第1章 実験自動化・自律化 (ラボラトリーオートメーション) への期待と支援制度

第1節 ラボラトリーオートメーションの現状と期待:「自動型化学研究」から「自律型化学研究」への展開と課題

• はじめに
• 1.研究者の日常業務と「自動化」研究および「自律化 (オートノマス) 」研究
  • 1.1 研究の「自動化」と「自律化 (オートノマス) 」
  • 1.2 技術的観点から見た「自動化」と「自律化 (オートノマス) 」の違い
  • 1.3 「情報」時代の到来による、知的/創造的業務をサポートする大規模生成AIの出現
• 2.研究者の日常での二大業務:データ収集及びデータ解析、および知的作業
  • 2.1 研究の「自動化」と「自律化 (オートノマス) 」の内容
  • 2.2 研究の「自律化 (オートノマス) 」での実施関連技術
• 3.実験自動化について (過去の事例より)
  • 3.1 実験自動化マシンをラボレベルから工場レベルに拡大し、世界的偉業を達成
    • 3.1.1 国際プロジェクト (HGP) とセレラ社のヒトゲノム解析へのアプローチの違い
    • 3.1.2 二つのプロジェクトにおけるシーケンサーの投入規模の違い
  • 3.2 化合物自動合成マシンの展開と、合成手法のバッチ式からフロー式への技術的な大変化
    • 3.2.1 バッチ式合成マシンの展開と、合成マシンによるタキソールの全合成実現
    • 3.2.2 フロー合成の展開
    • 3.2.3 今後の合成マシンの展開
  • 3.3 実験データの再現性 (安定性と不安定性及びノイズ) の問題
    • 3.3.1 実験データ誤差の種類 (一般的なノイズデータと系統的ノイズ)
    • 3.3.2 実験実施者の差異による系統的変動ノイズの事例
    • 3.3.3 実験実施者の違いによる実験データの差異 (教授と学生が行った実験)
    • 3.3.4 実験データの安定性や信頼性確保の観点でも実験の自動化は重要
• 4.研究者の日常業務:実験の「自動化」と知的研究での「自律化 (オートノマス) 」
  • 4.1 実験研究の自動化
  • 4.2 科学研究における「自律化 (オートノマス) 」の推進
• 5.時代と技術の発展による「自動化」から「自律化 (オートノマス) 」への変化
  • 5.1 コンピュータのハードからソフト (情報) 時代への変化
  • 5.2 現在から近未来に実現する「情報 (データ) 」時代とは
• 6.「自律化 (オートノマス) 」研究をサポートするAIシステムの出現と特徴
  • 6.1 「自律化 (オートノマス) 研究」をサポートするChatGPTの機能と概要
  • 6.2 ChatGPTの進化
  • 6.3 「自律化 (オートノマス) 」で必要となる知的/創造的内容を伴う業務がAIで可能か?
  • 6.4 学習データからAIの特徴 (機能、長所、欠点、限界、他) を知る
    • 6.4.1 生成AIの原点は学習
    • 6.4.2 人間と生成AIの「学習」に対するアプローチの違い
    • 6.4.3 生成AIの適用上での留意点
  • 6.5 「自律化 (オートノマス) 」研究への展開
• 7.「情報 (データ) 」時代の「自律化 (オートノマス) 」研究の展開
  • 7.1 「自律化 (オートノマス) 」研究で利用可能な道具、武器の出現
  • 7.2 「生成AI」とは
  • 7.3 「自律化 (オートノマス) 」研究への「生成AI」の展開
• 8.「情報 (データ) 」時代の生成AIや関連AIの今後の展開
  • 8.1 今後の大規模生成AIの流れ
    • 8.1.1 大規模生成AIの機能拡張と成長 (バージョンアップ)
    • 8.1.2 様々な大規模生成AI (様々な対抗システム) の出現
  • 8.2 特定テーマ解決型生成AIと大規模生成AIの関係
• まとめ

第2節 実験の自動化・自律化により期待される効果と導入のポイント

• はじめに
• 1.実験の自動化・自律化により期待される効果
  • 1.1 実験の自動化による期待される効果
  • 1.2 実験の自律化による期待される効果
• 2.実験の自動化・自律化の導入のポイント
  • 2.1 実験の自動化・自律化の導入のための調査
    • 2.1.1 調査会社の活用
    • 2.1.2 展示会、学会の活用
    • 2.1.3 自らが行う情報収集
  • 2.2 調査結果の活用
  • 2.3 自動化・自律化に向けた人材の獲得
• 3.自動化・自律化の検討例
  • 3.1 各種分析における自動化
  • 3.2 物質探索ロボット (産総研マガジンから引用)
  • 3.3 自動有機合成装置
  • 3.4 自動反応装置 (Chem-Stationから引用)
  • 3.5 次世代ラボ (三菱ケミカル、ニュースイッチから引用)
  • 3.6 LCおよびLC-MSを含む自律型実験システム (SHIMADZUホームページから引用)
  • 3.7 半導体工場での自動化 (大規模な工業化の実例)
  • 3.8 自律制御で化学プラントを35日間連続制御 (横川電機ホームページから引用)
• 4.自動化・自律化における注意点
  • 4.1 手動での実験、観察
  • 4.2 手動実験でのまとめ
  • 4.3 実験装置のサイズ
  • 4.4 分解掃除がやりやすいこと
  • 4.5 自動化・自律化システムの構築
  • 4.6 安全の確保
  • 4.7 自動化・自律化の適用範囲の限界
• 5.マテリアルズ・インフォマティックス (MI) の活用
  さいごに

