マテリアルズ・インフォマティクス

ENEOSのMI戦略を深掘り|Matlantisの技術・組織づくり・人材育成と事業貢献

ENEOSのMIを技術・組織づくり・人材育成・外部連携・事業貢献の5つの観点で解説。Matlantis、AI専門組織、実務での学習、PFN・NVIDIAとの連携を一次資料から読み解き、探索成果と事業化の到達点を整理します。

ENEOSのMI戦略を深掘り|Matlantisの技術・組織づくり・人材育成と事業貢献 投稿を読む »

MIは事業にどう貢献する?化学メーカーの事例から開発効率・製品化・収益化を読み解く

MIは材料開発の成果をどう事業価値へつなげるのか。ENEOS、東レ、住友化学、三井化学、積水化学、住友ゴムの公開事例から、開発効率・製品化・品質・サービス化を解説。運用費を含む費用対効果の計算例と、テーマ選定・効果測定の手順も紹介します。

MIは事業にどう貢献する?化学メーカーの事例から開発効率・製品化・収益化を読み解く 投稿を読む »

日本の化学・素材メーカーのMI活用事例11選:材料開発と推進体制

日本の化学・素材メーカーのMI活用事例11選|材料開発と推進体制

日本の化学・素材メーカー11社のMI活用を連結売上高順に紹介。積水化学のRASIN、三菱ケミカルのMI Bridge、触媒・樹脂・ゴムの開発事例から、材料探索の価値と、データ・人材・推進体制を実務へ組み込む方法を読み解きます。

日本の化学・素材メーカーのMI活用事例11選|材料開発と推進体制 投稿を読む »

材料データで交差検証を設計する方法|試料・バッチ・材料系の分割とデータリーク

材料データの交差検証をPythonで実践。K-foldとGroupKFoldの違い、試料・バッチ・材料系の分割、前処理のデータリーク対策、ネスト交差検証を解説します。サンプルデータから評価結果の保存まで、自分のCSVへ適用する手順も紹介します。

材料データで交差検証を設計する方法|試料・バッチ・材料系の分割とデータリーク 投稿を読む »

モデルの適用範囲(AD)とは?材料データでの設定・検証方法をPythonで解説

材料予測モデルの適用範囲(AD)を、k近傍距離によるPython実装で解説。学習データの標準化、自己近傍の除外、しきい値設定、候補判定、独立データでの誤差検証、One-Class SVMとの比較まで実務手順を示します。

モデルの適用範囲(AD)とは?材料データでの設定・検証方法をPythonで解説 投稿を読む »

上部へスクロール