物理屋のための機械学習講義

Youtube チャンネル

開催趣旨

機械学習は物理学の幅広い分野で、 一部既存手法を超える性能を見せるなど、 有効に活用され始めています。 一方で、物理学研究者および学習者にとって、 機械学習で用いられる個々の手法は理解できたとしても、 その幅広い分野全体を概観することは簡単ではありません。 そこで、物理学研究者および学習者が機械学習の様々な 基礎知識に触れられるよう、 本講義シリーズを企画しました。 幅広い参加者をお待ちしています。

• 世話人: 大野 浩史 (筑波大)、柏 浩司 (福岡工業大)、富谷 昭夫 (東京女子大)、二村 保徳 (筑波大)（順不同)

本講義シリーズは、科学研究費補助金学術変革領域研究(A)「学習物理学の創成」の補助を受けております。

参加登録について

• 原則、対面とオンライン (Zoom) のハイブリッド形式で開催します。
• 初めて参加される方は、対面・オンラインでの参加にかかわらず、参加登録してください。 次回以降の講義の情報 (オンラインでの参加方法など) をご希望の方は、参加登録フォームにて設定いただけます。
• 対面で参加される方は、参加を希望される講義ごとに必ず参加登録してください。
• 前日の正午までに参加登録をお済ませください。
• 参加登録フォームが各講義ごとに複数開いている場合があります。ご登録される際はどの講義の登録フォームか十分にご確認ください。

対面で参加される方へ

• 参加人数が講義室の定員を超えた場合、オンラインでの参加にご変更いただくことがあります。

オンラインで参加される方へ

• Zoom のミーティング URL およびパスワードは、講義当日の朝までに登録されたメールアドレスにお送りします。登録者以外への転載・転送はお控えください。
• 参加時の表示名は「登録時の名前@登録した機関名」に設定してください。
• ノイズを防ぐため、ご発言時以外はミュートに設定してください。

その他、注意事項

• 講義の録音・録画はお控えください。

お問い合わせ

• ご意見・ご質問等は、以下のお問い合わせフォームよりご連絡ください。
• 講義情報のご連絡を受け取られている方で、ご連絡が不要な方も、こちらでその旨をお知らせください。

お問い合わせフォーム

第21回

日時: 2026/5/18 (月) 13:00-17:00 JST
講師: 棚橋 典大 (京都大学)
講演題目: 機械学習による数値計算と理論物理への応用 (仮)
開催方法: 対面とオンラインのハイブリッド
場所: 筑波大学東京キャンパス 118講義室
概要: TBA

[第21回参加登録フォーム]

今後の講義につきましては、決定次第、ML等でご連絡します。

<終了した講義>

第1回

日時: 2023/1/12 (木) 13:30-17:00 JST
講師: 田中 章詞 (理研AIP)
講演題目: 最適輸送理論入門
開催方法: 対面とオンラインのハイブリッド
場所: 理化学研究所 (和光) 研究本館 3階 345−347号室
概要:
近年、最適輸送理論が複数の分野（物理学や機械学習）にまたがって話題を呼んでいます。例えば、ある製品を製造、販売する業者は数ある工場からそれぞれの店に製品を届ける際に、どのように輸送すれば良いかという問題に直面しますが、その問題を取り扱うのが最適輸送理論です。今回の講義では、近年の最適輸送理論の中心的対象であるWasserstein距離の定義や動機、更に、これが強双対性によって同値な二つの表現方法を持つことまでを説明する予定です。
[ホワイトボード]

第2回

日時: 2023/1/26 (木) 13:00-17:00 JST
講師: 佐野 崇 (東洋大学)
講演題目: 確率的グラフィカルモデルにおける変分近似法
開催方法: 対面とオンラインのハイブリッド
場所: 会議室のルビコン 601
概要:
ベイジアンネットワークやマルコフ確率場といった確率的グラフィカルモデルは、変数の関係をグラフ構造に表した、説明性の高い生成モデルです。しかし、推論や学習に時間のかかる大規模化が難しいモデルでもあります。そのために、様々な近似法が開発されてきました。確率的グラフィカルモデルは、統計力学モデルとみなすことが可能であり、推論は統計力学において期待値を求める問題と等価です。そのため、平均場近似(変分近似)を用いることができます。また、ループあり確率伝搬法という近似推論法が、物理におけるBethe近似と等価であることが後に発見されるなど、この分野と物理学との関係はとても深いものです。この講義では、変分近似法を用いた確率的グラフィカルモデルの推論と学習について、物理屋に分かりやすい言葉で説明していきたいと思います。
[スライド] [動画]

