日本では化合物を実際に合成しなければ特許を取得できませんが、米国では計算するだけで特許を取得できます。 これは、日本人とアメリカ人が同時に化合物合成のアイデアを考えた場合を意味します。 アメリカ人は、コンピュータプログラムを使って、対応する化学反応式や化合物の分子組成などの電子要素を取得すると、直ちに対応する特許を取得します。 日本人の場合はそうではない。 日本の法律は、対応する特許を取得する前に、対応する化合物を実際に合成しなければならないと規定している。
日本の科学研究者やビジネスマンが競争上不利な立場にあるのは明らかだ。
こうなると「MI契約サービス」の導入が必要になります。
日立とMI-6はすでにMI契約サービスを提供している。
このような協力体制では、顧客がデータを提供し、サービスプロバイダーが最適な予測モデルを構築し、逆問題を解き、実験条件を提案します。
では、このモデルは完璧なのでしょうか？ もちろんそうではありませんが、それは非常に困難でもあります。
最大の課題はデータの不足です。
人工知能技術はこの問題を完全に解決できます。 全層畳み込みニューラルネットワークを使用して、実験結果写真の詳細な特徴を分類し、MIで使用できるデータに変換するだけです。
ディープラーニング自体は多くの利点を持つ優れた技術です。 たとえば、特徴を自動的に抽出できます。 しかし残念なことに、それには大量のデータが必要です。
データが不足している場合の別のアプローチは、高精度の予測モデルを構築するのではなく、ベイズ最適化を使用して考慮事項を減らし、目的の特性を持つ材料を見つけることです。
適切な AI 手法は記述子の数によって異なります。
結果は記述子が何であるかによって異なります。
場合によっては、TK を使用することが近道でしたが、実際には、重要だと考えられていた要素が重要ではなかった場合もあります。
これまで考慮されていなかった要素が重要になる可能性があります。
もう少し多くの記述子から始めて、モデルを改良するにつれて記述子を最適化することをお勧めします。
先ほどベイズ最適化についてお話しました。 ここでは、ベイズ最適化で遭遇する問題とその対処方法について詳しく説明します。
初期データの量が少ない場合は、一時的なモデルを構築し、実験の回数を増やすことでモデルの精度を向上させます。
そうすることで、目的の特性の最大値が平均 + 不確実性の範囲が最大となる領域に含まれる可能性が高くなります。
考えられるすべての領域を調べるには、次の実験が必要です。
この操作を繰り返すことで、少ない実験量で目的の結果を得ることができます。
