第1部 マテリアルズインテグレーションによる材料設計への適用と実践技術

(2018年11月14日 10:00〜11:30)

　材料開発においてはそれらの性能評価のために多くの時間が必要となり、開発速度を律速する原因となっている。性能に関しては理論的な考察に基づく理論式や、多くの実験結果から得られた経験則が提案されているものの、構造材料においては組織と性能には強い非線形性がありその関係性は必ずしも明確ではない。したがって、性能予測がある程度の精度で可能となることは材料開発において非常に意義がある。一方、近年のコンピューティングの飛躍的な発達により、種々のマルチスケールでの計算手法を組み合わせることが可能となってきている。構造材料の組織と時間依存の性能の予測を、理論や経験則、数値計算、データベース構築、データ駆動型アプローチなどの融合により可能とするマテリアルズインテグレーション (MI) システムについて紹介する。

1. はじめに
   1. 背景
   2. マテリアルズインテグレーションとは
2. マテリアルズインテグレーション (MI) システム
   1. 統合システム
   2. 特性空間分析システム
   3. 組織予測システム
   4. 性能予測システム
3. 疲労性能予測の例
   1. 物理モデル
   2. 機械学習
   3. データ駆動型アプローチ
4. おわりに
• 質疑応答

第2部 マテリアルズインフォマティクスを用いた材料開発技術

(2018年11月14日 12:10〜13:40)

　AI囲碁 (AlphaGo) やAI将棋 (Ponanza) 等によるAIブームの影響から、材料開発の分野でもAI技術を用いた取り組みが盛んに行われている。囲碁や将棋などでは、AIが人類を超越した存在になっているが、材料開発の分野では解くべき問題が複雑であるため、AI技術さえあればよいという状況には至っていない。そのため、材料開発では『AIと科学者の協創』が非常に重要となる。本講演では、材料開発を行う人間を強力にアシストすることができるAI技術 (機械学習技術) を紹介し、その実際の応用事例を交えて講演する。

1. マテリアルズ・インフォマティクスについて
2. 機械学習の応用事例1 – コンビナトリアルデータ解析技術
   1. コンビナトリアル技術とは
   2. 教師なし学習
   3. 実際の解析例
3. 機械学習の応用事例2 – 物性モデル構築技術
   1. スピン熱電材料
   2. High-throughput実験
   3. High-throughput第一原理計算
   4. 教師あり学習FAB/HMEs (Explainable AI)
   5. 実際の材料開発例
4. 機械学習の応用事例3 – 材料スクリーニング技術
   1. 教師あり学習 ベイズ最適化
   2. ゲームツリー
   3. 実際の材料探索例
5. 最後に
• 質疑応答

第3部 マテリアルズインフォマティックスを用いたリチウムイオン電池の正極材料の探索

(2018年11月14日 13:50〜15:20)

　「マテリアルズ・インフォマティックス」を用いたリチウムイオン電池材料、特に正極材料の開発について解説いたします。講師は、マテリアルズ・インフォマティックスを使用して日々、リチウムイオン電池の新規正極材料の探索をしており、その研究現場的視点から活用事例を紹介したいと思います。従いまして、マテリアルズ・インフォマティックスを使った経験がない受講者の方であっても、非常に具体的に材料開発への活用イメージを持っていただけると思います。また、マテリアルズ・インフォマティックスを活用するうえで必須とされるのが、計算化学 (第一原理計算) 、人工知能、そしてPython言語と言えます。本講座の前半では、これらが専門でない受講者の方を想定いたしまして、簡単に概要を述べたいと思います。

1. マテリアルズ・インフォマティックス (MI) とは
2. 機械学習
   1. 人工知能と機械学習、深層学習とMIとの関わり
   2. 材料開発でよく使われる機械学習の種類
      • ニューラルネットワーク
      • ランダムフォレスト
      • 強化学習
      • その他
      • 回帰と分類
   3. 機械学習ライブラリscikit-learnの使用方法
3. 第一原理計算の話
   1. 第一原理計算とは
   2. 第一原理計算の種類
   3. 第一原理計算からわかる事、わからない事
4. 電池におけるMIによる材料探索の取り組み
5. リチウムイオン電池の新規正極材料探索への活用事例
• 質疑応答

第4部 マテリアルズインフォマティクスを用いた構造材料の開発

(2018年11月14日 15:30〜17:00)

　「特性を予測、推定する」ということに関して、機械学習を使った様々な手法を相互比較しながら紹介する。材料研究者による機械学習を取り入れた講義であり、材料研究者が機械学習を学習する際のハードルをできるだけ低くなるようにその要点を簡潔明瞭に説明する。

1. 特性の予測
   1. パラメトリックモデル
      1. 最尤法
         1. 一般線形モデル
         2. 一般化線形モデル
      2. 事後確率MCMC法
   2. ノンパラメトリックモデル
      1. 一般化加法モデル
      2. 機械学習
         1. ニューラルネットワーク
         2. サポートベクター回帰
         3. ランダムフォレスト回帰
   3. 類似性の利用
      1. 正規化相互相関係数
      2. 相互情報量
      3. 混合正規分布関数の最尤法フィッティング
      4. 特徴量の主成分分析
      5. 特徴量の自己組織化マップ
      6. 深層学習
• 質疑応答