機械学習の導入ポイントと深層学習、大規模言語モデルの有機合成、素材開発分野への応用展望【提携セミナー】

　　セミナー　　情報通信　　AI・機械学習　　機械学習の導入ポイントと深層学習、大規模言語モデルの有機合成、素材開発分野への応用展望【提携セミナー】

開催日時	2024/10/4（金）10:00~16:45
担当講師	小島諒介氏小渕喜一氏
開催場所	Zoomによるオンライン受講
定員	30名
受講費	55,000円(税込)

★機械学習の導入ポイントと深層学習、実験系MI、LLMの応用展望

機械学習の導入ポイントと

深層学習、大規模言語モデルの有機合成、

素材開発分野への応用展望

【提携セミナー】

主催：株式会社技術情報協会

講座内容

近年、ＡＩや機械学習の進歩が、有機化学の研究に新たな可能性をもたらしています。
ここ最近ではChatGPTの登場以来、その期待はさらに加速しており、有機化学の分野においても創薬デザイン、反応予測、実験条件の最適化など、多岐にわたる用途が期待されています。
特に、フロー合成や実験のロボット化とも相性が良いことも注目されています。一方で、有機化学の現場にＡＩ・機械学習技術の導入を進めると、プログラミングをはじめ、ＡＩに関する知識とノウハウを求められることがあります。
本セミナーでは、主として下記の内容について、ＡＩや機械学習を専門としない方にも理解できる様、わかりやすく講義します。また、プログラミングにおいてChatGPTを活用しつつ行うため、プログラミング初心者でもわかりやすい例を示しながら行います。
最後に最新の最新の深層学習における活用事例について解説します。

本講演では、素材開発への機械学習の実践(実験系MI)とLLMの応用について概説します。
特に、実験系におけるマテリアルズ・インフォマティクス(MI)の実践に焦点を当て、往々にして直面する課題であるスモールデータ(少データ)問題に対する処方策として、実際に弊社で取り組んでいる内容を中心にご紹介します。
また、近年急速に発展している大規模言語モデル(LLM)の素材領域への応用についても言及します。これらは、それぞれ実験計画と調査活動という素材開発における重要な２つのステップにおいて、人工知能(AI)を用いることで効率的に行うことが可能になると期待されている技術領域であり、弊社においても、コアとなる技術構築に取り組んでおり、素材開発プロセスに革新をもたらすことを目指しています。

習得できる知識

ＡＩ・機械学習の基礎知識
実験現場にＡＩ・機械学習を導入する際の注意点
Ｐｙｔｈｏｎを使った有機化学データの分析法
有機化学へのＡＩ・機械学習技術導入に関する最近の動向
素材開発への機械学習の実践(実験系MI)とLLMの応用

担当講師

京都大学　大学院　医学研究科　人間健康科学系専攻　講師　博士(工学)　小島　諒介氏
日本電気（株）　(NEC)　事業開発統括部　兼　国立研究開発法人産業技術総合研究所　主任研究員　小渕喜一氏

セミナープログラム（予定）

(１０：００～１２：００)(１３：００～１５：００)
１．有機合成における機械学習の導入ポイントと最新の深層学習における活用事例
京都大学　小島　諒介氏
【講演ポイント】
近年、ＡＩや機械学習の進歩が、有機化学の研究に新たな可能性をもたらしています。
ここ最近ではChatGPTの登場以来、その期待はさらに加速しており、有機化学の分野においても創薬デザイン、反応予測、実験条件の最適化など、多岐にわたる用途が期待されています。
特に、フロー合成や実験のロボット化とも相性が良いことも注目されています。一方で、有機化学の現場にＡＩ・機械学習技術の導入を進めると、プログラミングをはじめ、ＡＩに関する知識とノウハウを求められることがあります。
本セミナーでは、主として下記の内容について、ＡＩや機械学習を専門としない方にも理解できる様、わかりやすく講義します。また、プログラミングにおいてChatGPTを活用しつつ行うため、プログラミング初心者でもわかりやすい例を示しながら行います。
最後に最新の最新の深層学習における活用事例について解説します。
【受講後、習得できること】
・ＡＩ・機械学習の基礎知識
・実験現場にＡＩ・機械学習を導入する際の注意点
・Ｐｙｔｈｏｎを使った有機化学データの分析法
・有機化学へのＡＩ・機械学習技術導入に関する最近の動向

【講演プログラム】

１．有機合成における機械学習への期待と課題
1.1 機械学習の基本
1.2 機械学習を用いた有機合成への導入ポイント
1.3 機械学習を用いた有機化学応用における課題

２．計算機上で分子を記述する方法について
2.1 計算機上で分子を記述する方法について
2.1.1 SMILESやそのほかの分子記述方法
2.2 Pythonを使った分子の基本操作
2.2.1 分子を操作・検索する
2.2.2 SMILESと分子の表示
2.3 分子の記述子およびフィンガープリントについて
2.4 Pythonを使った記述子/フィンガープリントの計算方法
2.4.1 分子の記述子ヒストグラム
2.4.2 特定の官能基を持つ分子の検索・置換
2.4.3 フィンガープリントを計算する

３．機械学習による分子の性質の予測
3.1 機械学習による予測モデルの考え方
3.1.1 識別問題の基本
3.1.2 識別問題の評価方法
3.1.3 回帰問題の基本
3.1.4 識別問題の評価方法
3.2 Pythonを用いた予測モデルの構築例
3.3 予測結果の解釈と説明可能AI（XAI）について

４．予測モデルを用いたさらなる応用
4.1 分子の生成
4.1.1 フラグメントベースの生成
4.1.2 骨格ベースの生成
4.2 ケミカルスペースの可視化
4.2.1 ケミカルスペースについて
4.2.2 ケミカルスペース上での予測結果の可視化
4.3 実験条件の最適化
4.3.1 ベイズ最適化の基本
4.3.2 ベイズ最適化を用いた実験条件最適化の例

５．最近の深層学習を使った有機化学
5.1 深層学習の基本
5.2 有機化学への深層学習の応用例の紹介
5.3 ChatGPT時代における有機合成への応用の紹介

【質疑応答】

—————————-

(１５：１５～１６：４５)
２．素材開発への機械学習の実践(実験系MI)とLLMの応用
日本電気（株）　小渕喜一　氏
【講演ポイント】
本講演では、素材開発への機械学習の実践(実験系MI)とLLMの応用について概説します。
特に、実験系におけるマテリアルズ・インフォマティクス(MI)の実践に焦点を当て、往々にして直面する課題であるスモールデータ(少データ)問題に対する処方策として、実際に弊社で取り組んでいる内容を中心にご紹介します。
また、近年急速に発展している大規模言語モデル(LLM)の素材領域への応用についても言及します。これらは、それぞれ実験計画と調査活動という素材開発における重要な２つのステップにおいて、人工知能(AI)を用いることで効率的に行うことが可能になると期待されている技術領域であり、弊社においても、コアとなる技術構築に取り組んでおり、素材開発プロセスに革新をもたらすことを目指しています。

【プログラム】

１．はじめに

２．素材開発への機械学習の実践(マテリアルズ・インフォマティクスの実験データへの実践)
2.1 スモールデータ問題・コールドスタート問題
2.2 特徴量設計
2.3 転移学習
2.4 自動実験

３．素材分野への自然言語処理(NLP)・大規模言語モデル(LLM)の応用
3.1 自然言語処理(NLP)の基本と発展
3.2 素材分野への大規模言語モデル(LLM)の応用

【質疑応答】