K.Oki@製造系データサイエンティスト

材料開発×マテリアルズインフォマティクス｜実験回数を減らすためのデータ活用｜Python・ベイズ最適化｜化学メーカー勤務｜未経験からデータサイエンティストへ（元プロセス開発エンジニア）｜noteで実務に使えるPythonテンプレ&キャリアに関する情報を発信中

[K.Oki@製造系データサイエンティスト @oki_kosuke]

材料開発で「実験回数を減らしたい」と思ったことはありませんか？

ベイズ最適化をコピペで即実行可能なPythonテンプレートにまとめました。

・今日から使えるコード&サンプルデータ付き
・実務目線で設計&解説
・ベイズ最適化が何か分かる！

詳細はこちら↓
https://t.co/1jHN065zjW

[Mori.H @m_ichi1271]

「実験データが少ないからMIは無理」と諦めていませんか？
12/10(木)開催予定セミナーでの説明内容をちら見せします👇
計算化学でデータを補完し、少数の実験データでも実用的な予測モデルを自作する実践法を解説します！
詳細👇
https://t.co/5vTw1AQlSX

[横山トモヤス｜計算材料科学者 @yoko_materialDX]

マテリアルズインフォマティクスの最新ニュース。

旭化成さんは、半導体向け感光性絶縁材料の自律型ラボを開設したそうです。27年1月から稼働し、AIにより材料設計から実験・評価のループを自律化することで、実験数を4倍にできるとのこと。

産業界も自律実験に投資が進む。
https://t.co/0toKS2JNq0

[かなめ │ ケミストのDXノート @Rucyinthefire]

「機械学習は外挿できない」は、もう古い。産総研・峯真也先生らが2023年に覆した。
初期データ45件から予測と実験を44周回し、触媒300件を実測。最高性能超えが100件以上、最適組成には元データに無い元素ニオブ入り。専門家の予想の外を機械が掘り当てた。
#機械学習 #触媒
https://t.co/V9mp82NuU5

[Matlantis™ @matlantis_ja]

材料開発の技術者82名に、計算化学とマテリアルズ・インフォマティクス（MI）をどう見ているかを聞いた独自調査の結果を、ブログで公開しました。どちらについても、前向きな層と距離がある層がちょうど半数ずつに分かれています。

回答者は、82社の研究開発部門と分析・評価部門に所属する方々です。計算化学は、職場で活用中または検討中の人と、活用しておらず予定もない人が41名ずつです。MIも、活用中または関心がある人と、知らない・あまり関心がない人が41名ずつでした。

📊 距離がある層が使わない理由の上位は、「自分の研究に関係するか見えない」ことです。計算化学では56%が「必要性を感じない・研究テーマに適さない」を、MIでは37%が「MIの内容や有用性について詳しく知らない」を選んでいます。

前向きな層では、人材が大きな壁になっています。計算化学では71%が専門知識・スキルを持つ人材の不足を挙げ、MIでも人材不足（39%）が、データの整備・収集（44%）、社内の理解・体制（41%）と並んで上位に入りました。

⚙️ この数年で、こうした壁を越えつつある3つの変化が起きています。専門家でなくてもMIを始めやすくなったこと、そしてDFT計算レベルの精度を保ちながら計算を大幅に速める機械学習ポテンシャルと、計算の設定や結果の解釈を後押しするAIエージェントが登場したことです。

🌱 専門人材の不足は、個社の努力だけでは解決しづらい構造的な課題です。Matlantisは、専門家によるサポートなどを通じて、その解決の一端を担っています。「原子レベルの洞察で、意思決定を動かす」というビジョンの実現に向けて、これからも取り組んでいきます。

記事はこちら：https://t.co/XA2JMZDYjA

#Matlantis #計算化学 #マテリアルズインフォマティクス

[技術の動画｜元科学者の技術解説 @gijutsu_himitsu]

【計算化学シリーズ】今回は時間依存DFT（TDDFT）！
最初の一瞬だけ電子をぽんと押すと、揺れのリズムから、分子が吸う光が分かります。ベンゼンで計算すると、山は6.8電子ボルト。実験とほぼ同じ位置です。
機械学習によるハミルトニアン高速予測が待ち遠しい！
#時間依存DFT #TDDFT #計算科学

[K.Oki@製造系データサイエンティスト @oki_kosuke]

【11/10,11開催】第49回ケモインフォマティクス討論会@奈良

企業からの発表もあり、専門家が多く集うので充実したディスカッションも期待できます！

今年は日程合わず参加できませんが、数年前に参加してまた参加してみたいなと思っていたイベント。
https://t.co/IaNezcKNKg

[K.Oki@製造系データサイエンティスト @oki_kosuke]

以下の記事で
個人的に2025年気になった3選で「秘密計算」を取り上げています。

https://t.co/XmCIOngz5u

[K.Oki@製造系データサイエンティスト @oki_kosuke]

