密度汎関数理論（DFT ）や分子動力学（MD）といった物理ベースの手法を用いた材料特性のシミュレーションは、長年にわたり、構造-property relationships（物性-物性関係）に関する知見を提供し、ひいては新規材料の設計を支援する上で成果を上げてきました。近年では、AI／機械学習（ML）が物理ベースのモデリング手法と組み合わせて広く活用され、材料イノベーションを大幅に加速させています。 物理ベースのモデリングの精度と汎用性は、AI／MLモデルの性能を向上させ、データ量が少ない状況でもそれらを効果的に活用することを可能にします。逆に、AI／MLの速度と柔軟性は、物理ベースのモデルが抱える時間的・空間的なスケールの制限を補う助けとなり、予測精度と計算効率の両方を最適化する相乗効果のあるアプローチを生み出しています。

本ウェビナーでは、電池の電解液や燃料混合物から熱可塑性樹脂、OLEDデバイスに至るまで、材料科学の幅広い応用分野において、この複合的なアプローチを材料および配合の設計に活用する方法についてご紹介します。

主な学習目標：

• DFT の記述子が、光電子分子および電池電解質に関するAI/MLモデルの精度をどのように向上させるかを理解する
• MDシミュレーション記述子が、有機分子の粘度に関するAI／MLモデルをどのように改善するかをご覧ください
• Schrödingerの自動化された処方開発用機械学習ソリューションの活用方法について、以下の目的で詳しく見ていきましょう：
  • 二元溶媒におけるAPIの溶解度を予測するためのAI/MLモデルの学習
  • 炭化水素のモーターオクタン価を予測する
• AI/MLを用いた力場技術（QRNN）の進展と、無機陰極被覆材料のバルク特性のモデリングへの応用について学ぶ