a.s.ist 獲選入 Resonac 事業共創計畫「OnStage」

株式會社 a.s.ist(以下 a.s.ist)謹此通知，本公司已獲株式會社 Resonac 所主辦之事業共創計畫「OnStage(OnStage)」選入。

「OnStage」為 Resonac 與外部企業共同合作，以創造有助於解決社會問題的新興事業為目標的事業共創計畫。在此計畫中,Resonac 員工與外部企業將組成共創團隊，在接受指導及 Resonac 資產運用支援的同時，推進以事業化為目標的驗證活動。

a.s.ist 一直致力於運用統計機器學習技術，自動化材料開發及物性實驗的資料分析。在此計畫中，我們將運用本公司擁有的自動資料分析技術及實驗條件最適化技術，致力於共同創造，以提升材料研發中「合成、計測、解析、判斷、次條件決定」週期的水準。

OnStage 本公司獲選內容

主題:以自動資料分析技術為核心，實現材料研發的實驗室自動化

獲選內容:運用 a.s.ist 所擁有的貝葉斯推論等自動解析光譜資料、材料分析資料的技術，以及實驗條件探索、最適化技術，針對 Resonac 的研發領域，進行資料運用、解析業務的提升，以及研發週期的效率化驗證。

關於 OnStage

「OnStage」是由 Resonac 的研發據點「共創舞台」所主辦的事業共創計畫。Resonac 與新創公司等外部企業，將結合彼此的技術、知識、資產，以創造有助於解決社會問題的新興事業為目標。

在此計畫中，將組成由 Resonac 員工與獲選企業的共創團隊，逐步推進顧客課題假說的驗證、提供價值與解決方案的建構、原型製作、概念驗證(PoC)、事業計畫制定等。

OnStage 特設網站:https://unidge.co.jp/project/onstage

獲選背景

在材料開發現場，從實驗條件的設計、計測資料的解析、結果的判讀，到下一個實驗條件的決定等一連串過程中，存在著需要高度專業知識與大量時間的場合。特別是 XRD、XPS、FT-IR、NMR※1 等光譜、計測資料的解析，其峰值數量、峰值形狀、背景、模型選擇※2 等判斷，容易依賴解析者的經驗，而有再現性及效率化上的課題。

a.s.ist 以在東京大學培養的研究知見為基礎，開發了運用貝葉斯推論、稀疏建模※3 等統計方法的白箱 AI※4 技術。藉此，我們支援材料、物性實驗資料的自動解析、特徵提取※5,以及實驗條件的最適化，推動研究、製造現場的數位轉型(DX)。

透過此次 OnStage 的獲選,a.s.ist 將與 Resonac 共同合作，致力於提升材料研發中的資料解析與決策水準，以創造新的價值。

未來展望

a.s.ist 將在 OnStage 的計畫期間，考量 Resonac 研發現場的課題與需求，驗證本公司技術的適用性。

具體而言，預計將推進材料解析資料的自動處理、基於實驗結果的下一個條件提案，以及針對整個研發流程效率化的技術驗證。未來，我們將致力於實現能降低材料開發現場的個人依賴性、提高解析業務效率、加速研發週期的解決方案。

a.s.ist 今後也將持續運用統計機器學習與白箱 AI,推動材料開發、製造業的資料運用提升與社會實踐。

關於株式會社 a.s.ist

a.s.ist 以在東京大學培養的研究知見為基礎，運用貝葉斯推論、稀疏建模、白箱 AI 等尖端資料解析技術，致力於提升材料開發、物性實驗水準的新創公司。

特別是，在 XRD、XPS、FT-IR、NMR 等光譜資料及材料分析資料的自動解析方面具有優勢，支援著峰值分離、參數估計、特徵提取等高度專業解析業務的效率化與再現性提升。

此外，除了自動解析軟體的開發與銷售，我們也透過實驗條件最適化、研發資料的整合運用、報告自動製作、各種數位轉型(DX)解決方案的提供，全面推動材料研發中「合成、計測、解析、判斷、次條件決定」週期的提升。

目前,a.s.ist 正以光譜自動解析及實驗條件最適化技術為核心，致力於開發與實施實驗室自動化及自主材料探索※6 的自動化技術，以實現研發現場的自動化。

公司名稱:株式會社 a.s.ist(a.s.ist) 代表董事:林 悠偉 / 森口 椋太 所在地:東京都足立區伊興 5-17-24 研發據點:千葉縣柏市柏之葉 5丁目4−6 東葛科技廣場 606 室 設立:2021年6月 事業內容:解析軟體開發、異常偵測、報告自動製作、演算法開發 網址:https://www.a-s-ist.com/

註釋一覽

※1 XRD(X 光繞射)、XPS(X 光電子能譜法)、FT-IR(傅立葉轉換紅外光譜法)、NMR(核磁共振法)

用於檢測材料、化學物質成分、分子結構、結晶結構、表面狀態等的代表性分析方法

※2 模型選擇

選擇最適合解析對象的數學模型或計算方法

※3 稀疏建模

從大量資料中僅選取重要資訊進行解析的技術，可獲得易於解釋的模型

※4 白箱 AI

以人類容易理解與說明結論產生原因的方式建構 AI 的技術

※5 特徵提取

從大量資料中僅提取重要特徵，並轉換為易於解析形式的技術

※6 自主材料探索

利用 AI 或機器人，透過自動重複實驗、解析、決定下一個實驗條件的過程，有效率地探索新材料的技術

本新聞稿相關諮詢窗口

株式會社 a.s.ist 公關負責人 電子郵件:[email protected]