• 電子版 月刊BIO INDUSTRY

検索条件

フリーワード商品検索

→詳細検索はこちら


お買い上げ合計金額2,000円以上の場合は配送料を当社負担!

cmcbooks内の検索(Yahoo検索)

商品カテゴリ

オススメコンテンツ
広告出稿のご案内
月刊誌や年鑑などの印刷物への広告から,Webやメールマガジンまで,広告出稿をお考えの方へのご案内です。

書評掲載一覧
さまざまな雑誌,新聞等で掲載していただいた書評の一覧です。(9月19日更新)

電子書籍のご案内
過去の書籍をお求めやすい価格で電子版として販売! 雑誌バックナンバーも充実!

常備書店
常時棚揃えしている全国の書店様をご紹介しています

海外注文 overseas order
海外からのご注文も承っています。


よくある質問
お問い合わせの多いご質問など,よくあるご質問を掲載しています。


弊社サイトは,グローバルサインのSSLサーバ証明書を導入しております。ご注文情報等は,全て暗号化されますので安心してご利用頂けます。

月刊機能材料 2016年9月号

【特集】計算科学・データ科学から迫る材料研究最前線

商品コード: M1609

  • 監修: 寺倉清之
  • 発行日: 2016年9月5日
  • 価格(税込): 4,320 円
  • 体裁: 体裁: B5判
  • ISBNコード: 0286-4835

個数: 

カゴに入れる

著者一覧

寺倉清之  (国研)物質・材料研究機構
押山淳  東京大学
佐藤啓文  京都大学
伊藤聡  (国研)理化学研究所
吉田亮  大学共同利用機関法人 情報・システム研究機構,(国研)物質・材料研究機構
及川勝成  東北大学
足立吉隆  鹿児島大学
金澤徹  東京工業大学
雨宮智宏  東京工業大学
宮本恭幸  東京工業大学
田川聖一  大阪大学
浅谷学嗣  大阪大学
三宅淳  大阪大学
鷲尾裕之 特許戦略/ポリマー技術コンサルタント

目次

-------------------------------------------------------------------------

【特集】計算科学・データ科学から迫る材料研究最前線

-------------------------------------------------------------------------

特集にあたって
Introduction

-------------------------------------------------------------------------
〔Part 1〕計算科学からのアプローチ

計算科学から迫る材料研究の現状と展望
Current Status and Future Perspective of Computational Materials Science

 コンピュータの高性能化と数理手法およびアルゴリズムの進展は,物質科学計算を質的に革新しつつある。量子論の第一原理に立脚した物質科学計算は,バルクからナノに至る,広範な物質群の構造的,電子的性質の静的および動的側面を基礎方程式から解明し,また新たな現象と材料機能を予測している。その現状と今後の展望を概観する。

【目次】
1. はじめに
2. 密度汎関数理論の成功
3. 多体論の物質への適用:精度軸での挑戦
4. 大規模高精度計算に向けて:空間軸での挑戦
5. ダイナミクスと原子反応:時間軸での挑戦
6. 今後の展望:コンピューティクス・アプローチ

-------------------------------------------------------------------------

液体の計算分子科学
Theoretical and Computational Chemistry for Liquids

 液体は化学反応の場を提供するだけでなく,そのものが機能を有する場合もある。また最近では,気液や固液の界面,バイオ関連でも新しい展開が進んでいる。本稿では計算分子科学における溶液・液体に対するアプローチを概観するとともに,具体的な事例を通じてその有効性や留意点について述べる。

【目次】
1. はじめに
2. 液体に対するアプローチ
 2.1 分子間の相互作用
 2.2 統計集団
3. その他のアプローチ
 3.1 QM/MM法
 3.2 液体の積分方程式理論との融合
4. おわりに

-------------------------------------------------------------------------

スーパーコンピュータ「京」の産業展開
Industrial Promotion by the K Computer

 2012 年に共用を開始したスーパーコンピュータ「京」は産官学が広く利用することのできる世界最高性能レベルの汎用計算機システムである。本稿では「京」によってはじめて可能となった,ものづくりにおける大規模最適化設計,医薬品高速スクリーニングなどの活用事例を紹介する。

【目次】
1. はじめに
2. スーパーコンピュータ「京」の概要
3. 産業界での活用事例
4. おわりに―「京」からポスト「京」へ―

-------------------------------------------------------------------------
〔Part 2〕データ科学からのアプローチ

物性研究におけるデータ科学活用の現状と展望
Data Science for Materials Research ‒Presents and Future Prospects‒

 物質・材料科学におけるデータ科学の活用について概説する。特に定量的構造物性相関解析における順問題(物性予測,仮想スクリーニング)と逆問題(設計)という切り口からマテリアルズインフォマティクスの最新動向を紹介し,物性研究におけるデータ科学の現状と今後の課題を整理する。

