１．

【アーカイブ（録画）配信】 ２０２７年１月６日まで受付（視聴期間：１月６日〜１月１６日まで）

※２０２６年１２月１０日(木） １０：３０〜１６：１５の録画配信です

1名につき６０，５００円（消費税込、資料付）
〔１社２名以上同時申込の場合のみ１名につき５５，０００円〕
〔大学、公的機関、医療機関の方には割引制度があります。詳しくは上部の「アカデミック価格」をご覧下さい〕

※定員になり次第、お申込みは締切となります。

１．MI・シミュレーション・合成技術の融合による高屈折率液状アクリル樹脂設計と実践事例

【専門】
マテリアルズインフォマティクス、高分子材料設計、分子設計

【略歴】
2009年パナソニック株式会社入社。OLEDデバイスの材料・プロセス開発およびデバイス設計に従事。2015年積水化学工業株式会社入社。高分子材料の配合設計、有機無機複合材料開発、分子設計、合成およびスケールアップを担当。2020年よりマテリアルズ・インフォマティクス業務に従事し、各種材料設計、計測データ活用、機械学習を用いた分子設計を推進。情報科学技術を活用した研究開発プロセス変革およびデータ駆動型材料開発を推進している。

【講座の趣旨】
　本講演では、MIを用いた分子設計の基本的な考え方と実践手法を解説するとともに、低誘電分子開発で培った分子生成技術を基盤として、高屈折率液状アクリル樹脂開発への応用事例を紹介する。物性予測モデル構築、仮想合成による分子生成、シミュレーション活用、実験検証までの一連の流れを通して、MI・シミュレーション・合成を融合した実践的な材料開発手法について解説する。

【習得できる知識】
・機械学習による分子設計の進め方
・合成可能性を考慮した分子生成技術
・シミュレーションとMIを組み合わせた材料設計手法
・高屈折率材料設計の実践ノウハウ
・MIを研究開発現場へ定着させるポイント

１．はじめに

２．材料開発におけるMI活用
　2.1　MIを用いた分子設計の基本的な考え方
　2.2　材料開発における課題と実践上のポイント
　2.3　機械学習を用いた分子設計の全体フロー

３．分子生成技術
　3.1　分子構造生成手法の概要
　3.2　部分骨格の組合せによる分子生成
　3.3　仮想合成による分子生成
　3.4　合成可能性を考慮した分子設計

４．高屈折率液状アクリル樹脂開発への展開
　4.1　高屈折率材料開発の背景
　4.2　シミュレーションを活用した物性予測
　4.3　機械学習による物性予測モデル構築
　　4.3.1　屈折率予測モデル
　　4.3.2　融点予測モデル
　4.4　仮想合成による候補分子生成
　　4.4.1　反応ルール設計
　　4.4.2　大規模化学空間探索
　4.5　逆解析による有望構造の選定

５．実験検証

６．MI・シミュレーション・合成連携の実践ポイント

７．今後の展望

８．おわりに

【質疑応答】

２．高屈折率材料開発へ向けたマルチフィディテイ学習の実践

【専門】
有機合成化学、計算化学、機械学習

【略歴】
1998年 3月　関西学院大学理学部大学院博士課程後期課程修了
1998年 9月　博士（理学）取得
2000年 4月　和歌山県工業技術センター　入所　　
2019年 4月　和歌山県工業技術センター　化学産業部　部長
2026年 3月　和歌山県工業技術センター　退職
2026年 5月　現職

【習得できる知識】
・高屈折材料予測モデル作成に必要な基礎知識
・マルチフィディテイ学習の概要
・量子化学計算データの活用方法

１．はじめに（テーマの背景、講演の概要など）

２．機械学習による屈折率の予測
　2.1　学習方法について
　2.2　屈折率の算出及び予測
　2.3　屈折率予測学習モデルの実例
　2.4　高屈折材料対応学習モデル作成の課題

３.マルチフィディテイ学習
　3.1　マルチフィディテイ学習とは
　3.2　学習に用いるデータセット
　3.3　マルチフィディテイ学習の手法
　3.4　マルチフィディテイ学習の具体例

４．ハイスループット量子化学計算を活用した高屈折化合物予測モデル作成
　4.1　モデル作成のコンセプト
　4.2　ハイスループット量子化学計算によるデータセットの作成
　4.3　学習用特徴量の設計
　4.4　マルチフィディテイ学習による学習モデル作成の検討
　4.5　作成モデルの評価と考察

５.　まとめ

【質疑応答】

３．機械学習と分子シミュレーションによる高分子材料の自動探索

●講師　統計数理研究所　准教授　博士（工学）　林 慶浩 氏

【専門】
マテリアルズインフォマティクス

【講座の趣旨】
　データ数の限られる高分子材料系において、大量のシミュレーションデータを少量の実験データへ転移させる機械学習の方法論であるsimulation-to-real（Sim2Real）転移学習の実践例について主に紹介する。産学連携コンソーシアムによる高分子物性自動計算ライブラリRadonPyを用いた高分子物性データベースPolyOmicsの開発、このデータベースを用いた高分子材料におけるSim2Real転移学習に関する実践例、さらにベイズ最適化による光学用高分子材料の探索例などを紹介する。

【習得できる知識】
マテリアルズインフォマティクス、機械学習、転移学習、ベイズ最適化、分子動力学シミュレーション

１．高分子のマテリアルズインフォマティクスにおける課題
　1.1　高分子データベースの乏しさ
　1.2　高分子の分子動力学（MD）シミュレーションの困難さ
　1.3　データ科学におけるデータの重要性

２．高分子物性自動計算システムRadonPyの開発
　2.1　RadonPyの概説
　2.2　屈折率とアッベ数の計算手法

３．産学連合体によるシミュレーションによる高分子物性データベースの開発
　3.1　産学連携コンソーシアムによるオープンデータベース開発
　3.2　世界最大の高分子物性データベースPolyOmics

４．シミュレーションと現実系を繋ぐSim2Real転移学習
　4.1　Sim2Real転移学習による計算-実験値のキャリブレーションモデル
　4.2　シミュレーションデータ数に対する汎化性能のスケーリング則の観測
　4.3　シミュレーション・実験データ数に対する二次元スケーリング則

５．自動MD計算と多目的ベイズ最適化を組み合わせた分子設計アルゴリズム
　5.1　ベイズ最適化の基礎
　5.2　光学用高分子材料の自動探索

【質疑応答】