■ 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