マテリアルズインフォマティクスの動向と
小規模データを活用する化学・素材関連研究の高効率化

日時・会場・受講料・お申込みフォーム

●日時：2026年4月22日(水)　13:00-16:30　＊途中、小休憩を挟みます。

●会場：[東京・東新宿]新宿文化センター 4階第1会議室　→「セミナー会場へのアクセス」

●受講料：
【会場受講】：1名45,100円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき34,100円

＊学校法人割引：学生、教員のご参加は受講料50％割引。→「セミナー申込要領・手順」を確認ください。
＊5名以上でのお申込の場合、更なる割引制度もございます。
　ご希望の方は、以下より別途お問い合わせ・お申込みください。
　req@*********（*********にはjohokiko.co.jpを入れてください）

■ セミナーお申込手順からセミナー当日の主な流れ　→

---

お申込みはこちらから

会場（対面）セミナーご受講に関する各種案内（必ずご確認の上、お申込みください。）

●配布資料は、印刷したものを当日会場にてお渡しいたします。

●当日会場でセミナー費用等の現金支払はできません。
●昼食やお飲み物の提供もございませんので、各自ご用意いただけましたら幸いです。
●講義中の携帯電話・スマートフォンでの通話や音を発する操作はご遠慮ください。
●講義中のパソコン使用は、講義の支障や他の方のご迷惑となる場合がありますので、極力お控えください。場合により、使用をお断りすることがございますので、予めご了承ください（パソコン実習講座を除きます。）

●講座で使用する資料や配信動画は著作物であり、無断での録音・録画・複写・転載・配布・上映・販売などは禁止いたします。また、申込者以外の受講・動画視聴は固くお断りいたします（代理受講ご希望の際は、開催前日までに弊社までご連絡お願いします）。

セミナーポイント

■はじめに
化学・素材関連の研究開発においても、データ駆動型やデジタルトランスフォーメーションの活用が求められている。
しかし、「マテリアルズインフォマティクス(MI)の活用に興味はあるものの、どのように自社の研究開発に取り入れたらよいかがわからない」という声をよく聞きます。
本講座では、MIの背景、歴史と最新動向に続き、我々のグループ内で小規模な実験や文献データを対象に、機械学習と研究者の経験や勘を併用したMIにより、効率的な研究開発が可能となった事例をご紹介します。皆様のまわりにある具体的な事例に適用できるよう、ナノシート材料の合成プロセスの制御やリチウムイオン二次電池の有機活物質の探索など、具体的な事例をもとに、機械学習の原理や方法、失敗事例を含めてご紹介したいと思います。

■ご講演中のキーワード：
マテリアルズインフォマティクス
ケモインフォマティクス
機械学習
小規模データ
スパースモデリング
実験主導型
研究者の経験と勘
線形回帰

■受講対象者：
・本テーマに興味のある方なら、どなたでも受講可能です。
・ラボや社内の実験や文献の小規模データにMIを適用したいと思われている方
・限られた実験や文献データを活用したいと思われている方
・MIを導入してみたものの思ったような活用につながらない方
・実験系研究／技術者だがMIを使いたい方
・熟練の経験や勘と考察などをMIに融合できないか検討されている方

■必要な予備知識や事前に目を通しておくと理解が深まる文献、サイトなど：
・この分野に興味のある方なら、特に予備知識は必要ない。

■本セミナーで習得できること：
・MIの国内外の最新動向
・小規模データへのMIへの適用方法と具体的事例
・物質探索やプロセス最適化や性能向上のための予測モデル構築方法
・研究者／技術者の熟練の知恵と機械学習の融合方法

■受講された方の声（一例）：
・少データを用いたMIの活用方法の参考にしたく参加させていただきました。非常に丁寧な説明で分かりやすかったです。ありがとうございました。
・MI活用事例に関する情報収集の為、参加しました。スパースモデリングについてのお話が興味深かったです。
・最新動向を含めて、非常に分かりやすかったです。ありがとうございました。
・全般的に興味深い内容で、受講して良かったです。ありがとうございました。
などなど……ご好評の声を多数頂いております！

セミナー内容

１．マテリアルズインフォマティクス（MI）の動向
1) 一般的なMIへの期待
2) MIでできることとできないこと
3) MIの歴史と最近の動向
4) MIに関する最近の課題
5) 小規模データに適用可能なMI

２．MIを活用したプロセス最適化事例：ナノシート材料合成の制御
1) MIを導入した実験系の紹介
2) データセットの準備
　a）自前実験でも出来るデータセット準備
　b）良質なデータセットの効率的な作成やデータ取得のポイント
3)機械学習と考察の融合による記述子抽出
　a）スパースモデリングの適用
4) 予測モデル構築
　a）記述子の抽出と予測モデル構築
　b）予測モデルの未知な層状物質への適用
5) モデル構築の失敗事例
6) 予測モデルを活用した最少実験数での実験例
7) 適用範囲の拡張に関する検討と予測モデル改良
　a）MIによる収率向上
　b）ナノシートの横幅サイズ制御、サイズ分布制御例
8) 他の機械学習アルゴリズムとの比較

３．MIを活用した物質探索事例：新規リチウムイオン二次電池有機電極活物質の性能予測と探索
1) MIを導入した実験系の紹介
2) データセットの準備
　a）文献からのデータセット作成
3)機械学習と考察の融合による記述子抽出
　a）スパースモデリングの適用
4) 予測モデル構築
　a）反応電位予測モデル
　b）容量予測モデル
　c）エネルギー密度予測モデル
5) モデル構築の失敗事例
6) 予測モデルを活用した最少実験数での実験例
7) 適用範囲の拡張に関する検討と予測モデル改良
　a）トレーニングデータを自前実験で作成
　b）予測精度の検証
　c）高分子化による性能向上
　d）先行研究との性能比較
8) 他の機械学習アルゴリズムとの比較

４．小規模・実験データへのMIの適用
1) ツールとしてのMIを活用する時代へ
2) 明日からできるデータセットの準備
3) 明日からできる機械学習と経験・勘・考察の融合

５．おわりに
1) 様々な実験系への適用事例
2) 本手法のまとめと特徴
3) 今後の展望