技術セミナー・研修・出版・書籍・通信教育・eラーニング・講師派遣の テックセミナー ジェーピー

マテリアルズ・インフォマティクス入門

マテリアルズ・インフォマティクス入門

～材料研究を促進し課題を解決するために～
オンライン 開催
関連するセミナー・出版物
  • オンデマンドセミナーに申し込む

    • このセミナーは2025年10月に開催したセミナーのオンラインセミナー:オンデマンド配信です。
    オンラインセミナーは、お申し込み日より10営業日間、動画をご視聴いただけます。
    お申込は、2026年2月26日まで受け付けいたします。
    (収録日:2025年10月30日 ※映像時間:約4時間13分)

    概要

    本セミナーでは、機械学習で基本的に用いられる「予測」「分類」「分布推定」「ベイズ最適化」技術の背景にある数学を簡単に解説し、「機械学習ポテンシャル」「スペクトル分類」「ピーク推定」等、マテリアルズ・インフォマティクスで用いられる機械学習の基礎とノウハウについて詳解いたします。

    申込期間

    • 2026年1月9日(金) 10時30分 ～ 2026年2月26日(木) 16時30分

    受講対象者

    • 実際に材料研究・開発に関連した業務で機械学習を利用している方
    • 材料研究・開発に関連した業務で機械学習を利用して課題に直面している方
    • マテリアルズ・インフォマティクスの導入を検討されている方

    プログラム

    　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が目的であり、今後の国際競争を勝ち抜くための必須テーマです。
    　本講座では、MIの実践事例を通じて、研究活動で生じるデータの生成・蓄積・活用のサイクルについて知っていただき、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と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、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モデリングについて、必要な考え方・基礎知識について学んでいただきます。

    1. マテリアルズ・インフォマティクス概要
      1. 情報科学の活用に至った経緯
      2. 機械学習の概要
      3. データ駆動型材料研究について
      4. データ駆動型材料研究の要素:データ生成
      5. データ駆動型材料研究の要素:データ蓄積
      6. データ駆動型材料研究の要素:データ活用
      7. 機械学習応用の流れと課題設定の重要性
      8. 物質・材料データの特徴と注意点
      9. 「分かりたい」のか「見つけたい」のか
      10. 情報科学市民権
    2. データ取得のためのベイズ最適化
      1. ベイズ最適化の背後にある数理
      2. 自律実験装置とAIソフトウェア
      3. ロボット制御のための環境整備
      4. GPyOpt
      5. OPTUNA
      6. PHYSBO
    3. 材料シミュレーションと結晶構造探索の基礎
      1. 物質・材料シミュレーションとは
      2. 密度汎関数法
      3. Schrodinger方程式を真面目に解く
      4. 密度汎函数理論ベースの計算コード
      5. エネルギー地形とは
      6. Nudged Elastic Band法
      7. 勾配法による構造最適化
      8. 局所解の避け方
      9. 遺伝的アルゴリズム
      10. 遺伝的操作
      11. USPEX
      12. 構造の結合メカニズム
      13. 粒子群最適化 (Particle Swarm Opt.)
      14. CALYPSO
      15. 特徴空間と類似性
      16. グローバルPSOとローカルPSO
      17. CALYPSOの重要概念
      18. Interface CARYPSO
      19. ベイズ最適化による構造探索
      20. CrySPY
      21. CrySPYの性能評価
      22. 双対グラフと多面体に基づく結晶構造生成
      23. 最密充填構造に基づいた探索
      24. ShotgunCSP
      25. Neural Structure Field (NeSF)
      26. Crystalformer
      27. MatterGen
    4. 材料データ蓄積を行う上で必要なこと
      1. データベース構築の3つの目的
      2. データベースの種類
      3. フラットファイルフォーマット
      4. ツリー構造を利用した実験データ蓄積
      5. 電子ラボノートの事例
    5. DB構築の出口戦略
      1. パーソナルDB
      2. DBを介した共同研究
      3. DBの共有・共用
      4. パブリックDB
      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
      1. 予測・モデル選択の応用例
      2. 「モデル」と「損失関数」
      3. 線形回帰とカーネル法の違い
      4. 損失関数の変更によるモデル選択
      5. 交差検証によるモデル評価
      6. モデル推定の種類
        • 最尤法
        • MAP推定
        • ベイズ推定
      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
      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
      2. 分類:教師あり学習と教師なし学習
      3. 特徴空間と類似性
      4. 主成分解析によるスペクトルの低次元化
      5. k-means法によるスペクトルの分類
      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
      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
    9. 質疑応答
    ページのトップヘ

    講師

    • 安藤 康伸 氏
      東京科学大学 総合研究院 化学生命科学研究所
      准教授
    ページのトップヘ

    主催

    サイエンス＆テクノロジー 株式会社
    お支払い方法、キャンセルの可否は、必ずお申し込み前にご確認をお願いいたします。

    お問い合わせ

    本セミナーに関するお問い合わせは tech-seminar.jpのお問い合わせからお願いいたします。
    (主催者への直接のお問い合わせはご遠慮くださいませ。)

    受講料

    1名様
    : 38,200円 (税別) / 42,020円 (税込)
    複数名
    : 25,000円 (税別) / 27,500円 (税込)

