第1部 ベイズ最適化を用いた実験工程の効率化

(2022年6月10日 10:00〜11:30)

　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
5. まとめ
• 質疑応答

第2部 DX導入によるバイオ実験の効率化と自律型実験システム構築への展開

(2022年6月10日 12:15〜13:45)

　持続可能な社会・経済の実現に向けて、多様な物質をバイオテクノロジーで製造するプロセスの開発が期待されている。発酵生産はその中核を成すことから、目的物質を高生産できる微生物株の創出が世界的に進められ、競争領域となっている。演者らは、目的物質を最大収率で生産可能な代謝経路を計算科学的手法により設計した後に、先端的な遺伝子工学によりその設計を具現化することを目指し、こうして得られる微生物株「スマートセル」を構築するための「スマートセル創出プラットフォーム」を開発してきた。代謝設計には信頼性の高いデータの収集が不可欠であり、データ収集に資するWet技術の存在意義は極めて高く、そのためのオートメーションシステムの開発に取り組んできた。
　本講演では、高精度のデータ収集用システムの概要を中心に、データドリブンの微生物株高速育種を実現するスマートセル創出プラットフォームを紹介する。

1. バイオエコノミーの興隆について
2. バイオエコノミー形成の技術的背景
3. バイオDX型研究プラットフォームの概要
4. バイオDX型研究プラットフォームを構成する要素技術について
5. DBTLワークフローによる有用物質生産微生物株開発の実例
6. 将来展望
• 質疑応答

第3部 DX (デジタル技術) の導入による実験の効率化と自動実験化・自律化への展望

(2022年6月10日 14:00〜15:30)

　研究開発の推進においてDXを導入することは必須となってきている。特に実験の自動化によりデータの収集速度を如何に加速化・効率化するかという視点と、その実験から得られたデータをどう活かすかという視点は、これからの研究開発において避けられない課題である。化学業界においてもその動きは例外ではなく、各社が競って推進している状況である。
　そこで、本セミナーでは、これからの展望について話をすると共に、導入における問題点やこの2年間のCovid-19の影響について述べる。

1. これまでのDXの流れ
2. 化学業界におけるDX導入の状況
3. 自動実験とは?
4. 導入における問題点
5. Covid-19の影響
6. 今後の展望について
• 質疑応答

第4部 DXで活躍するベイズ最適化手法と応用例紹介

~ 材料物性の向上・予測精度の向上を実現する実験計画 ~

(2022年6月10日 15:45〜17:15)

　ベイズ最適化は、機械学習による予測を利用することでできるだけ少ない試行回数でよりよい条件を探索することができる情報科学手法を利用した実験計画法である。
　本講演では、ベイズ最適化を実行できるパッケージCOMBOおよびPHYSBOの紹介と、実験系にベイズ最適化を適用した例として、超合金粉末製造条件の最適化研究およびリチウムイオン伝導度の最適化研究を紹介する。さらに、ベイズ最適化の応用例として、材料物性の予測精度を向上させるために、次に行う実験を提案するAI手法についても紹介する。

1. ベイズ最適化とは
2. ベイズ最適化パッケージCOMBO&PHYSBOの紹介
3. PHYSBOのインストールおよび使い方
4. ベイズ最適化によるプロセス最適化
5. ベイズ最適化による組成最適化
6. ベイズ最適化を用いた材料物性の予測精度を高めるためのAI手法
• 質疑応答