1. ホーム
  2. アーカイブ配信
  3. マテリアルズインフォマティクスの動向と小規模・実験データへの応用【アーカイブ配信】

★データの規模が小さい、データが集まりにくい、どのように機械学習を使えばよいのか？MIを上手に活用するための必須講座です！

マテリアルズインフォマティクスの動向と小規模・実験データへの応用【アーカイブ配信】

こちらは2/26実施WEBセミナーのアーカイブ（録画）配信です。

セミナー概要
略称
マテリアルズインフォマティクス【アーカイブ配信】
セミナーNo.
260255A
配信開始日
2026年03月02日（月）
配信終了日
2026年03月06日（金）
主催
（株）Ｒ＆Ｄ支援センター
問い合わせ
Tel：03-5857-4811　E-mail：info@rdsc.co.jp　問い合わせフォーム
講師
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

＜ご専門＞
　高分子材料・二次元材料・共役高分子・マテリアルズインフォマティクス

＜学協会＞
　日本化学会・高分子学会・日本セラミックス協会

＜ご略歴＞
　学歴
　2002年3月　慶應義塾大学　理工学部　応用化学科　卒業
　2006年3月　慶應義塾大学　大学院理工学研究科　総合デザイン工学専攻
　　　　　　　後期博士課程修了　博士（工学） 取得
　主な職歴
　2007年4月　日本学術振興会　特別研究員(PD)
　　　　　　　研究機関：東京大学　大学院工学系研究科
　2009年4月　慶應義塾大学　理工学部　応用化学科　助教
　2012年4月　同　専任講師
　2016年4月　同　准教授
　2016年10月～2020年3月　JSTさきがけ研究者（兼任）
　2018年8月～2020年7月　文部科学省研究振興局　学術調査官（兼任）
　2023年4月～現在　同教授
価格
非会員：  49,500円 （本体価格：45,000円）
会員：  39,600円 （本体価格：36,000円）
学生：  49,500円 （本体価格：45,000円）
価格関連備考
会員（案内）登録していただいた場合、通常1名様申込で49,500円（税込）から
　・1名で申込の場合、39,600円（税込）へ割引になります。
　・2名同時申込で両名とも会員登録をしていただいた場合、計49,500円（2人目無料）です。
会員登録とは？　⇒　よくある質問
備考
・こちらは2/26に実施したWEBセミナーのアーカイブ（録画）配信です。

・配信開始日までに、セミナー資料はPDFでお送りします。紙媒体での配布はありません。セミナー資料の無断転載、二次利用や講義の録音、録画などの行為を固く禁じます。

・動画のURLはメールでお送りします。
講座の内容
受講対象・レベル
・自社内の小規模データを活用したいと思われている方
・機械学習は複雑で難しいと思われている方
・社内のMI導入がうまく進まずに困っている方
・社内へMIの導入について調査・検討されている方
・実験科学者で機械学習やMIとはこれまで縁が無かった方
習得できる知識
・小規模データへの機械学習の適用方法
・物質探索やプロセス最適化や性能向上のための予測モデル構築方法
・研究者／技術者の熟練の知恵と機械学習の融合方法
趣旨
　マテリアルズインフォマティクス(MI)は、近年、急速に進展し、産官学にわたり多くの成功事例が報告されるようになるとともに、いくつかの課題が見えてきました。そのひとつは、実際の物質・材料を合成でき、自前のデータや経験と勘を持った実験科学者がどのようにMIを活用するかです。データの規模が小さい、データが集まりにくい、どのように機械学習を使えばよいのかといった点で、実験科学者には手段としてのMIが十分に浸透していません。
　本講座では、実験科学者である我々の研究グループで行った、小規模データへの機械学習の効果的活用によるMIの研究事例について紹介します。特に、小規模データに対しては、研究者の経験・勘・知見・考察が重要であることがわかってきました。具体的には、ナノシート材料の収率や高分子材料の電気化学特性を向上させた事例を中心に、MIの活用方法について紹介したいと思います。
　
プログラム

1．マテリアルズインフォマティクス（MI）に関する背景と最新動向
　1-1．MIへ期待されていること
　1-2．MIのはじまり
　1-3．MIでできることとできないこと
　1-4．MIの先端的な取り組み事例
　1-5．MIのこれからの課題
　1-6．MIの小規模データへの適用は可能か

2．MIを活用したプロセス最適化事例：ナノシート収率の向上
　2-1．MIを導入した系の紹介
　2-2．データセットの準備
　2-3．研究課題の機械学習可能な問題への変換
　2-4．機械学習
　2-5．予測モデル構築
　2-6．予測モデルを活用した高効率実験

3．MIを活用した物質探索事例：高性能な新規リチウムイオン二次電池有機負極の探索
　3-1．MIを導入した系の紹介
　3-2．データセットの準備
　3-3．機械学習
　3-4．予測モデル構築
　3-5．モデル構築の失敗事例とそこからの学び
　3-6．予測モデルを活用した高効率実験

4．小規模・実験データへのMIの適用についてまとめ
　4-1．実験主導MIの位置づけ
　4-2．問題設定とデータセットの準備
　4-3．機械学習と経験・勘・考察の活用によるモデル構築
　4-4．高効率な実験へ 
　4-5．DXとの融合

5．おわりに（研究者の本音や質疑応答）

キーワード
マテリアルズインフォマティクス、機械学習、リチウムイオン二次電池、実験、データ
関連するセミナー
関連する書籍
関連するタグ
フリーワード検索
カテゴリ別検索
カテゴリ別検索