【プログラム】

※現在、最新のご講演プログラムを講師の先生にご考案いただいております。完成次第本ページを更新いたします。

1.　第一原理計算による材料探索技術 
　1.1　全体的なワークフロー 
　1.2　HOMO-LUMOバンドギャップに基づく構造探索 
　1.3　まとめ 

2.　分子動力学計算による材料探索技術 
　2.1　全体的なワークフロー 
　2.2　探索により得られた学習モデルと物性マップ 
　2.3　分子動力学計算による溶解後の構造と合成候補物の評価 
　2.4　まとめ 

3.　MI技術の社内応用 

4.　今後の展望 

【質疑応答】

【プログラム】

　MI（マテリアルズ・インフォマティクス）とPI（プロセス・インフォマティクス）は、「何を作るか」と「どう作るか」という異なる問いに向き合いますが、その土台にはともに、データの生成・蓄積・活用が循環するデータサイクルがあります。本講座では、自律実験やシミュレーションによるデータ生成から、データの構造化・蓄積、機械学習による解析・活用までを一つの流れとして捉え、MIとPIを支える統合基盤の考え方と、研究現場で回すための実践のポイントを、事例を交えて解説します。

１．イントロダクション：情報科学で材料・プロセス研究をアップデートする
　　1.1　データ駆動型の材料研究・開発とデータサイクル（生成・蓄積・活用）
　　1.2　MIとPI：「何を作るか」と「どう作るか」
　　1.3　制御可能な変数と計測可能な変数
　　1.4　Materials Genome Initiative以降の世界の動向
　　1.5　情報処理の基本的な流れと課題設定の重要性
　　1.6　物質・材料データの特徴：スモールデータと表現の多様性

２．データ生成：自律実験とシミュレーションの高速化
　　2.1　自律・自動実験装置とベイズ最適化による合成条件の最適化
　　2.2　能動学習による効率的な計測
　　2.3　ベイズ最適化の標準的なパッケージ
　　2.4　計算＋AI＋自動実験：GNoMEとA-Labの事例
　　2.5　第一原理計算（密度汎関数法）の基礎
　　2.6　機械学習ポテンシャルの基礎と活用例

３．データ蓄積：研究データの構造化
　　3.1　データ蓄積の意義と課題：何を・どう構造化して・誰と共有するか
　　3.2　公開データベースと研究開発データ管理の動向（Materials Project、Open Catalyst Projectなど）
　　3.3　データ生成と蓄積をつなぐ「構造化」の考え方と事例

４．データ活用：機械学習による解析
　　4.1　機械学習の概要と応用事例（触媒インフォマティクス、ポリマー配合比の予測、リートベルト解析の自動化）
　　4.2　取得データの分類：教師あり学習・教師なし学習と特徴空間
　　4.3　主成分分析・k-means法によるデータ整理の流れ
　　4.4　大量のスペクトルデータの自動解析：EMアルゴリズムによるスペクトルモデリング

５．まとめ：データサイクルに基づく材料・プロセス研究

【質疑応答】

【キーワード】

マテリアルズ・インフォマティクス, プロセス・インフォマティクス, データサイクル, 自律実験, ベイズ最適化, データ構造化, 機械学習ポテンシャル, スペクトル解析

【講演のポイント】

自律実験・計算・データの構造化・機械学習による解析までを自ら手がけてきた講師が、MIとPIを支えるデータサイクルの全体像を、研究現場の事例とともに一つの流れで解説します。機械学習の事前知識がなくても理解できます。

【習得できる知識】

・データ駆動型の材料・プロセス研究開発の全体像（データ生成・蓄積・活用のサイクル）
・自律実験・ベイズ最適化・機械学習ポテンシャルによるデータ生成の基礎
・研究データの構造化と蓄積の考え方
・機械学習による材料・プロセスデータの分類・解析の基礎と事例

【プログラム】

　本講演では、コニカミノルタ社内でどのようにマテリアルズインフォマティクス（MI）およびプロセスインフォマティクス（PI） を推進しているのかの事例を中心に、DXを推進する体系や部門間連携の仕方等を説明していきます。 また、MIとPIを繋げると共に開発の質を上げられるキーパーツの一つと考えているハイスループット実験についても言及します。 私達の考えるハイスループット実験の位置づけ、実験を進めるうえで重要な考え方、実験の進め方やデータの取り方等、 実際に行われている様々な取り組みについてもご紹介します。