『レゾナック、ZenmuTechとの共創により秘密計算を活用したMI基盤を構築』

・2023年からZenmuTechと連携
・秘密分散方式
・パートナーのA社はどこなん？

レゾナックからも秘密計算の報告。秘密計算は話題の技術で、いくつかの協業体制があるので、今後どうなるか注目です！
https://t.co/N6GmYtFHha

[K.Oki@製造系データサイエンティスト @oki_kosuke]

『レゾナック、ZenmuTechとの共創により秘密計算を活用したMI基盤を構築』

・2023年からZenmuTechと連携
・秘密分散方式
・パートナーのA社はどこなん？

レゾナックからも秘密計算の報告。秘密計算は話題の技術で、いくつかの協業体制があるので、今後どうなるか注目です！
https://t.co/N6GmYtFHha

[K.Oki@製造系データサイエンティスト @oki_kosuke]

未経験からデータサイエンティストに転職したとき、勉強した内容をQiitaで発信していました。

「こんなことができるんですね！」と採用につながりました。

学んだことを発信するのは、自分にできることを伝える手段にもなると実感しています。
当時の記事の一例はこちら👇
https://t.co/YOnImNSuPa

[K.Oki@製造系データサイエンティスト @oki_kosuke]

『データサイエンティストを目指すなら、何から勉強すればいい？』

統計学、Python、機械学習…
学ぶことが多いからこそ、全部を一気に勉強する必要はないと思っています。

まずはPythonでデータを分析しながら、必要な統計や機械学習を学ぶのが一つ。

みなさんは、最初に何から勉強しましたか？

[NAIST MI-Lab @NaistMi]

https://t.co/fNsCK4TPwP 直感的インターフェースでベイズ最適化を材料研究に導入するPythonフレームワーク「Bgolearn」。単一および多目的最適化、多様な代理モデルの提案と不確実性の定量化。その有効性を超高硬度高エントロピー合金の探索などで実証。 #マテリアルズ・インフォマティクス

[K.Oki@製造系データサイエンティスト @oki_kosuke]

それぞれの特徴はこんな感じ👇
・Feature Importance：モデルが持つ指標をもとに重要度を評価
・Permutation Importance：特徴量をシャッフルしたときの予測性能の低下を評価
・SHAP：各特徴量が個々の予測にどのように寄与したかを評価
評価の考え方が異なるため、目的に応じた使い分けが大切です。

[K.Oki@製造系データサイエンティスト @oki_kosuke]

機械学習の「特徴量重要度」が高い変数ほど、予測に重要だと思っていませんか？

実は、算出方法によって見えてくるものが違います。

Feature Importance、Permutation Importance、SHAPの違いをまとめてみました👇

https://t.co/eqIVKrdail

[横山トモヤス｜計算材料科学者 @yoko_materialDX]

マテリアルズインフォマティクスの最新ニュース。

村田製作所さんは、実験データとマルチAIエージェントを連携した研究開発システムを構築したそうです。計画・データ解析・レポート作成により業務スピードを22倍高速化できるとのこと。

AIエージェント活用が進んでる。
https://t.co/avxjaVY3uD

[K.Oki@製造系データサイエンティスト @oki_kosuke]

『機械学習モデルを作る前に、現場とすり合わせる』ことが重要！

「何を予測するか」だけではなく、
誰が、いつ、どんな判断に使うのか。

「精度が○○%でした」と提案する前に、現場で使える形を考える。

データサイエンティストの仕事は、モデルを作ることだけじゃない。

[K.Oki@製造系データサイエンティスト @oki_kosuke]

基本は
データ分割 → 学習データでfit → テストデータはtransform

例えば標準化なら、平均・標準偏差は学習データから計算します。
PCAも同じで、主成分は学習データで求め、テストデータにはその変換を適用します。

[K.Oki@製造系データサイエンティスト @oki_kosuke]

【データ解析あるある】
「とりあえず全データで標準化」してない？

PCAや標準化は、分析の最初についやってしまいがち。
でも、データ分割前に全データへ前処理をすると、テストデータの情報が学習側に漏れることがある。

「前処理だから大丈夫」ではない。
PCAや標準化もデータリークに注意！

[K.Oki@製造系データサイエンティスト @oki_kosuke]

材料開発×AI、次は「予測」だけじゃない！

147文献を調査した「AI駆動型マテリアル研究開発」のレポートが興味深かった。

自動・自律実験の開発の方向性と、日本の現在地が整理されていた点が面白かった。

AIが研究開発そのものをどう支援していくのか。今後が楽しみです👇
https://t.co/M9dN8720mb

[K.Oki@製造系データサイエンティスト @oki_kosuke]

「データサイエンティストになるなら、まず何を勉強する？」
私が転職前にやっていたのは、

・Python
・統計
・機械学習

……を全部完璧にすることではありませんでした。

まず手を動かして、分からないところを調べる。
この繰り返しが、結果的に一番身についたと感じています。

[K.Oki@製造系データサイエンティスト @oki_kosuke]

【データ解析あるある】
「標準化すると、データはどうなる？」

標準化すると、
平均値 → 0
標準偏差 → 1
になります。

これによって、単位やスケールが違う変数を比較しやすくなる。

「標準化＝データを小さくする」
ではありません。