Manufacturing AI / Materials Informatics
論文やGitHubを探すだけでなく、配合最適化、品質予測、異常検知、材料探索を自社のExcel/CSVデータで試す最初の一歩まで整理します。
製造業や材料開発では実験数が限られます。LightGBM、Gaussian Process、ベイズ最適化など、nが小さい段階でも試しやすい手法を優先します。
1行1実験、1行1ロットの表形式データを出発点にして、品質予測、配合最適化、異常検知へつなげます。
精度だけでなく、SHAPや特徴量重要度で現場・上司・研究チームに説明できることを重視します。
樹脂、電池、触媒、合金などの配合・組成を、少ない実験回数で改善するためのAI/MI導線です。
LightGBM + SHAPから始める →
工程条件、原料ロット、測定値から、品質指標や不良リスクを予測するための実装ガイドです。
LightGBM分類/回帰から始める →
正常データが中心の工程・設備データから、外れ値や異常兆候を見つけるための導線です。
Isolation Forestから始める →
材料候補、分子、結晶、組成から、次に評価すべき候補を絞り込むためのMIガイドです。
記述子 + LightGBMから始める →
製品画像、顕微鏡画像、表面欠陥を対象に、分類・検出・セグメンテーションを選ぶための導線です。
良品学習型異常検知または画像分類から始める →
過去の実験ノート、技術報告書、特許、論文を探しやすくするための製造業向けRAG導線です。
BM25 + embedding検索から始める →
Small-data inverse design is challenging in engineering informatics when observations are heterogeneous, mixed
The electrocardiogram (ECG) is a cornerstone of cardiac as- sessment, yet clinical deployment of deep learning
Weather forecasting foundation models (FMs) are increasingly fine-tuned to predict air quality, offering fast
Physics-based simulations are essential for understanding the electrode-scale discharge behavior of lithium-io
Housing-level urban physical examination is essential for identifying residential building problems and suppor
Molecule generation methods that leverage generative models have been successfully applied to drug discovery.
この研究では、ネットワークの利用率KPIを予測するために、従来の機械学習モデルの外側に新しいモデルを組み合わせた方法を提案しました。
オリジナルのデータとZoom-Inのツールを組み合わせた方法、OmniReasonerを提案する。これにより、オリンモードルLLMsの長いオーディオビデオの論理的推論を改善できる。
Concept Bottleneck Models provide interpretable-by-design predictions by mediating diagnosis through human-und
この研究では、ナノポア測定器から得られる複雑な信号を分析するために、多モーダル変換ニューラルネットワーク (Multi-modal Transformer) を提案し、信号分類の精度を向上させた。
Structure-based drug design (SBDD) leverages the 3D structure of protein targets, often complemented by other
この研究では、都市ウォークビデオを分析するために、4つのモダリティの表現（スペース時領域情報、時間平均画像、オーディオ符号化、テキストベースの表現）を使用しました。