目次
第1章 基礎と導入・運用にあたって
問1：MIとは？?MIの本質と限界?
問2：MIの発展の方向性は？
?知識転移／内挿的予測の超越／逆解析による物質探索／シミュレーションとの融合／逆合成経路設計等?
問3：MIに必要となる機械学習の知識とは?線形回帰など?
問4：MIを活用するために最低限必要な数学・統計の基礎知識とは？
問5：MIを活用するために最低限必要なプログラミングの基礎知識とは？
問6：MIを利用するために必要な計算環境とは？
問7：MIを導入するに当たって必要となるもの／前提条件／検討すべき事柄とは？
?何から始めるか／ドメイン知識の重要性?
問8：MIの導入に際しどのくらいのコストを見越しておけばいいのか？
問9：MI活用の具体的手順／ステップとは？
?データを見たときに何を考え、どのようなことを行うのか？?
問10：MIをうまく進めるためのキーポイントとは？
問11：MIを実施するのに向いている人材特性／バックグラウンドとは？
問12：MI人材育成のポイントとは？
問13：関連文献データの入手法とは？
第2章 データの取り扱い・データベース
問1：MIに必要なデータセットの形式とは？
1.データの種類
2.データの尺度
2.1 名義尺度
2.2 順序尺度
2.3 間隔尺度
2.4 比例尺度
3.データセットの用意
問2：データの前処理方法は？
1. データサイエンス全般における前処理
1.1 欠損値
1.2 外れ値・異常値
1.3 名寄せ
2. MIにおける前処理
2.1 化合物の名寄せ
2.2 SMILESの取り扱い
2.3 分子記述子
問3: MIによるデータを活かす手法は？
1. データ活用
2. 可視化
3. 分類
4. 予測
問4：MIにはどのくらいのデータ量があればいい？
1. データサイエンス全般において必要なデータ量
2. MIにおいて必要なデータ量
2.1 探索範囲
2.2 目的変数
2.3 特徴量
問5：低コストで必要なデータを収集するための考え方とは？
1.低コストでデータを取得するために
2.代理指標の設定例
問6：MIに必要なデータとは？～有機材料の場合～
1. 解析の目的は何か？
2. 現象理解に必要なデータセット
3. スクリーニングに必要なデータセット
問7: MIに必要なデータとは？～複合材料の場合～
1. 複合材料におけるMI
2. MI適用を可能にする特徴量の設計
3．ダミー変数を活用したMI適用事例
問8：第一原理計算によるMIデータベース構築とは？
1. なぜMIデータベースが必要か？
2. MIデータベース構築のための計算手法
3. MIデータベース用計算の実例
4. MIデータベースの計算環境
問9:ベイズ最適化とは?
1. ベイズ最適化の概要と材料分野への応用
2. ベイズ最適化と事後確率
3. 獲得関数
4. ベイズ最適化の例
5. ベイズ最適化ライブラリ
問10:ベイズ最適化によるデータ収集とは？
1. ベイズ最適化を用いたデータ収集の概要
2. 第一原理計算データ収集の効率化
3. 新規材料の設計と試作評価データ収集の効率化
4. 測定データ収集の効率化
問11:経験的な判断事項（形状など）の数値データ化はどのようにすればよいか？
1. 形状・目視検査結果等の数値データ化について
2. 機械学習における外観検査結果データの取り扱い
2.1 外観検査結果の分類モデルを作成する場合
2.2 外観検査結果を特徴量として使用する場合
3. 画像処理による数値データ化の例
問12：MIのために利用できるデータベースはどのようなものがあるか？
1. 化合物データベースについて
2. 化合物データベースの種類と活用例
3. 化学・材料分野データベースの注意点
問13 ラボオートメーションとは？
1. ラボオートメーションの目的
2. 実験自動化の手段
3. ラボオートメーションの動向
4. ラボオートメーションの目指す先
問14：マテリアルズ・インフォマティクスの重要性とは？
1. データ量の爆発
2. ネットワークの進化
3. アルゴリズムの進化
4. ハードウェアの劇的な進歩
4.1 ハードウェア進化の歴史
4.2 消費電力の問題とその解決策
4.3 異分野融合での材料探索
問15：アナリティクスアプローチに必要とされるデータセットと可能になることは？
1. アナリティクスアプローチとは
2. 必要となるデータセットとその処理方法
3. アナリティクスアプローチの適用例
問16：コグニティブアプローチに必要とされるデータセットと可能になることは？
1. コグニティブアプローチとは
2. 必要となるデータセットとその処理方法
3. コグニティブアプローチの適用例
問17：プロセスデータの活用方法は？
1. アナリティクスアプローチでの反応パラメータの取り扱い
2. コグニティブアプローチでの原材料やレシピ情報の取り扱い
問18：データ化の受託企業の活用例とは？
問19：MIシステムのプラットフォーム/クラウド管理の事例とは？?SaaS(Software as a service)としての提供?