第3節 日本におけるデジタル戦略の特徴と補助金や支援制度について

• はじめに
• 1.日本のデジタル戦略の特徴
• 2.支援制度について
  • 2.1 政府の動向
  • 2.2 主な支援制度
    • 2.2.1 中小企業サイバーセキュリティ対策促進事業
    • 2.2.2 中小企業等事業再構築促進事業
    • 2.2.3 デジタル取引環境整備事業
    • 2.2.4 中小企業生産性革命推進事業
    • 2.2.5 成長型中小企業等研究開発支援事業 (GO-Tech事業)
    • 2.2.6 産業技術総合研究所における中堅・中小企業への橋渡しの取組
    • 2.2.7 SBIR制度に基づく支援
    • 2.2.8 地域DX促進環境整備事業
    • 2.2.9 海外サプライチェーン多元化支援事業
    • 2.2.10 越境EC等利活用促進事業
• 3.産業データ連携基盤
  結びに変えて

第2章 ラボラトリーオートメーション実現へのステップ

第1節 ラボラトリーオートメーションへのステップと実験自動化推進のポイント

• 1.データ駆動化学の守備範囲
• 2.新材料創出とその作り方の一体化:プロセスインフォマティクス
• 3.新しい研究の仕方 _{リサーチトランスフォーメーション (RX) サイクル}
• 4.今後のプロセスインフォマティクスの可能性
• 5.データ駆動型化学には良く整理されたデータが重要
• おわりに

第2節 大型実験施設・研究開発現場におけるDX化へ向けて

• はじめに
• 1.ヒトと科学情報との関わり、歴史
  • 1.1 ヒトの情報との関わり、歴史
  • 1.2 自然科学における情報・データの変遷
• 2.実験施設・実験装置における情報、データ
  • 2.1 実験装置における情報
  • 2.2 実験施設における情報
• 3.実験施設におけるICTデバイスの導入、ネットワーク化
  • 3.1 実験装置における情報・デバイスのデジタル化
  • 3.2 実験施設におけるインフラネットワークの整備
• おわりに

第3節 ラボラトリーオートメーションの概要と実験自動化推進のポイント

• はじめに ラボラトリーオートメーションとは
• 1.ラボラトリーオートメーションの有用性
  • 1.1 効率性の向上
  • 1.2 高品質な結果の確保
  • 1.3 作業環境の改善
  • 1.4 リソースの効率的な利用
  • 1.5 大規模なデータ処理と管理
  • 1.6 業界の競争力向上
• 2.ラボラトリーオートメーションの実用例
  • 2.1 医薬品開発
  • 2.2 臨床検査
  • 2.3 環境分析
  • 2.4 食品安全
  • 2.5 物質研究
• 3.ラボラトリーオートメーション化への基本的なステップ
  • 3.1 (ステップ1) ラボの現状評価
  • 3.2 (ステップ2) 目標設定と戦略策定
  • 3.3 (ステップ3) 技術選定とシステム設計
  • 3.4 (ステップ4) システム導入と受入検査
  • 3.5 (ステップ5) トレーニング
  • 3.6 (ステップ6) モニタリングと最適化
  • 3.7 (ステップ7) ベストプラクティスの共有と連携
• 4.ラボラトリーオートメーションのビジネス状況
  • 4.1 ラボラトリーオートメーションの市場
  • 4.2 自動分注装置におけるビジネス環境

第3章 自動・自律実験の運用における組織体制と社内展開の仕方

第1節 研究開発部門のDX化を進めるための組織体制と社内展開

• はじめに
• 1.研究開発部門におけるDX
  • 1.1 DXとは
  • 1.2 研究開発部門にDX化が求められる背景
    • 1.2.1 顧客ニーズ多様化に起因する効率化
    • 1.2.2 顧客要望の高度化
    • 1.2.3 規制の強化
    • 1.2.4 人材不足の解消
    • 1.2.5 データの有効活用
  • 1.3 研究開発部門におけるDX化
    • 1.3.1 業務に関するツールの導入
    • 1.3.2 クラウド環境の整備
    • 1.3.3 データ分析
    • 1.3.4 デジタルツインの導入
• 2.研究開発部門におけるDX推進の組織
  • 2.1 推進組織の役割
    • 2.1.1 初期の導入段階の役割
    • 2.1.2 普及段階の役割
  • 2.2 組織の規模
  • 2.3 組織人員の編成
  • 2.4 専任者と兼務者
• 3.研究開発部門におけるDX化の社内推進
  • 3.1 マテリアルズ・インフォマティックスとは
  • 3.2 社内推進の難しさ
    • 3.2.1 データが揃わない
    • 3.2.2 取り組みが良く思われない
  • 3.3 協力者を探し集めるための取り組み
    • 3.3.1 危機感を持たせる
    • 3.3.2 無理だと考えられていた成果を出す
    • 3.3.3 挑戦意欲のある人を見出す
  • 3.4 DX化活動を継続させるための取り組み
    • 3.4.1 事例を作る
    • 3.4.2 納得できる理論があることを示す
    • 3.4.3 利用方法をガイドする
    • 3.4.4 高い目標を設定する
• おわりに

第2節 OKIにおけるDX戦略とイノベーション創出のための組織変革

• はじめに
• 1.DXをどう考えるか
• 2.OKI DX戦略
  • 2.1 DXによるビジネス改革
  • 2.2 全員参加型イノベーションによる組織変革
  • 2.3 外部化 (エクスターナライゼーション)
• 3.研究開発プロセスの変化とイノベーションマネジメントプロセス (IMS) の導入
  • 3.1 研究開発プロセスの変化
  • 3.2 イノベーションマネジメントプロセス (IMS) とは
  • 3.3 イノベーション・マネジメントシステム (IMS) と品質マネジメントシステム (QMS) の連動
• おわりに

第3節 DXを用いた研究開発活動を中心とした業務の効率化

• はじめに
• 1.高砂電気工業の概要
• 2.高砂電気工業のビジネスモデル
  • 2.1 高砂電気工業の一般的な業務フロー
  • 2.2 高砂電気工業の組織
• 3.ChatGPTによる既存業務の効率化
  • 3.1 社内デザインレビュー開催
  • 3.2 特許調査の効率化
• おわりに