１．自己紹介・会社紹介
　　1.1. 発表者略歴
　　1.2.コニカミノルタの紹介

２．DX推進体系
　　2.1. コニカミノルタのDX体制
　　2.2. DXがもたらす価値
　　2.3. DXの普及のさせ方

３．DX事例
　　3.1． 複合材料でのMI事例
　　3.2． シミュレーション活用事例
　　3.3． PI事例

4．MIとPIをつなげるために
　　4.1. 両者の違い
　　4.2. 繋げるための考え方

5．ハイスループット実験について
　　5.1. 実験の考え方
　　5.2. 開発事例にみる効果
　　5.3． データプラットフォームの考え方

6．まとめ

【質疑応答】

【キーワード】

マテリアルインフォマティクス（MI）、プロセスインフォマティクス（PI）、DXの普及、材料開発効率化、ハイスループット実験

【講演のポイント】

コニカミノルタでは、2018年頃からMI/PIに取り組んでおり、今では材料開発現場、生産現場にDX文化が根付いてきました。本講演では、DX文化を根付かせるコツについて説明します。また、DXの活用には多量のデータが必要となるため、データを生み出すハイスループット実験の考え方も合わせて紹介します。

【習得できる知識】

・DX推進・普及方法
・DX事例
・ハイスループット実験の考え方

【プログラム】

　素材・材料開発は、原料配合の最適化に加え、材料形成プロセスを精緻に制御することで実現される。近年は、研究開発から製造までの各工程で蓄積される膨大なデータを統合・活用し、開発加速や品質向上につなげる取り組みへの期待が高まっている。一方で、材料の製造プロセスには多数の因子が複雑に関与しており、品質安定化や不良改善、スケールアップ時の再現性確保は依然として大きな課題である。 本講演では、マテリアルズインフォマティクス（MI）とプロセスインフォマティクス（PI）の実践事例を交えながら、材料開発・製造プロセスにおけるデータ活用の考え方と進め方を紹介する。特に、品質安定化、不良改善、プロセス最適化に向けたデータの前処理・可視化・解析手法、現場との連携による課題解決アプローチ、さらに人材育成や組織的な推進の仕組みについて解説する。加えて、AIや実験自動化を活用した今後の研究開発DX（RX）の方向性についても紹介し、データ駆動型研究開発の実現に向けたポイントを共有する。 

１．はじめに
　　1.1　当社R&Dの目指す姿
　　1.2　変化する素材産業への危機感とMI・PIへの期待

２．プロセス制御におけるインフォマティクス活用
　　2.1　材料開発における反応プロセス制御の重要性
　　2.2　PIの考え方と実践上の課題
　　2.3　品質安定化・不良改善に向けたデータ活用アプローチ

３．事例から見るプロセスインフォマティクス活用
　　3.1　事例①　複数の反応プロセスからなる原料の品質設計
　　　3.1.1　データ可視化の基本とその重要性
　　　3.1.2　データ解析において考慮すべきプロセス範囲
　　　3.1.3　プロセス制御に向けた特徴量設計の工夫
　　　3.1.4　制御可能なプロセス変数を用いたモデル構築
　　3.2　事例②　配合・プロセス・実験自動化・MIを一気通貫でつなぐ材料開発

４． MI／PI活用を成果に繋げる仕組みづくり
　　4.1　成果創出につながるMI・PI推進の要件
　　4.2　MI・PI人材の育成と組織への定着
　　4.3　事業貢献につながるテーマ選定
　　4.4　成果刈取りの仕組み化

５．今後の展望 　AI・自動化を融合した研究開発DX

【質疑応答】

【キーワード】

マテリアルズインフォマティクス（MI）、プロセスインフォマティクス（PI）、品質安定化、不良改善、プロセス最適化、特徴量設計、データ可視化、研究開発DX、実験自動化、データドリブン材料開発

【講演のポイント】

複数工程にまたがるプロセスデータを、可視化、特徴量設計、モデル構築へつなげ、品質安定化・不良改善に活用した実際の開発現場での事例を紹介する。さらに、MI・PIを一過性の解析で終わらせず、事業貢献へ結び付ける人材・テーマ・推進体制まで解説する。

【習得できる知識】

・材料開発におけるMI・PIの役割と両者を連携させる考え方 
・複数工程からなるプロセスデータの整理・可視化の進め方 
・品質に影響するプロセス範囲の設定と特徴量設計のポイント 
・制御可能なプロセス変数を用いたモデル構築の考え方 
・品質安定化、不良改善、プロセス最適化への適用方法 
・MI・PI人材の育成と組織への定着に向けた仕組み 
・事業貢献につながるテーマ選定と成果刈取りの考え方