瀧川 一学

thumbnail image
瀧川 一学
主任研究者, 特任教授
北海道大学
京都大学国際高等教育院附属 データ科学イノベーション教育センター
研究分野
機械学習, 反応ネットワークモデリング, データ駆動予測
関連ウェブサイト
連絡先

takigawa atmark icredd.hokudai.ac.jp

瀧川 一学 グループ
主任研究者
  • thumbnail image
    瀧川 一学
教員
博士研究員

研究紹介

研究テーマ

反応ネットワークモデリング, データ駆動予測, 最適実験計画

キーワード

機械学習, データマイニング, バイオインフォマティクス, ケモインフォマティクス, マテリアルズインフォマティクス

研究概要

機械学習では、コンピュータがデータからパターンを検出できるようなアルゴリズムを開発することが必要となります。機械学習アルゴリズムは標準的には表形式のデータを扱うように設計されていますが、多くの科学的データが表形式ではありません。例えば、ゲノム配列は系列データであり、化合物の化学構造式はネットワーク状のグラフ構造データです。一つの研究テーマとして、このような非数値データを扱う機械学習アルゴリズムの開発を研究しています。

化学実験やシミュレーションによって得られたさまざまなデータの解析は、化学反応を合理的に設計するために欠かせません。そのため、最先端の機械学習手法を用いてデータと理論を最大限に活用し、非常に複雑な化学反応の性質を明らかにできるようにしたいと考えています。それが、不確定要素のモデリングや、ターゲットとなる生成物や反応条件の予測、決定因子に関する新しい知識の抽出、更には理論駆動型、知識駆動型、およびデータ駆動型の予測の統合につながると考えています。

研究に対する思い

機械学習は、いくつもの科学的問題に適用できる一種のメタサイエンスであり、私たち人間がどのように物事を学習するかとも深く関係しているように思います。 しかし、人間の学習プロセスも明確に説明するのは困難です。そのため、機械に明示的に学習をさせたり、新しい事を発見させたりすること自体とても挑戦的な課題ですが、同時にとても面白い課題だと考えています。

MANABIYAコースの研修内容はこちらです。MANABIYA全般について詳しく知りたい方は、こちらをクリックしてください。

代表的な研究成果

  • Toward effective utilization of methane: machine learning prediction of adsorption energies on metal alloys
    Toyao T, Suzuki K, Kikuchi S, Takakusagi S, Shimizu K, Takigawa I. J. Phys. Chem. C, 2018, 122 (15): 8315-8326
    DOI : 10.1021/acs.jpcc.7b12670
  • Generalized sparse learning of linear models over the complete subgraph feature set
    I Takigawa, H Mamitsuka, IEEE Trans. Pattern Anal. Mach. Intell. 2017, 39 (3): 617-624
    DOI : 10.1109/TPAMI.2016.2567399
  • Machine-learning prediction of d-band center for metals and bimetals
    I Takigawa, K Shimizu, K Tsuda, S Takakusagi, RSC Adv. 2016, 6: 52587-52595
    DOI : 10.1039/C6RA04345C
  • MED26 regulates the transcription of snRNA genes through the recruitment of little elongation complex
    H Takahashi, I Takigawa, M Watanabe, D Anwar, M Shibata, C Tomomori-Sato, S Sato, A Ranjan, C W Seidel, T Tsukiyama, W Mizushima, M Hayashi, Y Ohkawa, J W Conaway, R C Conaway, S Hatakeyama, Nat. Commun. 2015, 6 (5941)
    DOI : 10.1038/ncomms6941
  • Efficiently mining δ-tolerance closed frequent subgraphs
    I Takigawa, H Mamitsuka, Machine Learning, 2011, 82 (2): 95-121
    DOI : 10.1007/s10994-010-5215-6

関連する研究記事

業績一覧

2024年

  • Machine Learning Refinement of In Situ Images Acquired by Low Electron Dose LC-TEM
    H. Katsuno, Y. Kimura, T. Yamazaki, I. Takigawa, Microscopy and Microanalysis, 2024, ,
    DOI: 10.1093/micmic/ozad142

2023年

  • Accelerated Discovery of Multi-Elemental Reverse Water-Gas Shift Catalysts Using Extrapolative Machine Learning Approach
    G. Wang, S. Mine, D. T. Chen, Y. Jing, K. W. Ting, T. Yamaguchi, M. Takao, Z. Maeno, I. Takigawa, K. Matsushita, K. I. Shimizu, T. Toyao, Nat. Commun., 2023, 14, 5861
    DOI: 10.1038/s41467-023-41341-3
  • Machine Learning-Based Analysis of Molar and Enantiomeric Ratios and Reaction Yields Using Images of Solid Mixtures
    Y. Ide, H. Shirakura, T. Sano, M. Murugavel, Y. Inaba, S. Hu, I. Takigawa, Y. Inokuma, Industrial & Engineering Chemistry Research, 2023, 62, 35, 13790–13798
    DOI: 10.1021/acs.iecr.3c01882