問20：MIシステムの今後の展望は？
1. マテリアルズ・インフォマティクスの高度化
2. MI進化の方向性
第3章 ツールの使い方
問1：MIで使用するソフトウェアの種類と主な概要・使い方とは？
問2：MIに使用するRプログラムとは？?種類と概要―
問3：MIでのRプログラムの使用例／統計分析例とは？
問4：Orange Data Miningでは何ができるのか？
1. インストール方法と公式説明
2.ワークフロー例
2.1 回帰例
2.2 クラスタリング例
2.3 探索的可視化分析例
問5：クラウド環境でGPUを使うには？(Google Colaboratory)
1．GPUクラウドの利用価値
2．Google Colaboratory
2.1 ノートブックの作成
2.2 ノートの基本的な使い方
2.3 GPUの使用
2.4 Googleドライブのマウント
2.5 プリインストールされていないライブラリのインストール
3. 有料のGPUクラウド
問6：画像解析、時系列データ解析等、用途に応じた最適なソフトウェアとは？
1. scikit-learnを使った画像解析
1.1 scikit-learnとは？
1.1.1 ランダムフォレスト
1.1.2 k-means clustering
1.1.3 scikit-image
問7：MIに用いられる各種プログラムの実装方法とは？
1．Python及びscikit-learn
1．1 Pythonのインストール
1．1．1 各種ライブラリのインストール
1．1．2 各種ライブラリのプログラムへの実装方法
1．1．2．1 NumPy
1．1．2．2 Pandas
1．1．2．3 Matplotlib
1．1．2．4 scikit-learn
2．MI用に開発された各種プログラム
2．1 CrySPYについて
2．2 XenonPyについて
2．3 Rdkit
第4章 MIで用いられる各手法と具体的すすめ方
問1：MIで用いられる機械学習の種類／概要とは？
問2：教師なし学習とは？また具体例は？
1. 教師なし学習のアルゴリズム
1.1 次元削減(Dimensionality reduction)
1.1.1 主成分分析
1.2 クラスタリング(Clustering)
1.2.1 K-平均法とK-メジアン法(K-means and K-median clustering)
1.2.2 階層的クラスタリング(Hierarchical clustering)
2. 適用例
問3：教師あり学習の分類手法とは？また具体例は？
1. 教師あり分類手法のアルゴリズム
1.1 K-近傍法(K-nearest neighbor)
1.2 サポートベクターマシン(Support vector machine)
2. 適用例
問4：教師あり学習の回帰手法とは？また具体例は？
1.回帰手法のアルゴリズム
1.1 線形回帰(Linear regression)
1.2 ガウシアンプロセス回帰(Gaussian process regression)
2. 適用例
問5：回帰を用いた最適化手法であるベイズ最適化とは？また具体例は？
1. ベイズ最適化のアルゴリズム
2. 適用例
2.1 熱伝導を対象とした構造最適化
2.2 Liイオン伝導度最適化
問6：ベイズ最適化を簡単に行えるツールは？
問7：能動学習を用いたMI手法とは？また具体例は？
1, 適用例
1.1 既知相図への適用
1.2 薄膜成長条件相図への適用
問8：回帰モデルの予測性能を上げるには？
1.内挿領域と外挿領域
2.モデル当てはめと予測
3.クロスバリデーション法
4.ハイパーパラメタ
問9：機械学習作成環境の構築と移行、作成したモデルの運用方法とは？
1. Pythonを用いた開発環境と訓練モデルの配布方法
1.1 全体像
1.2 環境(a)構築について
1.3 環境(c)でのモデルセーブについて
1.4 (d)訓練モデルの配布と(e)コンテナの利用
1.5 (f)仮想マシンの利用
1.6（ｇ）開発PCの利用
1.7 大手クラウドの利用
問10：結晶構造探索における進化論的手法(EA)を用いた例とは？
1.USPEXを用いた例
1.1 USPEXとは
1.2 USPEXでの結晶構造生成
1.3 高圧下でのNaCl構造探索例
1.4 LixCoO2構造探索例
1.5 最近の手法の進展
2. 遺伝的プログラミングを用いた回帰
問11：MIでの機械学習のホワイトボックス化の事例とは？
1. impurity feature importanceの使用例
1.1 分解木のimpurity feature importance
1.2 permutation importance
1.3 高温超伝導体探索の例
2. weight diagramによる重要性評価
2.1 全探索とweight diagram
2.2 リチウムイオン電池電解質探索への適用例
3. Relevance analysisをもちいた重要性評価
3.1 Relevance analysis
3.2 磁性体のキュリー温度の例
問12：トポロジカルデータ解析が強みを発揮するのはどのような場面か？
1. パーシステントホモロジーとパーシステント図
2. 原子配置の解析
3. 構造変化の特徴抽出４．ピクセル画像の理解
4. ピクセル画像の理解
5. 実際に解析するために
問13：トポロジカルデータ解析による具体系の特徴抽出例とは？
1. 顕微画像からの輝点抽出とその定量解析
2. 磁区構造のパターン解析に基づく欠陥部位の抽出
3. 画像内の特徴の差異に基づく塗り分け
4. シリカガラスのガラス転移点の決定
問14：スパースモデリングを用いたMI例とは?基礎／スパースモデリングによる説明変数の抽出／全状態探索法／?
