第1部 ハイスループット実験・計算によるデータベース作成

(2024年9月9日 10:30〜12:00)

　参加者は実験、計算用いたデータ取得の基礎と応用を習得し、研究や開発に役立つ知識を得ることを目標とする。

1. ハイスループット実験の概要
   1. ハイスループット実験の意義と利点
   2. マテリアルズ・インフォマティクス (MI) 技術の基本概念
   3. ハイスループット実験の実施手順
2. ハイスループット実験の具体例
   1. 従来手法の効率化
   2. コンビナトリアル実験
3. ハイスループット計算の基礎
   1. ハイスループット計算の概念と利点
   2. 代表的な計算手法
   3. データ解析とシミュレーション結果の活用
4. データ収集および機械学習を活用した解析
   1. データ・収集と解析の概要と利点
   2. データ取得と解析手法
5. 材料データベースの構築
   1. データベースの設計と構造
   2. データの収集・整理・保存方法
6. 実際の応用例とケーススタディ
   1. 新材料の探索と最適化
   2. 既存材料の性能予測と改良
   3. 国内の成功事例紹介
• 質疑応答

第2部 ハイスループット材料計算と機械学習による有望物質の探索手法

(2024年9月9日 13:00〜14:30)

　講師らのハイスループット計算・機械学習の研究を例にとり、関連するコード・データベース・機械学習手法を紹介して計算材料スクリーニングの手法を概観する。

1. ハイスループット第一原理計算と計算材料データベース
   1. 第一原理計算・計算材料データベースの目的
   2. 公開計算材料データベースとその使い方 (Materials Project Databaseを例に挙げて)
   3. 計算材料データベースを自作する上での技術的課題
   4. 計算データベースのためのライブラリ (計算ファイルの自動生成・解析)
   5. 計算データベースのためのライブラリ (ワークフロー・データベース管理)
   6. plotly/dashによるデータベースの可視化
2. 機械学習による物性値予測
   1. 機械学習の目的・回帰分析手法について
   2. 記述子による物質の数値的表現
   3. 実際の応用例
3. 機械学習により有望物質を優先するハイスループット計算
   1. 機械学習による予測の問題点
   2. 機械学習による有望物質の推薦と探索 (ベイズ最適化など)
   3. ハイスループット計算による材料探索システムの自律化
• 質疑応答

第3部 コンビナトリアル合成・評価による材料探索

(2024年9月9日 14:45〜16:15)

　これまでに行ってきた酸化物と金属薄膜のコンビナトリアルライブラリーの合成と評価について、材料の機能・物性の探索という観点から解説します。

1. コンビナトリアル手法とは?
   1. コンビナトリアル手法の歴史
   2. コンビナトリアル合成手法
   3. コンビナトリアル評価手法
2. コンビナトリアル手法によるドーパント濃度の最適化
   1. 希土類元素をドープしたY2O3蛍光体材料
   2. Mg:ZnOのバンド構造
3. コンビナトリアル手法による新材料探索
   1. Fe-Co合金を用いた磁歪材料の探索
   2. フラックス材料の探索:Bi4Ti3O12薄膜の高結晶化に向けて
4. コンビナトリアル手法のメリット・デメリット
   1. 得意、不得意な材料解析
   2. 膨大なデータの取り扱い方
   3. インフォマティクス手法との組み合わせ
• 質疑応答