大学等では、講義形式やeラーニングを活用した情報セキュリティ教育、研修が行われているが、その実施には様々な課題がある。サイバーセキュリティeラーニングの問題解決WGでは、より良いサイバーセキュリティ教育のためのテスト問題を作成し、「知識」の有無ではなく「態度」の習得を意識した。このテスト問題作成には、インストラクショナル・デザイン（Instructional Design: ID）の考え方を取り入れている。作成したテスト問題を格納するためのシステムとして、eラーニングリポジトリを構築した。本講演ではこれらのWGの取り組みを紹介するとともに、より良いサイバーセキュリティeラーニングについて議論のための材料を提供する。

「適正な成績評価基準に基づく厳正な成績評価の実施」を目的として、各授業科目のミニマム・リクワイアメント明確化や学修成果の可視化による学生の自律学修および効果的修学指導の促進など、学修成果獲得に向けた多様な教育改革の取組を促進している。さらに、この動きをさらに加速させるため、学修成果を包括的に蓄積・可視化する『ディプロマ・サプリメント・システム』を活用した様々な教育改善の取組を推進している。今回は、情報科学部の中での、いくつかの取組を紹介する。

金沢工業大学では、これまで教育の質向上を目的として、様々な情報をデジタル化し業務を効率化するシステムを構築してきています。その中で現在、文部科学省の支援を受け、これらのシステムのデータを統合し、学生の学びのプロセスを明らかにして、教職員のみならずAIが各学生に合わせてアドバイスできるシステムの構築を目指しています。また、等身大の遠隔コミュニケーションシステムを用いた、ポストコロナ時代における教育の形についても検討しており、これらの話題を提供できればと思います。

講演に対する質疑応答をベースにして、フォーラムのテーマに関連した様々な問題点についてディスカッションを行います。

　2020年度初頭よりCOVID-19への緊急対応が求められることとなり、大学ではこれまで対面が主流であった授業の全面オンライン化を行うとともに、在宅勤務の実施、教授会での投票のオンライン化、さらには試験問題検討、オンラインでの試験の実施方法の検討などが進められた。本公演では、京都大学における検討や取り組みの事例について紹介する。

　世の中には「オンライン」がおおよそ浸透し、様々な場面で利活用されるようになってきた、というのは、本当なのだろうか?　まだまだ、使いこなせていない、振り回されている状態なのではないか?　「オンライン」の使いこなしに向け、2020年、2021年を振り返りながら再考したい。

　昨年発生した新型コロナウイルス感染症拡大に対し、新しい働き方が求められている。テレワークを中心とした新しい働き方に対応した、人事施策、ネットワーク、コミュニケーション、セキュリティを中心に、富士通としてどのように乗り越え、どのような対策を実施してきたかご紹介します。

　講演に対する質疑応答をベースにして、フォーラムのテーマに関連した様々な問題点についてディスカッションを行う。

mdxはデータ科学・データ駆動科学にフォーカスした情報基盤であり, 仮想化技術を用いたマルチテナント(クラウド)環境であり, プロジェクトごとに環境をカスタマイズすることが可能, 他のプロジェクトと強固に分離された環境を提供可能, などの特徴を持つ. 特徴を活かして提供するサービス像と, 各分野の専門コミュニティの協力を得ながら取り組んでいきたい事業の計画について述べる.

モノのインターネット（IoT）、ビッグデータ、人工知能技術の急速な発展に伴い、スマートシティは新しい科学技術分野として各国の政府や産業界から非常に重視されている。これを背景にし、私はスマートシティ向けの大規模時空間データ解析技術を研究開発している。特に、人のモビリティデータ（GPS軌跡データ）に基づき、深層学習をはじめとする最先端の人工知能技術で、都市規模の人流・交通流を効果的にモデリング・予測するのは私の研究テーマになる。

脱炭素、SDGs、地域創生などの背景の中で、各地域に賦存する資源を活用した物質・エネルギー生産の検討が活発化している。そのような地域システムの設計に向けた技術導入効果の評価にはシミュレーションが重要な役割を担うが、多様かつ分散したデータや数理モデルを扱うため容易ではなく、現状では大きな時間と労力を要している。その高速化・省力化を目指して、個別に開発されてきたシミュレータやデータソースを統合するシミュレーション基盤の開発について、データ活用社会創成プラットフォーム「mdx」との連携も含めた取り組みを紹介する。

本発表では、石炭ガス化炉及び大型洋上風力発電を対象とした、「富岳」を用いたマルチスケール・マルチフィジクス統合シミュレーション（スーパーシミュレーション）について述べる。ここでは、並列LES燃焼解析コードFFR-Combと並列熱伝導解析コードADVENTURE_Thermal、並列LES解析コードFFBと並列構造解析コードADVENTURE_Solidを並列カプラREVOCAP_Couplerを介して連携させ、実機の大規模連成解析を実現する。

　近年、深層学習に代表される機械学習処理では、学習するデータ量の増加やニューラルネットワークの複雑化に伴い、必要とする計算量が膨大なものとなっており、機械学習が必要とする計算量は5年で30万倍とムーアの法則をはるかに超える速度で増加している。この機械学習が必要とする膨大な計算量に応えるためには、プロセッサの単体性能の向上だけでなく、多数のプロセッサを大量に並列に並べる大規模並列計算が必要である。そこで、大規模並列環境を用いた機械学習の実例として、MLPerf HPCベンチマークへの取り組みについて説明し、さらにその応用として、「富岳」を活用した津波シミュレーション結果をAIで学習させた事例について説明する。