事例でわかる マテリアルズインフォマティクス　深層学習ケーススタディ

関連サイト

本書の関連ページが用意されています。

• 事例でわかる マテリアルズインフォマティクス | 近代科学社

内容紹介

深層学習を用いたマテリアルズインフォマティクスの実用的専門書第2弾。本書では厳選した事例を対象に、深層学習を有機化学・無機化学分野のデータに適用する場合のポイントについてを解説している。序章では『詳解 マテリアルズインフォマティクス』でも掲載したデータセットについて詳述し、第1章から有機化合物に対する予測モデル構築、第2章で無機材料に対する予測モデル構築、第3章で生成モデルを活用した材料・医薬品の設計についてをケーススタディとして紹介する。具体的なテクニックを読み解くことで、材料開発における深層学習の活用を更に飛躍させることができる。

書誌情報

• 著者: 船津 公人, 井上 貴央
• 発行日: 2023-02-10 (紙書籍版発行日: 2023-02-10)
• 最終更新日: 2023-02-10
• バージョン: 1.0.0
• ページ数: 108ページ(PDF版換算)
• 対応フォーマット: PDF, EPUB
• 出版社: 近代科学社Digital

対象読者

マテリアルズ・インフォマティクス,マテリアルインフォマティクス,深層学習,機械学習,データサイエンス,DX,有機化学,無機化学,ポリマー,創薬,RDKit,SMILES,MOLに興味がある人

著者について

船津 公人

1978年　九州大学理学部化学科卒
1983年　九州大学大学院理学研究科化学専攻博士課程修了(理学博士)
1984年　豊橋技術科学大学物質工学系助手，1992年　同知識情報工学系助教授
2004年　東京大学大学院工学系研究科化学システム工学専攻教授
2011年　ストラスブール大学招聘教授
2017年10月　奈良先端科学技術大学院大学データ駆動型サイエンス創造センター研究ディレクター　教授を兼務
2021年3月　東京大学定年退職
2021年4月　奈良先端科学技術大学院大学データ駆動型サイエンス創造センター研究ディレクター　特任教授
2021年6月　東京大学名誉教授
2022年　奈良先端科学技術大学院大学データ駆動型サイエンス創造センター長，特任教授
学位は有機反応機構研究で取得．専門分野はケモインフォマティクス．1984年からケモインフォマティクスの分野に身を投じでいる．ケモインフォマティクス利用による分子・薬物設計，材料設計（プロセス条件も含む），構造解析，合成経路設計，化学プラントなどを対象とした監視と制御のためのソフトセンサー開発に取り組む．
著書に『コンピュータ・ケミストリーシリーズ1 CHEMICS―コンピュータによる構造解析―』（共著，共立出版），『コンピュータ・ケミストリーシリーズ2 AIPHOS―コンピュータによる有機合成経路探索―』（共著，共立出版），『ソフトセンサー入門　基礎から実用的研究例まで』（共著，コロナ社），『ケモインフォマティクス　予測と設計のための化学情報学』（共訳，丸善・Wiley），『実践マテリアルズインフォマティクス―Pythonによる材料設計のための機械学習―』（共著，近代科学社），『詳解マテリアルズインフォマティクス̶有機・無機化学のための深層学習―』（共著，近代科学社Digital）など．
日本科学技術情報センター丹羽賞・学術賞(1988年），日本コンピュータ化学会学会賞（2003年），2019年8月アメリカ化学会より，当該分野のノーベル賞とされるHerman Skolnik賞を受賞．2021年3月日本化学会学術賞「データ駆動型化学の開拓」を受賞．

井上 貴央

2017年　京都大学工学部情報学科卒業
2022年　東京大学大学院工学系研究科化学システム工学専攻博士課程修了，博士（工学）
2022年4月　株式会社Elixリサーチエンジニア（現職）
学部時代は離散数理を専門とする研究室に所属し，分子グラフの数え上げアルゴリズムに関する研究に従事．修士課程から分野をケモインフォマティクスに移し，小規模化学データを利用した分子グラフ構造生成に関する研究に従事．現在は，株式会社ElixでAI創薬に携わっている．
著書に『詳解マテリアルズインフォマティクス̶有機・無機化学のための深層学習―』（共著，近代科学社Digital）がある．

目次

序章　深層学習に必要なデータの準備

• 0.1 化学データに対する機械学習
• 0.2 有機化合物データ
• 0.2.1 データ形式
• 0.2.2 データベースの紹介
• 0.3 無機化合物データ
• 0.3.1 データ形式
• 0.3.2 データベースの紹介

第1章　有機化合物に対する予測モデル

• 1.1 マルチタスク学習を利用したポリマーの物性予測
• 1.1.1 モデル訓練のための準備
• 1.1.2 利用する手法
• 1.1.3 性能評価
• 1.2 物理情報付きニューラルネットワークの転移学習を利用したポリマーの物性予測
• 1.2.1 モデル訓練のための準備
• 1.2.2 利用する手法
• 1.2.3 性能評価
• 1.3 予測の不確実性を考慮したPFAS の毒性予測
• 1.3.1 モデル訓練のための準備
• 1.3.2 利用する手法
• 1.3.3 性能評価

第2章　無機材料に対する予測モデル

• 2.1 結晶性材料の合成可能性の予測
• 2.1.1 モデル訓練のための準備
• 2.1.2 利用する手法
• 2.1.3 性能評価
• 2.2 材料の局所構造の安定性予測と新規材料の予想
• 2.2.1 モデル訓練のための準備
• 2.2.2 利用する手法
• 2.2.3 性能評価
• 2.3 合金のガラス形成能の予測
• 2.3.1 モデル訓練のための準備
• 2.3.2 利用する手法
• 2.3.3 性能評価

第3章　生成モデルを活用した材料・医薬品の設計

• 3.1 フラグメント構造生成器を利用したリードジェネレーション
• 3.1.1 モデル訓練のための準備
• 3.1.2 利用する手法
• 3.1.3 性能評価
• 3.2 半教師あり学習を利用した分子構造生成
• 3.2.1 モデル訓練のための準備
• 3.2.2 利用する手法
• 3.2.3 性能評価
• 3.3 変分オートエンコーダを用いた四元系複合アニオン化合物の発見
• 3.3.1 モデル訓練のための準備
• 3.3.2 利用する手法
• 3.3.3 性能評価