* 本ウェビナーは開催済みです。再開催のご要望があれば、お知らせください。
CMCリサーチウェビナー【ライブ配信】
開催日時:2021年10月28日(木)10:30~16:30
受 講 料:55,000円(税込) * 資料付
*メルマガ登録者 49,500円(税込)
*アカデミック価格 26,400円(税込)
パンフレット
※ 本セミナーは、当日ビデオ会議ツール「Zoom」を使ったライブ配信セミナーとなります。
お申し込み前に、下記リンクから視聴環境をご確認ください。
→ https://zoom.us/test
★ アカデミック価格:学校教育法にて規定された国、地方公共団体および学校法人格を有する大学、大学院の教員、学生に限ります。
★【メルマガ会員特典】2名以上同時申込かつ申込者全員メルマガ会員登録をしていただいた場合、1名あたりの参加費がメルマガ会員価格の半額となります。
★ お申込み後のキャンセルは基本的にお受けしておりません。ご都合により出席できなくなった場合は代理の方がご出席ください。
講 師
烏山 昌幸 氏 名古屋工業大学 情報工学科 准教授
【講師経歴】
2011年03月 名古屋工業大学大学院 工学研究科 博士課程修了
2010年03月-2011年03月 日本学術振興会 特別研究員 DC2
2011年04月-2011年12月 日本学術振興会 特別研究員 PD/東京工業大学特別研究員
2012年01月-2015年03月 京都大学 バイオインフォマティクスセンター 助教
2015年04月-2017年03月 名古屋工業大学 情報工学科 助教
2015年12月-2019年03月 科学技術振興機構 JSTさきがけ研究員
2015年08月-2020年03月 物質・材料研究機構 特別研究員
2017年04月-現在 名古屋工業大学 情報工学科 准教授
【研究歴】
統計的機械学習の基礎と応用研究に従事.
基礎研究では NeurIPS, ICML, KDD など機械学習,データマイニング分野の最難関学会で多数論文を発表.
応用では特に材料科学や生物科学データなど科学データへの機械学習応用に従事.
電気情報通信学会,人工知能学会所属.
【著 書】
統計的学習の基礎 -データマイニング・推論・予測-(分担執筆 12章 担当),共立出版,2014.
サポートベクトルマシン(機械学習プロフェッショナルシリーズ),竹内一郎,烏山昌幸,講談社,2015.
データ分析の進め方及びAI・機械学習導入の指南(分担執筆 第5章第4節第2項 担当),情報機構, 2020.
AI・MI・計算科学を活用した蓄電池研究開発動向(分担執筆 第II編 6-7章 担当),シーエムシーリサーチ,2021.
マテリアルズインフォマティクスのためのデータ作成とその解析、応用事例(分担執筆 第4章5節担当),技術情報協会,2021.
セミナーの趣旨
データの取得技術が多様化するなかで,得られた結果からどのように次の意思決定をすべきかは多くの材料研究・開発の中で問題となります.近年ではこのプロセスを「機械学習」で自動化するマテリアルズ・インフォマティクス(MI)が様々な文脈で注目されています.新規材料の探索は何らかの性能指標を最適化する問題として捉えることができますが,多くの場合にこの指標の値は費用や時間のかかる実験やシミュレーションを通してしか得られないため,最適化は非常に難しいものになります.このような問題に対して「ベイズ最適化」と呼ばれる機械学習手法がMIでは頻繁に用いられます.本講座では,背景となる機械学習の基本的な考え方から始め,実践上現れる多様な探索問題に対してベイズ最適化とその発展系によってどのように探索の自動化が実現できるかをお話しします.特段,前提知識は仮定せずにお話をしますので,機械学習による材料解析や,AI関連技術の導入可能性を模索されている技術者,研究者の方に有益な情報が提供できればと思います.
セミナー対象者
マテリアルズインフォマティクスに興味のある方.
機械学習を「探索」問題に活用することに興味のある方.
ベイズ最適化の材料応用に興味のある方.
マルチタスク最適化(多数の探索問題を協調的に最適化)や多目的最適化(競合する指標の同時最適化)など発展的な探索問題設定に興味のある方.
特段,事前知識は必要ありません.
セミナーで得られる知識
機械学習(AI)の基本的な考え方,位置付けや背景.機械学習による未知関数の探索アルゴリズム(ベイズ最適化)の成り立ちと導入方法の基礎.より複雑な設定での効率化の方法,特に互いに関連のあるタスクの探索効率化や,競合する指標の同時最適化,近似的な情報源の活用など.
プログラム
※ 適宜休憩が入ります。
1.1 機械による「学習」とは
1.2 人工知能と統計学
1.3 実践上の留意事項
2. ベイズ最適化の基礎
2.1 回帰分析
2.2 ベイズ最適化
3. コスト差のある複数探索問題での知識共有(コスト考慮型マルチタスクベイズ最適化)
3.1 探索曲面の類似性とコストの多様性
3.2 粒界構造探索での適用例
4. 複数指標を同時に最適化する探索(多目的ベイズ最適化)
4.1 多目的最適化とは
4.2 伝導材料探索での適用例
5. 閾値条件を満たす領域の探索(閾値領域探索型ベイズ最適化)
5.1 低誤差領域の検出問題
5.2 Mg合金パラメータ推定での適用例 1
6. コストと精度のトレードオフを活用する探索(マルチフィデリティベイズ最適化)
6.1 ベイズ最適における観測精度の動的選択
6.2 Mg合金パラメータ推定での適用例