第4節 DX活用へのデータプラットフォーム構築,社内普及と実験自動・自律化への活用

• はじめに
• 1.データプラットフォーム
  • 1.1 データの集約,アクセス
  • 1.2 データ抽出の課題と対策
    • 1.2.1 表記揺れ
    • 1.2.2 ユーザー辞書の作成
    • 1.2.3 データのデジタル変換
  • 1.3 データプラットフォームの社内普及
  • 1.4 データプラットフォームと実験ノートの連携
• 2.データプラットフォームの実験自動・自律化への活用
  • 2.1 シミュレーションの進化とデータプラットフォーム
  • 2.2 データプラットフォームの活用と実験の自律化
  • 2.3 MLOpsと自律型実験システムの効率化
  • 2.4 マルチモーダルAIとデータの多様性
  • 2.5 データプラットフォームと市場情報の統合
• おわりに

第5節 マテリアルズ・インフォマティクスに向けた材料データの記録・データ活用法の展開

• はじめに
• 1.データの記録
  • 1.1 何を中心にデータを記録するか
  • 1.2 何を使ってデータを入力させるか
    • 1.2.1 Excel
    • 1.2.2 電子実験ノート
    • 1.2.3 Pipeline Pilot
    • 1.2.4 LiveDesign
    • 1.2.5 データベース参照・データ解析システム
• 2.データ活用法の展開
  • 2.1 データを入力してもらうには
  • 2.2 提供する計算手法とは
    • 2.2.1 化学構造式
    • 2.2.2 連続値データ
    • 2.2.3 画像
  • 2.3 どのようにシステムを構築するか
    • 2.3.1 自社開発
    • 2.3.2 開発会社に委託
    • 2.3.3 商用ソフトを利用
• まとめ

第6節 材料開発の効率化と加速化:DXにおける先端IT技術の役割と課題

• はじめに
• 1.DXで最も重要な要素
  • 1.1 材料開発の加速を目指す明確な目的・ゴールの設定
  • 1.2 データの共有化と民主化
  • 1.3 組織文化の変革とスキルセットの向上
  • 1.4 リスク管理とセキュリティの確保
• 2.具体的な活用例紹介
  • 2.1 データソースから可視化までのワークフロー
  • 2.2 格納データと機械学習連携
• まとめ

第7節 秘密計算を用いた企業間データ連携による材料開発効率化

• はじめに
• 1.化学産業における研究開発とMIの現状
  • 1.1 材料研究開発を取り巻く環境
  • 1.2 MIにおける企業間データ連携の必要性
• 2.秘密計算が実現する次世代MI
  • 2.1 秘密計算とは
  • 2.2 次世代MI:秘密計算による安全な企業間データ連携・活用
  • 2.3 ユーザー企業への提供価値
• 3.次世代MIを実現するサービス「EAGLYS ALCHEMISTA」
  • 3.1 製品概要と特徴
  • 3.2 EAGLYS ALCHEMISTAのフロー
• 4.おわりに

第8節 クラウド型電子実験ノートを活用した研究データの統合的管理

• はじめに
• 1.創薬研究の環境変化
• 2.クラウド型電子実験ノート
  • 2.1 クラウド型電子実験ノートのメリット
  • 2.2 創薬研究データ管理クラウドシステムCDD Vaultgg
    • 2.2.1 CDD Vault の主な機能
    • 2.2.2 多様な創薬モダリティの研究データの統合的管理
    • 2.2.3 組織内外との研究データの共有
• 3.電子実験ノートの活用例
  • 3.1 低分子化合物の研究データの管理の事例
  • 3.2 新しいモダリティの研究データの管理の事例
  • 3.3 複数の組織での研究データの共有の事例
  • 3.4 国際的な共同研究プロジェクトの研究データの共有の事例
• おわりに

第9節 少ないデータでDX、インフォマティクスを行うための準備と工夫の仕方

• はじめに
• 1.「少ない」を考える
  • 1.1 「少ない」のパターン
  • 1.2 データが「少ない」ことへの対応方法
• 2.手持ちデータを駆使する場合
  • 2.1 小さな成功を育てる方法
  • 2.2 記述子を改善する
• まとめ

第10節 研究開発型企業に求められるデータドリブンな意思決定

• はじめに
• 1.データドリブンな意思決定と課題
  • 1.1 データ量の増加
  • 1.2 データのサイロ化
  • 1.3 統一性に欠けるデータ・バリエーションの増加
  • 1.4 価値の高いリソースの非効率的な利用
  • 1.5 不完全な情報による意思決定
• 2.データドリブンな意思決定プロセス
  • 2.1 目標を明確にする
  • 2.2 関係者との認識共有
  • 2.3 現状の確認
  • 2.4 課題を明確にする
  • 2.5 戦略をたてる
  • 2.6 必要なデータの確認・入手
  • 2.7 データの活用
    • 2.7.1 社内外の化学的情報を統合参照する
    • 2.7.2 Key Opinion Leader・将来有望な研究者を探す
  • 2.8 データドリブンな意思決定
• おわりに

第11節 間接部門へのDX導入による生産性向上とイノベーション創出

• はじめに
• 1.日本企業の間接部門へのDX導入の状況
• 2.日本企業の間接部門へのDX導入の進捗
• 3.間接部門へのDX導入によるイノベーション創出
• 4.間接部門へのDX導入を成功させるためのポイント

第12節 新規事業を担うDX人材:オムロンDXスクールの仕組みと人材育成

• はじめに
• 1.新規事業を担うDX人材とは
• 2.リスキリングではなくアップスキリング
• 3.オムロンDXスクール:3つの仕掛け
  • 3.1 メンター・メンティー制度 (師匠と弟子のペア決め)
  • 3.2 分解して伸ばす
  • 3.3 仕組み化
• 4.実践を通して得られた学び
• 5.今後の展望
• おわりに

