セミナー

高機能性材料の研究・開発・製造のためのデータ解析入門
【事例で学ぶ】
高機能材料開発を超高速化!
マテリアルインフォマティクス入門~ケモ・プロセスインフォマティクスまでを豊富な応用事例を元に解説~

チラシダウンロード(PDF)

開催主旨

近年、化学の分野や産業全般においてデータが蓄積されつつあり、そのデータを解析する動きが活発になっている。

例えば高機能性材料を開発する際、化合物データを用いて化学構造と物性・活性・特性との間の関係をモデル化することで、化合物を合成したり合成後に物性値を測定したりする前に、化学構造から物性値を推定でき、逆に良好な物性値をもつ化学構造の設計もできる。さらに、製造条件とその製造の結果としての製品品質との間の関係をデータからモデル化することで、望ましい品質を達成するための製造条件を探索できる。高機能性材料を製造する際、センサー等で容易に測定可能なプロセス変数と測定が困難な製品品質との関係をデータからモデル化することで、製品品質の値をリアルタイムに推定し、迅速かつ安定に制御・管理ができる。

このように、高機能性材料などの開発データ、化学・産業プラントにおける運転データなど、蓄積されたデータは非常に有用であるが、まだ十分に活用しきれていない企業が大多数ではないだろうか。

本セミナーでは、化学・産業データの使い方・解析の仕方を基礎から解説する。情報科学・データサイエンスに基づき、データから種々の材料の機能を予測するモデルを構築したり、構築したモデルを活用することで新たな構造・実験条件・材料・装置を設計したりする方法を説明する。さらに、ケモインフォマティクス・マテリアルズインフォマティクス・プロセスインフォマティクス分野を中心にして豊富な応用事例も紹介する。

概要

日時 2019年 10月18日(金)10:00~17:00
(9:30 受付開始 休憩12:30~13:30)
会場 日刊工業新聞社 東京本社 セミナールーム
※会場には受講者用の駐車場が有りません。必ず最寄りの公共交通機関でご来場ください。
※当日の録音・録画は固くおことわり申し上げます。
受講料

2019年10月1日以降に開催される講座から、新税率(10%)を適用させていただきます。
消費税率の適用につきまして、何とぞご理解賜りますようよろしくお願い申し上げます。
44,000円(資料含む、消費税込)
※同時複数人数お申し込みの場合2人目から39,600円
※振込手数料は貴社でご負担願います。
※受講料は銀行振込で受講票及び請求書が到着次第、原則として開催日1週間前までにお支払いください。
  なお、キャンセルにつきましては開催日1週間前までの受付とさせて頂きます。
  1週間前までにご連絡がない場合はご欠席の方もキャンセル料として受講料全額を頂きます。

 

主催

日刊工業新聞社

お申込みについて ※弊社プライバシーポリシー(個人情報保護方針)をご一読いただき、申込みフォームより必要事項をご入力ください。
プライバシーポリシー
お問い合わせ先 日刊工業新聞社 総合事業局
教育事業部 技術セミナー係
TEL: 03-5644-7222
FAX: 03-5644-7215
E-mail : j-seminar@media.nikkan.co.jp
TEL受付時間:平日(土・日・祝日除く) 9:30-17:30

講師

金子 弘昌 氏

会場アクセス

日刊工業新聞社 東京本社
セミナールーム
東京都中央区
日本橋小網町14ー1
住生日本橋小網町ビル
セミナー会場案内図

このセミナーを申し込む

プログラム

 1. ケモインフォマティクス・マテリアルズインフォマティクス・プロセスインフォマティクスの基礎知識
  1.1. 機械学習・人工知能
  1.2. 定量的構造物性相関・定量的構造活性相関
  1.3. 化学構造生成
  1.4. 分子設計
  1.5. 材料設計
  1.6. プロセス設計
  1.7. プロセス管理
  1.8. ケモインフォマティクス
  1.9. マテリアルズインフォマティクス
  1.10. プロセスインフォマティクス
 2. 化学・産業データ解析の進め方・活用方法
  2.1. データの形式、記述子
  2.2. データの前処理
    2.2.1. 標準化
    2.2.2. 変数選択
    2.2.3. スムージング (平滑化)
  2.3. データの可視化・低次元化
    2.3.1. 主成分分析 (Principal ComponentAnalysis, PCA)
    2.3.2. Generative Topographic Mapping(GTM)
    2.3.3. 多様体学習
    2.3.4. 可視化の性能を検討するための指標
  2.4. クラスタリング
    2.4.1. 階層的クラスタリング
    2.4.2. k平均法 (k-means)
    2.4.3. 混合ガウスモデル (Gaussian MixtureModel, GMM)
  2.5. クラス分類
    2.5.1. 線形判別分析 (Linear DiscriminantAnalysis, LDA)
    2.5.2. 決定木 (Decision Tree, TD)
    2.5.3. ランダムフォレスト (Random Forest, RF)
    2.5.4. サポートベクターマシン (Support VectorMachine, SVM)
  2.6. 回帰分析
    2.6.1. 最小二乗法による重回帰分析 (MultipleLinear Regression (MLR) or OrdinaryLeast Squares (OLS) )
    2.6.2. 部分的最小二乗法 (Partial LeastSquares, PLS)
    2.6.3. 決定木 (Decision Tree, DT)
    2.6.4. ランダムフォレスト (Random Forest, RF)
    2.6.5. サポートベクター回帰 (Support VectorRegression, SVR)
  2.7. モデルの予測性能の向上
    2.7.1. アンサンブル学習
    2.7.2. 半教師あり学習 (半教師付き学習)
  2.8. モデルの適用範囲
    2.8.1. データ範囲
    2.8.2. データ中心からの距離
    2.8.3. データ密度
    2.8.4. アンサンブル学習
  2.9. モデルの逆解析
    2.9.1. グリッドサーチ
    2.9.2. サンプリング
    2.9.3. ベイズの定理
  2.10. 実行するためのプログラム紹介
 3. 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
  3.1. 化学空間の可視化に基づく分子設計
  3.2. 定量的構造物性 (活性) 相関モデルの逆解析に基づく分子設計
  3.3. 定量的構造物性 (活性) 相関モデルの適用範囲を考慮した分子設計
  3.4. 実験計画法による材料設計?目標達成確率に基づく適応的実験計画法?
  3.5. シミュレーションとインフォマティクス技術を活用したプロセス設計
 4. まとめ・質疑応答

このセミナーを申し込む

一覧へ戻る

日刊工業新聞社関連サイト・サービス

このサイトでは、アクセス状況の把握や広告配信などのためにクッキー(Cookie)を使用してしています。このバナーを閉じるか閲覧を継続した場合、クッキーの使用に同意したこととさせていただきます。なお、クッキーの設定や使用の詳細についてはプライバシーポリシーページをご覧ください。

閉じる