| ホームページ | Pirikaで化学 | ブログ | 業務リスト | お問い合わせ |
| Pirikaで化学トップ | 情報化学+教育 | HSP | 化学全般 |
| 情報化学+教育トップ | 情報化学 | MAGICIAN | MOOC | プログラミング |
| MAGICIANトップ | MAGICIAN-Jr. | MAGICIAN-講義 | 過去の資料 |
MAGICIANとは、材料ゲノム(Materials Genome)、材料情報学(Materials Informatics)、情報化学(Chemo-Informatics)とネットワーク(Networks)を結びつけて(Associate)いかれる人材です。
2020.4.18
MAGICIANとは、材料ゲノム(Materials Genome)、材料情報学(Materials Informatics)、情報化学(Chemo-Informatics)とネットワーク(Networks)を結びつけて(Associate)いかれる人材です。
| #MAGICIAN_Pirika | |
|---|---|
MAGICIAN pirika
|
MAGICIAN(MAterials Genome/Informatics and Chemo-Informatics Associate Networks) Pirikaのツール群は魔法の杖ではありません。 でも、ただの棒切れでもありません。 2021.4.21 MAGICIAN養成講座のアウトプット、GROVEというデータ解析ソフトをリリースしました！ 非常に効果的な解析を行う一方、使いこなしは難しいソフトなので、ZOOM講習会で使い方を解説しています。 |
2021.11.20
来年の1月、MAGICIAN養成講座の参加枠を１社で買い切りで、配合処方設計を中心に集中講義を行います。
GROVE法を開発している学生も手伝ってくれます。
養成講座参加希望の1回目のZOOM相談に関しては無料で行います。
pirika.comのサービスを参照してください。
MIRAIはデータ数が少ない、識別子が多い、非線形性があるケースに使う解析ツールです。同じMIでもMaterials Informaticsで使うツールとはとても異なります。
「第15回日本電磁波エネルギー応用学会シンポジウム:2021年度ショートコース」発表の連動ページです。
マテリアルズ・インフォマティクス(MI)を利用して、マイクロウエーブをどのくらい吸収して温度がどのくらいになるのかを予測する式を構築します。
特に、これから情報やプログラミングを学ぶ子供や、そうした子供の指導者向けのページです。
記憶力（高い偏差値）なんてAIに任せて、大好きな理科だけに特化する生き方も、ありになってきていると思います。
でも、効率的にAI-アシストを使う方法に早いうちに触れておきましょう。 <div
ネットで公開されているデータを基に、Materials Informaticsとは、どのように「材料を料理」するのかが概観できるように構成してみました。
一連の要素技術を学べば、後は自分でやれるようになると思います。
概要
私が量子化学計算を始めたのは、30年前のことです。
最初は、重合など反応を扱う事が多かったので遷移状態の計算ばかりやっていました。
だんだん「自分のやりたいことは逆設計」ということで情報化学にシフトしていきました。
「物性推算と逆設計」と呼んでいた時に外部で発表していたものを置いておきます。
企業研究者だったので、外部発表は多くはありません。
深層学習で思い出したこと
40年近く前に、NECのPC-8801を購入した。コンピュータのプログラミングに夢中だった頃、確かCP/M-80用（もしくはMS-DOS?)のLISP言語のフロッピーをもらい、PCで動かしていました。
LISP言語というのは当時、人工知能用のソフトという事で、N88-BASICから卒業しようとしていた私が候補の１つとして考えていた言語です。
コンセプトを下図に示しておきます。
当時のコンピュータはキャラクター・ベースで動作します。
人間はYes, Noしか答えられません。
（数十種の質問が入っていたと思いますが、そんなものは覚えていないので、ツリーは適当に作りました。）
コンピュータの質問に対してYes,Noを答えていく。
「陸上生物ですか？」Yesを選ぶ。
「羽を持っていますか」Yesを選ぶ。
「飛びますか？」Noを選ぶ
すると、コンピュータが「思い浮かべたのは、ダチョウですか？」と聞いてくる。
答えが、Yesならコンピュータの勝ち。
答えが、No(例えばペンギン）なら「ダチョウとペンギンを識別する質問を教えてください」とコンピュータが言う。
ゲームを続ければ続けるほど人工知能は賢くなると言う例題でした。
両生類や雑食性を入れたければ、ツリーを細かくとります。
（陸上生物のところで、「水中でも生活しますか？」とか）
現在のDeep Learningはこれを、写真だけから、自問自答して学んでいっているだけ？
と言うのが本を読んだ感想でした。
すると、くじらの写真を見せた時に、写真から「肺を持っているかどうか？」はどう判断させればいいのでしょうか？
「エラを持っている」かどうかは解剖写真を見せなければ解りません。
殻を脱皮したソフトシェル・クラブは？
引っ越し中のヤドカリは？
まー、写真だけでは大変な事でしょう。
（GoogleがYoutubeを買収したのは、動画を手に入れる為で、潮吹き、脱皮前後、引っ越しなど前後の脈絡を解析する為では無いかと疑っているのは、私だけでしょうか？）
こうしたやり方は、エキスパート・システムとして一時期流行りましたが、場合分けが複雑になりすぎて、実用的に現在まで使われているものはほとんどないようです。
それでは化学の領域はどうかと言いますと、写真に相当するものは、分子構造でしょう。
写真なら、裏写ししたり、拡大縮小、彩度を変えたりデータを水増しできますが、分子構造は分子構造で１つしかありません。
しょうがないので、分子軌道やトポロジカル・インデックスを計算して、説明変数の水増しを図ります。
しかし、目的変数自体はスモール・データしかありません。
インスタグラムには35億枚のタグ付けされた写真があるそうですが、化合物の毒性の指標の１つ、LD50など、同じ動物種では数千もないでしょう。
目的変数より説明変数が多い場合には、「主成分分析やPLS法を使う」と情報化学は教えてくれます。
しかし、そもそも分子軌道やトポロジカル・インデックスなどの計算結果が本質的な説明変数を必要十分備えているかは誰にもわかりません。
そこで、Deep Learningの結果は「ブラックボックス」になりますが、なんとなくそれっぽい答えを出すようになります。
それでうまくいく領域もあるでしょう。
所詮、「強い者(AI)が勝つのでは無く、勝った者(AI)が強い」のですから。
大きいところは、それなりに大きなデータを持っているでしょうから、悠長な事を言っていれば良いかもしれません。
小さいところは、強いAIを目指すのでは無く、AIアシストを目指す方が合理的ではないでしょうか。
|
AIアシストは、電動アシストの自転車と同じで、人間の漕ぐ力が強ければアシスト力も大きくなります。 AIというのは生まれたての赤ん坊のようなものです。 それに何か化学的な事を教える時に、化学力が高い者と、低い者とでは、育ったAIにも当然差が出ます。 他人が育てた「強いAI」を養子に貰おうなんて甘い事を考えていないで、始めましょう。 やっていることは40年前とあまり変わらず、ずーっと楽にできるようになったのですから。 |
Pirikaがアシスト
|
Copyright pirika.com since 1999-
Mail: yamahiroXpirika.com (Xを@に置き換えてください) メールの件名は[pirika]で始めてください。