第4章 自動実験設備・自律型実験システムの特徴と研究開発業務への導入ポイント

第1節 R&D部門における自動・自律実験運用のデータプラットフォーム構築とその運用・推進体制

• はじめに
• 1.R&D部門におけるデータ共有・利活用の実情
• 2.属人的なデータ共有、形骸化したデータ共有状況から生まれる問題点
• 3.属人的なデータ共有、形骸化したデータ共有状況が生み出される原因
• 4.属人的データ共有状況を脱するための事前準備の前に行うべきこと
• 5.R&D部門におけるデータベース、システムは、魔法の箱ではない!
• 6.データベース、システムの最大の利点とは!
• 7.自動・自律実験に先立つ属人的データ共有状況を脱するための事前準備 (手順書作成編)
• 8.自動・自律実験に先立つ属人的データ共有状況を脱するための事前準備 (システム化対象特定編)
• 9.自動・自律実験データプラットフォーム導入に必要なソフトウェア要件
• 10.自動・自律実験データプラットフォームにおける項目名の決定の方法と注意点
• 11.自動・自律実験データプラットフォームを使ったデータ分析の方法と注意点
• 12.自動・自律実験データプラットフォーム導入時の落とし穴とそれを防ぐ方策
• 13.自動・自律実験プラットフォーム運用後の落とし穴とそれを防ぐ方策
• 14.効果的な自動・自律実験データプラットフォームと運用体制の作り方
• おわりに

第2節 電子ノートによるAI自動解析システムの構築と実験の効率・自動化への展望

• はじめに
• 1.背景と目的
• 2.グラフ形式での実験データの記録
• 3.構造化データへの変換と分析
• 4.まとめと自動実験への展望

第3節 自動化フロー法による新規プロセスと反応解析

• はじめに
• 1.フロー法における自動化・DX化の類型
  • 1.1 アルゴリズムによる反応条件決定
  • 1.2 実験操作の自動化
  • 1.3 分析装置との統合
  • 1.4 クローズドループ最適化
• 2.筆者の研究事例
  • 2.1 多相スラグを用いる抽出 – 逆抽出一貫プロセス
  • 2.2 自動化マイクロフロー分析法による動的キラル分子の立体化学挙動解析
  • 2.3 アルキン部分水素化における添加剤探索
• おわりに

第4節 卓上4軸ロボットとIoTデバイスを組み合わせたジャーテスト自動化システム

• はじめに
• 1.システム全体の概要
  • 1.1 ジャーテスト
  • 1.2 自動化システムのコンセプト
  • 1.3 システム構成
• 2.各作業の自動化システム
  • 2.1 搬送システム
  • 2.2 注水システム
  • 2.3 ビーカー供給システム
  • 2.4 薬注システム
  • 2.5 ジャーテスターの操作システム
  • 2.6 フロック形成の監視システム
• 3.実証実験
  • 3.1 実験概要
  • 3.2 実験結果
• おわりに

第5節 自律型ハイスループット薄膜材料探索の基盤となるデータ共有と薄膜材料開発

• はじめに
• 1.薄膜材料でデータ駆動材料開発のアプローチ
• 2.実験装置からのデータ収集と循環
  • 2.1 コンビナトリアル薄膜合成手法
  • 2.2 データ蓄積でのデータ変換とクレンジング
  • 2.3 実験室内でのデータ循環
• 3.データ解析と自律化へのアプローチ
  • 3.1 データ解析の階層化と蓄積
  • 3.2 AIを使用したデータ解析例
• おわりに

第5章 RPAによる研究開発業務効率化と生産性向上

第1節 RPAによる業務改善・業務効率化と研究開発業務への導入検討

• はじめに
• 1.業務改善・効率化の選択肢としての自動化 (RPA)
  • 1.1 RPAとは何か
  • 1.2 RPAにできること・向いていること
  • 1.3 従来のシステム化やAIとの違い
  • 1.4 RPA導入がうまくいく会社・うまくいかない会社
• 2.業務の自動化 (RPA) 推進方法
  • 2.1 まずは自部門の業務を洗い出す
  • 2.2 洗い出した業務を分類する
  • 2.3 まずは作業レベルをRPA化する
  • 2.4 RPA導入効果を考える際に大事なこと
  • 2.5 代表的なRPAツール

第2節 RPAによる研究開発業務の短縮

• はじめに
• 1.短縮・自動化を阻む、2つの「研究開発業務の専門性」
• 2.ジレンマを生む、「IT利用の専門性」
• 3.研究開発業務にマッチした「RPA」とは
• 4.光触媒性能評価およびその研究業務へのRPAの活用
  • 4.1 レザズリンインクを用いた光触媒性能評価へのRPAの活用
  • 4.2 各種光触媒性能間の相関性の解析
  • 4.3 結論
• おわりに

第3節 RPA導入による業務効率化と効果的な運用

• はじめに
• 1.自治体におけるRPA
  • 1.1 自治体DXの推進
  • 1.2 自治体基幹システムの標準化とRPA
  • 1.3 導入にむけた課題
• 2.飯能市様の事例
  • 2.1 実証実験
  • 2.2 使用ツール
• まとめ