2022年

  • Calcium Sparks Enhance the Tissue Fluidity Within Epithelial Layers and Promote Apical Extrusion of Transformed Cells
    K. Kuromiya, K. Aoki, K. Ishibashi, M. Yotabun, M. Sekai, N. Tanimura, S. Iijima, S. Ishikawa, T. Kamasaki, Y. Akieda, T. Ishitani, T. Hayashi, S. Toda, K. Yokoyama, C. G. Lee, I. Usami, H. Inoue, I. Takigawa, E. Gauquelin, K. Sugimura, N. Hino, Y. Fujita, Cell Reports, 2022, 2022 Jul 12;40(2), 11107840
    DOI: 10.1016/j.celrep.2022.111078
  • Machine Learning Analysis of Literature Data on the Water Gas Shift Reaction Toward Extrapolative Prediction of Novel Catalysts
    S. Mine, Y. Jing, T. Mukaiyama, M. Takao, Z. Maeno, K. Shimizu, I. Takigawa, T. Toyao, Chem. Lett., 2022, 51, 269-273
    DOI: 10.1246/cl.210645
  • Fast Improvement of TEM Images with Low-Dose Electrons by Deep Learning
    H. Katsuno, Y. Kimura, T. Yamazaki, I. Takigawa, Microscopy and Microanalysis, 2022, 28, 138-144
    DOI: 10.1017/s1431927621013799
  • Early Detection of Nucleation Events From Solution in LC-TEM by Machine Learning
    H. Katsuno, Y. Kimura, T. Yamazaki, I. Takigawa, Frontiers in Chemistry, 2022, 10,
    DOI: 10.3389/fchem.2022.818230

2021年

  • A Simplified Methodology for the Modeling of Interfaces of Elementary Metals
    Y. Hinuma, I. Takigawa, M. Kohyama, S. Tanaka, Aip Advances, 2021, 11,
    DOI: 10.1063/5.0063715
  • Analysis of Updated Literature Data up to 2019 on the Oxidative Coupling of Methane Using an Extrapolative Machine-Learning Method to Identify Novel Catalysts
    S. Mine, M. Takao, T. Yamaguchi, T. Toyao, Z. Maeno, S. Siddiki, S. Takakusagi, K. Shimizu, I. Takigawa, Chemcatchem, 2021, 13, 3636-3655
    DOI: 10.1002/cctc.202100495
  • Minor-Embedding Heuristics for Large-Scale Annealing Processors with Sparse Hardware Graphs of up to 102,400 Nodes
    Y. Sugie, Y. Yoshida, N. Mertig, T. Takemoto, H. Teramoto, A. Nakamura, I. Takigawa, S. I. Minato, M. Yamaoka, T. Komatsuzaki, Soft Computing, 2021, 25, 1731-1749
    DOI: 10.1007/s00500-020-05502-6

2020年

  • Frontier Molecular Orbital Based Analysis of Solid-Adsorbate Interactions over Group 13 Metal Oxide Surfaces
    C. Liu, Y. X. Li, M. Takao, T. Toyao, Z. Maeno, T. Kamachi, Y. Hinuma, I. Takigawa, K. Shimizu, J. Phys. Chem. C, 2020, 124, 15355-15365
    DOI: 10.1021/acs.jpcc.0c04480
  • Machine Learning for Catalysis Informatics: Recent Applications and Prospects
    T. Toyao, Z. Maeno, S. Takakusagi, T. Kamachi, I. Takigawa, K. Shimizu, Acs Catalysis, 2020, 10, 2260-2297
    DOI: 10.1021/acscatal.9b04186

2019年

  • Linear Correlations Between Adsorption Energies and HOMO Levels for the Adsorption of Small Molecules on TiO2 Surfaces
    T. Kamachi, T. Tatsumi, T. Toyao, Y. Hinuma, Z. Maeno, S. Takakusagi, S. Furukawa, I. Takigawa, K. Shimizu, J. Phys. Chem. C, 2019, 123, 20988-20997
    DOI: 10.1021/acs.jpcc.9b05707
  • Statistical Analysis and Discovery of Heterogeneous Catalysts Based on Machine Learning from Diverse Published Data
    K. Suzuki, T. Toyao, Z. Maeno, S. Takakusagi, K. Shimizu, I. Takigawa, Chemcatchem, 2019, 11, 4537-4547
    DOI: 10.1002/cctc.201900971