１．

２０２６年９月１５日(火） １０：３０〜１６：１５

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．量子技術を活用したマテリアルズ・インフォマティクスによる樹脂製品の組成最適化

【専門】
マテリアルズ・インフォマティクス、有機化学

【略歴】
2018年4月〜2021年12月　色材・機能材料メーカー入社
顔料、機能性色素の開発を担当
2022年1月　三井化学(株)入社
マテリアルズ・インフォマティクスを活用した材料開発を担当

【講座の趣旨】
　材料開発における組成最適化は、成分数や制約条件の増加に伴い探索空間が急拡大し、従来手法では網羅性・多様性の確保が難しい。本講演では、 マテリアルズ・インフォマティクスの概観と活用事例を紹介する。また、量子アニーリングの基礎を平易に解説した上で、独自に開発した古典量子ハイブリッドアルゴリズムと、電子部品材料および接着剤への適用事例を紹介し、量子技術を活用したMIの可能性と今後の展望について共有する。

【習得できる知識】
・マテリアルズ・インフォマティクスの基礎理解
・量子アニーリングの基礎知識と活用のヒント
・ブラックボックス最適化を用いた組合せ探索

１．マテリアルズ・インフォマティクス概観
　1.1　マテリアルズ・インフォマティクス（MI）とは
　1.2　三井化学におけるMIの取り組み
　1.3　組成最適化へのMI活用事例
　1.4　材料開発の組成最適化での課題

２．量子アニーリングの概観
　2.1　量子アニーリングの基礎
　2.2　組合せ最適化問題
　2.3　量子アニーリングを用いたブラックボックス最適化
　2.4　化学分野における量子アニーリングの活用事

３．三井化学での量子アニーリング活用事例
　3.1　古典量子ハイブリッドアルゴリズムの開発
　3.2　電子部品材料の組成最適化
　　　・従来手法との探索結果の比較
　　　・抽出組成の多様性評価
　3.3　接着剤の組成最適化
　　　・シミュレーテッドアニーリングによる探索
　　　・抽出組成の分析

４．まとめと今後の展望

【質疑応答】

２．マルチタスク機械学習を用いた生分解性プラスチックの材料設計と相反する特性の両立

【専門】
データサイエンス、高分子インフォマティクス

１．ポリマーインフォマティクス
　1.1　マテリアルズインフォマティクス (MI)
　1.2　プロセスインフォマティクス
　1.3　ポリマーインフォマティクスの難しさ
　1.4　高次構造データの扱い

２．多目的最適化を用いた分解とタフネスの両立
　2.1　ベイズ最適化
　2.2　分解性ポリアミドの多目的最適化
　2.3　多因子解析

３．マルチモーダル・マルチタスク機械学習
　3.1　マルチモーダル・マルチタスクとは
　3.2　配合やプロセスの異なる分解性ポリエステルの調製
　3.3　機械学習モデルの構築と説明可能AI

４．代理目的変数を用いたベイズ最適化
　4.1　生分解性高分子におけるMI設計の課題
　4.2　測定データから代理目的変数の抽出
　4.3　代理目的変数に対するベイズ最適化

【質疑応答】

３．AI画像解析によるフィラー粒子の定量化とインフォマティクスを用いた最適条件の探索

●講師　(株)KNiT　代表取締役　博士（工学）　窪内 将隆 氏

【専門】
AI画像解析、マテリアルズ／プロセスインフォマティクス、固体物理

【略歴】
2017年　東北大学大学院工学研究科応用物理学専攻　博士（工学）修了
産業技術総合研究所、大手上場化学メーカーにて、物理・化学を用いたものづくりの研究、およびAIによる実験・製造工程の最適化に従事
2023年12月　株式会社KNiTを設立、代表取締役に就任

【講座の趣旨】
　材料開発や製造工程の改善では、画像に多くの情報が含まれているにもかかわらず、画像を構造化（数値化）できないために、その情報をインフォマティクスへ活用することが困難であった。本講演では、画像を数値化する鍵となるセグメンテーション技術を基礎から解説し、従来の二値化・エッジ検出や、異常検知・物体検出AIとの違いを明らかにする。さらに、教師データ不要・全自動で利用できるAI画像解析サービス「GeXeL」を用いて、フィラー粒子の大きさや形状を高精度に数値化し、その結果を説明変数としたインフォマティクス（イメージインフォマティクス）により製造条件を最適化した具体事例を紹介する。Lasso・ランダムフォレストによる重要変数解析からベイズ最適化による条件探索までを示し、画像情報を定量的に材料・プロセス開発へ組み込む実践的なアプローチを解説する。

【習得できる知識】
・古典的画像解析手法（二値化・エッジ検出）の限界とAI手法の優位性
・画像解析タスク（異常検知・物体検出・セグメンテーション）の違いと、セグメンテーションによって取得できる幾何・統計パラメーター
・画像由来の特徴量を説明変数とするイメージインフォマティクス（ImI）の考え方
・Lasso／ランダムフォレスト等による重要変数解析と、ベイズ最適化（EI／LCB）による多目的最適化の進め方
・フィラー・触媒・繊維・粉体・焼結体など、各種材料への応用の勘所

１．画像とインフォマティクス　〜画像の構造化(数値化)という壁〜
　1.1　材料開発・製造工程に潜む非構造データ（画像）の価値
　1.2　マテリアルズ／プロセスインフォマティクス（MI/PI）が抱える課題
　1.3　イメージインフォマティクス（ImI）という発想

２．従来の画像解析手法とAIの違い
　2.1　古典的手法（二値化・エッジ検出）の限界と「閾値のジレンマ」
　2.2　異常検知AI・物体検出AIでは構造化できない理由
　2.3　AIの登場による画像解析のパラダイムシフト

３．画像を構造化するセグメンテーション手法
　3.1　セグメンテーションの種類（セマンティック／インスタンス／パノプティック）
　3.2　輪郭抽出から得られる23項目以上の幾何・統計パラメーター
　3.3　用途別の特徴量抽出例（フィラー・触媒・繊維・粉体・焼結体・ナノ粒子）

４．高精度・高速・低価格なAI画像解析ツール「GeXeL」
　4.1　普及を阻んでいた3つの壁（精度・育成・価格）
　4.2　教師データ不要・全自動・クラウドでの解析フロー
　4.3　難解な画像（ナノ粒子・ぼやけ・低コントラスト・焼結体）への対応
　4.4　出力データ（数値化結果）の例

５．【事例】フィラー粒子の定量化とインフォマティクスによる最適条件探索
　5.1　課題設定：最大長の増大と変動係数CV≦10%の多目的最適化
　5.2　画像解析ステップ：粒子認識と幾何パラメーターの数値化
　5.3　条件最適化ステップ：説明変数・目的変数の設計
　5.4　LassoとランダムフォレストによるモデリングとRMSE／R?評価
　5.5　ベイズ最適化による条件探索（獲得関数EIとLCBの比較）

６．イメージインフォマティクス（ImI）の展望
　6.1　「製造条件→画像→物性」という因果構造のモデル化
　6.2　高分子・ゴム・電池・触媒など他材料系への展開
　6.3　暗黙知の数値化と、標準化（ISO/JIS）への発展

７．まとめ

【質疑応答】