大規模言語モデル

セミナー概要 セミナーのテーマ マテリアルズインフォマティクスの基礎と活用事例 Pythonと機械学習を用いたデータ解析 大規模言語モデル(LLM)の活用と未来展望 こんな方におすすめです マテリアルズインフォマティクスに興味がある方 Pythonを活用した材料データ解析に興味がある方 ChatGPTなどの大規模言語モデルを研究・学習に活用したい方 大規模言語モデル×Pythonで始めるマテリアルズインフォマティクス ⭐本セミナーでは、マテリアルズインフォマティクス（MI）をテーマに、Pythonを用いたデータ解析・機械学習の基礎から、ChatGPT をはじめとする大規模言語モデル（LLM）の実践的な活用法までを、視覚的なデモや具体的な企業・研究事例を交えながら体系的に学習します。 講師 統計数理研究所 先端データサイエンス研究系マテリアルズインフォマティクス研究推進センター木野 日織 氏【略歴】1991年 東京大学理学部物理学科卒1996年 東京大学大学院理学系研究科博士課程卒（理学博士）1996年 東京大学物性研究所物性理論部門助手などを経て2002年から（国）物質・材料研 究機構、2024年3月から統計数理研究所 先端データサイエンス研究系 マテリアルズインフォマティクス研究推進センター（教授）勤務． APS Outstanding Referee（米国物理学会）、JPSJ Outstanding Referee（日本物理学会）としても表彰される。2015年からの国立研究開発法人科学技術振興機構（JST）イノベーションハブ構築支援事業 の一環として（国）物質・材料研究機構に情報統合型物質・材料開発イニシアティブ(MI2I) 発足時からマテリアルズインフォマティクスを行う． セミナー趣旨、ポイント 本セミナーでは、マテリアルズインフォマティクス（MI）をテーマに、Pythonによるデータ解析や機械学習の基礎から、ChatGPTに代表される大規模言語モデル（LLM）の活用方法までを、視覚的なデモや具体的な事例を通じて学びます。受講者によるコードの実行は行いませんが、LLMを用いたコード生成の流れや、個人チューターとしての活用方法を紹介し、AIとの協働スタイルを体感していただける構成です。さらに、近年注目されるディフュージョンモデルといった生成的手法、LLMによる研究支援の展望にも触れ、MIの新たな可能性を探ります。あわせて、LLMの出力の信頼性や限界についても触れ、技術の活用と批判的理解の両面から考察します。受講後は、ご自身の研究・実践・学習において、LLMやPythonをどのように活かせるか、そのヒントを得ていただけるはずです。 受講対象者、必要な予備知識 特に予備知識は必要ありませんが、Pythonの基本文法（変数定義、関数、ループ処理など）を理解していることが望ましい。セミナーではPythonスクリプト例を提供します。セミナー時には時間的制約のため各自がPythonスクリプトを実行する時間を設けませんが、スクリプト例を実行するには、以下の技術的な準備・知識が必要となります：• ご自身のPCまたはクラウド環境上に、Python（3.x）環境を構築できること• scikit-learn および PyTorch（torch） を pip 等でインストールできること• Jupyter notebookもしくはJupyter labを実行できる方 こんな方におすすめ マテリアルズインフォマティクスに取り組みたいが、プログラミングに不安がある方Pythonを活用した材料データ解析に興味がある方ChatGPTなどの大規模言語モデルを研究・学習に活用したい方材料科学と情報科学の融合に取り組みたい初学者〜中級者 得られる知識 得られる知識・スキル• マテリアルズインフォマティクスの基礎的な概念と活用事例• Pythonを用いた材料データの前処理・分析・可視化の基本手法• scikit-learn、Ｐｙｔｏｒｃｈを用いた機械学習モデルの構築と評価• ChatGPTなどの大規模言語モデル（ＬＬＭ）を活用したコード生成の支援方法実務での活用例• 材料物性や実験データの解析・可視化• 教師あり学習による構造–物性の予測モデルの構築• LLMを用いたコード生成とコードの理解• LLMの教育ツールとしての活用 プログラム 1. 基礎編：マテリアルズインフォマティクスと機械学習の基礎 1-1. 予測問題とは 支配法則がある世界 vs 支配法則がない世界 1-2. 機械学習の基本的枠組み （1）教師あり学習 回帰と分類の違い、訓練データ、テストデータの分割と交差検定 （2）教師なし学習 次元圧縮、クラスタリング 1-3. 大規模言語モデル（LLM）の活用 LLMを用いた知識検索・取得とコード生成とコード説明 1-4. 生成モデル オートエンコーダーからディフュージョンモデル（拡散モデル）まで2. 応用編：マテリアルズインフォマティクスへの実装と発展的手法 2-1. ベイズ最適化 2-2. 説明変数の重要度評価 2-3. 推薦モデル3. 展望編：LLMとマテリアルズインフォマティクスの未来 LLMを活用したMI研究・MI探索システムの将来像