NAIST MI-Lab (@NaistMi) header
NAIST MI-Lab (@NaistMi) profile picture

奈良先端科学技術大学院大学マテリアルズ・インフォマティクス研究室です。https://nitter.gq/t.co/CKlRtjNvBe 前所属時の解説記事(漫画):https://nitter.gq/t.co/QpuqY4edM6 #マテリアルズ・インフォマティクス

Joined May 2021
Photo by NAIST MI-Lab (@NaistMi)Photo by NAIST MI-Lab (@NaistMi)Photo by NAIST MI-Lab (@NaistMi)Photo by NAIST MI-Lab (@NaistMi)Photo by NAIST MI-Lab (@NaistMi)Photo by NAIST MI-Lab (@NaistMi)Photo by NAIST MI-Lab (@NaistMi)Photo by NAIST MI-Lab (@NaistMi)
NAIST MI-Lab retweeted
Planning and executing the reactions to make a complex molecule (a “route”) is one of the hardest jobs in organic chemistry. From one image of each of four molecules, with no internet and with code as its only tool, Claude wrote a complete route in about half an hour.
31
261
146
3,149
1,164,344
哲学や倫理は実世界から離れた学問というイメージを持たれがちだけど、AIの急速な進歩がもたらす「今そこにある危機」に対して、判断や解決の指針を与える、まさに実学としての需要が高まっていると思う。
1
6
439
jstage.jst.go.jp/article/ite… 授業中に蓄積される学習ログから、教育実践の効果を継続的に評価・共有する仕組みを提案。学習分析基盤LEAFを用い、授業計画・実施・評価・事例登録・再利用の5段階を設計。授業データから25件の事例を生成し、日常の教育活動からエビデンスを蓄積できることを示した。
1
4
498
nature.com/articles/s41524-0… 直感的インターフェースでベイズ最適化を材料研究に導入するPythonフレームワーク「Bgolearn」。単一および多目的最適化、多様な代理モデルの提案と不確実性の定量化。その有効性を超高硬度高エントロピー合金の探索などで実証。 #マテリアルズ・インフォマティクス
6
1
49
2,511
onlinelibrary.wiley.com/doi/… ポリスチレンの重合シミュレーションとパイロットプラントデータを用いてデータセットを構築し、機械学習モデルで平均分子量を予測した。全結合型深層学習モデルが最も高性能で、プロセス条件が平均分子量に与える影響をSHAPで解析した。 #マテリアルズ・インフォマティクス
1
26
1,625
NAIST MI-Lab retweeted
We’re releasing a broad range of new mathematical results produced by an internal frontier model. We’ve been consulting with the independent Advisory Group on Mathematics and Artificial Intelligence at the Institute for Advanced Study, and we have drawn on their advice and public recommendations to inform how we release these results. github.com/openai/math
1,897
6,271
4,765
40,539
22,841,303
arxiv.org/abs/2605.07927 3,500万超のDFTを用いて、エネルギー・力・応力、Bader電荷、磁気モーメント、Born有効電荷、誘電テンソルを予測するmulti-task materials foundation model:MatterSim-MTを提案 foundation modelと呼ぶのには波動関数がやっぱり欲しい #マテリアルズ・インフォマティクス
4
22
2,886
pubs.acs.org/ascecg/article/… レブリン酸の水素化触媒の選定について、文献から311件のデータセットを作成しサポートベクターマシンを用いて収率を予測。遺伝的アルゴリズムを用いた多目的最適化により、高性能触媒を選定。 #マテリアルズ・インフォマティクス
3
603
副指導教員として関わってきた1つの論文がアクセプト。私としては始めての医学的内容の論文で、この研究は、学生の機械学習(ML)使いたいという熱意を起点に、MLを使った解析に光が見え始め、お医者さんとの協力も深まり、複数の病院が協力してくれるようになったという、すごいムーブメントでした。
1
10
772
arxiv.org/abs/2505.07671 化学分野のRAGを1,932問・6種コーパス・5種検索法・8種LLMで評価。平均17.4%改善する一方、効果はモデル、課題、知識源に強く依存する。 モデルだけでなく、「何を検索するか」「どう検索するか」「何件与えるか」の設計が重要だな。 #マテリアルズ・インフォマティクス
7
22
1,874
doi.org/10.1021/acs.jpclett.… 二次元構造を有する無機材料群からの光触媒の探索に対して、機械学習→密度汎関数(DFT)→GW関数へと段階的に手法を変える事で候補組成を絞り込んだ。その結果として、約30万種の候補から11種の有望な光触媒の候補を見出した。 #マテリアルズ・インフォマティクス
1
17
1,281
arxiv.org/pdf/2602.04510 OSCAgent:「RAG + 分子生成 + 物性予測 + 合成容易性評価 + フィードバックループ」をOSCアクセプター設計に適用。 RAGを使うことで回帰単体よりも広範な知識を活用できるようになっているのだろうなと思う。 #マテリアルズ・インフォマティクス
10
1,351
AIがScienceの発見をするようになる、少なくとも助けるようになる、という話を頻繁に聞く。そう考えると、「科学的発見をどのようにするのか」という問いは、Human–Computer Interactionの話題になっていくのだろうな、と最近思っている。
1
1
1
13
2,335
pubs.acs.org/doi/10.1021/acs… 高分子インフォマティクスにおけるデータの前処理や分類モデルの構築を、大規模言語モデルによって簡略化。溶媒への易溶性の分類において高精度を実現。
1
11
1,483
マテリアルズ・インフォマティクス研究室の博士後期課程学生 Mayumi Puspitaさんが、Materials Research Meeting 2025 でポスター賞を受賞しました。 詳細はこちら👇 mswebs.naist.jp/topics/20260… #NAIST #大学院 #受賞
2
14
1,499
受賞の詳細はこちら👇 mswebs.naist.jp/topics/20260…
2
3
668
NAIST MI-Lab retweeted
[ChemRxiv] Gaussianを使って高成功率な両端指定型遷移状態探索が行えるアプリ dmf-g16 を公開しました 導入コスト低減を目指した設計です! 1. インストール 2. g16をdmf-g16に書き換え あとはQST2/3のインプットをそのまま利用 成功率向上確認済みです(典型元素の121反応)
1
38
4
129
17,261