第3回

日時: 2023/5/9 (火) 13:30-17:00 JST
講師: 村田 仁樹 (埼玉工業大学)
講演題目: 機械学習の基礎および物理との関係性について
開催方法: 対面とオンラインのハイブリッド
場所: 銀座ユニーク会議室　銀座7丁目店 N402号室
概要:
1.ニューラルネットワークの基礎
2.ニュートン力学をニューラルネットワークで表現
について、数式を板書しながら説明していく。
[動画]

第4回

日時: 2023/6/29(木）　13:00-17:00　JST
講師: 堀江 正信（株式会社RICOS)　
講演題目: 対称性のある機械学習による物理現象の解析
開催方法: 対面とオンラインのハイブリッド
場所: 銀座ユニーク会議室　銀座7丁目店 N402号室
概要:
熱、流体、電磁場などさまざまな物理現象を記述する偏微分方程式は厳密に解けないことも多く、数値解析が有用である。一方で、複雑な現象では数値解析に時間がかかり、また解析結果が実測と乖離することもある。これらの問題を解決する手法として機械学習が注目されているが、複雑な物理現象に対して単純に機械学習を取り入れただけでは満足のいく結果が得られないことも多い。本講義では、複雑な物理現象を扱うのに適した機械学習のキーワードである、同変性とグラフニューラルネットワークを中心に、現在得られている成果や今後の展望について議論する。
[スライド] [動画]

第5回

日時: 2023/11/21 (火) 13:00-17:00 JST
講師: 森村 哲郎 (株式会社サイバーエージェント)
講演題目: 強化学習の数理からRLHFまで
開催方法: 対面とオンラインのハイブリッド
場所: 筑波大学東京キャンパス116教室
概要:
強化学習は、意思決定モデルを学習するAI技術として、囲碁、ロボット、大規模言語モデルといった多様な領域で重要な役割を果たしています。しかし、実際に適用する際、どう実問題を強化学習問題として定式化するか、またどう学習の安定性や結果の再現性を保証するかなどの問題に直面します。それらの問題を乗り越え強化学習を活用するには、その背後にある数理的原理を理解することが重要です。この講演では、強化学習の数理的基礎について解説し、その原理を深く探ります。そして、最近の進展として、Decision Transformerや人間のフィードバックを取り入れた強化学習（RLHF）など、言語モデルと強化学習の融合領域についても紹介予定です。

[スライド1] [スライド2] [スライド3]

第6回

日時: 2023/12/4 (月) 13:00-17:00 JST
講師: 今泉 允聡 (東京大学)
講演題目: 深層学習と過剰パラメータの理論
開催方法: 対面とオンラインのハイブリッド
場所: 筑波大学東京キャンパス116教室
概要:
深層学習は高い精度を発揮するデータ解析技術だが、その精度を発揮する原理には未だに明らかになっていない点が多い。本講演では、深層学習や過剰なパラメータを持つ統計モデルの性質を記述する理論を紹介する。講義の前半では基本的な深層学習に着目し、その誤差を近似・複雑性・最適化の項目に分割した上で、各要素を解析する個別の研究を紹介する。その後、より応用的な深層学習技術に関する知見を共有する。講義の後半では、過剰なパラメータを持つ統計モデルに関する理論の構築とそれがもたらす示唆について議論する。時間に余裕があれば、近年の人工知能技術についての数理的な知見を議論する。
[スライド]：準備中
[動画]：準備中

第7回

日時: 2024/1/15 (月) 13:00-17:00 JST
講師: 唐木田 亮 (産総研)
講演題目: 統計神経力学とその周辺
開催方法: 対面とオンラインのハイブリッド
場所: 筑波大学東京キャンパス122教室
概要:
ニューラルネットの平均場理論とも呼ばれる統計神経力学は、生物や人工の神経回路を数理的に理解する試みのなかで発展してきた枠組みです。特に深層学習では、無限幅極限における普遍的な挙動、勾配消失/発散を防ぐ"カオスの縁"初期化やNTK(Neural Tangent Kernel)レジーム/特徴学習レジームの区分の理解につながっています。本講義では深層学習の統計神経力学を、順方向および逆誤差伝播の解析からはじめ、特徴学習レジームを実現するmuP(Maximal Update Parametrization)まで概観します。また、幅が大きいモデルが過剰パラメータ系であることから現れるアルゴリズムの陰的バイアスについても触れる予定です。
[スライド]　

