Ryo Tamura 研究室
主宰者：Ryo Tamura
東京大学
AI 要約（直近 5 年の研究成果）
田村亮研究室は、実験と人工知能を組み合わせた「データ駆動型材料開発」に取り組んでいます。具体的には、複雑な材料設計問題に対して、機械学習やベイズ最適化などの統計的手法を用いて、より少ない実験回数で最適な組成や条件を見つける方法を開発しています。ナトリウムイオン電池の電解質設計、触媒開発、磁性薄膜の作製、高分子複合材料の設計など、エネルギー材料から機能材料まで幅広い対象に応用されています。
これらの研究を実現するため、研究室は自動化された実験装置と最適化アルゴリズムを統合した「自動運転実験室」の構築にも取り組んでいます。ロボットを用いて大量の試料を並列合成・評価し、その結果をもとに人工知能が次の実験条件を判断するシステムです。また、量子計算機を活用した最適化手法の開発や、人工知能による材料設計支援ツールの開発も進めており、次世代の材料探索技術の確立を目指しています。
※ AI（Claude）が、公開されている論文要旨から研究の問い・手法・主要な発見を事実情報として抽出・再構成して自動生成しています。誤りを含む可能性があるため、正確性は研究室公式情報でご確認ください。
外部リンク
関連研究室(8 件)
- 材料科学Kyoko Nozaki 研究室東京大学論文 196 件·共通: 磁性, 固体物理, 凝縮系物理, 高分子 +12
- 材料科学Naoya Shibata 研究室東京大学論文 101 件·共通: 磁性, 固体物理, 凝縮系物理, 触媒 +8
- 材料科学Norikazu Nishiyama 研究室大阪大学論文 100 件·共通: 磁性, 固体物理, 凝縮系物理, 触媒 +7
- エネルギーXue Han 研究室筑波大学論文 100 件·共通: 高分子, 触媒, 合成・反応, 高分子・材料化学 +9
- 材料科学Makoto Ogawa 研究室National Institute of Mental Health論文 100 件·共通: 高分子, 触媒, 合成・反応, 高分子・材料化学 +8
- 材料科学Katsuhiko Ariga 研究室東京大学論文 111 件·共通: 高分子, 触媒, 合成・反応, 高分子・材料化学 +8
- 材料科学Hiroshi Uyama 研究室大阪大学論文 108 件·共通: 高分子, 触媒, 合成・反応, 高分子・材料化学 +8
- 材料科学Yuichi Ikuhara 研究室東京大学論文 102 件·共通: 磁性, 固体物理, 凝縮系物理, 高分子・材料化学 +6
研究成果（73 件）
- DOI: https://doi.org/10.1021/acsaem.5c03028
- DOI: https://doi.org/10.1021/acscatal.6c03318
- DOI: https://doi.org/10.1002/aidi.202500231
- DOI: https://doi.org/10.1080/27660400.2025.2565144
- DOI: https://doi.org/10.1021/acsaem.5c02030
- [2025] Harnessing Explainable AI to Explore Structure–Activity Relationships in Artificial OlfactionDOI: https://doi.org/10.1021/acsami.5c13990
- DOI: https://doi.org/10.7759/cureus.91691
- DOI: https://doi.org/10.1016/j.placenta.2025.07.047
- [2025] Exploring utilization of generative AI for research and education in data-driven materials scienceDOI: https://doi.org/10.1080/27660400.2025.2535956
- DOI: https://doi.org/10.1039/d4mh01606h
続きを表示（残り 63 件）閉じる
- DOI: https://doi.org/10.1038/s42005-025-02380-y
- DOI: https://doi.org/10.1038/s41524-025-01828-7
- [2025] GPepT: A Foundation Language Model for Peptidomimetics Incorporating Noncanonical Amino AcidsDOI: https://doi.org/10.1021/acsmedchemlett.5c00375
- DOI: https://doi.org/10.5796/denkikagaku.25-fe0101
- [2025] Determination of Stable Proton Configurations by Black-Box Optimization Using an Ising MachineDOI: https://doi.org/10.1021/acs.jpcc.4c07104
- DOI: https://doi.org/10.1039/d4dd00387j
- DOI: https://doi.org/10.1039/d3cp06298h
- DOI: https://doi.org/10.1111/ens.12595
- DOI: https://doi.org/10.1038/s41598-024-76800-4
- DOI: https://doi.org/10.1080/27660400.2024.2416889
- DOI: https://doi.org/10.1103/physrevresearch.6.043050
- DOI: https://doi.org/10.1021/acsami.4c15275
- DOI: https://doi.org/10.2957/kanzo.65.460
- DOI: https://doi.org/10.1080/14686996.2024.2388016
- DOI: https://doi.org/10.1002/aisy.202400253
- DOI: https://doi.org/10.7759/cureus.66185
- DOI: https://doi.org/10.1038/s43246-024-00580-7
- DOI: https://doi.org/10.1063/5.0229856
- DOI: https://doi.org/10.1103/physrevb.109.094434
