★非数値データ間の関係性評価と推薦システム構築方法の基礎に関して解説します。

新物質合成条件の効率的探索を可能にする

合成条件推薦システムの構築方法入門

≪AI技術でマテリアルズ・インフォマティクス分野の突破口へ≫

【提携セミナー】

主催：株式会社情報機構

無機物合成の条件最適化は多くの試行錯誤を必要とし、改善が希求されているプロセスの一つです。近年、目的の物性や材料特性を最適化する合成温度、原料の混合比、圧力などの数値パラメータを機械学習手法の適用により効率的に探索したという報告が増えてきました。一方で、合成条件には原料や添加物の種類、または合成手法など合成結果に大きく影響する非数値パラメータも多く存在します。

本講演では、酸化物の合成データを例に非数値パラメータを含む合成条件を学習し、未知物質でもその合成条件予測が可能な推薦システムを構築する入門的な方法を解説します。

◆受講後、習得できること

• 推薦システムの様々なアルゴリズムを選ぶ基準を知り、最初のステップからつまずかないようになります。
• 推薦システムの様々な評価方法のうち、点数ではなく順位や〇×などの評点を扱う手法を習得できます。
• 複数の具体的な例だけでなく、単純なテストデータを用いて推薦システムの挙動をデモンストレーションするので、アルゴリズムの一般的な特徴を知ることができます。

担当講師

京都大学大学院工学研究科材料工学専攻 助教 博士（工学） 林 博之 先生

■主経歴等
2010年　京都大学　研究員
2012年　京都大学低温物質科学研究センター　日本学術振興会特別研究員(PD)
2015年　京都大学　特定研究員・特定助教
2016年　京都大学大学院工学研究科　助教
現在に至る

■専門および得意な分野・研究
材料工学、酸化物合成、機械学習

セミナープログラム（予定）

1.推薦システムの紹介
1.1　推薦システム適用の目的
1.2　推薦システムを用いているサービス
1.3　推薦システムの種類
1.4　モデルベースアルゴリズムの紹介
1.5　欠損値の取り扱いに関する考え方

2.行列・テンソル分解を用いた推薦システムの構築
2.1　低ランク性の仮定
2.2　項目同士の類似度

3.推薦システムの性能評価方法
3.1　混同行列
3.2　Receiver Operating Characteristic曲線
3.3　リフト曲線
3.4　Normalized Discounted Cumulative Gain
3.5　ハイパーパラメータの調整

4.テストデータを用いた推薦システムの挙動紹介

5.研究に用いた例：推薦システムを用いた新物質探索
5.1　合成条件推薦システムの問題設定
5.2　合成データの収集
5.3　Tucker分解法による推薦システムの構築
5.4　非数値パラメータ間の類似度評価
5.5　推薦システムを用いた新規物質の合成条件予測
5.6　発見した新物質の例
5.7　推薦システムはデータからどのような情報を抽出できたか？

6.終わりに：物質探索分野の研究例紹介

（質疑応答）

公開セミナーの次回開催予定

開催日

未定

開催場所

未定

受講料

未定

オンライン配信のご案内

★　Zoomによるオンライン配信

については、こちらをご参照ください

備考

配布資料・講師への質問等について
●配布資料はPDF等のデータで送付予定です。受取方法はメールでご案内致します。
（開催1週前～前日までには送付致します）。
＊準備の都合上、開催1営業日前の12:00までにお申し込みをお願い致します。
（土、日、祝日は営業日としてカウント致しません。）

●当日、可能な範囲で質疑応答も対応致します。
（全ての質問にお答えできない可能性もございますので、予めご容赦ください。）
●本講座で使用する資料や配信動画は著作物であり
無断での録音・録画・複写・転載・配布・上映・販売等を禁止致します。

お申し込み方法

★下のセミナー参加申込ボタンより、必要事項をご記入の上お申し込みください。