第8回

日時: 2024/1/22 (月) 13:00-17:00 JST
講師: 道下 佳寛 (理研)
講演題目: 強化学習と物理への応用
開催方法: 対面とオンラインのハイブリット
場所: 筑波大学東京キャンパス118教室
概要:　
近年機械学習の性能の飛躍的向上に伴い、機械学習を物理に応用しようという動きが盛んである。相の判定や、マテリアルインフォマティクスや数値シミュレーション手法の代替などが行われているが、主に実験の補助及び数値シミュレーションの実行を目的として研究がなされており、理論解析手法を開拓する応用に関しては、研究が乏しい。 本講演では、自身の研究に沿って強化学習手法(Alpha Zero)を用いて、物理の理論解析手法を導出するフレームワークを提案・例示する。 前半では、Tutorialとして強化学習の基本的な理論・手法を、物理屋の目線から簡単に解説・実演し、強化学習に親しみを持ってもらう。 後半では、先行研究としてのSymbolic Regressionの話を簡単におさらいし、自身の研究について解説する予定である。
[ホワイトボード] [jupyterノート]
[スライド1] [スライド2]
[動画]

第9回

日時: 2024/4/25 (木) 13:00-17:00 JST
講師: 瀧 雅人 (立教大学)
講演題目: 機械学習入門
開催方法: 対面とオンラインのハイブリッド
場所: 筑波大学東京キャンパス118教室
概要:
この講義では、機械学習のコンセプトやその数理・統計的意味から始めて、現在盛んに用いられている深層学習につながる表現学習のアイデアまでを概観する。また、機械学習に広く用いられるライブラリを用いた実装についても簡単に紹介する。
・機械学習：帰納推論と汎化
・線形モデルと勾配降下法
・特徴量工学と表現学習
・Pythonによる実装
[動画]

第10回

日時: 2024/5/20 (月) 13:00-17:00 JST
講師: 甘利 俊一 (帝京大学)
講演題目: 情報幾何 - 入門と応用
開催方法: 対面とオンラインのハイブリッド
場所: 筑波大学東京キャンパス118教室
概要:
情報幾何は、確率分布の作る空間に対してその自然な幾何構造を考究するものである。統計学はもとより、情報科学、物理学、経済学、生命科学、また人工知能で新しい方法として有効である。確率分布のなす空間（たとえばガウス分布全体のなす空間）に、座標変換に関して不変であることを要請して幾何構造を導入しよう。すると、リーマン計量ｇとキュービックテンソルＴが一意に決まる。ここからｇを挟んで二つの双対構造をなす接続が（双対接続の対）が導入できる。
　指数型分布族などは、双対平坦なリーマン構造をなす。一般に凸関数ψが与えられたときに、Legendre変換をもとに、ここに双対平坦なリーマン構造を導入でき、ここでは、拡張ピタゴラスの定理、射影定理が成立し、多くの問題がすっきりと解ける。
　情報幾何は多くの分野で有用な方法となっている。たとえば、統計学はもとより、情報科学、深層学習など広い分野で使われている。ここでは、応用例として、統計学、深層学習、信号処理について述べよう。また、確率分布族に導入されるもう一つの幾何学、Wasserstein幾何との関係についても触れる予定である。
[スライド]
[動画]

第11回

日時: 2024/6/17 (月) 13:00-17:00 JST
講師: ガラムカリ 和 (理研)
講演題目: 行列・テンソルの低ランク分解と多体分解
開催方法: 対面とオンラインのハイブリッド
場所: 筑波大学東京キャンパス118教室
概要:
行列やテンソル（多次元配列）はデータのもつ高次の自由度を自然に記述できる基本的なデータ構造である．行列・テンソルとして計算機に格納されたデータを少ない基底の線形結合で近似する低ランク分解によって，データから必要な情報を抽出したり，隠れたパターンや知識を発見することができる．本講義の前半では主に機械学習への応用を見据えて，行列・テンソルの低ランク分解に入門する．特異値分解（SVD），非負行列因子分解（NMF），テンソルのCP分解やタッカー分解を扱い，実世界の様々な制約に応じて適切な分解法を選択する方法についても議論する．後半では，テンソル分解に現れる不良設定性やNP困難性に着目し，これらの困難を克服する最近の研究として，テンソルの低ランク性ではなく，テンソルの軸（モード）間の高次の相互作用に着目するテンソル多体分解を導入する．テンソル多体分解では，モデルに可視変数のみを仮定するため，直感的なモデル選択が可能になる上に，安定な凸最適化問題としてテンソル分解を定式化できる．また，低ランク分解と多体分解の数理的な関係についても紹介する．

