local_shipping全国送料無料※一部地域除く

call03-5224-5430
schedule営業時間 - 9:00~17:00(定休日 - 土日祝)
スペクトルデータ解析と計測インフォマティクス ~研究開発を支援するデータ解析アプローチとデータ基盤構築~

スペクトルデータ解析と計測インフォマティクス ~研究開発を支援するデータ解析アプローチとデータ基盤構築~

978-4-905507-86-4

¥66,000 (税込)

0ポイント

発行所:(株)R&D支援センター

スペクトルデータ解析と計測インフォマティクス 
~研究開発を支援するデータ解析アプローチとデータ基盤構築~



◆ 書籍概要 ◆
分光法をはじめとする計測技術の高度化に伴って日々の実験から得られるデータの量は増え続けており、1台の装置が1日に出力するスペクトルの数は数年前と比べて大きく増加した。一方で、得られたデータを前処理し、有用な情報へと変換する作業の多くは、依然として研究者個人の経験と勘に依存したままで、計測装置の進歩にデータを解析し活用するための体制が追いついていない。
 このような状況を打開する手段として注目されているのが、計測から得られるデータに情報科学的な手法を組み合わせて活用する「計測インフォマティクス」である。
 本書を通じて、読者がそれぞれの研究・開発の現場に取り入れるための手がかりを得ていただければ幸いである。

─ 本書のポイント ─
★計測インフォマティクスのデータ駆動型科学における位置付けは?
★データ蓄積環境の整備とデータベース構築、人材の育成と仕組み化のポイントは?
★スペクトルデータ解析のための前処理・解析環境、統計的機械学習、スパースモデリング・ベイズ推定、マルチモーダルAIが分かる!
★実際のFT-IR、ラマンスペクトルデータへの機械学習の適用事例は?

発刊日:2026年10月30日
頁 数:224頁
造 本:B5
発行所:(株)R&D支援センター
ISBN  :978-4-905507-86-4 
※この商品はNTSから書店様へ卸すことはできません

■著者
※敬称略

安藤 康伸  東京科学大学
上島 豊   (株)キャトルアイ・サイエンス
新明 健一  積水化学工業(株)
庄司 哲也  トヨタ自動車(株)
増川 直裕  SAS Institute Japan(株)
安田 宗樹  山形大学
関本 快士  山形大学
船津 公人  奈良先端科学技術大学院大学
山崎 裕一  (国研)物質・材料研究機構
赤井 一郎  熊本大学
室賀 駿   (国研)産業技術総合研究所
天城 裕子  新潟県工業技術総合研究所
乗本 真吾  日本分光(株)

■主な目次
第1章 データ駆動型科学における計測インフォマティクスの意義
第2章 整備とデータ構築・人材育成
第3章 スペクトルデータ解析に向けたモデリングと機械学習手法


詳細目次を表示

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
第1章  データ駆動型科学における計測インフォマティクスの意義
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

はじめに
1 計測インフォマティクスとは
 1.1 データ駆動型科学における位置付け
 1.2 計測現場が抱える課題
2 データ駆動型研究開発を支える基盤:データ構築と人材育成
 2.1 データ蓄積環境の整備とデータベース構築
 2.2 人材の育成と仕組み化
3 スペクトルデータ解析に向けたモデリングと機械学習
 3.1 前処理と解析環境の重要性
 3.2 統計的機械学習によるスペクトル解析
4 計測インフォマティクスの実践:スペクトルデータ解析事例
おわりに

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
第2章  整備とデータ構築・人材育成
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

第1節  R&Dにおけるデータ蓄積環境整備とデータベース構築およびそれに関わる人材と人材育成
はじめに
1 R&D部門におけるデータ共有・利活用の実情
2 R&D部門におけるデータ蓄積をExcelで行えるか?
3 R&D部門におけるデータ蓄積基盤としてデータベースがなぜ適切か?
4 R&D部門におけるシステム/データベースは、魔法の箱ではない!
5 そもそもデータ蓄積、共有は何のために行うのか?
6 データ蓄積、共有で研究の何が改善できるのか?
7 属人的データ共有状況を脱するために最初に行うべきこと
8 システム/データベースでデータ共有を実現するために行うべきこと
9 教科書などであまり触れられていない多変量データ分析の重要な注意点
10 実験パラメータ項目は、どのような独立変数系にするかが重要
11 データベースを構築、運用、利用していく上で必要な人材
 11.1 研究者
 11.2 プロジェクトリーダー
 11.3 ファシリテーター
 11.4 データサイエンティスト
 11.5 システム開発/運用スタッフ
12 データベースを構築、運用、利用していく人材の育成方法
 12.1 研究者
 12.2 プロジェクトリーダー
 12.3 ファシリテーター
 12.4 データサイエンティスト
 12.5 システム開発/運用スタッフ
おわりに

