文献

J-GLOBAL ID：202202290524976661   整理番号：22A0193462

標準の今昔そして未来 高分子材料開発における機械学習の適用と今後の発展

著者 (1件)： 金子弘昌 (明治大 理工)
資料名： 高分子  (Polymers)
巻： 71  号： 1  ページ： 24  発行年： 2022年01月01日 
JST資料番号： F0168A  ISSN： 0454-1138  CODEN： KOBUA3  資料種別： 逐次刊行物 (A)
記事区分： 短報  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： ・データ化学工学研究では,データを計算機で分析,解析し,その中に隠れている関係性を見つけ,その関係性に基づき,化学構造,材料,製品を設計。
・著者らは,高分子材料開発において,モノマーの組成比や重合条件をx,得られたポリマーの物性をyとする,機械学習による数理モデルy=f(x)を構築。
・さらに,数理モデルを直接的に逆解析する手法を実行するために,オブジェクト指向言語(Pythonライブラリ)を使用。
・この逆解析による計算結果は,Bayes推定による最適実験計画法のBayes最適化を凌ぐ実験条件探索の効率化を達成。

シソーラス用語： *機械学習 ,  *数学モデル ,  *分子構造 ,  化学的性質 ,  Bayes推定 ,  最適化手法 ,  オブジェクト指向言語 ,  簡易言語 ,  実験計画法 ,  化学プロセス ,  OPT【生産】 ,  材料科学
準シソーラス用語： Bayesの定理 ,  Python言語 ,  最適実験計画法 ,  数理モデル

分類 (4件)： システム最適化手法  (IA02050Z) ,  数値計算  (JE02000J) ,  化学プロセスの解析  (XC01030R) ,  ドキュメンテーション  (CA01030Q)

引用文献 (6件)：

• N. Shimizu and H. Kaneko, Mater. Des., 196, 109168 (2020)
• H. Kaneko, Chemometr. Intell. Lab. Syst., 213, 104325 (2021)
• DCEKit, https://datachemeng.com/dcekit/
• “Pythonで学ぶ実験計画法入門 ベイズ最適化によるデータ解析”,金子弘昌,講談社(2021)
• H. Kaneko, Chemometr. Intell. Lab. Syst., 208, 104226 (2021)

タイトルに関連する用語 (6件)： 標準 ,  未来 ,  高分子材料 ,  開発 ,  機械学習 ,  発展