    複数名受講割引

    • 2名様以上でお申込みの場合、1名あたり 25,000円(税別) / 27,500円(税込) で受講いただけます。
      • 1名様でお申し込みの場合 : 1名で 38,200円(税別) / 42,020円(税込)
      • 2名様でお申し込みの場合 : 2名で 50,000円(税別) / 55,000円(税込)
      • 3名様でお申し込みの場合 : 3名で 75,000円(税別) / 82,500円(税込)
    • 同一法人内 (グループ会社でも可) による複数名同時申込みのみ適用いたします。
    • 請求書は、代表者にご送付いたします。
    • 請求書および領収書は1名様ごとに発行可能です。
      申込みフォームの通信欄に「請求書1名ごと発行」とご記入ください。
    • 他の割引は併用できません。
    • サイエンス&テクノロジー社の「2名同時申込みで1名分無料」価格を適用しています。

    アカデミー割引

    教員、学生および医療従事者はアカデミー割引価格にて受講いただけます。

    • 1名様あたり 10,000円(税別) / 11,000円(税込)
    • 企業に属している方(出向または派遣の方も含む)は、対象外です。
    • お申込み者が大学所属名でも企業名義でお支払いの場合、対象外です。

    オンデマンドセミナーの留意点

    • 申込み後、セミナーのキャンセルは承りかねます。 予めご了承ください。
    • 録画セミナーの動画をお手元のPCやスマホ・タブレッドなどからご視聴・学習することができます。
    • お申し込み前に、 視聴環境 をご確認いただき、 視聴テスト にて動作確認をお願いいたします。
    • お申し込み日から3営業日後までに、視聴方法のご案内メールをお送りいたします。
    • 視聴期間は、視聴方法のご案内メールの送信日より10営業日の間です。
      ご視聴いただけなかった場合でも期間延長いたしませんのでご注意ください。
    • セミナー資料は、PDFファイルをダウンロードいただきます。
    • 動画視聴・インターネット環境をご確認ください
      • セキュリティの設定や、動作環境によってはご視聴いただけない場合がございます。
      • サンプル動画が閲覧できるかを事前にご確認いただいたうえで、お申し込みください。
    • 本セミナーの録音・撮影、複製は固くお断りいたします。
  • オンデマンドセミナーに申し込む
    • ページのトップヘ

    これから開催される関連セミナー

    開始日時 会場 開催方法
    2026/2/26 AI・ロボットを活用した自律型材料研究開発 オンライン
    2026/2/26 マテリアルズインフォマティクスの動向と少ないデータへの適用事例 オンライン
    2026/2/26 生成AIによる特許調査・分析の現状と実務への適用 オンライン
    2026/2/26 生成AIを活用した研究データ解析と可視化手法 オンライン
    2026/2/27 時系列データ解析の基礎と進め方のポイント オンライン
    2026/3/2 マテリアルズインフォマティクスの動向と少ないデータへの適用事例 オンライン
    2026/3/5 衝撃解析における基礎理論・数値解析技法・実務対応のポイント オンライン
    2026/3/5 素材事業の中期R&D、新規事業テーマ探索の進め方 オンライン
    2026/3/6 ねじ締結技術セミナー (総合技術編) 東京都 会場・オンライン
    2026/3/6 衝撃解析における基礎理論・数値解析技法・実務対応のポイント オンライン
    2026/3/6 伸長流動の基礎、メカニズムと混練技術への応用 オンライン
    2026/3/9 生成AIによる特許調査・分析の現状と実務への適用 オンライン
    2026/3/9 素材事業の中期R&D、新規事業テーマ探索の進め方 オンライン
    2026/3/10 プラスチック強度設計の基礎知識 オンライン
    2026/3/10 Pythonを用いた高分子材料の画像解析入門 オンライン
    2026/3/10 スペクトル・イメージデータへの機械学習の応用 オンライン
    2026/3/11 生成AIとPython/LangChainを活用した次世代AIエージェント構築ワークショップ オンライン
    2026/3/11 実測データとデータ解析を統合した化学プロセス設計・最適化 オンライン
    2026/3/11 プラスチック強度設計の基礎知識 オンライン
    2026/3/13 AI、機械学習と従来型研究開発の現実的な組み合わせ方法 オンライン
    ページのトップヘ

    関連する出版物

    発行年月
    2025/3/31 ベイズ最適化の活用事例
    2025/3/31 板ガラスの破壊、強度、強化
    2024/10/31 少ないデータによるAI・機械学習の進め方と精度向上、説明可能なAIの開発
    2024/10/31 自然言語処理の導入と活用事例
    2024/1/12 世界のマテリアルズ・インフォマティクス 最新業界レポート
    2023/12/27 実験の自動化・自律化によるR&Dの効率化と運用方法
    2023/6/30 生産プロセスにおけるIoT、ローカル5Gの活用
    2023/4/28 ケモインフォマティクスにおけるデータ収集の最適化と解析手法
    2022/12/31 機械学習・ディープラーニングによる "異常検知" 技術と活用事例集
    2021/10/25 AIプロセッサー (CD-ROM版)
    2021/10/25 AIプロセッサー
    2021/7/30 マテリアルズインフォマティクスのためのデータ作成とその解析、応用事例
    2021/7/30 水と機能性ポリマーに関する材料設計、最新応用
    2021/6/30 人工知能を用いた五感・認知機能の可視化とメカニズム解明
    2021/6/28 AI・MI・計算科学を活用した蓄電池研究開発動向
    2020/12/30 実践Rケモ・マテリアル・データサイエンス
    2020/8/11 化学・素材業界におけるデジタルトランスフォーメーションの最新調査レポート
    2020/8/1 材料およびプロセス開発のためのインフォマティクスの基礎と研究開発最前線
    2020/7/31 生体情報センシングと人の状態推定への応用
    2020/4/30 生体情報計測による感情の可視化技術
    ページのトップヘ