1. スパース性とは
2. LASSOによるスパースモデリング
3. 交差検証法
4. 全状態探索法
5. データ削減による計測の効率化
問15：転移学習とは？・そのメリットと活用状況とは？
1. 転移学習とは
1.1 マルチタスク型
1.2 潜在変数型
1.3 差分型
2. ショットガン戦略による転移学習とその適用例
問16：強化学習を用いてわかること・メリットとは？その活用状況／例とは？
1．強化学習を用いてわかること
1.1 強化学習とは
2．強化学習のメリット、MIへの活用状況と応用例
問17：ディープラーニングを用いたMI例とは？―GAN/VAEの活用―
1．ディープラーニングを用いたMI
1.1 ディープラーニングとは
2．ディープラーニングのMIへの活用例と課題
第5章 シミュレーション等他手法との融合
問1：第一原理計算を利用したMIのすすめ方とは？?活用方法と注意点―
1. 分子系の第一原理計算・量子化学計算
2. 周期系の第一原理計算
問2:第一原理計算ソフトを簡易に使うための計算環境とは？
1. 分子系の第一原理計算のためのツールと計算環境
2. 周期系の第一原理計算のためのツールと計算環境
問3：MIと計算科学シミュレーションの融合とは？
問4：分子動力学によるMI用データ生成の仕方とは？
問5：高分子のMD・有限要素法シミュレーションを用いたMI事例とは？
1.高分子シミュレーションのMIにおける活用
2.事例 ～ブロック共重合体の弾性率推算～
3.OCTAとそのPythonインターフェース
問6：XAFSを含む計測データの取り扱いとは？
1.XAFSデータ
2.XANESデータと次元縮約
問7:次世代コンピュータを活用したMIの最近の動向と今後の展望とは？
1. 量子コンピュータ
2. 専用計算機
問8：MIにおける実験計画法の活用法は？
問9：量子化学計算とは？
問10：量子化学計算を利用した電子状態インフォマティクスとは？
問11：機械学習で原子間ポテンシャルを作成するには？
1. 機械学習モデルの対称性
1.1 対称性を有する原子構造の記述
1.2 ニューラルネットワークモデルにおける同種原子の入れ替え対称性
2. データ収集とモデルの妥当性評価
第6章 MIの実施・活用のポイント
問1：特徴抽出とはどのように行えば良い？
1. MI(Materials Informatics)における特徴抽出
2. MIの本質と特徴抽出
2.1 MIの目的
2.2 MIにおけるデータ数
2.3 MIと基本法則
問2：記述子とは？
1. 記述子
2. 機械学習の種類
3. 物性予測の手順と，記述子の役割
4. 記述子数と過学習問題
問3：記述子の種類とは？選び方とは？
1. 材料科学としてのメカニズムの理解が重要
2. 記述子の種類
2.1 無機材料の記述子
(1) 組成のみ用いる記述子(組成記述子)
(2) 組成記述子の適用例と，材料科学としての原理
(3)プロセス条件
(4) 物質構造を用いる記述子
(5) 測定データ
2.2 有機材料の記述子
(1) フィンガープリント記述子
(2) 物理的な意味を持つ記述子
(3)分子構造そのもの
(4) 分子の３次元構造
3. 記述子の選び方
3.1 原理から積み上げる方法
3.2 記述子の候補を多数用意して絞り込む方法
問4：物質構造の数値表現(構造記述子)はどのようにしたら良いか？
1. 結合距離・結合角
2. Radial Distribution Function(RDF)
3. Smooth Overlap of Atomic Potential(SOAP)
4. 3次元畳み込みニューラルネットワーク
5. 分子構造(3次元)
5.1 MIにおける逆解析
5.2 逐次的な構造生成アルゴリズム
問5：モデルの逆解析のすすめ方は？