第12回

日時: 2024/7/12 (金) 13:00-17:00 JST
講師: 大林 一平 (岡山大学)
講演題目: パーシステントホモロジーの基本と材料科学への応用
開催方法: 対面とオンラインのハイブリッド
場所: 京都大学理学研究科セミナーハウス大ホール
概要:
パーシステントホモロジーは数学のトポロジーのアイデアを応用し，データの 形を特徴付けるための数学的ツールである。既に材料科学や構造生物学などで 形とその特性を関連付けるために利用が進んでいる。 本講義ではパーシステントホモロジーについて，その数学的な基礎から機械学習との組み合わせ法， 材料科学への応用まで紹介する。 また大林が開発しているパーシステントホモロジーに基づくデータ解析ソフトウェアHomCloudによる データ解析演習を1時間程度で実施する。
備考：
データ解析演習ではGoogle Colabを使う予定であるので，参加者は

• インターネットに繋がるノートPC
• Googleのアカウント

をあらかじめ準備する必要がある。また，Google Colabの簡単な使いかたにあらかじめ馴染んでおくとよい。
[講義資料]

第13回

日時: 2025/1/20 (月) 13:00-17:00 JST
講師: 髙橋 昂 (東京大学)
講演題目: 機械学習のための統計学入門
開催方法: 対面とオンラインのハイブリッド
場所: 筑波大学東京キャンパス118教室
概要:
この講義では、物理系の学科の出身者など統計学の体系的なコースを受講されたことのない方を主な対象として、統計学の基本的な内容を、その考え方を中心に俯瞰することを目指します。前半では母集団と標本など、古典的推測統計の枠組みを整理し、どのような前提のなかでモデルを推定しているのか、またその不確実性をどのように扱うのかということを説明します。後半では予測の科学としての統計学に焦点を移し、機械学習的との接続を意識しながら、将来の未知のデータにおけるモデルの活用の観点から性能評価やモデル選択の考え方を概観します。

第14回

日時: 2025/4/21 (月) 13:00-17:00 JST
講師: 田中 章詞 (理研AIP)
講演題目: 機械学習と深層学習の実践入門
開催方法: 対面とオンラインのハイブリッド
場所: 筑波大学東京キャンパス 118講義室
概要:
本講義では、Python を用いた主要な機械学習ライブラリである scikit-learn、Keras、TensorFlow、PyTorch、JAX の特徴と使い方を説明します。​各ライブラリの強みや適用例を理解するために実践的なコード演習を通じて説明する予定です。​講義は https://github.com/AkinoriTanaka-phys/cs4mathphys/blob/main/python_and_ml/TOC.md の section3 をなぞってゆく予定です。Python やそのライブラリに詳しくない方は事前に section1 と section2 を読んでおいていただくと、ある程度スムーズに理解できると思います。
[動画]

第15回

日時: 2025/5/12 (月) 13:00-17:00 JST
講師: 田中 章詞 (理研AIP)
講演題目: 強化学習入門（板書編）
開催方法: 対面とオンラインのハイブリッド
場所: 筑波大学東京キャンパス 118講義室
概要:
強化学習はいわばモデルが自分でデータを取りに行くところまで考慮に入れた学習パラダイムで、データへの当てはめを目的とした機械学習パラダイムと合わせて近年でもよく使われるアプローチです。強化学習は今後ますます重要な技術になっていくと私は考えていますが、それを理解して使うためには少し学習障壁が高いような気がしています。そこで本講義では簡単なセットアップから始めて、最新の強化学習手法を使えるようになるために必要な数学の背景を解説したいと思います。次回の実装編はここでの内容を踏まえたものになる予定です。
[板書] [動画]

