今日のオリジナル番組


詳細を確認
どこでも栽培可能!?「農業イノベーション」
本日配信
863Picks
Pick に失敗しました

人気 Picker
有機高分子に限れば、物性推定自体は [(自動) 実験+数値解析]の人工知能補完で何とかなると思いますねぇ 有機実験は液体中心なので、自動化もし易いですし

ただ、工場での量産工程と顧客先での成形工程 (特に繊維混ぜるもの) まで含めた品質推定は、当分手作業主体でしょうねぇ 学者の間でもほとんどまだ分断されてる領域なので この部分の知見は、ある程度の規模の企業でないと集まらないため、競争力の源泉になりますよ (記事でも言及されてましたね) 逆に言うと、その他の部分 ([実験室での実験+数値解析]の人工知能補完) だけでは、まもなく追いつかれるでしょうねぇ

こんな現状なので、最終的に成形される製品の設計への統合は、現時点では全くの夢物語です 学者としては、当分研究のネタがあるってことなのですが

(片仮名必要最低限で書いてみました)
化学メーカーだけでなく、製薬企業など幅広い領域での活用が見込まれているマテリアルインフォマティクスですが、個人的には他のAI活用領域と比べ実現が難しいと感じています。
理由は、2つの専門性が必要になるためです。一般的なAI活用では、データサイエンスを得意とするメンバが現場の業務知見(営業、マーケティング…等)を教えてもらいながら分析を実施します。そこにも一定の専門性はありますが、話を聞けばわかるレベルです。
しかし、マテリアルインフォの領域はそうはいかない。化学の基本的な知識や個々の物性など、求められる知識の深さが異なります。そのため、この領域では、データサイエンティストが専門知識を学ぶより、研究者がデータサイエンスを学ぶほうが筋がいいのではないかと思っています。
そういった意味で、元々優秀な研究者が大勢いる東レさんのような企業は強いですね。
スモールデータと外挿不得意問題を切り抜けないと、なかなか従来の直感・理論研究との相違が見られてこないかと思います。

特に、大量な実験データが取得できる測定系の改良と、飛び値や不連続変化に重みをおく斬新な機械学習アルゴリズムの創出が、次なるマテインフォの飛躍には必須のように個人的に感じています。
方程式の変数X。Xの複雑さと深遠さは素人が想像できる範囲を超えるんだろうと思う。そのことがひしひしと伝わる。AIの活用で研究者が想像する時間を増やすことが肝心という部分に大いに首肯する。
バーコードが印刷型に移行して普及が加速したように、RFIDについても期待したいです。サプライチェーンの効率化、店舗での購買のスピーディ化など大きな好影響があります。
数理最適化を用いて、CFRPなどの複合材料の積層の仕方を工夫する取り組みを思い出した。