第6章 協働ロボによる実験の短縮と実験自動化・自律化への応用方法

第1節 協働ロボット導入における考慮すべきポイントと研究開発業務自動化への活用

• はじめに
• 1.協働ロボットとは
  • 1.1 協働ロボットの概要
  • 1.2 産業用ロボットとの違い
• 2.協働ロボットの導入効果
  • 2.1 協働ロボットの安全性
    • 2.1.1 法規制 (労働安全衛生規則第150条の4) の緩和
    • 2.1.2 安全対策例
  • 2.2 協働作業のメリット
    • 2.2.1 協働ロボット導入のメリット
    • 2.2.2 協働ロボット導入のデメリット
• 3.協働ロボットの事例紹介
  • 3.1 人と同じ作業場での共存
  • 3.2 安全と作業効率
• 4.協働ロボットの導入準備・費用
  • 4.1 協働ロボット導入にかかる費用
  • 4.2 レンタルサービスの利用
• 5.協働ロボットの導入方法・ステップ
  • 5.1 協働ロボットの導入方法・ステップ
    • 5.1.1 事前検討
    • 5.1.2 担当者による要件の検討
    • 5.1.3 仕様定義
    • 5.1.4 設計 (基本・詳細)
    • 5.1.5 製造,納入前テスト
    • 5.1.6 本稼働開始後の保守・点検
  • 5.2 協働ロボットに何をさせるか
    • 5.2.1 タクトタイムと人との共存
    • 5.2.2 協働ロボットの選び方
• 6.協働ロボットを活用できる人材の育成
  • 6.1 キャリア目標と習得すべきこと
    • 6.1.1 これから育成する人材に対して「キャリア目標」を示す
    • 6.1.2 育成するために「習得すべきこと」を示す
  • 6.2 ティーチングなどの必要な知識
    • 6.2.1 ロボットティーチング
    • 6.2.2 運用サポート
• 7.要求される安全の知識
  • 7.1 要求される安全の知識
  • 7.2 労働安全衛生規則における産業用ロボットについての措置

第2節 ヒト型協働ロボットNEXTAGEを活用した自動化、効率化の取り組み

• はじめに
• 1.NEXTAGEの開発経緯
• 2.NEXTAGEの特長
  • 2.1 人との共存
  • 2.2 オールインワンシステム
  • 2.3 簡便設置
  • 2.4 コンパクトスペース
  • 2.5 自社開発のティーチングソフトウェア
• 3.NEXTAGEの適用事例
  • 3.1 人と同程度のサイクルタイムによる秤量工程の実現
  • 3.2 高精度での秤量
  • 3.3 粉体および容器への汎用性
• 4.新たな取り組み
• おわりに

第3節 多関節ロボットを用いた湿式分離自動化システムの開発

• はじめに
• 1.単純なLAを実現する方法論
• 2.湿式分離自動化システムの概要
• 3.自動湿式分離システムのハードウェア構成の方法論
  • 3.1 ホットプレートとホットスターラー
  • 3.2 マイクロ波試料分解装置
  • 3.3 マッフル炉
  • 3.4 自動濾過装置
  • 3.5 自動マイクロピペットと送液ポンプ
  • 3.6 カメラ
  • 3.7 多関節ロボットと走行軸
  • 3.8 ロボットハンド
• 4.湿式分離を自動で行うLabVIEW制御プログラム
  • 4.1 複雑なLAを実現するLabVIEWプログラムの基本構造
  • 4.2 機器制御プログラム (メインVI)
    • 4.2.1 ロボット制御プログラム、走行軸制御プログラム、電動ロボットハンド制御プログラム
    • 4.2.2 マッフル炉制御プログラム、ホットプレート制御プログラム
    • 4.2.3 マイクロ波試料分解装置制御プログラム
    • 4.2.4 マイクロピペット制御プログラム
    • 4.2.5 マグネットホットスターラー制御プログラム
    • 4.2.6 減圧濾過装置と送液ポンプの制御プログラム
    • 4.2.7 マシンビジョンプログラム
  • 4.3 基本動作レイヤーのサブVI
  • 4.4 共通動作レイヤーのサブVI
  • 4.5 複合動作レイヤーのサブVIと自動湿式分離プログラム
• 5.LAシステムを構築する際の困難

第4節 ハンドアイカメラを有するロボットマニピュレーターを用いたマイクロピペットの自律点検と液体分注作業

• はじめに
• 1.ピペット操作用エンドエフェクタの設計
• 2.ロボットの軌道生成
  • 2.1 精密天秤を用いた自律点検
  • 2.2 他の自動化機器との統合
• 3.ビジョンシステム
  • 3.1 ラックの位置検出と機器の液晶画面に表示された数値の認識
  • 3.2 チップの装着
• 4.実験
  • 4.1 分類器の選定
    • 4.1.1 予測誤差と真値の差
    • 4.1.2 実機での挿入の性能
    • 4.1.3 垂直方向のずれ
  • 4.2 自律点検における分注精度の測定
  • 4.3 RIPPS と統合したケミカルスクリーニング作業
• まとめ
• 謝辞

第5節 自動実験ロボットと機械学習による蓄電池用電解液材料探索

• はじめに
• 1.蓄電池材料のハイスループット実験・計算
• 2.電気化学自動実験ロボットを用いた電解液材料探索
• 3.電気化学自動実験ロボットとデータ科学的手法の連携
• おわりに 第7章 AI技術を活用した実験の短縮と実験自動化・自律化

第1節 リサーチ・トランスフォーメーション (RX) による研究の効率化

• はじめに
• 1.RXのシフト:研究開発のオペレーティングシステム (OS) を替える
  • 1.1 研究開発人材・組織のX
  • 1.2 研究施設と必要資材 (モノ)
  • 1.3 研究開発活動の遠隔化と過密でない現場
  • 1.4 自動化・知能化 (AI・ロボットが人から動作を学び,実験し,仮説を設計,予測・検証をする)
  • 1.5 研究コミュニケーションのかたち
  • 1.6 本節で述べてきたRXのまとめ

第2節 マテリアルキュレーション®を活用したデータの補い方と実験自動化・自律化へのAI技術活用

• はじめに
• 1.マテリアルキュレーション®を活用したデータの補い方
  • 1.1 熱伝導率
  • 1.2 酸素吸着エネルギー
  • 1.3 トレードオフ関係
  • 1.4 遷移金属炭化物の仕事関数とビッカース硬度・密度
• 2.実験自動化・自律化へのAI技術活用
  • 2.1 代替データ・記述子
  • 2.2 結果の説明
  • 2.3 テーマ・材料系設定
• 3.最後に:実験自動化・自律化への非数値データの活用