- [2024] Lung cancer detection in perioperative patients' exhaled breath with nanomechanical sensor arrayDOI: https://doi.org/10.1016/j.lungcan.2024.107514
- DOI: https://doi.org/10.1039/d3dd00215b
- DOI: https://doi.org/10.1021/acsmedchemlett.2c00487
- DOI: https://doi.org/10.1016/j.jpedsurg.2023.11.016
- [2023] Optimization of Core–Shell Nanoparticles Using a Combination of Machine Learning and Ising MachineDOI: https://doi.org/10.1002/adpr.202370029
- DOI: https://doi.org/10.1021/acscentsci.3c01009
- [2023] Optimization of Core–Shell Nanoparticles Using a Combination of Machine Learning and Ising MachineDOI: https://doi.org/10.1002/adpr.202300226
- [2023] Mapping stress inside living cells by atomic force microscopy in response to environmental stimuliDOI: https://doi.org/10.1080/14686996.2023.2265434
- DOI: https://doi.org/10.1016/j.patter.2023.100846
- DOI: https://doi.org/10.1080/27660400.2023.2261834
- DOI: https://doi.org/10.1021/acs.jctc.3c00764
- DOI: https://doi.org/10.1103/physrevmaterials.7.093804
- [2023] Interpretable Fragment‐Based Molecule Design with Self‐Learning Entropic Population AnnealingDOI: https://doi.org/10.1002/aisy.202300189
- DOI: https://doi.org/10.1080/27660400.2023.2232297
- DOI: https://doi.org/10.1016/j.matdes.2023.112111
- DOI: https://doi.org/10.1016/j.radcr.2023.02.058
- DOI: https://doi.org/10.1080/01650424.2022.2141259
- DOI: https://doi.org/10.1039/d3dd00047h
- DOI: https://doi.org/10.1039/d3cp01922e
- DOI: https://doi.org/10.1021/acs.oprd.2c00254
- DOI: https://doi.org/10.1002/advs.202204310
- DOI: https://doi.org/10.1080/27660400.2022.2146470
- DOI: https://doi.org/10.1021/acs.jcim.2c00812
- DOI: https://doi.org/10.1016/j.cpc.2022.108405
- DOI: https://doi.org/10.1080/27660400.2022.2076548
- DOI: https://doi.org/10.1080/14686996.2022.2075240
- DOI: https://doi.org/10.1103/physrevresearch.4.023062
- [2022] 7.5 GHz-Band Digital Beamforming Using 1-bit Direct Digital RF Transmitter with 10GbE Optical ModuleDOI: https://doi.org/10.23919/eumc50147.2022.9784374
- DOI: https://doi.org/10.1126/sciadv.abj3906
- DOI: https://doi.org/10.1016/j.matdes.2022.110497
- DOI: https://doi.org/10.1080/27660400.2022.2039573
- DOI: https://doi.org/10.1103/physrevb.105.075107
- [2022] Topological alternation from structurally adaptable to mechanically stable crosslinked polymerDOI: https://doi.org/10.1080/14686996.2021.2025426
- DOI: https://doi.org/10.1039/d1dd00043h
- DOI: https://doi.org/10.1021/acsmedchemlett.1c00439
- [2021] Acceleration of phase diagram construction by machine learning incorporating Gibbs' phase ruleDOI: https://doi.org/10.1016/j.scriptamat.2021.114335
- DOI: https://doi.org/10.3390/s21144742
- DOI: https://doi.org/10.1038/s41598-021-91210-6
- DOI: https://doi.org/10.1021/acs.accounts.0c00713
- DOI: https://doi.org/10.1021/acs.nanolett.1c00003
- DOI: https://doi.org/10.23919/eumc48046.2021.9338068
- DOI: https://doi.org/10.1080/27660400.2021.1963641
科研費（0 件）
まだデータがありません（KAKEN 取り込み後に表示）。
所属学会・役職（0 件）
まだデータがありません（学会データ連携後に表示）。