着の基本的な考え方と接着改良方法 (2026年10月23日)
- 10/28 マテリアルズ・インフォマティクスの実践のためのデータの生成・蓄積・活用方法 (2026年10月23日)
- 10/30 エポキシ化合物の基礎とエポキシ樹脂の合成、評価方法 (2026年10月22日)
- 10/29 ポリマーアロイの相分離構造の形成、分散構造制御とモルフォロジーの観察・解析技術 (2026年10月22日)
- 10/30 PVA（ポリビニルアルコール）の構造、物性と機能化、応用展開 (2026年10月22日)
- 10/27 ポリマーにおける相溶性・相分離メカニズムと目的の物性を得るための構造制御および測定・評価 (2026年10月21日)
- 10/27 セラミックグリーンシート成形技術の総合知識 (2026年10月21日)
- 10/26 半導体洗浄の基礎・現象と洗浄機内の流れと反応、洗浄の評価方法および困った時の対策 (2026年10月21日)
- 10/26 無機ナノフィラーのポリマーへの分散・複合化技術 (2026年10月21日)
- 10/28 材料表面への（超）撥水性・（超）親水性の付与技術と制御および分析・評価、応用技術 (2026年10月21日)
