すべてを機械学習でやらなくてもよいです!

シェアする

分子設計・材料設計・プロセス設計において、実験条件・合成条件・プロセス条件などの説明変数 x と物性・活性などの目的変数 y との間でモデル y = f(x) を構築し、モデルに基づいて y が所望の値となる x の値を設計することが行われます。モデルを構築するためのデータを準備するときに実験計画法によって最初の x の値を決めたり、

実験計画法の概要~データを上手く使って実験のコスパを上げましょう!~
たとえば、化学反応 A + B → C + D の、 C の収率を上げることを考えます。収率がもっとも高くなる実験条件を見つけることが目標で...
[無料公開] 「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」 の “まえがき”、目次の詳細、第1・2章
2021 年 6 月 3 日に、金子弘昌著の「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」が出版されました。 ...

モデルを構築した後に x を決めたりします。

ベイズ最適化(Bayesian Optimization, BO)~実験計画法で使ったり、ハイパーパラメータを最適化したり~
ガウス過程による回帰をうまく使って、実験計画法における新しい実験候補を探索したり、回帰モデルやクラス分類モデルのハイパーパラメータ (学習で...
「DCE tool」に機能を追加しました!その2 逆解析のための予測用サンプルの生成・化学構造モード
「DCE tool」に機能を追加しましたので報告します! 追加した機能は、 逆解析のための予測用サンプルの生成 ...

このような x の設計のときに、すべてを機械学習でやらなくてもよいと思います。例えば実験計画法に基づいて最初に行う実験やシミュレーションを決めるとき、機械学習だけで設計してもよいですが、それに加えて人の知識・知見・経験・勘・ヒラメキ・感性に基づいて決めてもよいです。

勘をなめたらアカン
ダジャレです。が、本心です。 材料研究・材料開発の現場では、実験条件や製造条件を振って、実際に実験・製造してみて、その結果としての材料...

もちろん実験計画法では実験やシミュレーションの後にモデル y = f(x) を構築するときにモデルを構築しやすいように x を決めています。しかし一方で、所望の y の値を達成できる x の値を提案するためには、良好な y の値を含むデータセットでモデルを構築することが望ましいです。そのため人の経験などによって、このパラメータの値を大きく (もしくは小さく) すれば、y の値が向上しそう、といったようなものがあれば、それも踏まえて x の値を決めることで、ある程度 y の値が良好なサンプルが得られることが期待でき、これもモデル構築のための大きな情報になります。現場の方の感覚もとても大切です。

機械学習だけで実験計画法により x の値が提案されることのメリットも大きいのですが

実験計画法で実験条件を決めることの意義
まだ実験データがないときに、実験条件を設定して実験することを考えます。実験条件を人が決めるときは、化学的な背景や物理的な背景を考慮したり、装...

味気ない結果になってしまうことも事実です。ぜひスパイス的に人の経験や勘なども考慮して、分子設計・材料設計・プロセス設計をするとよいと思います。

以上です。

質問やコメントなどありましたら、twitter, facebook, メールなどでご連絡いただけるとうれしいです。

シェアする

フォローする