1. MIにおける逆解析
2. 逐次的な構造生成アルゴリズム
問6：多目的最適化の事例とは？
問7：MIを活用して，実験をなるべく少なく，より効率的に行う方法は？
1.ベイズ最適化を用いた適応的実験計画法
2.具体例
2.1 相図を効率的に実験して求める方法
2.2 半導体のドライエッチング工程に関する材料・プロセスの同時最適化
問8：MIによる外挿領域の予測法と手順とは？
1. 材料開発と機械学習のジレンマ
2. 逐次的に適用可能範囲を拡張する
3. 極めて少数の本質的な記述子に絞る
3.1 バッテリー材料に関する２つの事例
3.2 創薬に関する事例
問9：MIを少ないデータから行うアプローチ方法は？
1. 過学習が起きているか確認する
2. データの様子を把握する
3. 記述子を削減する
問10：更に少ないデータ：スモールデータの解析法は？
1．データ・オーグメンテーション
2. トランスファーラーニング
問11：少ないデータから全体像を推定するための方法(予測モデルの構築方法)は？
問12：欠損が多いデータ／データ数が少ない場合でのMIにおける機械学習の注意点とは？
1. 欠損値を含むデータを捨てる
2. 欠損値に平均値等を入れる
3. 欠損値を補完する
4. 欠損値であるということを記述子として活用する
問13：MIをマクロスケールで用いた例とは？
1. 半導体工場とケミカルプラント
2. 半導体プロセスのインフォマティクス
3. ケミカルプラントにおけるソフトセンサー
第7章 材料探索・材料開発・構造解析事例
問1：逆解析による物質の探索手順は?
1. 順解析の繰り返しによる逆解析
1.1 機械学習モデル
1.2 予測用サンプルの準備
1.2.1 化合物
1.2.2 実験条件、組成
1.3 予測
2. 遺伝的アルゴリズム
3. ベイズ推論を用いた逆解析
4. ベイズ最適化
問2：高分子材料への応用 - 現状と困難点とは?/Python の活用例-
問3：成形加工への活用とは?
1. 物性値の最適化
2. 機械学習による2 軸押出シミュレーション
問4：高分子物性への活用具体例とは?
1. 高分子データの集約方法
2. 転移学習
3. シミュレーションデータの活用
問5：樹脂の複合化（複数の樹脂のブレンド/ 無機フィラーコンポジット等）に関するMI とは?
1. 組成最適化問題に落とし込む
2. 樹脂の物性値で表現する
2.1 使用する樹脂の数が限定されている場合
2.2 樹脂の物性値をモル比で掛け合わせる
問6：MI による界面の安定構造設計例とは?
問7：MI による電子状態把握と電子物性・機能の予測法は?
1. MI で電子状態を把握する
2. MI で電子物性・機能を予測する
問8：MI による塗料・塗膜応用の課題・可能性は?
1. スプレー塗装における塗膜の形成
2. パターンデータ選択
3. トレーニング開始
4. シミュレータの限界
5. 機械学習の導入によるシミュレーション精度向上の期待
問9：塗布・乾燥工程におけるMI の可能性とは?
1. 塗布型材料の溶解度制御
2. 塗布・乾燥工程の制御
2.1 塗布工程の制御
2.2 乾燥工程の制御
3. 塗布・乾燥工程におけるMI の課題と可能性
問10：接着現象への適用例は?
1. 手法
1.1 機械学習モデルの構築
1.2 予測
2. 結果
2.1 機械学習モデル
2.2 予測、実験による検証
問11：MI による有機半導体材料での開発例とは?
1. ライブラリの構築
2. 量子化学計算
3. 機械学習
4. 実験科学者による分子の選定と合成・評価
問12：MI による有機無機複合材料での開発例とは?
1. MOF の気体吸着能のMI による解析
2. 無機微粒子を高分子と混合した絶縁材料の開発
問13：MI による半導体材料関連の開発例とは?