第2節 人材の育成と仕組み化・技術の構築
はじめに
1 データ駆動型開発を成功に導く「仕組み化」
 1.1 なぜ仕組み化が必要か
 1.2 事業貢献を可視化し、刈り取る仕組み
 1.3 成果につながるテーマを選定する仕組み
 1.4 開発データを活用する仕組み
2 事業貢献を創出する「MI人材」の育成
 2.1 MI活用を阻む「現場との壁」
 2.2 人材育成の全体像:あるべき姿の定義、見える化、仕組み化
 2.3 「見える化」による成長支援:MI人材スキルマップ
 2.4 「仕組み化」による育成加速:教育プログラムと支援体制
 2.5 MI人材育成における課題と試行錯誤
3 今後の展望:データ駆動型開発をさらに進化させるための取り組み

第3節 計測データ活用と「WAVEBASE」の開発
1 「WAVEBASE」の開発経緯
2 スペクトルデータと次元削減
 2.1 XRDパターンと内在する情報の抽出
 2.2 画像に内在する情報の抽出
3 「WAVEBASE」の活用

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
第3章  スペクトルデータ解析に向けたモデリングと機械学習手法
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

第1節  前処理と解析環境
第1項  スペクトルデータ前処理技術とその解析への効果
1 スペクトルデータの前処理とその役割
 1.1 代表的な前処理手法
 1.2 前処理の適用例
2 前処理の有用性を示す解析事例
 2.1 データの概要
 2.2 サンプル分類のための解析
3 関数主成分分析(FPCA)の概要(参考情報)

第2項 データ解析開発環境とデータ解析に必要なアルゴリズム
1 マテリアルズ・インフォマティクス(MI)とデジタル環境の基礎
 1.1 データ駆動材料科学におけるデータサイクルという考え方
 1.2 MI研究環境を支える情報処理端末とOS
 1.3 OSの分類と系譜
2 研究用計算環境の構築(OSとCUI)
 2.1 UNIX系OSとCUI(コマンドライン)
 2.2 WindowsにおけるLinux環境:WSL2の導入と整備
3 Python実行環境の適正管理
 3.1 Python環境の課題:「混ぜるな!危険!」
 3.2 適切な環境構築とJupyter Labの活用
 3.3 Anacondaの利用とライセンス
4 材料データの蓄積と構造化(データベース概論)
 4.1 データベース構築の目的:3C
 4.2 データ構造とフォーマット
  4.2.1 フラットファイルフォーマット(CSV、JSON、XML)
  4.2.2 関係データベース(RDB)
 4.3 データ蓄積サービス
5 データベース開発のスキルセット
 5.1 開発要件の定義とアプリの形態
 5.2 フロントエンドとバックエンド
 5.3 データベース言語の選択:SQLとNoSQL
 5.4 アジャイル開発の推奨
6 データ解析のためのアルゴリズムの例:スペクトルデータ
 6.1 スペクトルデータの爆発と自動解析の必要性
 6.2 高次元スペクトルデータの低次元化と分類:主成分分析とK-means法
 6.3 パラメータ推定の難所とアプローチ
 6.4 混合ガウスモデル(GMM)とEMアルゴリズム
 6.5 ヒストグラム形式によるアルゴリズムの高速化と材料解析への応用
おわりに

第2節  機械学習
第1項  スペクトル解析のための統計的機械学習
はじめに
1 ベイズ逆問題
2 統計的機械学習
 2.1 完全データを用いた統計的機械学習
 2.2 不完全データを用いた統計的機械学習
 2.3 学習モデルの選択
3 制限ボルツマンマシン
 3.1 制限ボルツマンマシンの定義
 3.2 サンプリングと統計量計算
 3.3 制限ボルツマンマシンに対する統計的機械学習
4 制限ボルツマンマシンを用いたデータ修復
おわりに