第3節 AI技術を用いたフロー自動合成と実験の短縮

• はじめに
• 1.データ取得および自動化の観点におけるフロー合成の特長
• 2.フロー合成による高精度かつ高速なデータ収集
• 3.フロー合成の高速な最適化
  • 3.1 ベイズ最適化を用いた高速最適化
  • 3.2 ベイズ最適化を用いたバッチでは困難な反応の高速最適化
• 4.フロー合成の自動最適化
• おわりに

第4節 複数の生成AIを統合したマルチモーダルAIによる材料開発の効率化

• はじめに
• 1.背景
  • 1.1 データ解析の3つのアプローチ
  • 1.2 生成AIの到来
• 2.マルチモーダルAI
  • 2.1 マルチモーダルAIとは
  • 2.2 材料分野に適用可能なマルチモーダルAIの仕組み
• 3.マルチモーダルAIの適用事例
  • 3.1 生成AIを用いた材料の物理・化学構造情報の生成
  • 3.2 複数の材料特性の予測及び最適組成の探索
• 4.今後の展望
• おわりに

第5節 AIと分子シミュレーションを組み合わせたソフトマター材料の物性予測と開発効率化

• はじめに
• 1.AI活用による高性能界面活性剤材料の推定
  • 1.1 機械学習モデル作成のための粗視化分子シミュレーション
  • 1.2 機械学習モデルを用いた分散性・粘度の予測
• 2.AIを活用した自己集合構造の予測
  • 2.1 機械学習モデル作成のための粗視化分子シミュレーションとエンコーディング
  • 2.2 機械学習モデルを臨界充填パラメータの予測
• おわりに

第6節 計算科学と機械学習を活用した高周波対応フレキシブル誘電材料の開発

• はじめに
• 1.マテリアルズインフォマティクス (MI) を活用した材料開発スキームの検討
  • 1.1 低誘電率材料の探索
  • 1.2 機械学習による誘電率の回帰モデルの構築
  • 1.3 分子動力学計算による原子分極,配向分極由来の誘電特性の計算
  • 1.4 機械学習による誘電正接の回帰モデルの構築
• おわりに

第7節 素材・材料開発効率化へのMI活用と実験自動化・自律化への展望

• はじめに
• 1.素材・材料開発効率化へのMI活用
  • 1.1 素材・材料開発テーマで抱える課題
  • 1.2 開発効率化へのMI活用
• 2.活用事例 フィルム製品の品質予測システムの構築
  • 2.1 テーマ概要
  • 2.2 検討初期におけるターゲット選定
  • 2.3 連続フローシステムと実験計画法によるデータ空間の拡大
    • 2.3.1 D最適計画による効率的なサンプル取得
    • 2.3.2 連続フローシステムによるサンプル採取の効率化
  • 2.4 機械学習による高精度な品質予測モデルの構築
  • 2.5 データベース整備
    • 2.5.1 データベース整備の必要性
    • 2.5.2 データ集約の仕組み化
  • 2.6 品質予測モデルの活用と現場への仕組みの実装
    • 2.6.1 品質予測モデルの活用
  • 2.7 開発現場への実装と得られた成果
• 3.実験自動化,自律化への展望
  • 3.1 実験自動化,自律化へ期待すること
  • 3.2.当社における実験自動化,自律化の展望

第8節 創薬研究のデジタルトランスフォーメーション _{AIとロボットを活用した創薬}

• はじめに
• 1.AI・シュミレーション技術を活用したヒット化合物探索
• 2.AI・ロボットを駆使したDMTAサイクル
  • 2.1 設計 (Design)
  • 2.2 合成 (Make)
    • 2.2.1 ハイスループット合成
    • 2.2.2 ロボットによる自動合成
  • 2.3 評価 (Test)
  • 2.4 解析 (Analyze)
    • 2.4.1 ADMET予測モデルの構築と自動更新
    • 2.4.2 構造活性相関の解析とレポート作成の自動化
• 3.創薬プロジェクトでの実践
• おわりに

第9節 AIを活用した創薬探索研究の効率化と高速化

• はじめに
• 1.HTSから端緒化合物の発掘におけるAI活用
  • 1.1 化合物ライブラリのエリート化
  • 1.2 ヒットエクスパンジョン
• 2.リード最適化におけるAI活用
  • 2.1 化合物構造発生AI
  • 2.2 薬物評価AI
• 3.今後のAI創薬の展望
• まとめ

第10節 結晶構造精密化の自動化法の開発と活用の仕方

• はじめに
• 1.結晶構造精密化の自動化法の開発
  • 1.1 リートベルト解析の原理
  • 1.2 リートベルト解析の進め方
  • 1.3 リートベルト解析の自動化法の開発
  • 1.4 リートベルト解析の自動化法の開発
• 2.ハイスループット実験への活用事例とインフォマティクス研究への展開

第11節 動物細胞培養の計測と自動化への取り組み、今後の展望

• はじめに
• 1.細胞培養者の動線分析による細胞培養計測
  • 1.1 実験概要
  • 1.2 結果と考察
• 2.細胞培養者の手元作業分析による細胞培養計測
  • 2.1 実験手法
  • 2.2 結果と考察
• 3.流体シミュレーションを用いた細胞培養計測
  • 3.1 実験概要
  • 3.2 結果と考察
• 4.ロボット分注機を用いた細胞培養計測
  • 4.1 実験概要
  • 4.2 結果と考察
• おわりに
• 謝辞

