静岡大学　工学部　化学バイオ工学科　講師　博士（工学） 村上 裕哉　氏
【講師紹介】

　ニューラルネットワークは、近年さまざまな分野でその有用性が認められており、物性推算の分野においても活用が進んでいます。高い表現力を有するニューラルネットワークは、多数の因子が複雑に影響し合う多成分系の物性推算に適している一方で、データ駆動型の手法であるため、一般に多くの学習データを必要とします。しかし、多成分系では、成分の種類や組成、温度などの操作因子が多く、膨大な探索空間を実験データのみで網羅することは容易ではありません。
　本講演では、このような多成分系の物性推算に対して、機械学習を効果的に活用するための考え方と具体的な手法を紹介します。ニューラルネットワークの基本的な仕組みから、理論モデルと最新の機械学習手法を組み合わせたハイブリッドモデリングまでを取り上げます。これらを通じて、機械学習の初学者が、ニューラルネットワークを用いて物性推算に何ができるのか、また、限られたデータを有効に活用するためにどのようなアプローチが有効であるのかを理解することを目的とします。

■ ニューラルネットワークの基本
・機械学習とは何か
・機械学習とニューラルネットワーク
・活性化関数の役割
・万能近似定理
・機械学習の実用上の欠点

■ニューラルネットワークの構造
・代表的な活性化関数
・ノードとレイヤー
・ニューラルネットワークの中間層
・ニューラルネットワークにおける行列演算
・GPU演算と行列演算

■誤差逆伝播法と過学習
・誤差逆伝播法の仕組み
・学習パラメータ数
・局所解と広域解
・ニューラルネットワークにおける過学習

■既存モデルとの比較
・既存モデルのアプローチとの類似点と相違点
・機械学習の強み

■様々なニューラルネットワーク
・単純なニューラルネットワークの限界と解決策

■時系列データとニューラルネットワーク
・時間的整合性とは
・回帰型ニューラルネットワーク
・Long Short-Term Memory
・Neural ODE
・時系列データ用のニューラルネットワークの特徴と強み

■多次元データとニューラルネットワーク
・画像処理におけるニューラルネットワーク
・二次元型畳み込みニューラルネットワーク
・畳み込み操作の基礎と仕組み
・信号処理とニューラルネットワーク
・一次元畳み込みニューラルネットワーク

■ネットワークデータとニューラルネットワーク
・グラフ表現とは
・メッセージ伝播型ニューラルネットワークと物性推算
・PyGeometricによるMPNNの実装

■転移学習を利用した少データ学習
・転移学習の原理
・転移学習でのモデル再利用と学習効率向上

■分子記述子と機械学習による物性推算
・物性推算における転移学習
・転移学習を利用する際のワークフロー
・代表的な分子記述子
・MPNNによる物性推算精度
・MPNNによる学習データ削減効果
・MPNNで作成した記述子の特徴
・Parity plotでみるMPNNの予測精度

■物性推算への事前知識の導入
・外挿予測における過学習
・誤差逆伝播法を活用した勾配制約
・勾配制約によるアレニウス式の考慮
・物性推算におけるハード制約とソフト制約

■三成分混合物の物性推算
・工学プロセスにおける混合物の位置づけ
・非理想溶液の物性予測の難しさ
・既存の理論駆動・データ駆動モデル
・物性推算での外挿予測における問題
・PINNベースモデルによるアプローチ
・相互作用考慮モデルによるアプローチ
・データ測定手法
・既存モデルの精度と問題点
・ニューラルネットワークの精度と限界
・ハイブリッドAIの特徴と効果
・混合物物性推算に重要な構造的特徴

■多成分系混合物の物性推算
・多成分系の物性推算の難しさ
・混合物の記述子表現
・埋め込み表現による混合物表現
・多次元空間におけるデータ収集
・ベイズ最適化によるデータ収集
・アクティブラーニングの効果
・交差検証と混合物物性推算精度
・記述子選定手法
・埋め込みにおける次元数の選択

質疑応答