【目次】
1. 情報統合型物質材料探索
2. 定量的構造物性相関解析(QSPR)
 2.1 ケモインフォマティクス
 2.2 仮想スクリーニング
 2.3 記述子
 2.4 実験計画法
3. 逆構造物性相関解析(Inverse‒QSPR)
4. R 言語パッケージ “iqspr”
5. まとめ

-------------------------------------------------------------------------

金属系材料における計算状態図とその応用
Calculation of Phase Diagrams and its Application in Metal‒Base Alloys

 CALPHAD 法による熱力学データベースの構築の方法や,計算ソフトなどを紹介するとともに,近年のCALPHAD 法の動向,CALPHAD 法を利用した合金設計,各種シミュレーションへの応用例などを紹介する。

【目次】
1. はじめに
2. CALPHAD 法
3. CALPHAD 法の応用例
4. CALPHAD の新しい展開
5. おわりに

-------------------------------------------------------------------------

材料工学における人工知能の活用―深層学習による材料組織の画像認識を例に―
AI‒Materials Science and Engineering ‒Microstructure Recognition by Deep Learning‒

 人工知能を材料工学に活用する試みの一環として,本稿ではコンピュータビジョンの一つである深層学習ディープラーニング)の概要について説明するとともに,深層学習を材料組織の識別に利用する試みについて述べる。

【目次】
1. 緒言
2. 画像認識とは
3. 畳み込みニューラルネットワークによる画像データの深層学習
4. 従来の画像識別法との比較
5. 材料組織のパターン認識
6. まとめ

-------------------------------------------------------------------------

[ Material Report -R&D- ]

二次元材料HfS2を用いたMOS トランジスタ

 単原子層までのチャネル薄層化が可能な二次元層状物質は将来の極短チャネルMOSトランジスタへの応用が期待されている。本稿では,新たな二次元材料であるHfS2についてトランジスタへの応用を主眼に,半導体材料としての基本的な物性, 試作したトランジスタの特性や今後の課題など,筆者らの取り組みを中心に紹介する。

【目次】
1. はじめに
2. 二硫化ハフニウムの基本的性質
3. HfS2を用いたトランジスタ
 3.1 バックゲートを用いたトランジスタ動作
 3.2 電気二重層を用いたトランジスタ制御
4. 現在の課題と特性改善への取り組み
 4.1 現在の課題
 4.2 表面保護による特性の向上
 4.3 今後の展望
5. おわりに

-------------------------------------------------------------------------

<連載>
ディープラーニングの世界―新たな人工知能による産業の躍進に向けて― 第4回

確率とディープラーニング
Deep Learning Based on Probability Theory

 前回までにディープラーニングがいかにして与えられたデータからデータを正確に分類・識別するための特徴を抽出するかを解説し,その応用が現実に活用される場面を紹介してきた。本稿では,ディープラーニングによりデータを生成する手法を紹介する。データをさまざまなクラスに正確に分類できるということは,データ間の差異や類似性の特徴を理解していることを意味する。完全にランダムなデータはデータ間でも差異も類似性も抽出できないが,クラス分類や識別が可能なデータは一般的にクラス内のデータ間で共通点を持ち,同時にわずかな差異も存在する。つまり分類できるということは生成もできるはずであるといえ,あるクラスに分類されるべきデータがある確率分布に従って存在すると仮定することにより,データの認識の逆問題として生成が可能となる。本稿では確率モデルを学習するディープラーニングの手法として,Boltzmann Machine とGenerativeAdversarial Network を概説する。

【目次】
1. はじめに
2. 確率と推論
3. Boltzmann Machine
4. Generative Adversarial Network
5. ディープラーニングによる確率的生成モデルの将来の展開

-------------------------------------------------------------------------

<連載講座>
知的財産情報から見る熱可塑性エラストマー(オレフィン系,スチレン系)組成物の開発と利用 第3回

TPS,TPOに使用される添加剤と特許情報から得られる配合パターンの整理
Additives Used in TPS, TPO and Classifi cation of Formula from Patent Information

 今回は,スチレン系エラストマー組成物(TPS),オレフィン系エラストマー組成物(TPO)に使用される添加剤と特許情報から得られる配合パターンについて説明する。特に「TPSやTPO にさらなる耐油性や耐熱性を付与する架橋剤についての例示」と「特許情報から得られる配合パターンの整理」を行う。なかでも後者は,一般文献では見当たらない新しい試みであることを強調しておく。

【目次】
1. TPSやTPOに使用される架橋剤及び架橋助剤,架橋促進剤
 1.1 有機過酸化物の特許情報からの例示
 1.2 フェノール樹脂系架橋剤の特許情報からの例示
 1.3 架橋助剤,架橋促進剤
2. 特許情報から得られる配合パターンの整理
 2.1 配合成分による出来上がったエラストマー組成物物性への影響について
 2.2 特許情報から見た配合パターン
3. まとめ
このページのTOPへ