第12節 自律的な計測のための実験計画の立て方と自動データ解析

イントロダクション

• 1.自律的な計測のための実験計画の立て方
  • 1.1 自律的な計測のための実験計画
  • 1.2 能動学習とガウス過程回帰
    • 1.2.1 ガウス過程回帰の基本概念
    • 1.2.2 能動学習とガウス過程回帰を組み合わせることによる自律実験
  • 1.3 自律計測への能動学習の応用
    • 1.3.1 X線磁気円二色性スペクトル計測への能動学習の適用
    • 1.3.2 能動学習の利点
  • 1.4 計測の自動停止
• 2.自動データ解析
  • 2.1 ブラックボックス最適化と結晶構造解析の自動化

第13節 Chat-GPTを用いた研究開発の効率化と実験短縮への応用

• はじめに
• 1.ケミカル分野の企業研究所DXに必要なことと、Chat-GPTの影響点
• 2.Chat GPTは研究所DXにどのように貢献できるか?
  • 2.1 文献検索の支援
  • 2.2 仮説のアイディエーション
  • 2.3 ダミーデータの作成
  • 2.4 テスト/試験または毒性/環境影響等の簡潔な予測
• 3.課題と期待、おわりに 第8章 ベイズ最適化による実験条件の効率的探索と実験効率化への活用

第1節 機械学習によるスペクトル計測・解析の効率化・自動化

• はじめに
• 1.スペクトル計測の効率化
  • 1.1 X線吸収分光
  • 1.2 能動学習によるX線吸収スペクトル計測
  • 1.3 能動学習による計測の自動停止
• 2.スペクトル解析の効率化
  • 2.1 角度分解光電子分光
  • 2.2 顕微ARPES
  • 2.3 教師なし学習による顕微ARPESデータ解析
• おわりに

第2節 ベイズ最適化を用いた実験工程の効率化

• はじめに
• 1.ブラックボックス関数最適化
  • 1.1 最適変数探索問題
  • 1.2 既知関数とブラックボックス関数
  • 1.3 ベイズ最適化
• 2.ベイズ線形モデルとガウス過程回帰モデル
  • 2.1 ベイズ線形モデル
  • 2.2 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
  • 3.1 Probability of Improvement (PI)
  • 3.2 Expected Improvement (EI)
  • 3.3 Upper Confidence Bound (UCB)
  • 3.4 Thompson Sampling
  • 3.5 それぞれの獲得関数の挙動と性質
  • 3.6 発展的な獲得関数に関して
• 4.ガウス過程回帰モデルを用いた領域推定のためのベイズ的アプローチ
  • 4.1 ガウス過程を用いた領域推定
    • 4.1.1 Straddle
    • 4.1.2 Maximum Improvement in Level-set Estimation (MILE)

第3節 ベイズ最適化と低次元化によるモノづくりの効率化と試行回数の低減化

• はじめに
• 1.ベイズ最適化の概要と適用事例
• 2.ベイズ最適化の試行回数削減に関する課題と解決策
• 3.高次元ベイズ最適化
• 4.追加情報を用いたベイズ最適化
• 5.追加情報を用いた高次元ベイズ最適化

第4節 ベイズ最適化を用いた実験条件の探索と効率的なポリマー設計

• はじめに
• 1.背景・課題
• 2.ベイズ最適化
  • 2.1 ベイズ最適化の基本的な考え方
  • 2.2 回帰手法、獲得関数
• 3.ベイズ最適化を用いたポリマー設計
  • 3.1 問題設定
  • 3.2 試行回数の評価方法
    結言
• 謝辞

第5節 第一原理計算と機械学習を組み合わせた自律材料探索システム

• はじめに
• 1.高飽和磁化合金
• 2.シミュレーション型の自律材料探索
• 3.コンビナトリアル実験による検証
• おわりに

第6節 時間領域NMRおよび固体高分解能NMRとプロセスインフォマティクス

Predictions for NMR Parameters by Artificial Intelligence and Application for Process Informatics

• 1.環境複雑系の時代
• 2.恒常性評価とNMRデータサイエンス
• 3.NMRデータサイエンスによる材料最適化
• 4.材料表面コーティングへのTD-NMRおよび固体NMR活用事例
• 5.多様化時代のNMR

第7節 ベイズ最適化による電解・フロー精密有機合成反応条件の探索と効率化

• はじめに
• 1.ベイズ最適化を活用する電解合成反応条件のマルチパラメータスクリーニング
• 2.ミキサータイプを含むフロー合成条件のデータ駆動型最適化
• 3.制約付きベイズ最適化を活用する電解フロー合成反応の条件探索と省エネルギー化
• 4.ベイズ最適化の社会実装研究 —化成品バッチ合成への応用—
• おわりに

第8節 機械学習と汎用ニューラルネットワークポテンシャルを活用した触媒モデリングの最先端:

計算材料科学の超高速化が拓く新たな材料探索と物性予測

• はじめに
• 1.新材料探索の潮流と計算材料科学の課題
  • 1.1 材料探索空間の拡張と複雑化
  • 1.2 データ駆動時代に必要とされる計算材料科学
• 2.第一原理計算をベースにした実在系モデリングと機械学習・統計的サンプリング
  • 2.1 DFTを用いた大規模計算による実在系モデリング
  • 2.2 DFT+機械学習による探索可能空間の拡張
• 3.汎用ニューラルネットワークポテンシャルを用いた学習データ収集不要の実在系モデリング
  • 3.1 ニューラルネットワークポテンシャル (NNP) の概要とその多元素汎用性の発達
  • 3.2 汎用NNPの登場
  • 3.3 ナノ合金に対する吸着エネルギー分布
  • 3.4 Strong metal-support interactionの解明:統計的スペクトル推定による活性起源の解明
    結言 計算材料科学の超高速化と適用範囲拡大による今後の展望