第16回

日時: 2025/5/19 (月) 13:00-17:00 JST
講師: 田中 章詞 (理研AIP)
講演題目: 強化学習入門（実装編）
開催方法: 対面とオンラインのハイブリッド
場所: 筑波大学東京キャンパス 118講義室
概要:
前回の板書編での内容を踏まえ、状態のないケースから2次元のグリッドワールド環境を動くケース、最後に簡単な対戦ゲームの環境で強化学習を実際に動かします。強化学習手法としては、初めにモンテカルロ法からはじめ、TD学習と呼ばれる強化学習ならではのモンテカルロ法による訓練手法を紹介するまでが目標です。講義に使うノートは https://github.com/AkinoriTanaka-phys/cs4mathphys/blob/main/python_and_ml/TOC.md の付録に追加予定です。
[動画]

第17回

日時: 2025/6/20 (金) 13:00-17:00 JST
講師: 野村 悠祐 (東北大)
講演題目: 機械学習の量子多体問題への応用
開催方法: 対面とオンラインのハイブリッド
場所: 筑波大学東京キャンパス 116講義室
概要:
2024年のノーベル物理学賞の scientific background （https://www.nobelprize.org/uploads/2024/11/advanced-physicsprize2024-3.pdf） の中に ”In some applications, ANNs are employed as a function approximator [36]; i.e. the ANNs are used to provide a “copycat” for the physics model in question. This can significantly reduce the computational resources required, thereby allowing larger systems to be probed at higher resolution. Significant advances have been achieved in this way, e.g. for quantum-mechanical many-body problems [37-39].” という文言があります。本講演では、ここで言及されている、人工ニューラルネットワークの関数近似器としての活用、特に、引用文献[38] "G. Carleo and M. Troyer, Science 355, 602 (2017)"で導入された量子多体波動関数の人工ニューラルネットワーク表現を中心に、機械学習手法の量子多体問題への応用に関してお話ししたいと思います。
[講義資料1] [講義資料2] [講義資料3] [実習用資料] [動画]

第18回

日時: 2025/10/31 (金) 13:00-17:00 JST
講師: 水上 渉 (大阪大学QIQB)
講演題目: 入門：機械学習原子間ポテンシャル
開催方法: 対面とオンラインのハイブリッド
場所: 筑波大学東京キャンパス 118講義室
概要:
ある入力された物質のエネルギーをそれを構成する原子の三次元空間上の位置から計算する関数のことを原子間ポテンシャルといいます。原子間ポテンシャルは、原子分子レベルでのシミュレーションを支える基盤となるものですが、長らく系に特化したものを職人技で作るしかありませんでした。近年、機械学習の発展にともない、この状況が大きくかわりつつあります。広範な物質に適用可能な「汎用な」原子間ポテンシャルがいくつも構築されるようになってきたのです。
人工ニューラルネットワークに基づく汎用原子間ポテンシャルは、ミクロなスケールでの化学･材料シミュレーションの基盤モデルとして注目を集めており、情報・化学･物理という複数の分野が交差するホットな研究領域にもなっています。本講義では、原子間ポテンシャルとは何か、その歴史から初め、人工ニューラルネットワークの出現が如何にゲームを変え、汎用なモデルが出現したのかを、残された課題と展望も踏まえて、予備知識がない方にもわかるよう基礎から説明します。

第19回

日時: 2025/11/21 (金) 13:00-17:00 JST
講師: Lingxiao Wang (RIKEN iTHEMS)
講演題目: Diffusion Models in Lattice Field Simulations
開催方法: 対面とオンラインのハイブリッド
場所: 筑波大学東京キャンパス 116講義室
概要:
This lecture explores diffusion models through the lens of physics. We begin with their foundations in stochastic quantization and effective actions, then demonstrate how these ideas enable the generation of lattice fields, including scalar and gauge fields. Emphasis will be placed on the expandability, exactness, and efficiency (3E) of diffusion-based generations. The session concludes with an outlook on how diffusion models can bridge machine learning and theoretical physics, offering new tools for high-dimensional sampling and simulation.

第20回

日時: 2026/1/9 (金) 13:00-17:00 JST
講師: 大谷 真也 (株式会社ABEJA)
講演題目: 作って理解する日本語特化の大規模言語モデル
開催方法: 対面とオンラインのハイブリッド
場所: 筑波大学東京キャンパス 118講義室
概要:
本講義では、日本語特化の大規模言語モデル（LLM）を題材に、仕組みを「作って理解する」ことを目的とします。LLMの基本原理から、プロンプト設計、RAGやAgentによる拡張、学習プロセス（事前学習・SFT・強化学習・DPO）までを体系的に解説し、実際に推論や学習を動かすことで、LLM開発を手触りを持って理解していくという講義にしていく予定です。