1. チョクラルスキー法によるバルク単結晶Si の育成
2. 化学気相成長法によるSi エピタキシャル膜の成長
問14：MI による触媒材料関連の開発例とは?
問15：MI を活用したソフトマター材料開発の進展や課題は?
1. 高分子材料とMI
2. 低分子材料とMI
問16：MI による金属材料の開発例とは?
問17：MI によるセラミック材料関連の開発例とは?
1. セラミック材料開発にマテリアルズ・インフォマティクスを適用する上での問題点
2. セラミック材料開発にマテリアルズ・インフォマティクスを適用するための戦略
3. セラミック材料開発へのマテリアルズ・インフォマティクス適用例
4. 誘電率の第一原理計算
5. 常誘電体高誘電率材料マテリアルズインフォマティクス
問18：材料合成プロセスへのMI 応用
1. 無機材料合成におけるプロセスデータ
問19：ナノシート合成への応用例とは?
1. どのような系にMI を適用するのか
2. 小規模実験データからの訓練データセットの作成
3. 収率予測モデルの構築
4. 予測モデルの適用による高収率合成
問20：MI による鉄鋼材料の開発例とは?
問21：MI による化学構造・結晶構造の解析例は?
1. 化学構造の解析例：触媒設計
2. 結晶構造の解析例：熱電変換材料の設計
問22：MI による定量的構造活性相関・定量的構造物性相関とその解析例は?
問23：MI による複合体の特徴量計算とその解析例は？
問24：逆構造解析はどう進めれば良いのか？
1. データ駆動型化学の守備範囲
2. データ駆動型化学に求められること
問25：MIによる光反応・光学特性評価への応用とは？
問26：発光材料設計へのMI応用法とは？
問27：MIをどう分子設計・物性予測に応用していけば良いのか？
1. 材料設計の現状と課題
2. プロセスも含めたポリマー材料設計戦略
3. 材料開発のためのデータ利用における今後の課題
問28：外れ値検出と異常検出への応用とは？
1. 外れ値検出
2. 異常検出
問29：各種分析で得られるスペクトルデータに対するMI 活用事例とは？
1. スペクトルデータフィッティングの効率化・自動化
2. スペクトル分解の妥当性評価
第8章 様々な分野への応用事例
第1節 エネルギー・電池材料・環境
問1：エネルギー電池材料分野におけるMI の研究状況とは?
1. 組成相図の作成
2. 結晶の電位安定性評価
3. ヘテロ固・固界面構造の安定性
4. Li 伝導性
問2：固体電解質の界面解析方法は?
問3：高リチウムイオン伝導性固体電解質の探索方法とは?
1. 結晶構造データベースを活用した固体電解質の電気化学的安定性の評価
2. ベイズ最適化を活用した高イオン伝導性を示す固体電解質の組成最適化
問4：電解液の探索法とは?
問5：リチウムイオン電池正極材開発への応用とは?
1. リチウムイオン電池正極材開発
2. 目的
3. 計算手法
4. MI を用いた特性予測
問6：リチウムイオン電池負極材開発（有機）への応用とは?
1. どのような系にMI を適用するのか
2. 小規模実験データからの訓練データセットの作成
3. 容量予測モデルの構築
4. 予測モデルの適用による新規活物質の探索と高分子化による高性能化
問7：太陽電池への応用とは?
1. 分子データベースの構築とその利用
2. 有機薄膜太陽電池のどこが悪いかを、実験結果を直接MI に入力することで明らかにする
3. ペロブスカイト太陽電池のためのSn を含む材料の探索
問8：太陽電池の不良診断へのMI 応用とは?
問9： 脱炭素/ スマートグリッド/ 省エネ・その他エネルギー分野の応用・期待とは?
1. 太陽電池材料
2. 全固体電池材料探索
第2節 エレクトロニクス・半導体応用
問1：MI によるエレクトロニクス/ 半導体材料関連での研究状況とは?
1. シミュレーションデータを用いた研究事例
2. 実際のデータを用いた研究事例
3. その他の応用事例
問2：MI によるナノカーボン・グラフェンへの応用とは?
1. 分子動力学計算のための力場の決定
2. グラフェンに切れ目を入れて、ちぎれずに引き延ばせる長さが大きい構造をMI で探索
3. グラフェンに穴をあけて熱伝導を制御する際の最適配置を探索
第3節 医薬品・生体材料
問1：MI による医薬品/ 原薬材料関連での研究状況とは?