第9章 自動・自律実験による材料探索の効率化と運用のポイント

第1節 ラボラトリーオートメーションの自律化を支える最適化技術

• 1.ラボラトリーオートメーション (LA) とは
  • 1.1 ラボラトリーオートメーション (LA) とファクトリーオートメーション (FA)
  • 1.2 LAの各運用要素の価値
• 2.LAにおける最適化の役割
  • 2.1 実験装置計画とリソース最適化
  • 2.2 材料設計・実験計画最適化
  • 2.3 リアルタイムの機器モニタリングと異常検知によるシステム制御の最適化
• 3.LAに用いられる最適化の技術概論
  • 3.1 実験装置計画とリソース最適化の最適化技術
    • 3.1.1 強化学習
    • 3.1.2 遺伝的アルゴリズム
    • 3.1.3 実験装置計画への応用
  • 3.2 材料設計・実験計画における最適化技術
    • 3.2.1 ベイズ最適化概要
    • 3.2.2 獲得関数
    • 3.2.3 ガウス過程
    • 3.2.4 ベイズ最適化のバリエーション
    • 3.2.5 ベイズ最適化による自動実験の高度化
  • 3.3 リアルタイムの機器モニタリングと異常検知における最適化技術
• おわりに

第2節 AIによる合成条件推薦システムの構築

• はじめに
• 1.並列合成実験と実験条件推薦システムを活用した合成条件の定量化
• 2.実験条件推薦システムによる新物質探索
• おわりに

第3節 データ駆動型開発へのプロセスインフォマティクスの活用方法

• はじめに
• 1.粉体成膜とお好み焼き
• 2.AIロボットで何ができるのか _{事例:3万通りから40回で}
• 3.プロセスインフォマティクスにおけるベイズ最適化のポイント
  • 3.1 ベイズ最適化
  • 3.2 ハイパーパラメータ
  • 3.3 ヒトの役割
• おわりに
• 謝辞

第10章 ラボラトリーオートメーションに向けた実験自動化・自律化の取り組みと事例

第1節 材料開発におけるMIと自律実験システム構築の取り組み

• はじめに
• 1.旭化成が目指すR&Dのデジタルトランスフォーメーション
• 2.材料開発のための自律システムの先行研究
• 3.自律システムの開発
  • 3.1 シミュレーションによる材料スクリーニング
  • 3.2 自律実験システムの構築
    • 3.2.1 MIシステム:実験条件提案、自動モデル構築
    • 3.2.2 ハイスループット実験装置およびデータ蓄積基盤の設計指針
    • 3.2.3 ユーザーインターフェースによる運用
• まとめと今後の展望

第2節 細胞製造の機械化・自動化への取り組み

• はじめに
• 1.機械化と自動化の意義と作業分解
• 2.機械化と動作設計
• 3.機械動作が細胞特性に及ぼす影響
• 4.自動化の設計
• 5.自動化に向けた取り組み
• おわりに

第3節 細胞品質管理に向けた細胞培養DXの重要ポイントと画像解析による効率的デザインスペースの理解

• 1.細胞製造における品質管理の重要性
  • 1.1 細胞製造産業の発展
  • 1.2 細胞製造産業におけるボトルネック:品質管理の難しさ
  • 1.3 細胞製造における品質管理戦略の変化
  • 1.4 QbDに基づく品質管理を実現するための「細胞培養DX (Cell Culture DX) 」
• 2.細胞品質管理のための細胞培養DXに重要なこと
  • 2.1 計画 (Plan) の重要性: 何のためにデータを得るのか
  • 2.2 リスクの分析
  • 2.3 データで理解するまでは疑う
• 3.画像解析を用いたデザインスペースの理解
  • 3.1 自動分注ロボットシステムと画像解析を用いたピペッティングパラメータの影響検証
  • 3.2 自動分注ロボットシステムと画像解析を用いたピペッティングパラメータの影響検証
• おわりに

第4節 オープンソースロボティクスの活用によるラボオートメーションシステム

• はじめに
• 1.オープンソースロボティクスとラボオートメーションシステム
  • 1.1 オープンソースと分散型フレームワークを活用したラボオートメーションシステム
  • 1.2 システムのポリマー材料開発への適用
• 2.協働ロボットのロボットプログラミング
  • 2.1 オープンソースロボティクスの活用
  • 2.2 環境構築
  • 2.3 Euslispによるロボットプログラミング
  • 2.4 ロボットモデルの姿勢生成
  • 2.5 実機ロボットの動作生成
• まとめ
• 謝辞

第5節 実験自動化による人工多細胞体の作製と観察への取り組みと今後の展望

• はじめに
• 1.人工多細胞体とは?
  • 1.1 人工多細胞体の例
  • 1.2 人工多細胞の従来作製法とその課題
  • 1.3 マクロスケール人工多細胞体
    • 1.3.1 マクロスケール人工多細胞体の従来作製手順
    • 1.3.2 マクロスケール人工多細胞体における課題
  • 1.4 バイオテクノロジーにおけるラボラトリーオートメーション
• 2.実験自動化を用いた人工多細胞体の作製と観察
  • 2.1 自動化システムの構成
  • 2.2 スポンジプレート生産機構
  • 2.3 プレート搬送機能
  • 2.4 スポンジ乾燥用のヒートモジュール
  • 2.5 自動観察システム
  • 2.6 実験結果
• 3.評価と今後の展望
  • 3.1 品質および生産性の評価
  • 3.2 今後の展望
• 謝辞

第6節 有機合成の自動化への新合成手法開発への取り組みと今後の展望

• はじめに
• 1.有機電解合成とフロー電解合成
  • 1.1 有機電解合成法
  • 1.2 フロー電解合成
• 2.ガウス過程回帰
• 3.Carbon-Ferrier転位反応における機械学習支援型条件探索
  • 3.1 Ferrier転位反応
  • 3.2 フロー電解リアクターを用いたcarbon-Ferrier転位反応
  • 3.3 フロー電解法におけるガウス過程回帰による反応条件探索
• おわりに