tech-seminar.jp

本セミナーでは、材料実験AIエージェントについて取り上げ、LLMへの自社の実験知見の与え方、実験データとの連携方法、エージェントの精度・速度を向上させるための工夫、つまずいたポイントについて詳解いたします。

本セミナーでは、実験環境の自動化について取り上げ、ラボオートメーションに向けた実験環境の構築と導入・実装のポイント、実験自動化を動かすためのPython・生成AI活用と実装について詳解いたします。

本セミナーでは、プロセスインフォマティクスについて取り上げ、少数の試行で最適解を導くベイズ最適化によるプロセス改善を基礎から応用まで分かりやすく解説いたします。

本セミナーでは、ニューラルネットワーク分子動力学法の特徴から、得意な計算対象や課題、対処方法など実践的な内容について解説いたします。

本セミナーでは、近年、様々な分野で活用が広がるトポロジカルデータ解析 (位相的データ解析:TDA) について取り上げ、解決できる課題、ホモロジーの考え方、パーシステントホモロジー、パーシステント図の読み方、適用例 (アモルファス材料・高分子メルト) など、基礎・手法・応用について分かりやすく解説します。

本セミナーでは、データの可視化、モデルの予測性能向上、モデルの逆解析を特に重点的に解説いたします。
また、分子設計・材料設計・プロセス設計・プロセス管理に関する最新の研究事例を紹介いたします。
ケモインフォマティクス・プロセスインフォマティクスにも役立つ内容となっております。

本セミナーは、新材料設計、材料製造プロセスの効率化、画像による材料検査の自動化を目指す技術者や研究者にとって、業務の質を向上させ、競争力を高めるための知識とスキルを提供いたします。

本セミナーでは、データの可視化、モデルの予測性能向上、モデルの逆解析を特に重点的に解説いたします。
また、分子設計・材料設計・プロセス設計・プロセス管理に関する最新の研究事例を紹介いたします。
ケモインフォマティクス・プロセスインフォマティクスにも役立つ内容となっております。

本セミナーでは、機械学習を活用した物性推算の限界要因を体系的に整理した上で、Physics-Informed Neural Network (PINN) や従来の物性推算式・熱力学モデルとのハイブリッド手法により、これらの課題を克服・超越するアプローチを紹介いたします。
また、グラフ畳み込みネットワーク (GCN) による分子構造表現、SMILES文字列をシーケンスとして扱うTransformerベースモデルがもたらすAI独自の強みを活かした最新の物性予測手法を解説いたします。

本セミナーでは、研究開発部門におけるデータ共有システムを取り上げ、様々な分野のR&D部門のデータ管理を10年以上にわたり支援してきた講師の実績と経験をもとに、システム、研究者、組織体制など様々な角度から問題及び改善方法を解説いたします。

本セミナーでは、機械学習を活用した物性推算の限界要因を体系的に整理した上で、Physics-Informed Neural Network (PINN) や従来の物性推算式・熱力学モデルとのハイブリッド手法により、これらの課題を克服・超越するアプローチを紹介いたします。
また、グラフ畳み込みネットワーク (GCN) による分子構造表現、SMILES文字列をシーケンスとして扱うTransformerベースモデルがもたらすAI独自の強みを活かした最新の物性予測手法を解説いたします。

本セミナーでは、取得したデータからの情報抽出のための機械学習の活用について、機械学習の数理的な側面も交えながら基礎的な内容を解説いたします。