第2項 近赤外スペクトルによる連続生産プロセスのリアルタイム監視
1 ソフトセンサー開発の初期の取り組みと最近の方向性の概観
2 製薬業界における連続プロセス導入の動き
 2.1 ソフトセンサーの課題:モデル構築用データの取得
 2.2 IOTおよび新規IOT手法
3 まとめと今後の展望

第3節  スパースモデリング・ベイズ推定
第1項  スパースモデリングを用いた計測インフォマティクス
1 イントロダクション:計測インフォマティクスの台頭と必然性
 1.1 先端計測技術の発展とデータ爆発
 1.2 逆問題の数理
 1.3 オッカムの剃刀と正則化
2 スパースモデリングの数理的基礎
 2.1 L1正則化
 2.2 全変動(Total Variation:TV)正則化
 2.3 スパースモデリングの最適化アルゴリズム
  2.3.1 ソフト閾値関数(Soft Thresholding)
  2.3.2 主双対近接分離法(Primal-Dual Splitting:PDS)
3 フーリエ画像計測データへのスパースモデリング適用
 3.1 先端計測におけるフーリエ画像計測データ
 3.2 従来の位相回復アルゴリズムとその限界
 3.3 スパース位相回復アルゴリズム(L1-SpPRA)
 3.4 TV正則化スパース位相回復アルゴリズム(TV-SpPRA)
 3.5 X線回折データへのTV正則化によるデノイジング
4 実践的実装ガイドラインと将来展望
 4.1 ハイパーパラメータの客観的決定:1SEルール
 4.2 解析ソフトウェアと計測の統合
 4.3 物理情報と機械学習の融合
5 結論

第2項 スペクトルデータのベイズ分光法解析
はじめに
1 ベイズ分光法
 1.1 データ駆動科学におけるベイズ推定
 1.2 ベイズ分光法の定式化
 1.3 マルコフ連鎖モンテカルロ法
 1.4 モデル選択
 1.5 モデル選択の定式化
 1.6 非線形回帰のモデル選択
2 ベイズ分光法の適用例

第4節 複数のスペクトルを束ねるマルチモーダルAIと研究開発の高度化
1 データ科学の分析データ分野への活用
2 マルチモーダルAIとは
3 マルチモーダルAIの様々な材料系への活用
おわりに

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
第4章  スペクトルデータ解析事例
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

第1節  FT-IRと機械学習によるスペクトル解析
1 FT-IRの基礎と実践
 1.1 FT-IRの原理と装置構成
 1.2 測定手法の使い分け
 1.3 スペクトル解釈と解析上の注意
  1.3.1 官能基と吸収帯
  1.3.2 データベース検索の活用と限界
  1.3.3 コンタミ、付着物、混合物、劣化への対応
 1.4 データ品質の評価と管理
2 分析担当者に必要な機械学習、AI基礎
 2.1 データ前処理の基礎
  2.1.1 ベースライン補正
  2.1.2 平滑化
  2.1.3 波数軸の補間
  2.1.4 正規化
  2.1.5 ラベリング
 2.2 教師あり学習と教師なし学習の使い分け
 2.3 Python環境の導入
 2.4 生成AIの活用
  2.4.1 AIエージェントによるコーディング
  2.4.2 協働プロセスと注意点
3 Pythonを利用した解析例
 3.1 独自データベースを用いた簡易検索
 3.2 辞書データの組み合わせによる実測データの再構築
 3.3 多成分分離の例:混合物解析
4 まとめ

第2節 赤外・ラマン分光法のスペクトルに対する機械学習の応用
はじめに
1 赤外分光法とラマン分光法の概要
 1.1 赤外分光法の概要1–6)
 1.2 ラマン分光法の概要3, 4, 7)
 1.3 赤外分光法とラマン分光法の複合分析
2 機械学習を用いた定性分析
 2.1 機械学習によるスペクトルの分類8)
 2.2 機械学習によるスペクトル分類の分析事例
  2.2.1 劣化プラスチックのスペクトル分類9)
  2.2.2 繊維のスペクトル分類10)
3 機械学習を用いたイメージング分析
 3.1 多変量解析(PCA、MCR)について
 3.2 MCRを用いたイメージング分析事例
  3.2.1 顕微FT-IRを用いたスクリーニング測定15)
  3.2.2 顕微ラマンを用いた成分分析16)
  3.2.3 顕微FT-IRおよび顕微ラマンを用いた複合分析17, 18)
おわりに