概要：

機械学習（ML）は、溶解度、粘度、安定性、さらには官能特性といった重要な性能指標について、データに基づいた予測を可能にすることで、配合設計に革命をもたらしています。 化学的知見に基づいたAI/MLモデルは、パーソナルケアや食品から医薬品、電池用電解液に至るまで、幅広い製剤分野におけるイノベーションを加速させる強力な枠組みを提供します。MLは、大規模かつ多様なデータセットを分析することで、複雑な混合物や複数の混合物を組み合わせた成分を含む新規製剤の挙動を予測することができ、試行錯誤によるアプローチへの依存を劇的に低減し、市場投入までの時間を短縮します。

自動化ソリューションは、成分組成と分子構造 を統合し、配合性能を最適化する予測モデルを生成することができます。これにより、研究開発チームは複雑な配合空間を探索し、開発サイクルを短縮し、より効果的にイノベーションを推進することが可能になります。本ウェビナーでは、Schrödingerの機械学習（ML）と物理学に基づく統合アプローチが、配合設計をどのように変革しているかを実演します。特に、消費財（CPG）に関連するアプリケーションに焦点を当ててご紹介します。

主な学習目標：

• データ入力が限られているプロジェクトにおいて、物理ベースのモデルが、機械学習モデルの性能向上に役立つ有意義なデータを生成するのにどのように役立つか
• 化学および組成の要素を取り入れた自動化された機械学習ソリューションが、多成分系における溶解度をどのように予測できるか
• 物理ベースの記述子によって強化された機械学習モデルが、粘度予測をどのように改善できるか
• 製剤開発用機械学習ツールが、計算分野の専門家ではない人々にも、ターゲット の複数の基準を満たす斬新なCPG製品を設計することを可能にする仕組み――シャンプーの製剤開発を事例としたケーススタディ

参加対象者：

• 研究開発のリーダーたち
• イノベーション・マネージャー
• デジタル化担当マネージャー
• 合成化学者
• 材料科学者
• 化学技術者
• 材料研究エンジニア
• 計算化学者
• 計算材料科学者