本講座ではAIを科学に適用するAI for Scienceとほぼ等価なデータ駆動科学を用いて、AI for Material engineeringについて講義をし、今後各企業で必要にあるAI技術を紹介します。AIというとChat GPTなどの生成系AIを考えますが、その前に、実験計測データは数値計算データに含まれる、その材料に含まれる本質的な潜在構造を抽出することが必要です。その手法の一つであるスパースモデリンぐ (SpM: Sparse Modeling) において、生成AIが必要であることを述べます。
　以上の背景から本セミナーでは、AI for Science/データ駆動科学の情報数理基盤のベイズ計測とSpMを紹介し、これらがどのような仕組みで材料開発に活かされるかを、私が提案した機能発現の3+1ステップモデルに基づき説明します。
　本セミナーを受講することにより、AIの進展からAI for Scienceへの流れを理解することができます。そのAI for Scienceの材料科学版であるAI for Material engineeringに関する知識として、「データ駆動科学の三つのレベル」、「機能発現の3+1ステップモデル」が得られます。これら二つの知識を身につけると、明日から実践的な材料開発をAI for Material engineeringに基づき行うことができます。

1. 本セミナーのねらい
   1. AIの歴史とAI for Science
   2. AI for Material engineering
   3. AI for Material engineeringによる高収益化
2. 自然記述の基本的戦略とデータ駆動科学
   1. 要素還元主義と階層的自然観
   2. 階層的自然観とデータ駆動科学
3. データ駆動科学の二大情報数理基盤
   1. スパースモデリング (SpM) とベイズ推論
   2. 物理学とスパースモデリング (SpM)
   3. Keplerの法則と前期量子論
   4. 全状態探索型スパースモデリング (ES-SpM)
   5. 物理学におけるベイズ推論の必要性
4. 機能発現の3+1ステップモデル
5. 計算論的神経学とデータ駆動科学
   1. David Marrの三つのレベル
   2. データ駆動科学の三つのレベル
   3. データ駆動科学の三つのレベルと計測関連企業の高収益化
6. ベイズ計測: ベイズ推論と計測科学の融合領域
   1. 物理パラメータの事後確率推定
      • 神器1. 物理パラメータの事後確率推定
      • 神器2. ベイズ的モデル選択
      • 神器3. 複数データのベイズ統合
7. 直線回帰y=ax+bのベイズ計測解析計算の詳細な説明
   1. 物理パラメータの事後確率推定
   2. ガウス観測ノイズ分散推定
   3. ベイズ的モデル選択
8. 非線形計測系のロールモデルとしてのスペクトル分解
   1. スペクトル分解の通常手法とその問題点 (誤差関数の局所解とモデル選択)
   2. ベイズ計測の導入と、ベイズ計測実装のための数値計算の必要性
   3. スペクトル分解におけるベイズ的モデル選択
   4. 計測限界の定量的評価
9. 他の非線形計測系への展開
   1. NMR
   2. メスバウアー分光
   3. 小角散乱
   4. 比熱と磁化率の物理パラメータ事後確率推定とベイズ統合の導入
10. ベイズ計測の普及戦略
    1. SPring-8全ビームラインベイズ化計画
    2. SPring-8全ビームラインベイズ化計画共同実施者
    3. SPring-8全ビームラインベイズ化計画の波及効果
    4. ベイズ計測による計測科学のゲームチェンジング
11. スパースモデリング
    1. 家賃決定の数理モデルとしてのスパースモデリンぐ
    2. 磁石開発への適用例
    3. 機能発現の3+1ステップモデル
12. 民間企業のR&D (Research & Development) 戦略とデータ駆動科学
    1. データ駆動科学と民間就職 サイバーフィジカルシステムの観点から
    2. データ駆動科学と企業R&D組織のフラット化
    3. データ駆動科学と人材の流動化
13. まとめと、新規ビジネスなどの今後の展開
• 質疑応答