(10:00-11:30)
「材料開発におけるベイズ最適化の適用と合成パラメータの制御」
東京工業大学 中山 亮 氏
【習得できる知識】
・ベイズ最適化の基礎
・ベイズ最適化を材料開発に適用する上でのポイントや注意点
以上をできるだけ材料研究者の言葉で説明したいと思います。
【講座の趣旨】
本講演では、材料研究者の目線から見た際の、ベイズ最適化を材料開発に適用する上でのポイントや注意点に関して紹介します。
１．背景　ＡＩやロボットを活用した研究開発の重要性
1.1 材料合成における現在の課題　-探索空間の多次元化-
1.2 ベイズ最適化とロボットを組み合わせた「自律的」物質合成とは
1.3 ＡＩ、ロボット、研究者が協働するデジタルラボラトリとは
1.4 デジタルラボラトリが研究環境に与えるインパクト
２．材料開発の現場でベイズ最適化を活用するには？
2.1 ベイズ最適化の基礎
2.2 ベイズ最適化による合成条件最適化のシミュレーション例
～何回実験すれば最適化が完了するのか？～
2.3 スパース推定を用いたベイズ最適化
2.4 複数のサンプルを並列処理するには？
2.5 複数の物性値を最適化するには？
2.6 適切な課題設定の方法は？
2.7 ベイズ最適化で従来より優れた材料は開発できる？
2.8 ベイズ最適化を実際に行うには？
３．まとめ
————————————————————————-

(12:10-13:40)
「多目的ベイズ最適化による機能性材料設計」
昭和電工マテリアルズ(株) 花岡 恭平 氏
【習得できる知識】
多目的ベイズ最適化の手法、実務で利用するためのヒント、企業のR&Dにおいてベイズ最適化を利用する際の注意点、一目的ベイズ最適化の延長で簡易的に多目的ベイズ最適化を実施する方法、多目的ベイズ最適化を用いた材料設計の最新事例
【講座の趣旨】
産業界における材料設計では、その用途に応じて、複数の目的変数の最適化が要求されることが多い。例えば１００℃環境で１０年間使用される材料であれば、軽量性や伸縮性等の材料機能に関する目的変数に加えて、１００℃に耐える耐熱性と１０年継続利用可能な耐久性が要求される。こうした最適化問題を効率的に解くことが期待される多目的ベイズ最適化であるが、現状はアカデミアを中心に限られた成功例が報告され始めている状態であり、産業界のどんな課題に、どのように使えばいいのか判断することは難しい。そこで本講座では産業界の立場で多目的ベイズ最適化の研究に従事する講師の視点から、複数の多目的ベイズ最適化手法の簡単な原理とその長所・短所について紹介する。合わせて、単目的ベイズ最適化の延長で簡易的に多目的ベイズ最適化を実現する方法や、講師の所属する昭和電工マテリアルズにおける最新の技術開発、活用事例についても紹介する。
１．昭和電工マテリアルズにおけるマテリアルズインフォマティクスの取り組み概要
２．多目的ベイズ最適化入門
2.1 ベイズ最適化の原理復習
2.2 多目的ベイズ最適化手法
３．多目的ベイズ最適化手法の長所・短所
3.1 多目的ベイズ最適化手法の比較方法
3.2 各手法の長所・短所
４．単目的ベイズ最適化ツールで簡易的に多目的ベイズ最適化を実現する方法
５．昭和電工マテリアルズにおける機能性材料開発のための多目的ベイズ最適化
5.1 機能性材料開発のための多目的ベイズ最適化手法開発
5.2 実務での有効性を確認するための性能検証
5.3 多目的ベイズ最適化を搭載したマテリアルズインフォマティクスプラットフォーム
６．まとめ
————————————————————————-

(13:50-15:20)
「ベイズ最適化を用いたプロセスインフォマティクス」
明治大学 金子 弘昌 氏
【習得できる知識】
プロセスインフォマティクス・データ解析・機械学習・プロセス設計・プロセス管理・ソフトセンサー・実験計画法・ベイズ最適化の基礎知識・プロセスインフォマティクス分野の研究事例・データ解析の一般的なすすめ方
【講座の趣旨】
プロセスインフォマティクスに基づいた高機能性材料の開発や製造などの現場において、効率的に実験・製造を実施するために実験計画法が活用される。例えば5つの実験パラメータ（反応器体積・反応温度・反応時間など）があり、それぞれ10の候補の値がある場合、すべての組み合わせは10万通りになってしまう。しかし実験計画法を用いれば、その中の数回のシミュレーション候補・実験候補から実験パラメータと装置の性能・材料の物性・活性との間の関係性を機械学習によりモデル化することで、所望の装置性能・物性・活性を実現するための候補を効率的に探索できる。さらにベイズ最適化によりパラメータの外挿領域を探索することが可能となる。実験データを活用して実験計画法・ベイズ最適化を実施することで、効率的な材料設計およびプロセス・装置設計を達成できる。本講演では、そのような（適応的）実験計画法や、実験計画法を実現するための機械学習およびベイズ最適化の基礎を解説する。さらに具体的な材料設計およびプロセス・装置設計といったプロセスインフォマティクスの研究事例を紹介する。
１．プロセスインフォマティクス
1.1 プロセス設計・装置設計とは
1.2 ソフトセンサーとは
1.3 モデリング
1.4 モデルの活用したプロセス設計・装置設計・ソフトセンサー
２．データ解析・実験計画法・ベイズ最適化
2.1 線形回帰分析
2.2 非線形回帰分析
2.3 実験計画法
2.4 適応的実験計画法
2.5 ガウス過程による回帰
2.6 ベイズ最適化
３．研究事例・応用事例
3.1 ベイズ最適化の応用事例
3.2 プロセス設計・装置設計の実例
3.3 ソフトセンサーの実例
————————————————————————-

(15:30-17:00)
「温度制御装置におけるベイズ最適化の適用」
(株)日立製作所 佐藤 航 氏
【習得できる知識】
・Pythonのライブラリを活用したベイズ最適化実行方法
・実験(計測)とベイズ最適化を融合したシステムの構築方法
【講座の趣旨】
ベイズ最適化は深層学習のハイパーパラメータ最適化への適用として注目されている。一方で，ベイズ最適化の特徴である「ブラックボックス関数の最適化」「不確実性のモデル化」「少ない試行回数」は実際の装置の制御パラメータの最適化にも有効な技術である。本講座では実際に温度制御パラメータの探索をベイズ最適化によって実施した例を紹介する。
１．ベイズ最適化の基礎
２．ベイズ最適化ライブラリの適用
2.1 ベイズ最適化を実現するPythonライブラリ
2.2 ライブラリを用いたベイズ最適化の実行例
３．温調パラメータ最適化
3.1 温度制御装置
3.2 評価関数の設計
3.3 実験とベイズ最適化ライブラリの融合

3.4 最適化結果の評価