1. 医薬品開発の情報学「ケモ・インフォマティックス」について
2. 化合物の多次元属性ベクトル表示〈chemical Descriptor,finger-print〉の現況
2.1 化合物の線形表記 SMILES 記法
2.2 分子記述子（molecular descriptor）
3. フィンガープリント
問2：医薬品候補物質の探索例とは?
1. Deep Learning の医薬品開発・創薬への応用
2. 生命標的分子にヒットする化合物を探索するバーチャル・スクリーニングにおけるDeep Learning の応用
2.1 Kaggle におけるQSAR 問題とマルチタスク・ディープラーニング
2.2 マルチタスクDNN によるバーチャル・スクリーニングの発展
問3：タンパク質等生体高分子や中分子へのマテリアルズインフォマティクス適用例とは?
1. タンパク質相互作用ネットワークからの Deep learning による標的タンパク質低次元記述子の創出
1.1 深層学習を用いた「ネットワーク埋め込み」（Deep Structural Network Embedding）
2. 長谷?田中法による疾患薬剤治療における生命標的分子の探索
3. 創薬初期段階のAI パイプライン化
4. そのほかのAI 創薬に関して―AI 化合物生成とAI 毒性学
5. AI 創薬の課題と今後
問4：薬物の物性予測への応用例とは?
1. フェルラ酸に対する分子軌道計算の詳細
2. 機械学習の詳細
3. 機械学習による予測
問5：生体材料（生体適合性）の解析へのMI 具体例は?
問6：材料と生体物質との相互作用の解析法とは?
問7：MI を用いて材料のスクリーニングを行うことは可能か?
（安全性予測の考え方と応用は?）
第4節 化粧品・サニタリー
問1：化粧品・シャンプー・洗剤等におけるMI の研究状況とは?
1. 化粧品、シャンプー、洗剤にMI を適用する際の課題
2. 乳液開発に関する具体例
3. 処方の可視化
問2：MI による抗菌剤探索への応用とは?
1. 抗菌剤探索における戦略
2. 電子状態インフォマティクスによる抗菌剤の探索
第5節 その他
問1：MI による自動車材料関連の研究状況とは?
1. 自動車会社の材料研究・開発でのMI 活用の狙い
2. MI 活用事例
問2：MI の3D プリンタ構造物への応用とは?
1. PBF-LB 法に適した部品形状の設計
2. 原料粉体の調整
3. 造形プロセスパラメータの最適化
4. ポストプロセス過程
問3：MI のCFRP への応用とは?
1. CFRP の材料の開発
2. CFRP の工法の開発
問4：自然言語解析のMI への応用とは?
1. 自然言語処理技術を用いた研究・開発動向の俯瞰
1.1 特許出願技術動向調査の自動更新
1.2 技術動向マップの自動作成
2. 自然言語処理技術を用いた技術文書からの情報抽出および新材料開発への活用
第9章 MIの動向・課題
問1：MI の現状・最新動向と技術的課題、今後の有望分野は?
1. バーチャル・ハイスループット・スクリーニング
2. 計測インフォマティクス
3. 分子インフォマティクス
4. 課題
5. 解釈可能・説明可能AI 技術の開発
問2：今後MI が活用されるための要件とは?
1. オープンサイエンスの推進（戦略的なデータプラットフォームの構築）
2. 文献解析手法の高度化
3. 転移学習の活用
問3：MI による活用成果の検証・評価方法とは?
1. ドメイン知識に基づく検証・評価
2. MI による研究開発サイクル
3. MI 技術の今後
4. 数学・数理学分野による啓蒙と牽引
5. まとめ
問4：開発者が解釈可能なマテリアルズ・インフォマティクスとは?
問5：MI の特許動向はどのような状況か?
1. 出願対象
2. MI の特許出願動向
3. 関連する特許審査基準
問6：MI の先端的な取り組みは? （その1）
～研究自動化・能動学習活用・例外的な物質探索～
1. 自動化・ロボティクスによるハイスループット実験
2. 能動学習（探索空間の拡大）の活用
3. 例外的な物質の探索手法の確立
問7：MI の先端的な取り組みは? （その2）
～自然言語処理・ロボティクス応用～
1. マテリアルズ・インフォマティクスにおける自然言語処理応用
2. マテリアルズ・インフォマティクスにおけるロボティクス応用
問8：機械学習とロボットの導入による自律的な物質材料開発の取り組みとは？
1. 研究コンセプトと実験装置の概要
2. 実験・解析手法
3. 結果と考察
4. 展望
4.1 今後の実験室の変革
4.2 今後の研究者像
問9：MI 分野での国の取り組み概要と今後の方向性とは?
