要旨：

材料科学や化学分野における機械学習（ML）の急速な普及は、ディープラーニング手法の進歩によって牽引されてきました。多くの産業研究者が、データ中心かつAI主導の設計パラダイムへの移行を目指している一方で、企業はしばしば、限られたデータセットや、カスタマイズされた特徴量抽出手法を必要とする複雑な材料に直面しています。さらに、一般的に用いられるML手法は、説明可能性や、未開拓の化学空間への外挿といった課題にしばしば直面しています。

本ウェビナーでは、Schrödingerのツールが、物理ベースのシミュレーションデータ、エンタープライズ・インフォマティクス、および化学知見を取り入れた機械学習を組み合わせることで、こうした一般的な課題の克服にどのように役立つかを実演します。また、この相乗的なアプローチが、幅広い技術分野における材料イノベーションをどのように変革できるかについて解説します。具体的には、以下の分野における事例研究を取り上げます：

• 分子動力学シミュレーションを用いて、粘度予測における機械学習モデルの精度を向上させる記述子を生成する
• リチウムイオン電池電解液のイオン伝導度を予測するための、説明可能な機械学習モデルの開発
• 密度汎関数理論に基づく記述子を用いて、有機エレクトロニクスの吸収・発光波長、蛍光寿命、消光係数などの特性を予測する機械学習モデルの性能を向上させる

この統合的なアプローチは、機械学習と物理学に基づく手法の長所を組み合わせたものであり、材料科学および化学における新たなフロンティアを意味する。