第1部 材料データ取得・解析・活用のためのベイズ最適化とスパースモデリング

(2023年1月20日 10:30〜12:00)

1. マテリアルズ・インフォマティクス概要
   1. AI for Materialsとマテリアル・ゲノムプロジェクト
   2. 機械学習の基礎
   3. 代表的な機械学習応用事例の紹介
   4. 物質・材料データの特徴と注意点
2. スペクトルに適したEMアルゴリズムによる解析
   1. ピーク検知のための処理フロー
   2. 非線形最小二乗法の困難
   3. EMアルゴリズムによる最尤推定
   4. スペクトル解析のための改良EMアルゴリズム
   5. 解析事例
3. データ活用:ベイズ最適化の概要と応用
   1. ベイズ最適化でやりたいこと
   2. ベイズ最適化を使った研究事例
   3. ベイズ最適化の作業フロー
      1. 予測曲線を確率的に引く (ガウス過程回帰)
      2. 「活用」と「探索」による候補点探索 (獲得関数)
• 質疑応答

第2部 ベイズ最適化によるマイクロフロー合成の条件探索

(2023年1月20日 12:50〜14:20)

　深層学習をはじめとする機械学習の利用が様々な分野で進んでいるが、有機化学の分野は実験コストが他分野と比べて高いため、他分野で有効な手法がそのまま有機化学において有用であるとは限らない。ベイズ最適化は実験コストが高い場合に、実験数を抑えつつ、最適解を見逃すことなく同定しうる手法として注目を集めている。
　演者は微小な流路を反応場とするマイクロフロー合成法の開発に取り組んでいるが、その最適条件探索においてベイズ最適化を用いた実例について紹介する。実際にベイズ最適化を使用したことで感じた手法の威力や限界、さらには化学者の役割についても本講座で述べたい。

1. 機械学習の種類
2. 過学習とハイパーパラメータの調整について
3. 線形回帰モデルと非線形回帰モデル
4. ベイズ最適化について
5. ベイズ最適化を用いる国内外の最新の研究報告
6. マイクロフロー合成
7. ベイズ最適化を駆使するマイクロフロー合成の条件最適化
8. 機械学習を駆使する研究における化学者の役割
• 質疑応答

第3部 ベイズ最適化を用いた実験工程の効率化

(2023年1月20日 14:30〜16:00)

　製造業や創薬などの様々な実応用において、実験工程 (計画) を効率化することは重要な課題である。近年、機械学習 (しばしばAIとも呼ばれる) を用いた実験工程の効率化に関する研究が盛んに行われている。
　本講演では、ベイズ最適化と呼ばれる機械学習アルゴリズムを用いて、最適な実験条件を効率的に探索するための方法について紹介します。特に、実験条件がすべて制御できる場合と、一部の条件が制御できない場合のそれぞれにおいて、実応用上重要となる最大化問題と領域推定問題の2つに焦点を当てながら解説いたします。

1. はじめに
   1. ブラックボックス関数について
   2. ベイズ推測に基づいた実験条件の最適化 (ベイズ最適化) に関して
2. ベイズ線形モデルとガウス過程回帰モデル
   1. ベイズ線形モデル
   2. ガウス過程回帰モデル
3. ガウス過程回帰モデルを用いたベイズ最適化
   1. 実験条件のすべてが制御可能変数である場合
      1. 最大化問題に関するベイズ最適化
      2. 領域推定に関するベイズ最適化
   2. 実験条件の一部に制御不能変数がある場合
      1. 制御可能変数に対する最大化問題に関するベイズ最適化
      2. 制御可能変数に対する領域推定に関するベイズ最適化
4. 関連する話題についての紹介
   1. 複数のブラックボックス関数を扱う場合 (多目的ベイズ最適化)
   2. 実験条件 (入力変数) が非常に多い場合 (高次元ベイズ最適化)
   3. 一度に複数の実験条件で実験を行う場合 (バッチベイズ最適化)
   4. 別に行った実験結果の情報を流用する場合 (マルチタスクベイズ最適化)
   5. 制御不能変数に対する情報が不足している場合 (分布的ロバストなベイズ最適化)
   6. 様々な実応用例に関して
• 質疑応答